Which programming language to use for coding interviews

30 EF Core Interview Questions That Actually Get Asked in 2026

Bộ 30 câu hỏi phỏng vấn EF Core năm 2026 được chia thành 7 nhóm: cơ bản (DbContext), truy vấn (LINQ), chiến lược tải dữ liệu, hiệu suất (N+1), migrations, theo dõi thay đổi, và chủ đề nâng cao. Mỗi câu hỏi có bối cảnh, câu trả lời mẫu, lỗi thường gặp và câu hỏi phụ theo sau, cập nhật cho EF Core 10 trên .NET 10.

Là một lập trình viên phát triển ứng dụng với Entity Framework Core, bạn nên đọc bài này để tránh rơi vào những lỗi thường gặp về hiệu suất, quản lý trạng thái dữ liệu và tối ưu hóa các thao tác cơ sở dữ liệu trong các cuộc phỏng vấn năm 2026, đặc biệt khi làm việc với phiên bản mới nhất EF Core 10.

Google Consent Mode v2

Google Consent Mode là tính năng quan trọng giúp quản lý sự đồng thuận của người dùng đối với cookie và dữ liệu, phiên bản v2 bổ sung các tham số mới như ad_user_data và ad_personalization để tối ưu hóa quảng cáo theo quy định bảo mật. Có thể triển khai thông qua Google Tag Manager, SDK hoặc chỉnh sửa trực tiếp mã nguồn.

Lập trình viên nên đọc bài này để hiểu cách tích hợp Google Consent Mode v2 vào dự án của mình để tuân thủ quy định GDPR, cải thiện trải nghiệm người dùng và tránh bị phạt vì vi phạm quyền riêng tư.

Google releases new privacy controls for activity history, personalization

Google bổ sung các điều khiển quyền riêng tư mới, tách biệt lịch sử hoạt động (Search Services History) và cá nhân hóa (Personalized Recommendations) cho Search cùng Google Play, thay vì gộp chung như trước. Theo mặc định, Google sẽ lưu trữ media (ảnh, âm thanh, video từ Google Lens, tìm kiếm bằng giọng nói) vào Search Services History nếu tính năng Web & App Activity đang bật, nhưng người dùng có thể tắt riêng mục này hoặc xóa từng mục đã lưu. Các cài đặt mới sẽ triển khai dần trong vài ngày tới.

Lập trình viên nên đọc để hiểu cách Google xử lý dữ liệu người dùng và cách bảo mật riêng tư trong ứng dụng, giúp họ phát triển các giải pháp bảo vệ dữ liệu hiệu quả hơn trong các sản phẩm công nghệ.

Three Coding Interview Formats: And What Each One Actually Tests

A developer reflects on three coding interview formats encountered during a recent job search: LeetCode screens, take-home tasks, and vibe coding sessions. LeetCode is characterized as a preparation-heavy secret handshake that rewards pattern memorization over real engineering skill. Take-homes are seen as format-dependent, with quality varying based on how companies run them and follow-up discussions. Vibe coding — where candidates use AI tools while thinking aloud — is identified as an emerging format with real signal potential but significant variance across companies. Examples from Shopify, Meta, Stripe, Amazon, and Google show how differently companies are implementing AI-enabled interviews. The post argues that without explicit evaluation criteria, vibe coding risks becoming bias-driven, and that the ideal format is a realistic, collaborative, time-boxed problem followed by a discussion of decisions.

Heads in the game

MIT Sports Lab, co-founded in 2015, has become a key technology partner for major sports organizations. The lab played a central role in validating FIFA's semi-automated offside technology (SAOT) used at the 2022 World Cup, processing over 108,900 skeletal data points per second to ensure accuracy. Beyond soccer, the lab developed an Expected Action Value (EAV) metric for the NBA to quantify player decision-making quality, helped Adidas optimize 3D-printed midsole designs using biomechanical models, and conducted a COVID-19 stadium attendance analysis for the NFL. The lab bridges academic research and industry needs, connecting MIT students and faculty with professional sports organizations.

Large Language Models vs Small Language Models

Small and large language models share transformer foundations but diverge sharply based on three constraints: deployment target, inference economics, and training budget. Architecturally, small models use grouped-query attention, sliding window attention, and shared KV caches to minimize memory footprint. Training-wise, they rely on high-quality synthetic data (e.g., Phi family), knowledge distillation from larger teachers (e.g., Gemma 2), and deliberate overtraining beyond compute-optimal ratios. Deployment involves quantization and hardware-specific tuning for devices like Apple's Neural Engine or NVIDIA Jetson. Small models have real gaps in generalization, multi-step reasoning, and world knowledge. Production systems increasingly compose both model classes using routing (small model handles easy requests, escalates hard ones), guardrails (small models filter input/output), and speculative decoding (small model drafts tokens, large model verifies). The key design insight is to start from constraints rather than benchmarks.

How Mumu Migrated From Prometheus to InfluxDB and Tripled Their Metric Coverage

Mumu chuyển từ Prometheus sang InfluxDB 3 trong 3 tháng, tăng gấp ba số liệu giám sát từ 150 lên 560 nhờ mô hình push-based phù hợp hơn. Quá trình di chuyển sử dụng chiến lược dual-write qua Vector, tận dụng AI để sinh 80% cấu hình từ OpenAPI của InfluxDB, đồng thời xác thực bằng Grafana so sánh song song. Lợi ích chính gồm chi phí triển khai thấp hơn (thêm metric chỉ cần 1 HTTP call), hỗ trợ SQL cho truy vấn tức thì, và mở rộng quan sát hệ thống như CI/CD, môi trường per-developer.

Lập trình viên cần đọc bài này để hiểu cách chuyển đổi từ Prometheus sang InfluxDB giúp tối ưu hóa hiệu quả theo dõi sự kiện push riêng biệt, giảm chi phí triển khai và mở rộng khả năng truy vấn SQL cho các trường hợp sử dụng mới như CI/CD và phân tích hoạt động người dùng.