A practical reference for integrating Linkerd service mesh metrics into an existing OpenTelemetry Collector pipeline. Covers what OTel app instrumentation provides versus what Linkerd's sidecar proxy exposes at the network layer, where the two overlap (request rate, latency, errors) and where they don't (mTLS identity, business semantics, distributed traces). Includes a working OTel Collector config using a dedicated prometheus/mesh receiver with Kubernetes pod discovery, OTTL-based metric filtering, and resource enrichment to tag mesh metrics with layer=mesh. Also discusses cardinality implications of proxy label sets, a known $-expansion gotcha in Collector relabel configs, and how to visualize both layers side-by-side in Grafana using a mixed datasource panel. The reference stack uses K3s, Linkerd edge-26.5.5, OTel Demo (Astronomy Shop), OTel Collector contrib 0.118.0, VictoriaMetrics, and Grafana.
Nguồn: https://www.cncf.io/blog/2026/06/29/otel-and-mesh-derived-metrics-a-2026-reference. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Vercel ra mắt AI SDK 7, bản cập nhật lớn cho TypeScript SDK hỗ trợ xây dựng ứng dụng và agent AI. SDK bổ sung tính năng kiểm soát lý luận chuẩn hóa, upload file/provider skill, hỗ trợ MCP Apps, giao diện UI terminal, WorkflowAgent bền vững, cấu hình timeout chi tiết, cùng nhiều cải tiến khác. Quá trình di chuyển từ v6 được tự động hóa qua codemod.
Lập trình viên phát triển ứng dụng AI sẽ tìm hiểu SDK mới này để tối ưu hóa hiệu suất, giảm thiểu chi phí và mở rộng khả năng tích hợp với các công cụ AI hiện đại mà không cần phải viết lại mã từ đầu.
Tempo 3.0, phiên bản mới của hệ thống truy vết phân tán mã nguồn mở, giới thiệu kiến trúc tương thích Kafka cho microservices, tách biệt đường đọc-ghi, giảm yêu cầu sao chép RF3 xuống RF1, và thay thế ingesters/compactors bằng block-builders, live-stores cùng scheduler. Tính năng TraceQL metrics giờ đã sẵn sàng, hỗ trợ truy vấn metric trực tiếp từ trace data cùng toán tử so sánh mới, cùng nhiều cải tiến khác như giới hạn cardinality theo label, tối ưu truy vấn TraceQL AST, và công cụ di chuyển từ phiên bản 2.x.
Lập trình viên phát triển ứng dụng microservices nên đọc vì Tempo 3.0 mang đến kiến trúc Kafka-compatible cải tiến, giúp tối ưu hóa quy mô, giảm chi phí vận hành và cung cấp công cụ TraceQL mạnh mẽ để phân tích hiệu suất trực tiếp từ dữ liệu theo dõi phân tán.
Oxide Computer Company chia sẻ cách họ tối ưu hiệu năng mạng xuyên suốt mọi lớp trong hệ thống rack tự xây dựng, bao gồm điều chỉnh jumbo frames (MTU 8500 cho guests, 9000 cho underlay), TCP segmentation offloads, phân bổ CPU cho worker threads của virtual NIC, và tận dụng ECMP cùng IPv6. Họ giải thích lý do MTU nên đặt trên instance thay vì switch port, cũng như rủi ro vận hành khi ICMP path-MTU discovery bị drop.
Một lập trình viên cần đọc bài này để hiểu cách tối ưu hóa hiệu suất mạng từ cấp hạ tầng vật lý đến giao diện ứng dụng, giúp họ có kiến thức toàn diện về cách thiết kế và tối ưu hóa hệ thống mạng hiệu quả hơn trong các dự án phần mềm.
Vigilance là bảng điều khiển giám sát Laravel tự lưu trữ, theo dõi jobs, artisan commands và scheduled tasks trên mọi trình điều khiển queue (Redis, SQS, database, v.v.), ghi nhận lifecycle chi tiết. Nó cung cấp tính năng sampling, dispatch jobs thủ công, metrics tùy chỉnh, Real User Monitoring, exception grouping, SLO tracking, N+1 detection, uptime checks, log explorer, alerting và hỗ trợ MCP server cho AI agent, yêu cầu PHP 8.2+, Laravel 12/13 và Livewire 3.5+/4.
Lập trình viên cần đọc bài này để khám phá cách Vigilance giúp theo dõi và tối ưu hóa hiệu suất, lỗi, và hiệu suất của các nhiệm vụ queu, lệnh Artisan, và lịch lập trình trong Laravel một cách toàn diện, từ Redis đến các driver khác, với các công cụ như cảnh báo, phân tích lỗi và đo lường thực người dùng.
Đội ngũ xây dựng một lớp định tuyến dựa trên bộ phân loại (classifier) để tiết kiệm chi phí suy luận AI bằng cách chuyển truy vấn đơn giản sang các mô hình rẻ hơn, tiết kiệm ~60% chi phí hàng tháng. Tuy nhiên, sau ba tháng, sự hài lòng của khách hàng giảm và tỷ lệ rời bỏ tăng do chất lượng dịch vụ sụt giảm, khiến chi phí gấp 4-5 lần khoản tiết kiệm. Nguyên nhân gốc rễ là bộ phân loại không thể phát hiện đáng tin cậy độ phức tạp truy vấn "đuôi dài" (long-tail), các mô hình rẻ hơn thất bại mạnh mẽ trong các trường hợp biên, và hệ thống giám sát hiện tại không theo dõi chất lượng theo từng tầng, che giấu sự suy giảm riêng lẻ. Bài viết giải thích cơ chế thất bại, phương pháp phát hiện (giám sát chất lượng theo tầng, lấy mẫu thừa đuôi dài, theo dõi độ tin cậy bộ phân loại), và đề xuất kiến trúc thay thế — hệ thống phân tầng theo độ không chắc chắn (uncertainty-routed cascades), nơi mọi truy vấn bắt đầu từ mô hình rẻ nhất và chỉ leo thang lên mô hình mạnh hơn khi độ tin cậy thấp.
Lập trình viên nên đọc bài này để hiểu cách tính toán và quản lý rủi ro trong việc tối ưu hóa chi phí AI bằng cách tránh những sai lầm thường gặp khi giả định mô hình đơn giản có thể thay thế hiệu quả các giải pháp phức tạp mà không kiểm soát chất lượng.
Vận hành foundation model (FM) trong sản xuất đòi hỏi coi chúng như những dịch vụ cấp cao, không phải sản phẩm giao bàn giao khoa học dữ liệu. Các nguyên tắc vận hành quan trọng bao gồm hiểu rằng ảo giác (hallucination) xuất phát từ sự dịch chuyển phân phối (distribution shift) chứ không phải lỗi triển khai, sử dụng prompt engineering và RAG trước khi fine-tuning, và xây dựng lớp quan sát (observability) chuyên dụng để phát hiện lỗi thầm lặng. Các công cụ như LangSmith hay Arize là cần thiết vì các bộ giám sát APM tiêu chuẩn không bắt được các lỗi đặc thù của hệ thống AI, vốn có thể đưa ra kết quả sai nhưng không báo lỗi. Vòng đời FM tương tự SDLC nhưng có nhiều lỗi thầm lặng hơn, và các kỹ sư thành công là những người áp dụng các phương pháp SRE đã được chứng minh: sổ tay vận hành (runbooks), giám sát, và quy trình leo thang rõ ràng.
Lập trình viên nên đọc bài này để hiểu cách chuyển đổi từ việc xử lý mô hình AI như một nhiệm vụ kỹ thuật số sang quản lý nó như một dịch vụ chuyên nghiệp, giúp giảm rủi ro, tối ưu hóa hiệu suất và đảm bảo an toàn sản phẩm trong môi trường sản xuất.
Grafana Cloud's Kubernetes Monitoring có hai hệ thống cảnh báo riêng biệt: cảnh báo quản lý bởi data source (Mimir/Prometheus) và cảnh báo quản lý bởi Grafana. Việc cài đặt lại app sẽ tự động chuyển quy tắc cảnh báo sang hệ thống Grafana, có thể làm gián đoạn các tuyến thông báo đã cấu hình trong Alertmanager. Bài viết hướng dẫn cách nhận diện hệ thống cảnh báo đang sử dụng, nguyên nhân ngừng hoạt động sau khi cài đặt lại, và các phương pháp tốt nhất như sử dụng nút Update thay vì cài đặt lại, sao lưu quy tắc tùy chỉnh trước khi nâng cấp, và lưu ý rằng cảnh báo quản lý bởi data source (Prometheus/Loki) sẽ ngừng hoạt động từ tháng 4/2026.
Lập trình viên cần đọc bài này để tránh mất hiệu suất cảnh báo trong Kubernetes khi tái cài đặt Grafana Cloud, vì nó có thể phá hủy cấu hình thông báo hiện có và cảnh báo cũ sẽ chuyển sang hệ thống quản lý mới, gây mất liên lạc với các hệ thống cảnh báo bên ngoài.
Bản phát hành Grafana 13.1 bổ sung nhiều cải tiến trong observability as code, truy vấn hỗ trợ AI (Grafana Assistant) và dashboard. Git Sync được nâng cấp với import dashboard trực tiếp, sync cấp root, hiển thị README.md nội tuyến và ký commit GPG/SSH/S/MIME. Grafana Assistant mở rộng hỗ trợ thêm 8 data source (Snowflake, Oracle, Elasticsearch, v.v.) và có sẵn trong Grafana Enterprise. Dashboard cải tiến với biến cấp section, trình chỉnh sửa truy vấn mới (multi-select, stacked view), bộ lọc nhanh, điều khiển hiển thị series, bảng lồng ghép và sao chép-dán style panel. Private Data Source Connect (PDC) bổ sung hỗ trợ MQTT, GitHub và IBM Db2.
Lập trình viên phát triển giải pháp giám sát và tự động hóa nên đọc bài này để khám phá cách Grafana 13.1 nâng cấp khả năng tích hợp AI, quản lý dữ liệu từ nhiều nguồn mới và cải tiến công cụ quản lý dashboard, giúp tối ưu hóa quy trình phát triển và triển khai hệ thống theo mô hình observability as code.