Stop Telling Me To Ask An LLM

My AI coding workflow runs entirely through Discord, and it's faster than using an editor

Một nhà phát triển giới thiệu workflow sử dụng Discord thay thế trình biên tập mã truyền thống, tích hợp AI thông qua OpenClaw (điều phối viên), Claude Code (tác nhân lập trình) và GitHub MCP để quản lý repository. Người dùng chỉ cần gửi lệnh ngôn ngữ tự nhiên trên Discord như "sửa lỗi #142 và mở PR", còn AI sẽ xử lý toàn bộ quy trình, tương tự xu hướng tích hợp agent trong các editor như VS Code hay Cursor.

Là người viết mã, bạn sẽ tìm hiểu cách AI có thể tự động hóa các tác vụ lặp đi lặp lại trong pipeline phát triển, từ sửa lỗi đến mở pull request, giúp tiết kiệm thời gian và giảm thiểu sai sót khi làm việc với các công cụ truyền thống.

The Agent-Era Career

Addy Osmani, cựu trưởng nhóm kỹ thuật Google, đưa ra lời khuyên sự nghiệp cho kỷ nguyên AI …

Don’t go quietly into the AI night

Bài viết chỉ trích xu hướng tương lai AI hai tầng, nơi giới tinh hoa kỹ thuật kiểm soát AI tiên tiến trong khi đa số người dùng tụt hậu. Tác giả phản đối mô hình "tăng lữ" (AI bị hạn chế bởi phòng thí nghiệm và chính phủ) và ủng hộ giải pháp lấy con người làm trung tâm, giúp mọi người trở thành quản lý agent.

Lập trình viên nên đọc bài này để hiểu cách AI đang tạo ra sự bất bình đẳng kỹ thuật và cách thiết kế công nghệ có thể giúp mọi người—không chỉ là những chuyên gia—tận dụng công nghệ một cách tự chủ và hiệu quả.

Let AI Burn

Bài viết cho rằng ngành AI đang là một bong bóng không bền vững, dựa trên tài trợ vòng …

I stopped treating AI models like Pokémon—I don't need to collect them all

Tác giả từng lạm dụng Ollama khi chạy các mô hình AI local bằng cách thu thập đủ loại LLM mới thay vì cải thiện năng suất. Sau khi nhận thấy sự lãng phí khi theo đuổi benchmark không phù hợp, ông đã gán mỗi mô hình một vai trò cụ thể (DeepSeek 14B cho tác vụ hàng ngày, GPT-OSS 20B cho phân tích tài liệu, Qwen 2.5 Coder cho lập trình) và tích hợp chúng vào công cụ sẵn có như Logseq, Obsidian, VS Code thay vì đổi liên tục.

Lập trình viên nên đọc bài này để tránh bị mắc kẹt trong cuộc đua "sưu tập" các mô hình AI mà thực chất vẫn chưa tối ưu hóa hiệu suất thực tế cho công việc của mình.

Make no assumptions.

Bài viết bàn về nguy cơ "messy reasoning horizons" (các tầng lý luận lộn xộn) trong code khi sử dụng AI coding harnesses và LLMs, nơi những lớp lý luận sai lầm tích tụ dẫn đến quyết định thảm khốc. Tác giả chia sẻ trường hợp suýt sửa một vấn đề không tồn tại do đầu ra LLM không được xác thực, đồng thời đề xuất 5 biện pháp: không đưa ra giả định nào về ngữ cảnh lý luận, tác giả phải là người đầu tiên xem xét lại output của mình, ưu tiên các quy ước phần mềm mang tính xác định, tách biệt thử nghiệm khỏi sản xuất, và cấu trúc việc sử dụng LLM nhằm khám phá, tinh chỉnh thay vì đưa ra kết luận trực tiếp.

Lập trình viên nên đọc bài này để tránh rủi ro từ những quyết định sai lầm do messy reasoning—kết hợp sai lầm logic từ các tầng code—nên gây thiệt hại lớn hơn khi AI và LLM đưa ra kết luận không được kiểm chứng.

Making agentic token costs visible in production

Chi phí token trong hệ thống AI agent tích tụ qua các tool, lịch sử phiên và vòng truy xuất dữ liệu, khó phát hiện nếu không có công cụ giám sát. Các biện pháp giảm thiểu bao gồm thu gọn danh mục tool, nén lịch sử phiên, loại bỏ dữ liệu trùng lặp và triển khai prompt caching. Cần theo dõi chi tiết từng bước (span-level traces) thay vì chỉ dashboard tổng hợp để quản lý ngân sách token hiệu quả.

Lập trình viên nên đọc bài này để hiểu cách tối ưu hóa chi phí token trong các hệ thống AI agentic bằng cách giảm thiểu chi phí không cần thiết từ việc theo dõi, lưu trữ và tái sử dụng dữ liệu không hiệu quả.