Permissions belong in the assembly context

Dirty Frag (CVE-2026-43284): Linux Root Escalation

Dirty Frag (CVE-2026-43284) cho phép attacker từ quyền low-privilege leo thang lên root trên Linux, bao gồm cả việc thoát container. Lỗ hổng này xuất phát từ race condition trong bộ nhớ kernel khi xử lý system call clone(), cho phép attacker overwrite kernel structures. Hậu quả là attacker có thể nhận được quyền kernel code execution và bypass các cơ chế bảo vệ như SELinux hay AppArmor. Điều đáng học là kernel developers cần thêm validation trong các system call quan trọng và container environments cần chroot() sớm hơn để hạn chế tác động.

Dirty Frag giúp bạn bảo mật hệ thống Linux bằng cách phát hiện và vá lỗ hổng root escalation CVE-2026-43284 trước khi kẻ tấn công khai thác.

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 …

Load-Bearing People

Bài viết bắt đầu bằng việc mô tả cách một gói npm tên left-pad, chỉ gồm mười một dòng …

Build an AI Agent (From Scratch)

Bài viết giới thiệu cuốn sách "Build an AI Agent (From Scratch)" gồm 10 chương, 315 trang, giá 29,29 USD khi viết. Nó giải thích khái niệm AI agent và hướng dẫn chi tiết cách xây dựng một LLM agent từ đầu bằng mã nguồn mở. Các chương trình mẫu được cung cấp giúp người đọc nhanh chóng triển khai agent có khả năng nhận diện ý định và thực hiện hành động dựa trên prompt. Khi hoàn thành, độc giả sẽ hiểu được luồng dữ liệu, quản lý trạng thái và tích hợp công cụ ngoài như API hoặc cơ sở dữ liệu cho agent. Bài học chính là đầu tư vào tài liệu giá rẻ nhưng thực tiễn giúp lập trình viên nắm vững kỹ thuật agent mà không cần phụ thuộc vào framework đắt tiền.

Sách này giúp bạn hiểu rõ và thực hành xây dựng agent AI từ đầu với hướng dẫn chi tiết và giá cả hợp lý.

Your AI-generated tests aren't testing your code. They're testing the AI's blind spots.

Nhiều đội phát triển đang áp dụng công cụ AI để tự động sinh test, hy vọng tăng coverage và giảm công sức viết test thủ công. Những mô hình AI sinh test dựa trên pattern từ dữ liệu huấn luyện, vì vậy chúng thường bỏ qua các trường hợp edge case hoặc logic phức tạp mà không xuất hiện thường xuyên trong tập dữ liệu, dẫn đến các "blind spot" của mô hình. Test được tạo ra có thể đạt tỷ lệ coverage cao trên báo cáo nhưng thực tế không phát hiện được lỗi, khiến đội tin tưởng sai vào chất lượng code và để lỗi lọt qua vào production. Thay vì dựa hoàn toàn vào AI, cần kết hợpReview thủ công, phân tích khoảng trống trong test và bổ sung các test case dựa trên phân tích rủi ro hoặc mutation testing để phát hiện những điểm mà AI hay bỏ qua. Việc hiểu giới hạn của mô hình AI và duy trì quy trình kiểm tra chất lượng test là chìa khóa để tránh sự sai lầm về coverage ảo.

Bài viết này giúp lập trình viên hiểu rõ hạn chế khi sử dụng AI tạo test tự động và cách khắc phục điểm mù trong kiểm thử.

Confused about which VPN is right, US senator asks the NSA for guidance

Một nghị sĩ Hoa Kỳ cảm thấy bối rối trước sự đa dạng của các dịch vụ VPN và đã gửi yêu cầu tới NSA để được hướng dẫn chọn lựa. Trong nội dung bài viết, ông liệt kê các loại VPN phổ biến như open source, commercial, single-hop, multi-hop và mixnet, cho thấy sự lựa chọn thực sự rất phong phú. Sự nhức nhối này xuất phát từ việc mỗi loại VPN có đặc điểm khác nhau về mức độ bảo mật, hiệu suất và độ phức tạp triển khai, khiến việc so sánh trực tiếp trở nên khó khăn. Vì vậy, nghị sĩ mong nhận được sự tư vấn chuyên môn từ NSA để xác định loại VPN phù hợp với nhu cầu an toàn thông tin cá nhân và công việc của ông. Bài học từ trường hợp này là: trước khi quyết định dùng VPN, cần xác định rõ mô hình đe dọa, so sánh các tiêu chí như mã nguồn mở hay thương mại, số lượng nhảy (hop) và kiến trúc mixnet, thay vì dựa vào cảm nhận chung chung.

Bài viết giải thích cho lập trình viên các loại VPN khác nhau và cách lựa chọn phù hợp với nhu cầu bảo mật.

The Disappearing Senior: AI and Entry Level Jobs

AI code review đang là nút thắt thực sự và mọi người đều thừa nhận điều đó. Trong sơ đồ tổ chức, không có vị trí verifier hay bất kỳ khoản ngân sách nào dành cho việc này.

Lập trình viên nên đọc bài này vì nó cảnh báo về nguy cơ mất vị trí của những kỹ sư có kinh nghiệm trước sự phát triển nhanh chóng của AI, khi các công ty bỏ bỏ vai trò kiểm tra và đầu tư vào đội ngũ chuyên môn, khiến sự khác biệt giữa người mới và người giàu kinh nghiệm trở nên mờ nhạt.

Building trust in agentic RAG starts with evidence

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.