Using Herdr from a phone

ClickGap: Autonomous QA for ClickHouse

Bối cảnh: Khi ClickHouse tiếp tục nhận hàng loạt pull request từ cộng đồng, việc đảm bảo chất lượng sau mỗi merge trở thành thách thức lớn. Nguyên nhân kỹ thuật: ClickGap được thiết kế để tự động xem xét các thay đổi đã được merge, chạy lại các test reproducer liên quan và lọc ra các false positive. Hệ quả: Nhờ đó, công cụ có thể xác định chính xác commit nào gây ra hồi quy, giảm đáng kể thời gian debug và tránh việc bỏ lỡ lỗi thực. Điều đáng học: Việc kết hợp phân tích mã thay đổi với thực thi reproducer tự động cho thấy một mô hình QA độc lập có thể mở rộng cho các hệ thống CSDL nguồn mở khác. Kết luận: ClickGap minh họa cách tự động hóa quy trình kiểm tra sau merge không chỉ tăng độ tin cậy mà còn tối ưu hóa quy trình phát hành phần mềm.

ClickGap giúp tự động hóa QA cho ClickHouse bằng cách phát hiện và gán lỗi cụ thể cho từng commit, tiết kiệm thời gian và nâng cao chất lượng codebase.

Domain-Driven Design matters more when AI writes your code

Mô hình miền (domain model) và Ngôn ngữ phổ quát (Ubiquitous Language) càng trở nên quan …

A deep dive into Nurb

Nurb được thiết kế để biến một agent viết mã thành đối tác CAD thực tế, cho phép các nhà phát triển làm việc trực tiếp trong môi trường mô hình 3D. Nó sử dụng các thành phần Python để tạo và thao tác hình học, đồng thời dựa trên nhân OCCT để xây dựng các thể rắn chính xác. Trong quá trình làm việc, hệ thống thực hiện kiểm tra trực tiếp và đo lường để phát hiện sớm các lỗi hoặc sai lệch về kích thước. Kết quả cuối cùng được xuất ra định dạng 3MF, giúp duy nhất dữ liệu mô hình và dễ dàng chia sẻ với các công cụ CAD khác. Từ đây ta học được rằng sự kết hợp giữa ngôn ngữ scripting linh hoạt và nhân mô hình rắn mạnh mẽ, cùng với việc áp dụng tiêu chuẩn xuất bản mở, có thể tạo ra quy trình thiết kế tự động hóa và đáng tin cậy.

Bài này giúp lập trình viên hiểu cách Nurb biến một agent lập trình thành đối tác CAD hiệu quả.

From Prediction to Action: How to Turn AI Outputs Into Decisions

Khi các mô hình AI chỉ trả về xác suất hoặc điểm số, các đội ngũ tại Salesforce cần biến chúng thành quyết định có thể thực hiện ngay trong ứng dụng kinh doanh. Họ thực hiện điều này bằng cách kết hợp model signals (xác suất, độ tin cậy) với business logic được viết dưới dạng quy tắc Apex, đồng thời đưa vào contextual knowledge từ bản ghi khách hàng và lịch sử tương tác. Kết quả là một pipeline quyết định nơi AI agents đề xuất hành động tiếp theo, còn MCP (Model Confidence Processor) lọc bỏ những dự đoán dưới ngưỡng tin cậy để giảm thiểu sai lệch. Quá trình này cho thấy việc đưa ra hành động từ AI không chỉ phụ thuộc vào mô hình mà còn cần sự đồng bộ giữa tín hiệu mô hình, quy tắc nghiệp vụ và bối cảnh thực tế. Việc tích hợp lớp này giúp nâng cao độ phù hợp của quyết策 và giảm nhu cầu can thiệp thủ công từ người dùng.

Bài này giúp lập trình viên biết cách chuyển hóa dự đoán AI thành quyết định hành động thực tế trong hệ thống Salesforce.

From dotnet run to Foundry Hosted Agent in 3 lines of C#

Bài viết giới thiệu cách Microsoft Foundry Hosted Agents cho phép đưa một ứng dụng console dựa trên Microsoft Agent Framework lên Azure chỉ bằng việc thêm một gói NuGet (Microsoft.Agents.AI.Foundry.Hosting), viết ba dòng C# và chạy hai lệnh azd (azd provision, azd deploy). Lớp hosting được quản lý tự động xử lý mở rộng compute, lưu trạng thái phiên, cung cấp danh tính Microsoft Entra riêng, endpoint /responses tương thích OpenAI, telemetry qua Application Insights, công cụ đánh giá agent và phiên bản không thể thay đổi để rollback. Khi chạy local, developers có thể kiểm tra bằng azd ai agent run/invoke trước khi triển khai sản xuất, đồng thời sử dụng extension VS Code (Microsoft Foundry Toolkit) để tự động tạo mã, debug và deploy. Khi đã sẵn sàng, chỉ cần azd deploy để đưa ứng dụng lên môi trường production, với khả năng mở rộng và quản lý phiên bản liền mạch. Điều đáng học là việc tích hợp Foundry Hosted Agents giảm đáng kể độ phức tạp triển khai agent AI xuống chỉ ba dòng mã và hai lệnh CLI, cho phép tập trung vào logic nghiệp vụ thay vì infrastructur.

Tìm hiểu cách triển khai ứng dụng console framework Agent lên Azure chỉ với một gói NuGet và ba dòng C#.

Agents on Rails: lemans goes open source

Agents on Rails đang phát triển và vừa công bố rằng lemans – hệ thống harness tạo ra mọi con số đã công bố – hiện đã được mã nguồn mở. Đây là bước tiến quan trọng vì lemans trước đây là thành phần nội bộ dùng để đo lường và so sánh hiệu suất của các mô hình AI. Đồng thời nhóm đã chạy thử bốn mô hình mới: Sonnet 5, Terra, một phiên bản Qwen có trọng lượng mở cho phép chạy trên máy cá nhân, và một mô hình không muốn tiết lộ tên. Với lemans mã nguồn mở, cộng đồng có thể tái tạo, mở rộng và tích hợp các bài kiểm tra này vào quy trình của riêng mình. Bài học là việc công khai công cụ đo lường và chia sẻ mô hình mở trọng lượng giúp tăng độ minh bạch và tăng tốc độ đổi mới trong lĩnh vực AI agents.

Lập trình viên nên đọc bài viết này để cập nhật về công nghệ Agents on Rails và nguồn mở của lemans, cũng như khám phá các mô hình AI mới như Sonnet 5, Terra và Qwen.

Knowledge Graph as context for LLMs: demonstrating decisive RCA and faster production performance

Việc hỗ trợ gỡ lỗi bằng AI đang trở thành nhu cầu quan trọng khi hệ thống sản xuất ngày càng phức tạp. Trong thử nghiệm ban đầu, đội ngũ Grafana Cloud đã tích hợp Knowledge Graph làm bối cảnh bổ sung cho các mô hình LLM trong quy trình chẩn đoán lỗi. Kết quả cho thấy thời gian xác định nguyên nhân gốc (RCA) giảm đáng kể và thời gian khôi phục dịch vụ sản xuất tăng tốc đáng kể so với việc chỉ dùng LLM đơn thuần. Điều này cho thấy rằng việc cung cấp ngữ cảnh có cấu trúc qua Knowledge Graph giúp LLM hiểu rõ hơn về mối quan hệ giữa các thành phần hệ thống. Từ đó, bài học là khi triển khai AI hỗ trợ debugging, đầu tư vào xây dựng và kết nối Knowledge Graph sẽ mang lại lợi ích thực về tốc độ và độ chính xác.

Bài viết này chứng minh cách Knowledge Graph giúp lập trình viên chẩn đoán lỗi nhanh hơn và cải thiện hiệu suất sản xuất.