Apollo Connectors v0.4 is Generally Available

Introducing GraphOS Agent Services

GraphOS Agent Services vừa được ra mắt ở chế độ public preview, cung cấp các AI agents truy cập an toàn và có kiểm soát đến hệ thống và dữ liệu của doanh nghiệp. Công nghệ này tập trung vào ba yếu tố chính: bảo mật (secure), quản trị (governed) và khả năng kiểm toán (auditable). Việc triển khai giải pháp này giúp doanh nghiệp đảm bảo các AI agents chỉ có quyền truy cập đến những tài nguyên cần thiết theo chính sách định sẵn. Đối với lập trình viên làm việc với AI agents, đây là nền tảng quan trọng để xây dựng hệ thống enterprise-grade với các cơ chế bảo mật và quản lý quyền granular.

Bài này giúp lập trình viên biết cách cung cấp cho AI agents truy cập an toàn, được kiểm soát và có thể kiểm toán vào hệ thống và dữ liệu doanh nghiệp.

How IdeaBot drives AI innovation workflows on OpenShift

Red Hat phát triển IdeaBot trên nền tảng OpenShift để tự động hóa quy trình nghiên cứu AI nội bộ. Họ sử dụng isolated pods để cách biệt các thành phần, auth proxies để kiểm soát truy cập, và phương pháp BDD dựa trên EARS để viết test case. Giải pháp này giúp tăng cường bảo mật và giảm thiểu rủi ro trong quá trình phát triển AI. Với cách tiếp cận này, IdeaBot chứng tỏ việc xây dựng nền tảng AI an toàn hoàn toàn khả thi ngay cả trong môi trường doanh nghiệp phức tạp.

Bài viết này giúp bạn hiểu cách xây dựng và bảo mật quy trình AI bằng Red Hat IdeaBot trên OpenShift với các công nghệ hiện đại.

Multi-Tenant Best Practices Can Backfire

Multi-tenant architecture giúp tối ưu tài nguyên nhưng các best practices như shared …

gRPC vs REST Is the Wrong Question · Buf

Bối cảnh: Câu trả lời truyền thống thường khuyên sử dụng REST cho public APIs và gRPC cho …

Practical Rust API Design

Bài viết Practical Rust API Design tập trung vào nguyên tắc thiết kế API cho hệ thống …

Architecting with LLMs: use plain old code when you can, LLMs when you must

Khi thiết kế hệ thống với LLM, hãy sử dụng plain old code (POC) cho các tính năng có thể định nghĩa chính xác, và dành LLM cho những nhiệm vụ cần phán đoán, diễn giải hoặc xử lý đầu vào mơ hồ. Khung kiến trúc này áp dụng phép phân tích chức năng đệ quy để chia hệ thống thành các trách nhiệm riêng biệt, sau đó phân loại từng trách nhiệm thuộc về POC hay LLM, như minh họa trong workflow coding-agent 'implement plan'. LLM nên được đặt tại ranh giới hệ thống để xử lý đầu vào không có cấu trúc, và cần cung cấp cho chúng các công cụ POC như Gradle, Git để tương tác với thế giới thực. Khi hiểu biết về vấn đề ngày càng sâu sắc, ta cần xem xét và chuyển đổi lựa chọn triển khai giữa POC và LLM.

Bài này giúp lập trình viên hiểu cách phân bổ trách nhiệm hệ thống giữa code truyền thống và LLM dựa trên tính chất cụ thể của từng nhiệm vụ.

Twenty-Four Agent Bundles And Not One MCP Server

APIMatic đã phát triển SDK từ OpenAPI trong mười một năm và vừa ra mắt marketplace public context bundles tại context.apimatic.io. Họ đã tạo 24 agent bundles nhưng không sử dụng MCP server, dù đây là công nghệ đang thịnh hành. Nguyên nhân kỹ thuật là APIMatic xây dựng hệ thống API converter độc quyền thay vì sử dụng MCP server tiêu chuẩn. Hệ quả là người dùng có thể truy cập các bundle được tối ưu hóa cao cho các hệ thống khác nhau, dù thiếu đi sự tương tác tiêu chuẩn của MCP server. Điều đáng học là việc tập trung vào giải pháp tùy chỉnh có thể mang lại hiệu quả tốt hơn là bắt trend công nghệ mới nếu phù hợp với nhu cầu cụ thể.

Bài viết này tiết lộ cách APIMatic tạo ra thị trường bundle ngữ cảnh agent để mở rộng khả năng tương tác OpenAPI.