Architecting for uncertainty - part 3: GenAI as an amplifier

We May Be Creating Legacy Code Faster Than Ever

Các công cụ AI viết code nhanh hơn và nhiều hơn bao giờ hết, nhưng tạo ra vấn đề khi code không thể hiểu được bởi các agent khác. Code AI trở thành legacy code khi hệ thống sau không thể bảo trì hoặc nâng cấp nó. Nguyên nhân kỹ thuật nằm ở việc các công cụ như GitHub Copilot hay Tabnine thiếu các tiêu chuẩn chất lượng và khả năng tương thích. Điều đáng học là cần thiết lập các quy trình kiểm code chất lượng ngay tại thời điểm tạo ra bởi AI, giống như chúng ta làm với code viết bởi con người.

Các lập trình viên nên đọc bài này để hiểu tiêu chuẩn chất lượng code mới khi các AI tạo code ngày càng nhanh nhưng dễ trở thành di sản khó bảo trì.

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.

My Health Check Watched the Wrong File

Bài viết chia sẻ kinh nghiệm về việc kiểm tra health check theo sai file trong hệ thống. Nguyên nhân kỹ thuật là quy tắc kiểm tra liveness (sống) không phản ánh được usefulness (tính hữu dụng) của job, vì vậy tác giả đề xuất theo dõi age của artifact (tệp) thay vì PID. Hệ quả là system monitoring báo cáo trạng thái sai, khiến job đã chết nhưng vẫn được đánh dấu là đang chạy. Điều đáng học là bài học thực tế này nhấn mạnh tầm quan trọng của việc thiết kế health check phù hợp với ngữ cảnh cụ thể, tránh chỉ dựa vào các chỉ số cơ bản như PID.

Bài viết này giúp lập trình viên hiểu cách thiết kế cơ chế kiểm tra sức khỏe hệ thống chính xác bằng cách phân biệt liveness và usefulness.

Tempo 3.1 release: new features for Kafka, TraceQL metrics updates, trace redaction, and more

Tempo 3.1 mang đến những cải thiện đáng kể cho Kafka client, giúp tăng hiệu suất và ổn …