A deep dive into T3 Code

Practical Loop Engineering

Bài viết bắt đầu bằng việc đặt ra mục tiêu của việc thiết kế vòng lặp trong hệ thống phần …

As AI reshapes business, the fractional CTO finds its moment

Bối cảnh: Các doanh nghiệp đang face với việc AI đang thay đổi cách họ vận hành, trong khi chỉ 21% công ty đã xây dựng AI governance đầy đủ. Nguyên nhân kỹ thuật: Do thiếu hệ thống quản lý AI và chưa sẵn sàng triển khai AI agents, nhiều tổ chức vẫn chưa thể chuyển đổi thực tế. Hệ quả: Daniel Kirichanski của Prime Path Global cho rằng việc thuê fractional CTO giúp nối trống giữa tham vọng AI và khả năng thực thi của doanh nghiệp. Điều đáng học: Do 74% doanh nghiệp dự kiến sử dụng AI agents vào năm 2027, việc đầu tư vào quản lý AI và mô hình leadership linh hoạt như fractional CTO trở thành yếu tố then chốt để tránh thất bại. Vì vậy, nếu bạn đang cân nhắc, bài viết này cung cấp dữ liệu cụ thể và ví dụ thực tiễn để giúp bạn đánh giá giá trị của việc tìm hiểu sâu hơn.

Đọc bài viết để hiểu vai trò then chốt của CTO bán thời gian trong việc xây dựng năng lực AI cho doanh nghiệp giữa tham vọng hiện thực và tổ chức chưa sẵn sàng.

Workflow lab: Moving between design and code with agents

Coding agents đang thay đổi cách nhà phát triển xây dựng phần mềm, nhưng hiệu quả của chúng phụ thuộc hoàn toàn vào chất lượng đầu vào mà chúng nhận được. Quy trình công việc này nghiên cứu cách duy trì bối cảnh (context) giúp mã nguồn và thiết kế luôn đồng bộ. Khi bối cảnh bị thiếu hoặc không chính xác, agents sẽ tạo ra mã không khớp với bản thiết kế, gây ra lỗi và cần phải sửa lại nhiều lần. Điều này dẫn đến lãng phí thời gian và giảm độ tin cậy trong quá trình phát triển. Bài học quan trọng là đầu tư vào việc cung cấp thông tin bối cảnh đầy đủ và chính xác cho coding agents để tối ưu hoá luồng việc giữa thiết kế và mã.

Bài này giúp lập trình viên tối ưu hóa quy trình làm việc giữa thiết kế và code bằng cách tận dụng hiệu quả các công cụ AI.

How Uno Platform uses .NET, MCP, and AI to build high quality apps

Uno Platform đã triển khai hai máy chủ Model Context Protocol (MCP) bằng C# để cung cấp tài liệu và khả năng tương tác với ứng dụng .NET đa nền tảng thực tế cho các agent AI viết mã. Máy chủ tài liệu sử dụng HTTP, được lưu trữ và phiên bản hoá tài liệu, cung cấp công cụ tìm kiếm và lấy nội dung cùng với prompt scaffolding, tiêu tốn khoảng 6.400 token; máy chủ ứng dụng hoạt động qua stdio, local và stateful, kết nối với Uno DevServer để khởi động ứng dụng, chụp màn hình, đọc cây nhìn thấy và mô phỏng click/keystroke, tiêu tốn khoảng 1.500 token (so với 5.200 token của máy chủ MCP của GitHub). Kết hợp này cho phép agent tự kiểm tra và thay đổi UI của ứng dụng, tương tự Playwright cho web, đồng thời giảm chi phí token khi định nghĩa công cụ và tăng khả năng tái sử dụng qua việc xếp lớp các “Skill” lên trên các công cụ MCP. Những bài học bao gồm việc chọn giao vận phù hợp, viết mô tả công cụ dưới dạng prompt thay vì tài liệu truyền thống, và đóng góp upstream vào SkiaSharp và các binding .NET runtime để hỗ trợ Uno Platform Studio 3.0, nơi các ứng dụng .NET được sinh ra bởi AI được biên dịch và hot-reload trong trình duyệt nhờ Roslyn và Microsoft Agent Framework.

Bài viết này giúp lập trình viên hiểu cách Uno Platform tích hợp .NET, MCP và AI để xây dựng ứng dụng chất lượng cao với khả năng tự động kiểm tra và điều chỉnh UI thông qua agent.

Cutting the Coding Agent Bill: 5 Plugins Under Test

Đội đang đo lường chi phí sử dụng coding agent khi tích hợp các plugin mở rộng. Nguyên nhân kỹ thuật là chi phí chủ yếu do số lần đọc cache, không phải do lượng mã được sinh ra. Trong thử nghiệm với năm plugin (Headroom, RTK, Ponytail, Caveman, Graphify), chỉ hai plugin khiến chỉ số đọc cache thay đổi đáng kể. Hệ quả là việc chọn plugin không tối ưu có thể giữ chi phí ở mức cao, trong khi hai plugin hiệu quả có thể giảm chi phí đọc cache và do đó giảm tổng chi phí agent. Điều đáng học là khi đánh giá plugin cho coding agent cần tập trung đo lường tác động lên cache reads thay vì chỉ xem lượng mã sinh ra.

Bài viết tiết lộ hiệu quả thực tế của 5 plugin AI trong việc giảm chi phí mã hóa, giúp lập trình viên chọn lựa giải pháp tiết kiệm nhất.

Put your conversations to work with the Teamwork Graph connector for Microsoft Teams

Trong Teams, các cuộc trò chuyện thường bị bỏ qua khiến công việc mất mát. Nguyên nhân kỹ thuật là Teams không có khả năng tìm kiếm, tóm tắt và thực hiện hành động trực tiếp trên dữ liệu trò chuyện, trừ khi tích hợp qua Teamwork Graph connector. Khi kết nối này được bật, người dùng có thể truy xuất, tóm tắt và thực hiện các hành động trên các cuộc trò chuyện trong Rovo, từ đó giảm thiểu việc mất công việc. Điều đáng học là sử dụng Graph connector để kết hợp dữ liệu từ nhiều nguồn (Teams, Rovo) tạo ra một lớp truy xuất thống nhất, nâng cao hiệu suất làm việc. Đối với lập trình viên cân nhắc đọc bài gốc, bài này cung cấp ví dụ cụ thể về cách triển khai connector và lợi ích thực tế mà nó mang lại.

Tìm hiểu cách chuyển đổi cuộc trò chuyện Teams thành tài liệu hữu ích với bộ kết nối Teamwork Graph.

Visual Studio Code 1.135 introduces Rubber Duck agent

Visual Studio Code phiên bản 1.135 đã ra mắt tính năng thử nghiệm gọi là Rubber Duck agent. Tính năng này kích hoạt một mô hình AI bổ sung để xem lại kết quả mà mô hình chính (primary agent) tạo ra. Khi hai mô hình cho ra phản hồi khác nhau, Rubber Duck sẽ đưa ra gợi ý sửa đổi hoặc cảnh báo để nhà phát triển xem xét trước khi chấp nhận mã. Quy trình chéo kiểm tra này giúp giảm khả năng nhận được đề xuất sai sót và tăng độ tin cậy vào các tính năng hỗ trợ lập trình dựa trên AI. Bài học từ bản phát hành là việc sử dụng hai mô hình complementary để xác thực lẫn nhau có thể nâng cao độ tin cậy của công cụ mà không cần thay đổi kiến trúc chính của trợ lý AI.

Tính năng Rubber Duck agent trong Visual Studio Code 1.135 giúp lập trình viên nhận được ý kiến thứ hai từ mô hình bổ sung để cải thiện chất lượng công việc.