PostgreSQL 19 ra mắt bản cập nhật chính thức và đi kèm với bốn view hệ thống mới. Những view này cho phép truy vấn trực tiếp về tình trạng khóa (lock contention), quá trình phục hồi (recovery state), mức độ ưu tiên của autovacuum và cách cấp phát bộ nhớ chia sẻ động (dynamic shared memory allocations). Trước đây, quản trị viên thường phải dựa trên các extension bên ngoài hoặc truy vấn các pg_catalog phức tạp để thu thập thông tin tương tự. Với các view mới, việc giám sát và chẩn đoán các vấn đề hiệu suất trở nên nhanh chóng và không cần cài đặt thêm thành phần. Điều này cho thấy việc cải thiện khả năng quan sát nội bộ của PostgreSQL có thể giảm thời gian debug và giúp tối ưu hoá cấu hình mà không cần phụ thuộc vào công cụ của bên thứ ba.
Bài viết này giúp lập trình viên dễ dàng kiểm tra các vấn đề về lock contention, trạng thái phục hồi, ưu tiên autovacuum và phân bổ bộ nhớ chia sẻ động trong PostgreSQL 19.
Trong hệ thống version control như Git, các thay đổi schema tồn tại trong các file riêng biệt nên hiếm khi gây xung đột merge. Việc lưu trữ migration files trong Git không đồng nghĩa với việc quản lý chúng hiệu quả bởi Git không hiểu ngữ cảnh của các thay đổi database schema. Hệ quả là các migration files có thể trở nên lỗi thời hoặc gây khó khăn trong việc tracking changes thực tế. Lập trình viên nên cân nhắc sử dụng các công cụ chuyên dụng như Liquibase hoặc Flyway để quản lý schema thay vì phụ thuộc hoàn toàn vào Git tracking.
Lập trình viên nên đọc bài này để hiểu cách quản lý migration files trong Git để tránh hiểu lầm về việc các thay đổi schema được tự động hợp nhất.
Trên instance GCP c4d-standard-4, tiến trình MySQL tiêu tốn 10.4 GB RAM dù innodb_buffer_pool_size chỉ được thiết lập là 7168 MB. Khoảng trống này được truy qua 4 lớp: dự kiến overhead từ InnoDB/Performance Schema/thread-buffer, khoảng ~9% mmap chunk padding trên buffer pool, sự tích tụ dirty pages của jemalloc trên DR replica không hoạt động, và nguyên nhân gốc - MALLOC_CONF không được thiết lập khiến decay của background_thread bị vô hiệu hóa. Các sửa chữa gồm giảm buffer pool thành bội số sạch (6144 MB), cắt giảm max_connections từ 3000 xuống 500, bật background_thread của jemalloc với decay 5 giây, và thêm swap để phòng OOM, giúp giảm RSS xuống còn ~7.9 GB. Bài viết cung cấp kiến thức sâu về quản lý memory của MySQL khi sử dụng jemalloc, cách tối ưu buffer pool size và thiết lập MALLOC_CONF phù hợp.
Lập trình viên cần đọc bài này để hiểu cách điều khiển và tối ưu hóa bộ nhớ InnoDB trên MySQL khi các tham số cơ bản như innodb_buffer_pool_size không đủ để giải quyết cảnh báo nhớ, khi hệ thống vẫn tiêu thụ nhiều bộ nhớ hơn dự kiến do các yếu tố như cấu hình bộ nhớ phân vùng, quá trình làm sạch nhớ của jemalloc, hoặc tình trạng replica hoạt động không hiệu quả.
Nhóm phát hiện rằng hệ thống AI agent của họ đang chạy liên tục trên các instance cloud mà không có chính sách giảm quy mô khi tải trọng thấp, gây ra chi phí compute không cần thiết khoảng 1 triệu USD mỗi năm. Nguyên nhân kỹ thuật là thiếu cấu hình autoscaling và idle timeout cho các worker chạy agent, khiến chúng tiêu thụ GPU/CPU ngay cả khi không có request nào. Sau khi chỉnh sửa chính sách scaling và thêm giới hạn thời gian nghỉ idle trong vòng một giờ, chi phí hàng năm giảm ngay mức đó. Kết quả là tiết kiệm đáng kể mà không ảnh hưởng đến khả năng phản hồi của agent. Điều này cho thấy việc áp dụng giám sát chi phí và chính sách scaling tự động là cần thiết cho các dịch vụ AI dựa trên agent.
Bài tiết kiệm một triệu đô la chi phí lãng phí cho AI agent chỉ trong một giờ mà không cần nhiều kỹ thuật phức tạp.
Python Wrapture là một dự án mới được giới thiệu trên Python Bytes podcast, tập trung vào việc đóng gói code Python. Dự án này giải quyết vấn đề quản lý dependencies phức tạp bằng cách tự động tạo các wheel files cho các package Python. Hệ quả là nó giúp giảm thiểu các lỗi liên quan đến môi trường và dependency conflicts. Điều đáng học ở đây là cách Wrapture tự động hóa quy trình đóng gói, giúp các lập trình viên tiết kiệm thời gian và đảm bảo tính nhất quán của dự án.
Python Wrapture mang đến cho lập trình viên Python những thông tin cập nhật và hữu ích nhất từ podcast Python Bytes.
Uken Games trước đây sử dụng Datadog để thu thập và truy vấn telemetry từ các trò chơi di động của mình, nhưng chi phí đăng ký ngày càng tăng khi dữ liệu trace phát triển. Họ quyết định thay thế bằng một stack observability mã nguồn mở được xây dựng trên ClickHouse, trong đó mọi trace được lưu trữ trên một nút đơn nhờ khả năng nén và truy vấn hiệu quả của cơ sở dữ liệu phân tích cột. Sau khi chuyển đổi, chi phí quan sát giảm 87% so với mức trả cho Datadog, đồng thời vẫn duy trì khả năng truy vấn toàn bộ bộ dữ liệu trace mà không cần mở rộng cluster. Kết quả cho thấy việc áp dụng ClickHouse có thể giảm đáng kể chi phí lưu trữ và xử lý cho các workload telemetry lớn. Điều này gợi ý rằng các công ty phát triển game có thể xem xét các giải pháp quan sát dựa trên mã nguồn mở và cơ sở dữ liệu cột để tối ưu chi phí mà không hy sinh tính năng.
Bài viết cho thấy cách Uken Games giảm tới 87% chi phí giám sát bằng cách sử dụng ClickHouse thay vì Datadog trong stack quan sát mã nguồn mở.
We need to produce a Vietnamese summary, 4-6 sentences, natural, following order: background, technical cause, consequences, lessons learned. Include specific numbers and tech names if present. Avoid generic sentences, no markdown, no opening fluff, no mention that it's a summary. Use only Vietnamese and Latin characters, keep technical terms in English. No Chinese/Japanese/Korean characters.
Let's extract details:
- Engineering lead built an internal AI on-call agent.
- Over four months, grew from personal tool to infrastructure adopted by 36 agents across 28 teams.
- Key lessons: pick bounded repeatable problem, give agent memorable name to drive adoption, dropped proactive monitoring in favor of reactive help-desk model because usage data showed nobody wanted proactive alerts, treat prompt as strict runbook with numeric SLAs, explicit field IDs, closed failure taxonomy, asymmetric read/write permissions based on blast radius, offload rarely-needed procedural knowledge into loadable skills rather than bloating prompt.
- Failure modes: agent cannot diagnose its own outages because silence and failure look identical, so aliveness checks must live outside the agent.
- Session volume grew from 104 to 243 per week with a 3.4% failure rate across 1,133 sessions.
We need to produce 4-6 sentences, covering background, technical cause, consequences, lessons learned.
Let's craft:
Sentence 1: Background: An engineering lead spent four months building an internal AI on-call agent that started as a personal tool and eventually served 36 agents across 28 teams.
Sentence 2: Technical cause/approach: The team chose a bounded repeatable problem, gave the agent a memorable name, switched from proactive alerts to a reactive help‑desk model after data showed no demand for proactive notifications, and treated the prompt as a strict runbook with numeric SLAs, explicit field IDs, a closed failure taxonomy and asymmetric read/write permissions based on blast radius.
Sentence 3: Consequences/adoption: Session volume rose from 104 to 243 per week, accumulating 1,133 sessions with an overall 3.4% failure rate, demonstrating both usage growth and reliability challenges.
Sentence 4: Lessons learned: They offloaded rarely‑used procedural knowledge into loadable skills to keep the prompt lean, and realized the agent cannot self‑diagnose outages because silence and failure are indistinguishable, requiring external aliveness checks.
That's 4 sentences. Could add a fifth about naming driving adoption, but we already covered. Could add a sentence about the failure taxonomy and permissions. But we have enough.
Check for any Vietnamese characters: need to avoid any Chinese/Japanese/Korean characters. Use only Vietnamese Latin characters and English terms. Ensure no special characters like é? Vietnamese uses diacritics like á, ă, etc. Those are Latin characters with diacritics, allowed? The instruction: "Chỉ dùng chữ Việt và chữ Latin: tuyệt đối không có ký tự Hán/Trung/Nhật/Hàn trong câu trả lời, tên riêng kỹ thuật giữ nguyên dạng Latin." So Vietnamese characters with diacritics are allowed (they are Latin-based). So we can use Vietnamese with accents.
Make sure not to accidentally include any non-Latin like “–” (en dash) is okay? It's not a letter. Probably fine. Safer to use plain hyphen "-". Avoid curly quotes. Use plain ASCII punctuation.
Let's write sentences with plain punctuation.
Sentence 1: "Một trưởng nhóm kỹ thuật đã dành bốn tháng để xây dựng một tác nhân AI on‑call nội bộ, bắt đầu như một công cụ cá nhân và sau đó được 36 tác nhân trong 28 đội sử dụng."
Check: "tác nhân" maybe not common; better "đại lý" or "agent". Keep term "agent" in English. So: "Một trưởng nhóm kỹ thuật đã dành bốn tháng để xây dựng một agent AI on‑call nội bộ, bắt đầu như một công cụ cá nhân và sau đó được 36 agent trong 28 đội sử dụng."
Sentence 2: "Đội đã chọn một vấn đề có giới hạn và lặp lại, đặt tên agent để dễ nhớ, chuyển từ cảnh báo chủ động sang mô hình hỗ trợ phản ứng sau khi dữ liệu cho thấy ninguém muốn nhận cảnh báo chủ động, và đối xử prompt như một quy tắc chặt chẽ có SLA số, ID trường rõ ràng, phân loại lỗi đóng và quyền đọc/ghi bất đối xứng dựa trên bán phá hủy."
We need to ensure no special characters like “‑”. Use hyphen "-". Also avoid curly quotes. Use straight quotes if needed but better avoid.
Sentence 3: "Trong thời gian chạy, số phiên tăng từ 104 lên 243 mỗi tuần, tổng cộng 1.133 phiên với tỷ lệ thất bại 3,4%."
Sentence 4: "Bài học chính là offload kiến thức thủ tục raramente dùng vào các skill có thể tải, giữ prompt gọn, và nhận ra agent không thể tự chẩn đoán sự cố vì im lặng và lỗi trông giống nhau, vì vậy kiểm tra sự sống phải đặt bên ngoài agent."
Check numbers: "1.133" maybe should be "1 133" but we can use "1,133". Use comma as thousand separator. In Vietnamese, they often use dot as thousand separator and comma as decimal. But we can use "1.133" as thousand separator (dot) and comma for decimal? The original says "1,133 sessions". We'll keep "1,133". Use comma as thousand separator, dot for decimal? The failure rate "3.4%" uses dot as decimal. That's fine.
Thus sentence 3: "Trong thời gian chạy, số phiên tăng từ 104 lên 243 mỗi tuần, tổng cộng 1,133 phiên với tỷ lệ thất bại 3,4%."
Sentence 4
Bài này cung cấp bài thực tế về cách xây dựng và triển khai AI on-call agent từ một công cụ cá nhân thành hệ thống được 36 agent chấp nhận, với những bài học quý giá về thiết kế và quản lý.
