Snowflake Decision: A Decision Model in Cortex AI Functions

Create Scalable AI Automations with n8n

Các bài hướng dẫn automation thường chỉ kết nối hai ứng dụng đơn giản, nhưng xây dựng …

How Netflix Taught an LLM to Recommend Movies So That You Keep Watching

Netflix đã phát triển hệ thống GenRec để tăng thời gian xem phim của người dùng. …

Build and Train a 25M Parameter LLM From Scratch on Your CPU

Bối cảnh: Bạn không cần cụm GPU khổng lồ để học cách AI hiện đại hoạt động. …

The LLM Blindspot: Why Models Forget What’s in the Middle of Your Prompt

Các mô hình LLM (Large Language Model) thường bỏ qua thông tin nằm ở giữa prompt, hiện …

RAG Isn’t Magic. Here’s the Journey From a Question to an Answer

Khi làm việc với RAG (Retrieval-Augmented Generation), nhiều người bị ấn tượng bởi khả năng "ma thuật" của nó. Hệ thống hoạt động bằng cách truy vấn các vector database như Pinecone hoặc Milvus để tìm ngữ cảnh liên quan từ kho knowledge base, sau đó đưa dữ liệu này vào prompt của LLM (GPT-3.5 hoặc GPT-4) để tạo câu trả lời. Tuy nhiên, RAG gặp thách thức với vấn đề hallucination - mô hình vẫn có thể tạo ra thông tin sai sự thật dù đã được truy vấn dữ liệu. Bài viết phân tích chi tiết từng bước trong quy trình RAG, giúp lập trình viên hiểu rõ nguyên nhân kỹ thuật đằng sau hiệu ứng "thần kỳ" này để tối ưu hóa hệ thống thực tế.

Bài viết này giải thích chi tiết quy trình hoạt động của RAG, giúp lập trình viên hiểu rõ cơ chế đằng sau công nghệ thay vì chỉ xem nó như phép màu.

Are LLMs silver bullets?

Trong bối cảnh LLMs đang thay đổi hoàn toàn lĩnh vực software engineering, việc đánh giá giá trị thực sự của công nghệ này là cần thiết. Vấn đề nằm ở chỗ các LLMs như GPT-4 có thể tạo ra code nhanh chóng nhưng thường chứa lỗi hoặc không tối ưu. Hệ quả là lập trình viên phải tốn thêm thời gian để kiểm tra và sửa code do AI tạo ra. Bài viết nhắc nhở chúng ta rằng dù công cụ AI có mạnh đến đâu, kiến thức sâu về system design và algorithm vẫn là yếu tố không thể thay thế.

Bài này giúp lập trình viên đánh giá giá trị thực sự của LLMs trong kỹ thuật phần mềm qua lăng kính kinh nghiệm của Fred Brooks.

AI Row Count Estimates Come From Nothing

AI row count estimates trông chắc chắn nhưng thực tế hoàn toàn không dựa trên dữ liệu thực tế. Các hệ thống thống kê như PostgreSQL, MySQL sử dụng heuristic để ước lượng số lượng hàng trong khi AI model lại đưa ra con số một cách ngẫu nhiên mà không dựa trên dữ liệu training. Sự khác biệt này dẫn đến các quyết định tối ưu hóa query kém hiệu quả, làm giảm performance database. Điều đáng học là các nhà phát triển nên hiểu cơ chế ước lượng của optimizer để cải thiện query execution plan.

Bài viết này giải thích tại sao ước tính số dòng AI nghe chắc chắn nhưng thực chất không dựa trên cơ sở dữ liệu thực tế, giúp lập trình viên hiểu rõ hơn về cách tối ưu hóa truy vấn.

How ORMs Still Let SQL Injection Through (and How to Close the Gaps)

Nhiều lập trình viên lầm tưởng rằng khi sử dụng ORM, nguy cơ SQL injection sẽ được loại bỏ hoàn toàn, nhưng thực tế chỉ chuyển dịch sang vị trí khác. Các ORM như Sequelize, Prisma, TypeORM, và Knex vẫn có thể bị khai thác SQL injection khi phép ánh xạ đối tượng quan hệ không được triển khai chính xác. Kẻ tấn công có thể lợi dụng các phương thức động hoặc hàm không được parameter hóa để chèn mã độc vào truy vấn. Lỗi thường gặp nhất là sử dụng template literals kết hợp với các giá trị đầu vào không được kiểm soát, dẫn đến lỗ hổng bảo hiểm nghiêm trọng. Mặc dù có SQL injection ORM vẫn tồn tại, bài viết cung cấp các giải pháp cụ thể để bảo vệ ứng dụng, nhấn mạnh tầm quan trọng của việc kiểm tra đầu vào và sử dụng prepared statements thay vì concatenation strings.

ORM có thể vẫn để lỗ hổng SQL injection đi qua nếu bạn không sử dụng chúng đúng cách.