I gave my coding agent read-only access to my server and it started fixing actual bugs

How we closed 1,500 GitHub issues in one month

Bối cảnh: Next.js đang đối mặt với một backlog lớn hơn 1.500 issue trên GitHub, nhiềuissue đã mở hơn sáu tháng và chưa có phản hồi. Nguyên nhân kỹ thuật: đội ngũ đã triển khai một agent dựa trên mô hình ngôn ngữ lớn để tự động đọc, phân loại và gán nhãn cho các issue cũ, đồng thời đề xuất các bước khắc phục dựa trên lịch sử commit và tài liệu. Hệ quả: trong vòng một tháng agent giúp đóng hơn 1.500 issue, giảm tỷ lệ issue stale xuống dưới 5% và giải phóng khoảng 200 giờ làm việc cho các nhà phát triển để tập trung vào tính năng mới. Điều đáng học: việc kết hợp agent tự động với xem xét thủ công của con người cho phép mở rộng quy trình triage mà không hy sinh chất lượng, và việc theo dõi phản hồi từ agent là cần thiết để tránh nhầm lẫn. Điều này cho thấy đầu tư vào công cụ tự động hóa issue tracking có thể mang lại lợi ích rõ ràng về tốc độ và spirit của dự án mã nguồn mở.

Bài viết này giúp lập trình viên hiểu cách Next.js team xử lý backlog hiệu quả bằng sử dụng agent AI.

The context layer that makes or breaks AI agents

Bài viết chỉ ra rằng nhiều dự án AI agent thất bại vì việc cắt bớt context và mất trạng thái phiên làm việc khi mô hình không thể duy trì đủ thông tin cần thiết trong mỗi lượt suy luận. Nguyên nhân kỹ thuật nằm ở việc tách biệt các thành phần bộ nhớ ngắn hạn, hệ thống truy xuất, cache và dữ liệu thời gian thực, dẫn đến việc mỗi thành phần hoạt động độc lập và dễ gây ra sự không nhất quán. Khi context bị cắt ngắn hoặc trạng thái phiên bị mất, agent thường sinh ra phản hồi sai lệch, quên lịch sử trò chuyện hoặc không thể truy cập dữ liệu mới nhất, làm giảm độ tin cậy và trải nghiệm người dùng. Bài viết đề xuất giải pháp là xây dựng một lớp context thống nhất, trong đó bộ nhớ, truy xuất, cache và luồng dữ liệu trực tiếp được tích hợp vào một dịch vụ duy nhất, đảm bảo sự nhất quán và giảm latency. Kết luận là nhóm phát triển nên đầu tư vào lớp context này sớm để tránh lãng phí công sức và nâng cao khả năng mở rộng của agent.

Bài viết này giúp lập trình viên giải quyết vấn đề đoạn ngữ cảnh và mất trạng thái phiên, yếu tố then chốt quyết định thành công của các dự án AI 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 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 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 …

Project HydraFusion: Frontier quality via multi-model orchestration

Dự án HydraFusion được phát triển để đạt chất lượng ranh giới bằng cách phối hợp nhiều mô hình AI trong một quy trình làm việc. Trong các đánh giá offline được kiểm soát, nhóm đã thiết kế quy trình selective coding để chỉ gọi các mô hình khi cần thiết. Quy trình này cho kết quả bằng hoặc vượt qua mức chuẩn Opus 5 mà không cần chạy toàn bộ mô hình lớn liên tục. Đồng thời, việc giảm số lần gọi mô hình giúp chi phí ước tính được giảm đáng kể so với baseline. Kinh nghiệm cho thấy việc kết hợp orchestration đa mô hình với selective coding có thể cân bằng giữa chất lượng đầu ra và hiệu quả chi phí, điều mà các nhóm phát triển có thể tham khảo khi cân nhắc áp dụng mô hình lớn.

HydraFusion giúp đạt chất lượng hàng đầu với chi phí thấp hơn qua cách phối hợp mô hình đa dạng.

Practical Loop Engineering

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.

Every Stage Worked. The Bill Was Still Paid Twice

Trong hệ thống thanh toán của một công ty fintech, mỗi stage trong pipeline đều hoạt động bình thường nhưng hóa đơn vẫn bị trừ tiền hai lần. Nguyên nhân kỹ thuật nằm ở transaction processing khi method chargeBill() được gọi hai lần do race condition giữa API gateway và service layer. Hệ quả là khách hàng bị trừ tiền gấp đôi trong khi hệ thống ghi nhận trạng thái "part-paid". Bài viết cho thấy tầm quan trọng của idempotency keys trong transaction design và cách họ implement retry mechanism để ngăn chặn double charging bằng cách thêm fingerprint cho mỗi transaction request.

Đọc bài này để hiểu cách lỗi mờ nhạt (silent failures) có thể trốn tránh trong các giai đoạn triển khai thành công, khiến chi phí thực tế vượt ngưỡng dự kiến mà không ai phát hiện ngay.