A Type of Type Safety

How to read code

Việc đọc code không giống như đọc sách tuyến tính từ trên xuống dưới. Nguyên nhân kỹ thuật là do code có cấu trúc phân cấp, phụ thuộc và luồng điều phức tạp. Hệ quả là lập trình viên cần phương pháp tiếp cận có hệ thống như đọc từng function, module, sau đó mới hiểu mối quan hệ giữa chúng. Điều đáng học là áp dụng kỹ thuật "top-down reading" - bắt đầu từ hàm main hoặc điểm entry function, sau đó đi sâu vào các thành phần phụ. Bài viết gốc chỉ ra rằng việc hiểu dependency graph trước khi đọc chi tiết từng phần giúp tăng hiệu quả up đến 40%.

Bài viết này giúp lập trình viên nâng cao kỹ năng đọc code hiệu quả hơn bằng cách áp dụng các phương pháp tiếp cận có hệ thống.

How to read code

Đọc code giống như đọc sách nhưng khác biệt cơ bản khi bạn cần hiểu mối quan hệ giữa các …

The Brain Sandwich

Trong bối cảnh AI coding đang phát triển nhanh, "Brain Sandwich" là quy trình làm việc thực tế gồm ba bước: hiểu vấn đề, dùng agent để hỗ trợ, sau đó kiểm tra và giải thích kết quả trước khi chia sẻ. Nguyên nhân kỹ thuật đằng sau hiệu quả của Brain Sandwich là nó tận dụng khả năng của LLM như GPT-4 trong việc tạo mã nhưng luôn có bước xác minh con người. Hệ quả là quy trình này giúp giảm thời gian coding đáng kể (có thể lên đến 40% theo nghiên cứu) đồng thời giảm thiểu lỗi do thiếu kiểm soát. Điều đáng học ở đây là cách tiếp cận cân bằng giữa tự động hóa và kiểm soát chất lượng, không hoàn toàn phụ thuộc vào AI mà luôn giữ vai trò giám sát của lập trình viên.

Công thức "The Brain Sandwich" giúp lập trình viên tăng hiệu suất làm việc với AI bằng quy trình thực tế từ hiểu vấn đề đến xác minh giải pháp.

Everyone's learning to prompt better. That's the wrong skill.

Công nghệ AI đang tạo ra áp lực lớn để mọi người cải thiện kỹ năng prompt engineering với hàng loạt hướng dẫn như "12 prompt giúp tăng hiệu suất 10x". Nguyên nhân sâu xa xuất phát từ giới hạn của các language model hiện tại cần prompt chính xác để tạo ra kết quả chất lượng. Hệ quả là người dùng lãng phí thời gian vào việc tối ưu prompt thay vì tập trung vào giải pháp cốt lõi của vấn đề. Điều đáng học là thay vì đầu tư quá nhiều vào prompting, lập trình viên nên phát triển tư duy hệ thống để xây dựng các giải pháp AI hiệu quả và bền vững hơn.

Đọc bài này giúp lập trình viên tập trung vào năng lực cốt lõi thay vì chỉ chăm chăm vào kỹ năng prompt AI.

Agentic Skill Decay

Bối cảnh của bài viết là vấn đề các AI agents đang giải quyết nhiệm vụ mà không giúp người dùng học được kỹ năng mới. Nguyên nhân kỹ thuật là bởi các agents sử dụng các Large Language Models (LLMs) với cơ chế generation tự động, khiến quá trình học tập trở nên bị động. Hệ quả là người dùng dần mất đi khả năng tự giải quyết vấn đề khi quá phụ thuộc vào AI. Điều đáng học là việc xây dựng chuyên môn cần trở nên chủ động, thông qua việc thiết kế các systems có khả năng explainability và prompting users để suy nghĩ độc lập.

Bài viết giúp lập trình viên hiểu cách duy trì năng lực chuyên môn trong thời đại AI tự hành.

Memory safety for Postgres extensions in C/C++

ClickHouse phải giải quyết vấn đề memory safety khi viết extension cho Postgres bằng C/C++, do hai ngôn ngữ này không có bảo vệ tự động. Họ xử lý bằng cách thiết lập ranh giới rõ ràng giữa C và C++ code, cùng với việc sử dụng isolated helper processes. Giải pháp này giúp ngăn chặn buffer overflow và memory leak, đặc biệt quan trọng khi xử lý dữ liệu lớn. Lập trình viên nên đọc bài để hiểu cách ClickHouse quản lý memory giữa các ngôn ngữ khác nhau và áp dụng pattern này vào các dự án của mình.

Bài viết này giải quyết các thách thức về an toàn bộ nhớ khi kết hợp C và C++ cho Postgres extensions, từ ranh giới ngôn ngữ sạch sẽ đến các tiến trình trợ lý được cách ly.

Domain-Driven Design matters more when AI writes your code

Mô hình miền (domain model) và Ngôn ngữ phổ quát (Ubiquitous Language) càng trở nên quan trọng khi AI tự động sinh code.

Lập trình viên nên đọc bài này để hiểu cách Domain-Driven Design (DDD) và ngôn ngữ chung (Ubiquitous Language) trở nên quyết định hơn bao giờ hết khi AI tự động hóa viết code, giúp bảo vệ chất lượng logic và tính tương thích với yêu cầu thực tế của dự án.

We now auto-approve and merge 15% of PRs

Để giải quyết vấn đề hiệu suất làm việc, công ty đã triển khai hệ thống auto-approve và merge cho 15% PRs, giúp giảm gánh nặng giám sát thủ công. Hệ thống này hoạt động dựa trên các quy tắc kỹ thuật cụ thể như GitHub Actions và custom checks, chỉ cho phép merge các thay đổi low risk. Kết quả là quy trình review được rút ngắn đáng kể, giảm thời gian chờ đợi của developer từ vài ngày xuống còn vài giờ. Bài gốc chia sẻ chi tiết về cách thiết lập hệ thống này và các metric đo lường hiệu quả, rất đáng tham khảo cho team muốn tối ưu hóa workflow CI/CD.

Hệ thống tự động phê duyệt và hợp nhất 15% pull requests giúp tiết kiệm thời gian và giảm tải công việc cho đội ngũ phát triển.