Agentic SQL for Free with Qwen3.8 27B and DuckDB

How to Get Started With Ollama – Real Python

Bối cảnh: Ollama là công cụ chạy mô hình ngôn ngữ lớn (LLM) cục bộ, giúp lập trình viên làm việc với AI mà không cần kết nối internet. Nguyên nhân kỹ thuật: Bài hướng dẫn chi tiết cách cài đặt Ollama, tải các mô hình như Llama 2 hoặc Mistral về máy, và kết nối chúng vào Python thông qua các API chat và text generation. Hệ quả: Người đọc có thể triển khai ứng dụng AI hoạt động hoàn toàn offline, đảm bảo bảo mật dữ liệu và tốc độ phản hồi nhanh hơn. Điều đáng học: Bài viết minh họa cách sử dụng thư viện ollama Python để gọi mô hình, xử lý response và tích hợp vào ứng dụng thực tế với code ví dụ cụ thể.

Bài hướng dẫn này sẽ giúp bạn cài đặt Ollama, tải mô hình cục bộ và kết nối vào Python để tạo và trò chuyện với AI.

Pocket is gone, and my favorite alternative isn't Instapaper or Raindrop — it's something you're not expecting

Việc Pocket đóng cửa đã tạo ra khoảng trống trong hệ sinh thái ứng dụng đọc sau này. Nguyên nhân kỹ thuật không nằm ở lỗi công nghệ mà ở triết lý sử dụng sai lầm khi tìm kiếm một ứng dụng lưu trữ nội dung. Hệ quả là người dùng như tác giả đã nhận ra họ không thực sự cần một read-it-later app như Pocket hay Instapaper. Điều đáng học là việc áp dụng phương pháp active reading với công cụ Hypothesist giúp cải thiện đáng kể hiệu quả tiếp thu thông tin so với việc chỉ lưu trữ để đọc sau.

Bài này sẽ giúp bạn nhận ra ứng dụng đọc sau này thực sự không phải là thứ bạn cần.

The John Ternus era begins at Apple

John Ternus chính thức trở thành CEO Apple vào ngày 1 tháng 9, kết thúc 15 năm làm việc của Tim Cook. Apple đang đối mặt với thách thức lớn nhất dưới thời lãnh đạo mới là phát triển công nghệ AI để cạnh tranh với các đối thủ như Google và Microsoft. Ternus sẽ phải tập trung nguồn lực để cải tiến Siri và tích hợp AI sâu hơn vào hệ sinh thái iOS, macOS và visionOS. Sự chuyển đổi quyền lực này diễn ra vào thời điểm quan trọng khi Apple cần chứng tỏ khả năng đổi mới trong kỷ nguyên AI để duy trì vị thế dẫn đầu thị trường.

Đọc bài này để cập nhật thông tin về sự thay thế lãnh đạo quan trọng tại Apple và định hướng chiến lược AI mới dưới thời John Ternus.

I stopped downloading bigger local models and started running two small ones at once

Bạn đang cân nhắc đọc bài vì nó đề cập đến việc thay thế một local model 8GB bằng cách chạy song song hai local models 2GB trên cùng một máy. Nguyên nhân kỹ thuật nằm ở việc giảm áp lực rememory khi mỗi mô hình vừa đủ để chứa trọng số và gradient, khiến việc load và inference nhanh hơn. Hệ quả là tổng thời gian xử lý giảm đáng kể và tiêu thụ bộ nhớ thấp hơn so với việc duy trì một local model lớn. Kết luận là việc dùng nhiều local models nhỏ có thể hiệu quả hơn một local model to khi tài nguyên bị giới hạn. Bạn nên đọc bài nếu muốn hiểu cách tối ưu hoá inference bằng cách chia tải cho nhiều mô hình nhỏ thay vì cố gắng nâng cấp bộ nhớ.

Hai mô hình nhỏ 2GB chạy đồng thời mang lại hiệu quả vượt trội hơn một mô hình lớn 8GB.

Read your writes: WAIT FOR in PostgreSQL 19

Trong PostgreSQL, các replica bất đồng bộ thường trả về dữ liệu cũ vì chúng chỉ áp dụng …

LLM Moats Quickly Evaporating

Một bài viết mới cho thấy các mô hình LLM mã nguồn mở như Qwen3.8 27B và Qwen3.6 đã giảm thiểu lợi thế cạnh tranh mà Anthropic và OpenAI từng có nhờ chi phí tính toán khổng lồ. Các phiên bản đã quan sát hoá của chúng được chạy trên máy Mac Studio với 256GB RAM và có thể được giảm xuống để hoạt động trên PC chơi game chỉ có 32GB RAM, trong khi một mô hình 1-bit vẫn chạy trên thiết bị 16GB, dù chất lượng bị giảm. Do đó, phần cứng vật lý trở thành rào cản duy nhất để triển khai các mô hình lớn tại chỗ thay vì phụ thuộc vào dịch vụ đám mây có chủ sở hữu. Đối với các lập trình viên cân nhắc có nên đọc bài gốc, họ sẽ thấy rằng các cải tiến hiệu suất đang làm chậm sự khác biệt giữa môi trường mở và khép kín, khiến việc triển khai tại chỗ ngày càng khả thi. Bài viết nêu con số cụ thể như 27B, 32GB, 16

Bài viết này giúp lập trình viên hiểu xu hướng chạy các mô hình AI mạnh mẽ ngay tại máy cá nhân thay vì phụ thuộc vào dịch vụ đám mây.

Why use ORMs if LLMs write code?

ORMs vẫn cần thiết vì chúng cung cấp lớp trừu tượng an toàn, hiệu quả để tương tác với cơ sở dữ liệu, trong khi LLMs chỉ sinh code tiềm ẩn rủi ro lỗi, kém tối ưu và khó bảo trì. ORMs giúp chuẩn hóa truy vấn, tránh SQL injection và tối ưu hóa hiệu suất thông qua caching, điều mà code do LLM sinh ra khó đảm bảo.

Lập trình viên nên đọc bài này để hiểu cách ORM và SQL vẫn giữ vai trò quan trọng trong quản lý dữ liệu cơ bản, giúp tránh rủi ro lỗi và tối ưu hóa hiệu suất khi ứng dụng lớn cần kiểm soát trực tiếp dữ liệu.

SQL Indexing Explained: Composite Indexes and Column Order

Bài viết bắt đầu bằng việc tạo bảng comments với 1 triệu bản ghi trong PostgreSQL để đánh giá hiệu suất các chiến lược indexing. Tác giả chạy EXPLAIN ANALYZE trên các truy vấn lọc và sắp xếp theo nhiều cột, đo thời gian thực thi của sequential scan là khoảng 17 ms khi không có index. Khi tạo chỉ mục đơn cột trên cột được dùng trong WHERE, thời gian giảm xuống dưới 2 ms; nhưng chỉ mục hợp thành (c1, c2) chỉ hiệu quả khi thứ tự cột trong chỉ mục khớp với thứ tự sử dụng trong predicate và ORDER BY. Đảo ngược thứ tự cột trong chỉ mục hợp thành khiến planner phải thực hiện index scan kết hợp với recheck hoặc fallback về sequential scan, làm tăng thời gian lên 5‑8 ms tùy thuộc vào selectivity. Bài học là: thiết kế chỉ mục hợp thành cần đặt cột có tính chọn lọc cao hoặc được sử dụng trong điều kiện bằng trước, sau đó mới là cột dùng cho range hoặc sắp xếp, và luôn xác thực bằng EXPLAIN ANALYZE trên dữ liệu thực tế.

Bài viết này giúp lập trình viên tối ưu hóa hiệu suất truy vấn SQL bằng cách giải thích cách tạo và sử dụng chỉ mục composite đúng cách.