Fragments: September 24

EP230: RAG vs Agentic RAG

RAG (Retrieval-Augmented Generation) và Agentic RAG là hai phương pháp xử lý thông tin khác nhau trong lĩnh vực AI. RAG hoạt động bằng cách truy vấn vector database để tìm thông tin liên quan trước khi tạo câu trả lời, ví dụ như với vector database có thể chứa hàng triệu document embeddings. Agentic RAG thêm vào một agent có khả năng tự suy luận, cho phép hệ thống tự động xác định cần tìm thêm thông tin hay không, như trường hợp của OpenAI's GPT-4 với function calling. Sự khác biệt chính là Agentic RAG có khả năng tự chủ trong việc quyết định cần làm gì tiếp theo thay vì chỉ phụ thuộc vào kết quả truy vấn ban đầu. Đây là kiến thức quan trọng để hiểu sự tiến hóa từ RAG cơ bản đến các hệ thống thông minh hơn có khả năng tự điều chỉnh.

Bài viết này giúp bạn hiểu rõ sự khác biệt cơ bản giữa RAG và Agentic RAG để áp dụng hiệu quả vào các dự án AI.

The Black Box Might Have a Window

What happens if “nobody can understand these models” turns out to be wrong? For years, one sentence... Tagged with ai, machinelearning, discuss, opensource.

Anthropic IPO: Whither Now?

November 6, 2026 — ARC Prize tests Inkling 2 Small, and Thinking Machines explains how it caught early checkpoints bypassing guardrails.

How to Build an Agentic Development Tech Stack

Bối cảnh xây dựng agentic development tech stack đang trở nên quan trọng khi các hệ thống AI tự chủ ngày càng phổ biến. Nguyên nhân kỹ thuật đến từ nhu cầu tích hợp nhiều thành phần như models, orchestration, memory, tools, observability, evaluations, guardrails và testing. Hệ quả là việc thiếu kế hoạch tổng thể dẫn đến hệ thống phức tạp, khó bảo trì và không đảm bảo chất lượng. Điều đáng học là cần có thiết kế hệ thống có cấu trúc, rõ ràng cho từng thành phần để tạo ra nền tảng agent mạnh mẽ và đáng tin cậy.

Bài này giúp bạn thiết kế hệ thống công cụ phát triển agent hiệu quả với các thành phần then chốt như model, orchestration và bảo mật.

GitHub - keploy/keploy: Open-source platform for creating safe, isolated production sandboxes for API, integration, and E2E testing.

Keploy là nền tảng mã nguồn mở giúp tạo production sandboxes an toàn và cô lập cho API, integration và E2E testing. Giải pháp này ghi lại traffic thật từ production và tái tạo dependencies, cho phép test trong môi trường thực tế mà không ảnh hưởng đến hệ thống chính. Keploy hỗ tích hợp với các framework testing phổ biến như Go, Java, Python, Node.js, giúp developer tự động hóa quy trình test. Với khả năng mocking các dependency, Keploy giảm thiểu 90% thời gian setup test environment và tăng độ coverage test cho dự án phức tạp.

Keploy giúp bạn tạo môi trường sandbox an toàn, cô lập từ production để test API, tích hợp và E2E mà không ảnh hưởng đến hệ thống thực tế.

JetBrains Thinkrail

JetBrains Thinkrail là một lightweight IDE tùy biến tự động theo style làm việc của lập trình viên. Công nghệ này hỗ trợ vibe code với pi thông qua giao diện linh hoạt. Hệ quả là lập trình viên có trải nghiệm coding mượt mà hơn với công cụ cá nhân hóa. Jetbrains áp dụng AI để phân tích habit code và tối ưu hóa môi trường làm việc. Bạn nên đọc bài gốc để hiểu rõ hơn về cơ chế hoạt động của Thinkrail và cách nó khác biệt với các IDE truyền thống.

JetBrains Thinkrail giúp lập trình viên trải nghiệm mã hóa trong môi trường IDE nhẹ nhàng, tùy biến theo phong cách làm việc riêng.

How to Apply Secure By Design Practices To Money Software

Bối cảnh của bài viết chia sẻ hai bài học quan trọng từ một cuốn sách bảo mật chuyên ngành. Nguyên nhân kỹ thuật là các nguyên tắc Secure By Design áp dụng cho phần mềm tài chính không chỉ liên quan đến bảo mật mà còn về kiến trúc hệ thống và quản lý rủi ro. Hệ quả là việc áp dụng những nguyên tắc này giúp giảm thiểu lỗ hổng và tăng độ tin cậy của hệ thống. Điều đáng học là các phương pháp như Zero Trust, Defense in Depth và Threat Modeling có thể ứng dụng hiệu quả ngay cả khi bạn không phải chuyên gia bảo mật.

Hai bài học từ sách bảo mật giúp bạn viết phần mềm tài chính an toàn hơn mà không cần chuyên sâu về bảo mật.

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 trọng khi AI tự động sinh code.

Lập trình viên nên đọc bài này để hiểu cách Domain-Driven Design (DDD) và ngôn ngữ chung (Ubiquitous Language) trở nên quyết định hơn bao giờ hết khi AI tự động hóa viết code, giúp bảo vệ chất lượng logic và tính tương thích với yêu cầu thực tế của dự án.