Figma’s engineering team recently shared how they created AI agents to support the security team in investigating alerts, searching past incidents and checking internal systems. The agents combine large language models with retrieval‑augmented generation to parse alert details, query logs and retrieve relevant historical tickets automatically. As a result, analysts spend less time on manual data gathering and can focus on validating threats, which shortens the overall investigation cycle. This approach shows that augmenting existing security workflows with purpose‑built AI agents can boost productivity without eliminating the need for human judgment. Other SaaS companies can adopt a similar pattern by integrating LLMs with their own telemetry stores to automate routine security tasks.
Why read it: Bài viết giải thích cách Figma áp dụng AI agents để tăng cường hiệu quả bảo mật, giúp lập trình viên nắm bắt xu hướng ứng dụng trí tuệ nhân tạo trong bảo mật hệ thống.
Answer 3 short questions to earn reward points for this article. Only do it if you want the points.
3 questions · under a minute · optional
Source: https://www.infoq.com/news/2026/09/figma-security-agents. 8 Sync News only summarizes and links out; content copyright belongs to the authors and original sources.
Đang tải bình luận…
40% của doanh nghiệp hiện đã đưa các AI agent viết code vào pipeline CI/CD của họ. Tuy nhiên chỉ khoảng một phần tư thực sự đạt được hoạt động ổn định vì nhiều đội ngủ quên việc thiết kế prompt chính xác, thiếu cơ chế kiểm tra lỗi và không chạy agent trong môi trường sandbox cô lập. Khi agent hoạt động không đúng, chúng thường tạo ra code có lỗi, lỗ hổng bảo mật hoặc phụ thuộc không tương thích, dẫn đến tăng tỷ lệ bug và cần thêm thời gian gỡ sửa trong sản xuất. Những bài học cho thấy việc coi agent như công cụ hỗ trợ – kết hợp với bài kiểm tra tự động, các cổng review code và triển khai dần dần – sẽ cải thiện đáng kể độ tin cály và ROI. Trước khi mở rộng, cần đầu tư vào hygiene prompt, quan sát observability và giữมนุษย์ trong vòng phản hồi thay vì mong đợi sự tự chủ hoàn toàn.
Bài viết tiết lộ những điều thực tế về việc triển khai AI viết mã mà không ai kể lại.
Bối cảnh: Nhiều tổ chức cùng thời điểm khám phá và triển khai các công nghệ tương tự mà không có giao tiếp rõ ràng. Nguyên nhân kỹ thuật: Mô hình Transformer có thể tự phát triển các cơ chế attention hiệu quả mà không cần thiết kế thủ công, dẫn đến các giải pháp parallel trong kiến trúc neural networks. Hệ quả: Sự hội tụ tương tự giữa các lab nghiên cứu như OpenAI và Google về phương pháp training models với self-supervised learning, tạo ra các thành tựu như GPT-3 và BERT cùng hướng. Điều đáng học: Sự tiến bộ trong deep learning có thể dự đoán được hơn nhiều người nghĩ, khi các cơ bản nguyên lý toán học dẫn đến các giải pháp tối ưu tương tự bất kể điểm xuất phát.
Bài viết khám phá hiện tượng nhiều lập trình viên độc lập phát hiện ra cùng một giải pháp kỹ thuật mới, mở ra hiểu biết sâu sắc về cách tư duy sáng tạo trong ngành công nghệ.
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.
AI đã làm cho việc tạo ra code trở nên rẻ hơn, nhưng việc sở hữu và duy trì code lại đòi hỏi chi phí cao hơn. Nguyên nhân kỹ thuật nằm ở khả năng sinh tự động của các mô hình AI, khiến số lượng dòng code tăng nhanh chóng. Hệ quả là overhead tăng, vì mỗi đoạn code mới cần được kiểm tra, docs và bảo trì. Điều đáng học là AI tiết kiệm thời gian viết code nhưng không giảm bớt công sức quản lý và tối ưu code. Vì vậy, khi cân nhắc đọc bài gốc, cần lưu ý rằng lợi thế tạo code rẻ chỉ có giá trị nếu chi phí sở hữu được kiểm soát.
Tác bài giải thích tại sao code được AI tạo ra có chi phí sở hữu cao hơn chi phí tạo ra, giúp lập trình viên hiểu rõ thách thức thực tế khi áp dụng công nghệ này.
Bài viết mô tả tình huống khi hệ thống sử dụng guardrail song song để kiểm tra an toàn trước khi cho phép agent thực hiện công cụ. Do các kiểm tra được chạy song song để giảm latency, agent có thể gọi công cụ trước khi guardrail đưa ra verdict chặn request. Kết quả là side effects của công cụ đã xảy ra dù request cuối cùng bị chặn, gây ra dữ liệu không mong muốn hoặc thay đổi trạng thái hệ thống. Trên dashboard, guardrail hiển thị trạng thái “blocked” nhưng log vẫn cho thấy rằng tool đã được thực thi. Bài học là cần thiết kế cơ chế gọi công cụ sao cho chỉ thực hiện sau khi tất cả các kiểm tra an toàn hoàn thành, hoặc làm cho side effects của công cụ trở nên idempotent và có thể rollback.
Bài viết giúp lập trình viên hiểu cách hệ thống guardrail hoạt động với các công cụ và kiểm tra song song để đảm bảo an toàn hiệu quả.
Bối cảnh: Khi các hệ thống AI agent sử dụng RAG để sinh câu trả lời, độ tin cậy phụ thuộc vào khả năng chứng minh nguồn gốc thông tin. Nguyên nhân kỹ thuật: Việc không theo dõi quyết định truy xuất, siêu dữ liệu và dẫn chứng khiến mô hình khó xác định xem thông tin nào được lấy từ nguồn nào. Hệ quả: Điều này dẫn đến đầu ra mơ hồ, giảm niềm tin của người dùng và tăng nguy cơ thông tin sai lệch được chấp nhận như sự thật. Đáng học: Để xây dựng niềm tin, cần ghi lại từng bước truy xuất, kèm metadata và trích dẫn cụ thể, sau đó cung cấp chúng kèm với câu trả lời của agent. Khi thực hiện này, các nhà phát triển có thể đo lường và cải thiện chất lượng nguồn dữ liệu, từ đó nâng cao độ tin cậy tổng thể của hệ thống agentic RAG.
Lập trình viên nên đọc bài này để hiểu cách xây dựng niềm tin vào hệ thống RAG với agent thông qua theo dõi bằng chứng và thông tin truy xuất.
Bài viết bắt đầu bằng việc đặt ra mục tiêu của việc thiết kế vòng lặp trong hệ thống phần mềm hiệu suất cao. Nó phân tích nguyên nhân kỹ thuật khi các vòng lặp được viết mà không tính đến truy cập bộ nhớ, dự đoán nhánh và chi phí gọi hàm, dẫn đến sự suy giảm throughput lên tới hàng chục phần trăm trên các nền tảng như x86-64 hoặc ARM. Hệ quả là không chỉ lãng phí tài nguyên CPU mà còn làm tăng độ phức tạp bảo trì khi đội phát triển phải dựa vào giả định thay vì đo lường thực tế. Bài viết nhấn mạnh kỷ luật không ủy phán quyết định cho công cụ hoặc thư viện mà tự mình đo lường, profile và điều chỉnh dựa trên dữ liệu thực nghiệm. Điều đáng học là áp dụng quy trình lặp lại: định nghĩa mục tiêu, đo lường baseline, thay đổi một biến mỗi lần và xác nhận cải thiện trước khi tiếp tục, giúp vòng lặp trở thành một thành phần có thể dự đoán và mở rộng.
Bài viết giúp lập trình viên nắm vững kỹ thuật thiết kế vòng lặp hiệu quả và phát triển tư duy phản biện khi giải quyết vấn đề.
Google đã phát hành bài nghiên cứu mô tả Beyond Zero, mô hình bảo mật được mô tả là “mô hình cho thời đại AI” và là sự phát triển của mô hình Zero Trust đã được triển khai trong BeyondCorp. Nguyên nhân kỹ thuật là sự xuất hiện của các tác nhân AI tự chủ cần đưa ra quyết định truy cập liên tục dựa trên bối cảnh thực time, thay vì dựa trên chính sách tĩnh ở mức ứng dụng. Do đó, Beyond Zero chuyển quyết định truy cập từ lớp ứng dụng sang lớp chính sách trung tâm, sử dụng telemetry và đánh giá rủi ro động để cấp hoặc thu hồi quyền truy cập ngay lập tức. Hệ quả của việc này là giảm bề mặt tấn công cho các workload AI và cho phép triển khai tự động hóa mà không làm giảm mức độ tin cậy bảo mật. Bài học cho các lập trình viên là khi mở rộng mô hình Zero Trust sang hệ thống AI, cần đầu tư vào cơ sở hạ tầng chính sách dưới dạng mã và khả năng phản hồi real‑time để kịp thời thích ứng với hành vi của các tác nhân tự trị.
Beyond Zero giúp lập trình viên hiểu cách mở rộng mô hình Zero Trust cho tác nhân AI tự chủ trong kỷ nguyên an ninh mạng mới.
Read the news here, practice coding, follow structured courses and train for IELTS on our sibling products — all connected through one 8 Sync account.
The ecosystem home: product overviews, blog and full pricing.
ExploreLearn along a clear roadmap: videos, auto-graded quizzes, certificates and mentors who ship for a living.
View the roadmap1,000+ DSA problems in Vietnamese, auto-graded across 7 languages — many FREE, right in your browser.
Practice for freeAI grading for all four IELTS skills with detailed rubric feedback.
Try it freeA 22 MB AI IDE for Vietnamese devs.
Download freeOrganizational memory for AI agents.
ExploreAI that staffs your Fanpage and qualifies leads for you.
Try it