MousePods Reverse Engineers Head Tracking Data From Stubborn AirPods

Replacing Raspberry Pi OS with this lightweight distro made my SBC faster than any hardware upgrade

Software was slowing down my Pi.

The PlayStation 3 briefly made buying a console a way to buy a Linux computer

It was a little too good at what it did, though.

Tailscale Subnet Routing: Access Your Entire Homelab

Learn how to configure Tailscale subnet routing to securely access your home network remotely without installing Tailscale on every device.

Learn Real-World Penetration Testing: Hands-On Ethical Hacking Crash Course

Understanding how malicious actors infiltrate networks is the first step to building resilient infrastructure. To help developers and aspiring security analysts learn the fundamentals of offensive sec

Llama-modchip: 284B DeepSeek on 64GB RAM, no GPU

🐋 Run 284B DeepSeek-V4-Flash (<59GiB RAM, 44.4 tok/s pp, 9.1-14.7 tok/s) & 30B MoEs (25-111 tok/s) on a pure 64GB CPU at 256K ctx (0 GPUs). SwiGLU-H2, Stockfish-PVS L3 & 13ms Claude Code restore. - synchopate/llama-modchip

GTA.js, a reimplementation of the 1997 Grand Theft Auto engine in JavaScript and WebGL

Dự án GTA.js tái tạo lại engine của game Grand Theft Auto năm 1997 bằng JavaScript và WebGL, có thể chơi tại gtajs.wtf. Đây là bản reimplement chứ không phải emulator, nên một số vật lý và animation khác với bản gốc, nhưng engine nhiệm vụ chính xác dựa trên tài liệu mtd.doc. Tác giả sử dụng Gemini AI để triển khai hầu hết các tính năng, tham khảo tài liệu mở, ghi chú cộng đồng và trí nhớ cá nhân về game. Hiện tại game đã chơi được nhưng cảnh sát (cops) vẫn chưa được implement.

Lập trình viên nên đọc bài này để khám phá cách tái tạo lại engine game cổ bằng JavaScript và WebGL từ con số không.

ISponsorBlockTV: SponsorBlock client for all YouTube TV clients

SponsorBlock client for all YouTube TV clients. Contribute to dmunozv04/iSponsorBlockTV development by creating an account on GitHub.

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.