I thought I knew Claude until I discovered these 3 productivity workflows

Schneier on Security

Các nhà cung cấp LLM hàng đầu như Anthropic, OpenAI và Google hiện trả về các chuỗi suy luận (chain-of-thought) dưới dạng khối dữ liệu được mã hoá cho khách hàng thay vì lưu giữ ở phía máy chủ. Các khối mã hoá này có thể hoán đổi lẫn nhau giữa các phiên, người dùng và mô hình trong cùng một nhà cung cấp, cho phép kẻ tấn công chèn một trace được mã hoá từ mô hình mạnh vào mô hình yếu và buộc mô hình yếu giải mã và xuất ra bản rõ. Kết quả là các nhà nghiên cứu đã trích xuất được suy luận riêng của ba công ty trên, đồng thời thu được 367 artefacts thông tin cá

Nghiên cứu tiết lộ lỗ hổng kiến trúc nghiêm trọng trong bảo vệ chain-of-thought reasoning của các LLM hàng đầu, đe dọa an ninh dữ liệu và quyền riêng tư của người dùng.

GiveTrack: A Personal Generosity Tracker Built for the DEV Weekend Challenge

GiveTrack là một ứng dụng theo dõi sự hào phóng cá nhân được xây dựng cho challenge cuối tuần của DEV. Ứng dụng sử dụng React để xây dựng giao diện và tích hợp AI để phân tích dữ liệu đóng góp. Challenge yêu cầu các nhà phát triển tạo ra công cụ khuyến khích sự hào phóng trong cộng đồng, dẫn đến sự ra đời của GiveTrack. Với chức năng theo dõi và tổng hợp các đóng góp, ứng dụng giúp người dùng nhận ra tác động tích cực của mình. Đây là một ví dụ thực tế về cách các công nghệ hiện đại có thể được ứng dụng để giải quyết các vấn đề xã hội đơn giản nhưng hiệu quả.

Bài này giúp bạn thấy cách kết hợp React và AI để tạo công cụ theo dõi sự hào phóng cá nhân trong một dự án weekend challenge.

Compare Against the Schema They Shipped, Not the One You Expected

Khi kiểm thử mô hình AI, nhóm phát triển sử dụng một harness tự động để xác nhận các đối số mà mô hình trả về. Harness này so sánh dữ liệu thực tế với một schema mà đội ngũ mong đợi, thay vì schema mà mô hình đã được triển khai thực tế. Do sự chênh lệch này, harness báo lỗi liên tục dù mô hình hoạt động đúng theo phiên bản đã ship, gây mất thời gian debug và giảm niềm tin vào công cụ kiểm thử. Bài học là luôn kiểm tra output so sánh với schema thực tế mà mô hình đã được phát hành, dựa trên tài liệu hoặc phiên bản artifact đã deploy. Việc áp dụng nguyên tắc này giúp giảm false positive trong quá trình testing và tăng độ tin cậy của pipeline CI/CD cho các dự án AI open-source.

Bài viết giúp bạn hiểu cách kiểm tra API chính xác bằng cách so sánh với schema thực tế thay vì schema dự kiến để phát hiện lỗi bảo mật sớm.

The Trap of Doing It Myself

Bài viết bắt đầu từ quan niệm phổ biến “Nhanh hơn nếu tôi tự làm” và chỉ ra rằng đây là một đo lường, nhưng câu hỏi thực sự là chúng ta đang đo lường gì. Tác giả giải thích rằng khi đo lường chỉ bằng thời gian hoàn thành công việc cá nhân, chúng ta bỏ qua các chi phí ẩn như việc tạo ra kiến thức cô lập, giảm khả năng chia sẻ và tăngภาระ bảo trì sau này. Anh ấy minh họa qua một ví dụ về một engineer dành thời gian sửa một bug nhỏ mà không comunica với đội, dẫn đến việc cùng một lỗi được sửa lại nhiều lần trong các thành phần khác nhau do thiếu tài liệu chung. Kết quả là, mặc dù thời gian ban đầu ngắn hơn, tổng thời gian phát triển và hỗ trợ tăng lên đáng kể, đồng thời chất lượng mã giảm do thiếu review và kiểm tra đồng nghiệp. Bài học chính là cần đo lường không chỉ tốc độ mà còn tác động đến kiến thức chung, độ bền và khả năng mở rộng, từ đó quyết định khi nào nên delegating hoặc đầu tư vào tự động hóa, chia sẻ kiến thức và code review.

Bài này giúp lập trình viên nhận ra sai lầm khi tự làm mọi thứ thay vì hợp tác để nâng cao hiệu quả và chất lượng công việc.

Meta tried to shrink engineering teams around AI

Meta đã thực hiện việc thu hẹp các đội kỹ thuật tập trung vào AI nhằm tối ưu hóa hiệu suất. Nguyên nhân kỹ thuật là việc áp dụng các công cụ AI hỗ trợ như LLM và automated code generation giúp tăng tốc độ coding lên đến 220%. Hệ quả là dù code output tăng mạnh nhưng số lượng features được release chỉ tăng 36%, cho thấy sự mất cân đối giữa năng suất và chất lượng sản phẩm. Điều đáng học là các công cụ AI cần được triển khai hợp lý để tránh tình trạng "đốt tiền" vào nguồn lực mà không mang lại hiệu quả tương xứng.

Bài này cho thấy làm việc hiệu quả hơn không đồng nghĩa với tăng năng suất thực sự trong phát triển AI.

The John Ternus era begins at Apple

John Ternus chính thức trở thành CEO Apple vào ngày 1 tháng 9, kết thúc 15 năm làm việc …

Is AI ruining my brain?

Người viết chia sẻ trải nghiệm sử dụng công cụ AI như ChatGPT và GitHub Copilot trong công việc hàng ngày để viết email, tạo mã và giải quyết vấn đề nhanh chóng. Ông cho rằng sự phụ thuộc vào AI làm giảm nhu cầu tư duy độc lập vì não bộ ít được kích hoạt khi dựa vào gợi ý tự động từ các mô hình ngôn ngữ lớn. Sau vài tháng, ông cảm thấy khó tập trung khi đọc sách dài, suy giảm khả năng ghi nhớ thông tin mà không có sự hỗ trợ của AI và thường bị mệt óc khi phải thực hiện các tác vụ không có AI. Bài viết gợi ý đặt giới hạn thời gian sử dụng AI, thực hành các hoạt động không cần AI như đọc sách tay hoặc viết tay để duy trì sự linh hoạt nhận thức. Cuối cùng, ông nhắc nhở rằng công cụ AI nên là người trợ giúp thay thế thay vì thay thế suy nghĩ con người.

Bài này giúp lập trình viên nhận diện tác động thực tế của AI đến khả năng nhận thức và tìm cách cân bằng giữa công nghệ tự động và suy nghĩ độc lập.