As AI reshapes business, the fractional CTO finds its moment

Practical Loop Engineering

Các kỹ sư thường sử dụng vòng lặp để tự động hoá việc đạt mục tiêu, nhưng khi không kiểm …

Harness creates source code management for agent-ready development

Harness nhận thấy việc áp dụng các AI coding agent vẫn gặp nhiều trở ngại về quản lý mã nguồn và chất lượng review. Để giải quyết, họ vừa ra mắt một kho mã nguồn mới được thiết kế đặc biệt cho các agent, kèm theo công cụ review mã tích hợp sẵn. Kho mã này cung cấp API chuẩn để agent có thể push, pull và tracking thay đổi mà không cần can thiệp thủ công. Công cụ review tự động phân tích pull request do agent tạo ra, đưa ra phản hồi về lỗi cú pháp, bảo mật và tuân thủ quy tắc coding. Từ đó, Harness hy vọng giảm thiểu rào cản kỹ thuật và tăng tốc độ chấp nhận AI agent trong quy trình phát triển phần mềm. bài học là khi triển khai AI trong dev, cần có nền tảng quản lý mã và review được tối ưu hóa cho tự động hóa.

Harness tạo ra công cụ quản lý mã nguồn và kiểm tra code mới giúp lập trình viên giải quyết thách thức khi làm việc với các AI coding agent.

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 …

Workflow lab: Moving between design and code with agents

Coding agents đang thay đổi cách nhà phát triển xây dựng phần mềm, nhưng hiệu quả của chúng phụ thuộc hoàn toàn vào chất lượng đầu vào mà chúng nhận được. Quy trình công việc này nghiên cứu cách duy trì bối cảnh (context) giúp mã nguồn và thiết kế luôn đồng bộ. Khi bối cảnh bị thiếu hoặc không chính xác, agents sẽ tạo ra mã không khớp với bản thiết kế, gây ra lỗi và cần phải sửa lại nhiều lần. Điều này dẫn đến lãng phí thời gian và giảm độ tin cậy trong quá trình phát triển. Bài học quan trọng là đầu tư vào việc cung cấp thông tin bối cảnh đầy đủ và chính xác cho coding agents để tối ưu hoá luồng việc giữa thiết kế và mã.

Bài này giúp lập trình viên tối ưu hóa quy trình làm việc giữa thiết kế và code bằng cách tận dụng hiệu quả các công cụ AI.

How Uno Platform uses .NET, MCP, and AI to build high quality apps

Uno Platform đã triển khai hai máy chủ Model Context Protocol (MCP) bằng C# để cung cấp tài liệu và khả năng tương tác với ứng dụng .NET đa nền tảng thực tế cho các agent AI viết mã. Máy chủ tài liệu sử dụng HTTP, được lưu trữ và phiên bản hoá tài liệu, cung cấp công cụ tìm kiếm và lấy nội dung cùng với prompt scaffolding, tiêu tốn khoảng 6.400 token; máy chủ ứng dụng hoạt động qua stdio, local và stateful, kết nối với Uno DevServer để khởi động ứng dụng, chụp màn hình, đọc cây nhìn thấy và mô phỏng click/keystroke, tiêu tốn khoảng 1.500 token (so với 5.200 token của máy chủ MCP của GitHub). Kết hợp này cho phép agent tự kiểm tra và thay đổi UI của ứng dụng, tương tự Playwright cho web, đồng thời giảm chi phí token khi định nghĩa công cụ và tăng khả năng tái sử dụng qua việc xếp lớp các “Skill” lên trên các công cụ MCP. Những bài học bao gồm việc chọn giao vận phù hợp, viết mô tả công cụ dưới dạng prompt thay vì tài liệu truyền thống, và đóng góp upstream vào SkiaSharp và các binding .NET runtime để hỗ trợ Uno Platform Studio 3.0, nơi các ứng dụng .NET được sinh ra bởi AI được biên dịch và hot-reload trong trình duyệt nhờ Roslyn và Microsoft Agent Framework.

Bài viết này giúp lập trình viên hiểu cách Uno Platform tích hợp .NET, MCP và AI để xây dựng ứng dụng chất lượng cao với khả năng tự động kiểm tra và điều chỉnh UI thông qua agent.

Cutting the Coding Agent Bill: 5 Plugins Under Test

Đội đang đo lường chi phí sử dụng coding agent khi tích hợp các plugin mở rộng. Nguyên nhân kỹ thuật là chi phí chủ yếu do số lần đọc cache, không phải do lượng mã được sinh ra. Trong thử nghiệm với năm plugin (Headroom, RTK, Ponytail, Caveman, Graphify), chỉ hai plugin khiến chỉ số đọc cache thay đổi đáng kể. Hệ quả là việc chọn plugin không tối ưu có thể giữ chi phí ở mức cao, trong khi hai plugin hiệu quả có thể giảm chi phí đọc cache và do đó giảm tổng chi phí agent. Điều đáng học là khi đánh giá plugin cho coding agent cần tập trung đo lường tác động lên cache reads thay vì chỉ xem lượng mã sinh ra.

Bài viết tiết lộ hiệu quả thực tế của 5 plugin AI trong việc giảm chi phí mã hóa, giúp lập trình viên chọn lựa giải pháp tiết kiệm nhất.

A deep dive into Nurb

Nurb được thiết kế để biến một agent viết mã thành đối tác CAD thực tế, cho phép các nhà phát triển làm việc trực tiếp trong môi trường mô hình 3D. Nó sử dụng các thành phần Python để tạo và thao tác hình học, đồng thời dựa trên nhân OCCT để xây dựng các thể rắn chính xác. Trong quá trình làm việc, hệ thống thực hiện kiểm tra trực tiếp và đo lường để phát hiện sớm các lỗi hoặc sai lệch về kích thước. Kết quả cuối cùng được xuất ra định dạng 3MF, giúp duy nhất dữ liệu mô hình và dễ dàng chia sẻ với các công cụ CAD khác. Từ đây ta học được rằng sự kết hợp giữa ngôn ngữ scripting linh hoạt và nhân mô hình rắn mạnh mẽ, cùng với việc áp dụng tiêu chuẩn xuất bản mở, có thể tạo ra quy trình thiết kế tự động hóa và đáng tin cậy.

Bài này giúp lập trình viên hiểu cách Nurb biến một agent lập trình thành đối tác CAD hiệu quả.

Junior engineers are skipping straight to architect-level thinking

Các kỹ sư phần mềm junior ngày càng dựa vào công cụ tạo mã AI để tăng tốc độ phát hành sản phẩm. Họ tập trung vào việc sinh mã mà không đầu tư đủ thời gian để hiểu logic, kiểm tra lỗi hoặc đánh giá tác động lâu dài của mã đó. Khoảng cách giữa tốc độ sinh mã và khả năng đánh giá sở hữu dẫn đến nguy cơ tăng lỗi, nợ công nghệ và khó bảo trì trong dài hạn. Nhóm cần đưa ra chỉ số riêng để đo lường sự chênh lệch giữa lượng mã được tạo và mức độ sự hiểu judgment của tác giả, từ đó định hướng đào tạo và審查 mã. Việc đo lường khoảng cách này giúp quản lý quyết định đầu tư vào mentorship, review quy trình và các thực tiễn sở hữu mã trước khi mở rộng sử dụng AI.

Bài viết này giúp junior hiểu được sự khác biệt giữa việc viết code nhanh và xây dựng phán đoán kiến trúc để làm chủ sản phẩm của mình.