Close all open contributions authored by a blocked user

Practical Loop Engineering

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

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.

All roads lead to metered pricing

Kỷ nguyên của mô hình trợ giá cao và định giá đăng ký cố định đang kết thúc. …

Practical Loop Engineering

Bài viết bàn về tầm quan trọng của vòng lặp (loops) trong kỹ thuật phần mềm, nhấn mạnh việc không ủy thác hoàn toàn quyết định cho các công cụ tự động mà phải duy trì sự kiểm soát và đánh giá chủ động.

Là người viết code hàng ngày, bạn sẽ tìm hiểu cách xây dựng các vòng lặp hiệu quả và tránh những thói quen sai lầm như tự động hóa quyết định sai lầm, giúp code trở nên rõ ràng, bảo trì dễ dàng và hiệu suất cao hơn.

The AI Errors That Don’t Look Like Errors

Bài viết指出，AI thường tạo ra những lỗi không dễ phát hiện vì chúng không phải là trích dẫn hoàn toàn giả mạo mà là những nguồn thật nhưng có số trang, ngày tháng hoặc thống kê bị thay đổi nhẹ. Những lỗi này xảy ra khi mô hình truy xuất tài liệu thực sự rồi tự động chỉnh sửa lại chi tiết để phù hợp với ngữ cảnh mà nó đang tạo ra, dẫn tới những tham chiếu выглядят chính xác nhưng thực tế sai lệch. Khi vượt qua quá trình kiểm tra thường lệ, các sai số này có thể lọt vào bài báo, tài liệu kỹ thuật hoặc bài viết học thuật, gây nhầm lẫn và làm giảm độ tin cậy của nội dung được hỗ trợ bởi AI. Bài khuyên người đọc nên luôn xác thực từng trích dẫn bằng cách tra cứu nguồn gốc, kiểm tra lại các con số và sử dụng công cụ truy vết nguồn khi có thể. Việc xem đầu ra của AI như một bản nháp cần審閱而不是 kết luận cuối cùng là cách hiệu quả nhất để tránh những lỗi “không nhìn thấy là lỗi” này.

Bài viết này giúp lập trình viên nhận ra những sai lầm tinh vi của AI mà thông thường không thể phát hiện qua bình thường.

Claude Code Full Course

Khóa học toàn diện về Claude Code vừa được phát hành trên kênh YouTube freeCodeCamp.org, hướng dẫn từ cơ bản đến nâng cao, bao gồm cả tự động hóa quy trình phát triển.

Nếu bạn đang tìm cách nâng cao kỹ năng tự động hóa và tối ưu hóa công việc lập trình từ cơ bản đến chuyên sâu, Claude Code Full Course sẽ giúp bạn học cách sử dụng AI như Claude để giải quyết các vấn đề phát triển hiệu quả hơn.

Retiring the Copilot Billing Preview app

GitHub đã ngừng ứng dụng Copilot Billing Preview. Giờ đây, chi phí Copilot có thể được quản lý trực tiếp trong cài đặt thanh toán của GitHub, cung cấp cái nhìn toàn diện hơn bao gồm ngân sách theo người dùng, trung tâm chi phí và phân bổ nhóm sử dụng. Người dùng có thể xem mức sử dụng AI, thiết lập ngân sách chi tiêu, truy cập điều khiển ngân sách theo người dùng cho tổ chức và doanh nghiệp, cũng như lấy dữ liệu sử dụng thô qua báo cáo sử dụng và API thanh toán.

Lập trình viên nên đọc bài này để hiểu cách quản lý chi phí Copilot một cách hiệu quả hơn, từ việc chuyển sang điều chỉnh ngân sách trực tiếp trong cài đặt thanh toán GitHub, giúp tiết kiệm thời gian và tránh rủi ro vượt ngân sách khi sử dụng công cụ AI trong dự án.

How to evaluate LLMs before production

Bối cảnh: Trước khi đưa LLM vào hệ thống sản xuất để quét mật mã, nhóm cần xác định xem mô hình có đủ khả năng phát hiện chính xác các secret không. Nguyên nhân kỹ thuật: Các LLM thường sinh ra phản hồi không nhất quán, dễ bị lừa bởi prompt và có xu hướng hallucinate, dẫn đến cả false positive và false negative trong việc nhận diện chuỗi khóa, token hoặc mật khẩu. Hệ quả: Nếu không kiểm soát những lỗi này, hệ thống có thể bỏ qua các secret thực sự (gây rò rỉ bảo mật) hoặc tạo ra quá nhiều cảnh báo không đúng (gây cảnh báo mệt mỏi và lãng phí công sức kiểm tra). Điều đáng học: Đánh giá trước khi triển khai nên dựa trên bộ dữ liệu secret thực tế, đo lường precision, recall và latency, đồng thời kiểm tra mô hình đối với các adversarial prompt và thiết lập quy trình giám sát liên tục sau khi đưa vào production. Các bước này giúp giảm rủi ro và tăng độ tin cậy của giải pháp quét secret dựa trên LLM.

Bài viết chia sẻ kinh nghiệm thực tế đánh giá LLMs cho quét dữ liệu bí mật trong môi trường ứng dụng thực tế.