Meet Riley Lewis, the AE Who Came for the People and Stayed for the Pace

Build with Tailscale using tsnet, APIs, and automated sharing

Bài viết mô tả cách tích hợp Tailscale vào ứng dụng bằng thư viện tsnet để tạo mạng ảo …

The Drucker drift

Bối cảnh từ sự phát triển của quản trị học theo trường phái Drucker có thể gây "drift" khi áp dụng vào thực tế. Nguyên nhân kỹ thuật nằm ở việc các khái niệm như management by objectives (MBO) hoặc the knowledge worker bị giải thích sai lệch khi chuyển từ lý thuyết sang implementation. Hệ quả là các doanh nghiệp áp dụng các phương pháp này một cách máy móc dẫn đến hiệu quả giảm sút 40-50% so với kỳ vọng. Điều đáng học là cần hiểu bản chất của Drucker's philosophy chứ không chỉ áp dụng bề mặt, kết hợp với các framework hiện đại như OKR hoặc Agile để tối ưu hóa.

Bài viết này giúp bạn hiểu cách tư duy đổi mới theo triết lý quản trị của Peter Drucker để tạo ra tác động lớn trong công nghệ và marketing.

Build AI-assisted firewall workflows with Ansible Automation Platform

Bài viết mô tả cách sử dụng Ansible Automation Platform kết hợp với ServiceNow và trí tuệ nhân tạo để tự động hoá quy trình thay đổi tường lửa. Bối cảnh là các đội ngũ bảo mật thường phải thực hiện nhiều thay đổi thủ công, dẫn đến lỗi và chậm trễ. Nguyên nhân kỹ thuật là việc kết hợp các playbook Ansible với webhook từ ServiceNow và mô hình AI để phát hiện các thay đổi nguy cơ và kích hoạt quy trình phê duyệt con người. Hệ quả là giảm thời gian xử lý thay đổi xuống đáng kể đồng thời tăng tính minh bạch và tuân thủ nhờ cơ chế phê duyệt có điều kiện. Điều đáng học là cách xây dựng một quy trình sự kiện‑điều khiển có kiểm soát, trong đó AI chỉ ra rủi ro và con người giữ vai trò quyết định cuối cùng.

Tài liệu này giúp bạn tự động hóa quy trình quản lý tường lửa với sự hỗ trợ của AI và phê duyệt thủ công, nâng cao hiệu quả quản lý bảo mật mạng.

Doing nothing at work

Kỹ sư nên duy trì mức sử dụng 80% thay vì luôn bận rộn để sẵn sàng xử lý những việc đột xuất quan trọng như giải quyết sự cố hay đẩy nhanh tính năng nổi bật. Tránh các nhiệm vụ "glue work" không được ưu tiên chính thức, từ chối công việc không lương ngoài kênh chính thức và trì hoãn tác vụ có thể thay đổi/hủy bỏ giúp duy trì năng suất bền vững. Tập trung toàn lực vào vài thời điểm then chốt trong năm thay vì căng thẳng suốt thời gian sẽ giảm sai sót do stress.

Lập trình viên nên đọc bài này để hiểu cách tối ưu hóa năng lượng và thời gian của mình bằng cách tập trung vào những công việc có tác động lớn nhất thay vì bị rơi vào vòng luân chuyển công việc không hiệu quả.

Debugging my new network, when 10 Gigabit Ethernet Runs at 300 Megabits

Chuyển hệ thống lưu trữ gia đình sang UniFi UNAS Pro 8 với mong đợi đạt tốc độ 10 GbE, nhưng sau khi kiểm tra thực tế liên kết chỉ đạt khoảng 300 Mbps. Nguyên nhân kỹ thuật là do quá trình tự động thương lượng tốc độ và độ hai chiều giữa NIC trên máy chủ và cổng switch không khớp, có thể do sử dụng dây Cat5e hoặc mô-đun SFP+ không tương thích, khiến liên kết rét về mức thấp hơn nhiều. Hệ quả là tốc độ sao chép file bị giới hạn ở khoảng 30 MB/s, jauh dưới mức mong đợi khoảng 1250 MB/s, làm giảm hiệu suất của NAS khi làm việc với các tác vụ lớn. Điều đáng học là trước hết phải xác nhận loại dây (Cat6a hoặc cao hơn), kiểm tra thông số link speed/duplex bằng ethtool hoặc công cụdiagnostic của switch, và thay thế bất kỳ thành phần SFP+ nào nghi ngờ trước khi kết luận về lỗi phần cứng. Cuối cùng, sử dụng iperf3 để đo throughput thực tế và ghi lại phiên bản firmware của UniFi OS cùng driver NIC để dễ dàng tái tạo và troubleshoot trong tương lai

Bài viết chia sẻ kinh nghiệm thực tế và giải pháp hiệu quả cho vấn đề hiệu suất mạng 10 Gigabit Ethernet tốc độ thực tế chỉ 300 Megabits.

In defense of not understanding your codebase

Bài viết bảo vệ quan điểm làm việc với hiểu biết không đầy đủ về codebase trong hệ thống phần mềm lớn, phản bác luận điểm "Lập trình như xây dựng lý thuyết" của Peter Naur khi cho rằng việc xây dựng lại toàn bộ hệ thống khi kiến thức nhóm bị mất là không khả thi ở quy mô lớn. Các kỹ sư hiện đại phải đưa ra quyết định tự tin dù hiểu biết không hoàn chỉnh, đồng thời xem "duy trì lý thuyết về codebase" chỉ là một giá trị kỹ thuật trong số nhiều giá trị khác.

Những lập trình viên làm việc trong hệ thống lớn sẽ hiểu rằng không thể duy trì sự hiểu toàn bộ mã nguồn từ đầu, nhưng vẫn cần làm việc hiệu quả khi thiếu kiến thức chi tiết—điều này giúp họ tránh rơi vào rắc rối khi phải "xóa và viết lại" mã như một số quan điểm cổ điển đề xuất.

Please stop the AI Confidence Theater

Bài viết chỉ trích "AI Confidence Theater" – xu hướng thổi phồng khả năng và quy trình AI trên mạng xã hội lẫn trong doanh nghiệp, gây hại bằng cách bóp méo kỳ vọng, tạo FOMO, khó khăn trong tuyển dụng và áp lực giả vờ thành thạo AI. Tác giả đề xuất thay đổi bằng cách chia sẻ kết quả thực tế, thừa nhận giới hạn và tập trung vào công việc duy trì hệ thống AI vốn ít hào nhoáng nhưng mang lại giá trị thực.

Nếu bạn đang tìm hiểu về cách xây dựng dự án AI thực tế và tránh bị lừa bởi hype không có cơ sở, bài viết này giúp bạn phân biệt giữa tuyên bố hype và kiến thức thực sự để đưa ra quyết định sáng suốt về việc đầu tư thời gian và nguồn lực.

What is the future of software engineering with Adam Bender, Principal Software Engineer at Google

Adam Bender, kỹ sư phần mềm chính tại Google, cho rằng cuộc tranh luận về AI coding quá tập trung vào tốc độ và sinh code, bỏ qua những thách thức kỹ thuật rộng lớn hơn. Ông phân biệt lập trình (một cá nhân viết code) với kỹ thuật phần mềm (duy trì code sống, tích hợp và dễ bảo trì trong nhiều năm), nhấn mạnh AI thúc đẩy phần trước nhưng hầu như không ảnh hưởng đến phần sau. Những lo ngại chính bao gồm hệ sinh thái nhà phát triển như một hệ thống thích ứng phức tạp, nguy cơ mất kiểm soát trí tuệ khi codebase phát triển nhanh hơn khả năng hiểu của con người, lỗ hổng kiểm thử tích hợp khi AI tạo ra quá nhiều unit test, các API nội bộ trở nên công khai vô tình do AI bỏ qua ranh giới không chính thức, và khó khăn trong việc dạy phán đoán kỹ thuật cho lập trình viên mới sử dụng AI. Ông khuyến nghị bắt đầu bằng cách xác định chất lượng phù hợp với doanh nghiệp, sau đó lập bản đồ toàn bộ hệ sinh thái nhà phát triển để dự đoán hậu quả cấp hai và cấp ba từ việc tăng đột ngột sản lượng code.

Lập trình viên nên đọc bài này để hiểu cách AI không chỉ thay đổi cách viết code mà còn làm thay đổi toàn bộ quy trình và văn hóa của software engineering, từ việc quản lý codebase lớn đến việc đào tạo kỹ năng quyết định cho đội ngũ mới.