How LlamaIndex uses Temporal to scale reliable document orchestration

How to Check Idempotency and Duplicates of Requests in Web Applications

Trong quá trình phát triển web application, việc kiểm tra idempotency và request duplicates là cần thiết để đảm bảo hệ thống hoạt động ổn định. QA teams cần xác định các endpoint nơi việc thực thi trùng lặp có thể làm thay đổi trạng thái business, đặc biệt với các API như POST /orders hay PUT /user_profile. Việc không xử lý idempotency có thể dẫn đến duplicate transactions, ví dụ như việc trừ tiền tài khoản hai lần khi gửi request đến /payment endpoint. Các kỹ thuật như sử dụng idempotency key hoặc version identifiers giúp ngăn chặn vấn đề này, nên được tích hợp trong giai đoạn thiết kế API. Bài viết cung cấp các phương pháp test cụ thể để phát hiện và xử lý các vấn đề idempotency, giúp tránh các lỗi nghiêm trọng trong production.

Bài viết này giúp lập trình viên xác định các điểm kết thúc trong ứng dụng web cần kiểm tra tính đảm bảo để tránh lỗi trùng lặp ảnh hưởng đến trạng thái kinh doanh.

Improved Schema Checks in GitHub Merge Queues

GitHub đã tích hợp Hive schema checks vào Merge Queues để tự động xác thực thay đổi cơ sở dữ liệu trước khi hợp nhất. Cập nhật mới cho phép mỗi mục trong hàng đợi so sánh với commit cơ sở (base commit) của nhánh thay vì với HEAD của nhánh đích. Việc này tách riêng các thay đổi schema do pull request hiện tại ra khỏi những thay đổi có thể đã được áp dụng trước đó, giảm nguy cơ falsa positive và falsa negative trong kiểm tra. Khi thiết kế pipeline CI/CD cho schema, nên luôn so sánh với commit cơ sở của thay đổi thay vì với trạng thái chung để cô lập tác động của mỗi PR. Áp dụng cách này giúp zespo phát triển tin tưởng hơn vào kết quả kiểm tra schema và giảm thời gian debug khi hợp nhất code.

Bài này giúp lập trình viên hiểu cách kiểm tra schema trong GitHub Merge Queues so sánh entry với commit cơ sở, tách biệt các thay đổi schema do pull request hiện tại mang lại.

Bloom Filters Explained: The Probabilistic Data Structure Powering Instagram, Google, and High-Scale Systems

Instagram có hơn 500 triệu tên đăng ký và cần trả lời ngay khi người dùng mới đăng ký xem tên đó đã được sử dụng chưa. Cách naïve là tra cứu trong bảng băm hoặc cơ sở dữ liệuExact, nhưng khi dữ liệu đạt hàng trăm triệu bản ghi thì thời gian truy cập và bộ nhớ cần thiết trở thành bottleneck. Bằng cách áp dụng Bloom filter – cấu trúc xác suất với mảng bit và một số hàm băm – hệ thống có thể trả lời câu hỏi trong thời gian hằng số với bộ nhớ chỉ vài megabyte, dù có khả năng trả về kết quả dương giả (false positive) nhỏ. Điều đáng học là Bloom filter cho đổi lấy một xác suất sai nhỏ để đạt tốc độ và hiệu quả bộ nhớ cao, vì vậy trong các hệ thống quy mô lớn thường kết hợp nó với bước kiểm tra lại chính xác để loại bỏ lỗi dương giả. Ví dụ cụ thể, Instagram, Google và nhiều dịch vụ cao tải sử dụng cấu trúc này để giảm latency trong các thao tác kiểm tra thành viên như username, từ chối spam hoặc truy cập cache.

Bloom Filters giúp bạn hiểu cách các hệ thống quy mô lớn như Instagram giải quyết bài toán kiểm trùng dữ liệu hiệu quả.

MCP was supposed to solve the agent tooling problem. It missed a step.

Bối cảnh: MCP được định hướng giải quyết vấn đề tooling cho AI agents, nhưng chưa hoàn thành bước cần thiết để các agent dễ dàng tìm công cụ. Nguyên nhân kỹ thuật: ARD, một specification mở mới, nhằm tạo một hệ thống đăng ký công cụ cho agents, tương tự như DNS cho máy chủ. Hệ quả: Khi thiếu bước này, các agent sẽ gặp khó khăn trong việc tìm kiếm và bind công cụ, làm giảm hiệu suất và tăng chi phí. Điều đáng học: Việc thiếu một lớp trừu tượng chuẩn khiến các hệ sinh thái không tương thích, làm chậm triển khai và gây phân tán công cụ. Do đó, nếu bạn đang cân nhắc đọc bài gốc, hãy chú ý cách ARD dự định bổ sung khoảng trống này và AWS đang định hướng nó.

ARD có thể là giải pháp thiếu trong hệ sinh thái công cụ agent, giúp tìm kiếm chéo registry hiệu quả như DNS trong thế giới mạng.

AI makes code cheap to create, not cheap to own

AI đã làm cho việc tạo ra code trở nên rẻ hơn, nhưng việc sở hữu và duy trì code lại đòi …

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.

SolidQueue Batches: evolution and architecture

Khi Rosa ra mắt SolidQueue lần đầu, cô đã đưa ra một bài phát biểu chi tiết về cách hệ thống hoạt động và những trade‑off mà cô đã chọn. Bài phát biểu đó là nguồn tài liệu đầu tiên mà tôi học được về nguyên lý thiết kế của SolidQueue và lý do tại sao nó đạt hiệu suất tốt. Sau đó, tôi đã đóng góp phần triển khai tính năng batch cho SolidQueue, nhận được phản hồi từ nhiều thành viên cộng đồng. Việc thêm batch cho phép các tác vụ được gom nhóm và xử lý trong cùng một giao dịch, giảm thiểu số lần truy cập cơ sở dữ liệu và tăng throughput. Kiến trúc này cho thấy việc lắng nghe phản hồi cộng đồng và thiết kế mô‑đun có thể nâng cấp hệ thống mà không làm thay đổi lõi hiện có.

Bài viết này giúp hiểu sâu về cách hoạt động và tối ưu hóa batch processing trong SolidQueue, một công cụ queue hiệu suất cao.