Timescale Vector x LangChain: Making PostgreSQL A Better Vector Database for AI Applications

How Do You Build an LLM Evaluation Dataset from Production Traces?

Bài viết đặt câu hỏi cách tạo bộ dữ liệu đánh giá LLM từ các trace thu thập được trong môi trường sản xuất, cập nhật lần cuối vào 2026‑08‑25. Để xây dựng dataset, họ dùng các trace chứa input và output của agent, cần lọc, chuẩn hoá và gán nhãn để tránh nhiễu. Kết quả là có thể đánh giá mô hình trên dữ liệu thực tế nhưng rủi ro thiếu đại diện và rò rỉ thông tin nếu không kiểm soát tốt. Điều cần học là phải có quy trình thu thập và chuẩn bị trace có hệ thống, thường dùng công cụ như LangChain hoặc LlamaIndex để extract trace, và luôn audit trước khi đưa vào evaluation. Nếu bạn đang cân nhắc, hãy xem cách họ xử lý trace để hiểu quy trình thực tiễn và xem có phù hợp với pipeline của mình không.

Bài viết này giúp bạn tạo bộ đánh giá LLM chất lượng cao từ dữ liệu thực tế sản xuất.

Just landed in the Neon CLI

Nhiều đội phát triển đang chuyển sang quy trình làm việc dựa trên nhánh để quản lý thay đổi schema cơ sở dữ liệu, nhưng trước đây Neon CLI chưa cung cấp các lệnh trực tiếp để tạo, chuyển đổi và so sánh các nhánh Postgres. Bản cập nhật mới thêm các lệnh neon branch create, neon branch switch, neon diagnose để kiểm tra hiệu suất và khóa, cùng neon schema-diff để tạo ra diff chi tiết giữa hai nhánh hoặc giữa nhánh và sản xuất. Những lệnh này giảm thiểu việc phải chạy các script SQL thủ công và cho phép phát hiện sớm các vấn đề như chỉ mục thiếu hoặc truy vấn chậm trước khi hợp nhất. Việc tích hợp chẩn đoán Postgres và diff schema trực tiếp vào CLI giúp团队 сократить thời gian review và tăng độ tin cậy của quá trình triển khai. Điều này cho thấy đầu tư vào công cụ CLI chuyên biệt cho quy trình làm việc dựa trên nhánh có thể mang lại lợi ích rõ rệt về hiệu suất và chất lượng mã nguồn cho các dự án sử dụng Postgres.

Bài này giúp bạn khai thác sức mạnh của Neon CLI với các tính năng mới như workflow branch-first, chẩn đoán Postgres và so sánh schema.

Announcing our $10M seed round led by Benchmark

LangChain, framework mã nguồn mở giúp phát triển ứng dụng AI dựa trên LLM có khả năng nhận diện dữ liệu và hoạt động như agent, vừa hoàn thành vòng seed trị giá 10 triệu USD do Benchmark dẫn đầu. Vốn này được mobilize để mở rộng đội ngũ kỹ thuật và cải thiện các tính năng kết nối dữ liệu ngoài bộ nhớ mô hình, cho phép các LLM truy cập và xử lý thông tin từ nguồn ngoài một cách linh hoạt. Với sự hỗ trợ này, các nhà phát triển có thể xây dựng nhanh chóng các ứng dụng agentic LLMs mà không cần lo lắng về việc tích hợp phức tạp các nguồn dữ liệu khác nhau. Kết quả dự kiến là tăng tốc độ przyjęcie của LangChain trong cộng đồng AI và mở rộng hệ sinh thái các plugin và kết nối dữ liệu. Bài học từ vụ gọi vốn này là việc đầu tư vào nền tảng cơ sở hạ tầng mã nguồn mở cho LLM không chỉ tạo ra giá trị công nghệ mà còn thu hút sự quan tâm của các quỹ đầu tư chiến lược như Benchmark.

Bài viết này cho bạn thấy tiềm năng tài chính và sự ủng hộ từ nhà đầu tư hàng đầu cho công nghệ AI đang định hình tương lai phát triển ứng dụng.

The Sixth Execution

PostgreSQL chuẩn bị câu lệnh (prepared statement) sẽ tạo kế hoạch tùy chỉnh dựa trên giá trị tham số thực tế trong năm lần thực thi đầu tiên, mang lại chất lượng kế hoạch như thay thế văn bản. Khi đến lần thực thi thứ sáu, hệ thống xây dựng kế hoạch chung (generic plan) không sử dụng giá trị tham số và so sánh chi phí ước tính của nó với chi phí trung bình của các kế hoạch tùy chỉnh; nếu kế hoạch chung có chi phí thấp hơn, PostgreSQL sẽ chuyển sang dùng kế hoạch chung và giữ nó cho tới khi bị làm vô hiệu. Kế hoạch chung dựa trên ước tính chọn lọc mù quáng (ví dụ, phân số không null chia số giá trị riêng biệt cho phép bằng, một phần ba bảng cho phép không bằng), có thể sai lệch nghiêm trọng trên dữ liệu lệch, dẫn đến việc truy vấn chậm xuống bất ngờ sau lần thực thi thứ sáu. Quyết định này chỉ dựa trên chi phí ước tính, không đo lường thời gian thực thi thực và có tính dính dáng bất đối xứng; các nguyên nhân thường gặp là hàm PL/pgSQL và các driver như psycopg 3 hoặc JDBC mà tự động nâng cấp thành câu lệnh có tên sau ngưỡng mặc định (5 lần), khiến chuyển đổi xảy ra khoảng lần thực thi thứ mười hoặc mười một. Các biện pháp khắc phục bao gồm đặt plan_cache_mode=force_custom_plan cho các truy vấn lệch, tắt chuẩn bị ở mức driver (prepare=False), viết lại truy vấn hoặc tạo chỉ mục phần phần trên cột lệch.

Bài này giúp lập trình viên hiểu và giải quyết hiện tượng truy vấn PostgreSQL đột ngột chậm sau lần thực hiện thứ sáu do sự chuyển đổi sang generic plan không phù hợp với dữ liệu không đồng nhất.

Connection Pool Sizing, Measured: Why 48 Connections Beat 400

Bài viết thực nghiệm trên PostgreSQL bằng cách tăng số kết nối từ 1 lên 400 để đo …

LangSmith Engine Improves Agent Issue Detection by 2x

LangSmith Engine là công cụ giám sát và phân tích hành vi của AI agents trong môi trường sản xuất. Bản cập nhật mới đã nâng cấp mô hình phát hiện lỗi bằng cách tích hợp các heuristic mới và cải thiện pipeline phân tích log, từ đó tăng khả năng xác định vấn đề gấp đôi so với phiên bản trước. Kết quả là công cụ không chỉ phát hiện vấn đề chính xác hơn 2 lần mà còn đưa ra các bản vá mạnh mẽ hơn, đồng thời hỗ trợ thông báo tự động qua Slack và tạo ticket trong Linear. Ngoài ra, phiên bản này có thể triển khai tự-hosted, cho phép zespoл kiểm soát dữ liệu bên trong VPC hoặc trung tâm dữ liệu riêng. Điều này cho thấy việc đầu tư vào cải thiện thuật toán phát hiện và tích hợp workflow là chìa khóa để nâng cao độ tin cậy của hệ thống agent trong sản xuất.

LangSmith Engine cải thiện đáng kể khả năng phát hiện và khắc phục sự cố cho agent, đồng thời hỗ trợ nhiều nền tảng triển khai linh hoạt.

LibreDB Studio: an open source, self-hosted SQL IDE for PostgreSQL in the browser

LibreDB Studio là IDE SQL mã nguồn mở, tự host cho PostgreSQL chạy trên trình duyệt, triển …

SQL Indexing Explained: Composite Indexes and Column Order

Bài viết bắt đầu bằng việc tạo bảng comments với 1 triệu bản ghi trong PostgreSQL để đánh giá hiệu suất các chiến lược indexing. Tác giả chạy EXPLAIN ANALYZE trên các truy vấn lọc và sắp xếp theo nhiều cột, đo thời gian thực thi của sequential scan là khoảng 17 ms khi không có index. Khi tạo chỉ mục đơn cột trên cột được dùng trong WHERE, thời gian giảm xuống dưới 2 ms; nhưng chỉ mục hợp thành (c1, c2) chỉ hiệu quả khi thứ tự cột trong chỉ mục khớp với thứ tự sử dụng trong predicate và ORDER BY. Đảo ngược thứ tự cột trong chỉ mục hợp thành khiến planner phải thực hiện index scan kết hợp với recheck hoặc fallback về sequential scan, làm tăng thời gian lên 5‑8 ms tùy thuộc vào selectivity. Bài học là: thiết kế chỉ mục hợp thành cần đặt cột có tính chọn lọc cao hoặc được sử dụng trong điều kiện bằng trước, sau đó mới là cột dùng cho range hoặc sắp xếp, và luôn xác thực bằng EXPLAIN ANALYZE trên dữ liệu thực tế.

Bài viết này giúp lập trình viên tối ưu hóa hiệu suất truy vấn SQL bằng cách giải thích cách tạo và sử dụng chỉ mục composite đúng cách.