What’s new in two – June 2026 edition

Learning Back-End Stack and Architecture by Building a User Analytics platform

Một nhà phát triển front-end chia sẻ hành trình học NestJS, MongoDB và Kafka thông qua việc xây dựng nền tảng phân tích người dùng từ đầu, sử dụng kiến trúc microservice với monorepo TypeScript (Turborepo), tích hợp các chỉ số phân tích như lượt xem trang, thời gian lưu trú và phiên người dùng độc nhất bằng thuật toán downsampling LTTB và Min-Max-Average.

Nếu bạn đang tìm hiểu về backend chuyên sâu, từ kiến trúc phân tán đến các công nghệ như NestJS và Kafka, thì bài viết này là nguồn tham khảo thực tế để bạn xây dựng dự án từ cơ sở, áp dụng các pattern thiết kế và tối ưu hóa quy trình xử lý dữ liệu hiệu quả.

EP220: RAG vs Graph RAG vs Agentic RAG

Bài viết so sánh ba phương pháp RAG (Standard RAG, Graph RAG, Agentic RAG) về cơ chế, ưu nhược điểm và trường hợp sử dụng, đồng thời giới thiệu các cấu trúc dữ liệu mới trong Redis 8, các best practices bảo mật API, cheat sheet design patterns và mô hình Testing Pyramid.

Lập trình viên cần đọc bài này để hiểu cách tối ưu hóa hệ thống AI bằng các kiến thức về RAG (Retrieval-Augmented Generation) và Redis 8, từ đó xây dựng giải pháp hiệu quả hơn trong việc xử lý dữ liệu và tương tác người dùng.

Sub-agents: splitting context across specialized AI agents

Các sub-agent là những thành phần AI chuyên biệt đảm nhiệm nhiệm vụ nhỏ trong hệ thống multi-agent, giúp khắc phục giới hạn cửa sổ ngữ cảnh (context window) của LLM nhờ phân chia khối lượng công việc. Tuy nhiên, việc chia nhỏ này cũng gây ra rủi ro sai lệch trạng thái, trùng lặp công việc hoặc lỗi tích tụ. Giải pháp đề xuất là sử dụng bộ nhớ chia sẻ kết hợp nhiều lớp (bộ nhớ phiên ngắn hạn, dài hạn bằng vector search) cùng cơ chế điều phối như pub/sub hay Streams, với Redis Iris là giải pháp thống nhất hỗ trợ đầy đủ các yêu cầu này.

Lập trình viên cần đọc để hiểu cách tối ưu hóa hệ thống AI đa agent bằng cách giải quyết vấn đề phân tán thông tin và tránh rủi ro mất hiệu suất do quản lý bộ nhớ phân tán không hiệu quả.

Dynamic batching: a how-to guide

Dynamic batching là kỹ thuật nhóm các yêu cầu inference thành lô tại thời điểm chạy, giúp tối ưu hóa hiệu suất GPU bằng cách chia sẻ chi phí tải trọng lượng giữa nhiều đầu vào. Phương pháp này cải thiện throughput nhưng tăng độ trễ, đặc biệt đối với LLM autoregressive khi sử dụng continuous batching (xử lý theo từng iteration) để tránh tình trạng request ngắn phải chờ request dài. Semantic caching bổ trợ bằng cách trả về kết quả đã cache dựa trên độ tương tự ngữ nghĩa, giảm tới 73% chi phí inference trong các tác vụ lặp lại.

Lập trình viên xây dựng hệ thống AI cần hiểu cách áp dụng dynamic batching và semantic caching để tối ưu hóa hiệu suất inference trên GPU, giảm chi phí vận hành và cải thiện trải nghiệm cho ứng dụng, đặc biệt là trong trường hợp xử lý LLM phức tạp.

Knowledge graph RAG: structured retrieval for AI agents

GraphRAG khắc phục hạn chế của vector search khi không thể truy vết mối quan hệ giữa tài liệu, cho phép các tác nhân AI kết nối bằng chứng đa bước nhờ mô hình hóa dữ liệu dưới dạng thực thể (entities) và liên kết (edges). Redis Iris cung cấp nền tảng tích hợp tìm kiếm vector, cập nhật dữ liệu theo thời gian thực, truy cập công cụ có kiểm soát và bộ nhớ đệm ngữ nghĩa để hỗ trợ kiến trúc truy xuất này.

Lập trình viên cần đọc bài này để hiểu cách xây dựng hệ thống tìm kiếm thông minh cho AI bằng GraphRAG, giúp giải quyết vấn đề truy vấn đa cấp và cập nhật dữ liệu hiệu quả trong ứng dụng agent.

Building a Shopping Cart In Nodejs

Bài viết hướng dẫn chi tiết cách xây dựng nền tảng thương mại điện tử sử dụng Node.js làm backend kết hợp với các framework frontend như Angular, React hoặc Vue.js. Nội dung bao gồm thiết lập backend, cài đặt packages, cấu hình server, tạo models và routes với MongoDB, kiểm thử routes, cũng như phát triển tính năng giỏ hàng, kèm theo bài tập thực hành để nâng cao ứng dụng.

Lập trình viên Node.js nên đọc bài này để hiểu cách triển khai tính năng tùy chọn đa frontend (React, Angular, Vue) cùng backend Node.js, giúp nâng cao kiến thức về kết nối API và tích hợp các framework frontend vào ứng dụng e-commerce thực tế.

Building Kafka-Less Data Integration Pipelines with Debezium

Debezium now supports Kafka-less data integration pipelines via a JDBC sink in Debezium Server (DS) and the Debezium Management Platform (DMP). The tutorial walks through setting up a real-time data replication pipeline from PostgreSQL to MySQL using Docker, with no Kafka cluster required. Key configuration options like upsert mode, primary key handling, schema evolution, and delete propagation are explained. The same setup can be deployed on Kubernetes using the Debezium Operator CRD or managed through the DMP UI and REST API. Current limitations include no parallel processing (tasks.max > 1) and source-side filtering instead of topic-based consumer filtering.