[Video] Office Hours: Open Q&A for Microsoft Databases

Evaluating LLM models for DBA tasks

Một hệ thống đánh giá tùy chỉnh kiểm tra khả năng của các LLM khi đóng vai DBA tự động, thực hiện nhiệm vụ quản trị cơ sở dữ liệu như cài đặt MySQL/Percona Server và cấu hình replication trên máy chủ từ xa. Kết quả thử nghiệm với các mô hình Qwen, Kimi, GLM, DeepSeek, Gemma và Muse Glimmer cho thấy hầu hết đều hoàn thành thành công nhiệm vụ, với các mô hình nhỏ hơn thường đạt hiệu quả tương đương các mô hình lớn hơn chỉ bằng một phần mười chi phí nhưng cần thêm bước thực hiện. Khi thử nghiệm với yêu cầu phiên bản không tồn tại, hầu hết mô hình sẽ thay thế bằng phiên bản gần nhất có sẵn trong khi một mô từ chối cài đặt, cho thấy tầm quan trọng của guardrails khi các mô hình tự ra quyết định trong tự động hóa hạ tầng.

Bài này tiết lộ cách các mô hình LLM có thể hoạt động như DBA tự động, giúp bạn tiết kiệm chi phí đáng kể khi quản trị cơ sở dữ liệu.

Every Database Has These Seven Tables

Bất kỳ công ty nào trên thế giới cũng đều có chung bảy bảng cơ bản trong production …

Why DuckDB 2.0 is faster

DuckDB 2.0 mang lại hiệu suất vượt trội với recursive CTEs nhanh hơn tới 90x so với phiên …

Eloquent Performance and Database Design: Evidence Before Eager Loading

Bài viết phân tích hiệu năng Eloquent trong Laravel, tập trung vào phát hiện N+1 queries …

Filtering EF Core by a Large List: The 2,100 Parameter Wall

EF Core 10 đã thay đổi cách thức hàm Contains gửi danh sách đến SQL Server với giới hạn 2,100 parameter, vượt qua ngưỡng này sẽ gây lỗi. Nguyên nhân kỹ thuật nằm ở SQL Server limiting number of parameters trong một câu lệnh. Hệ quả là query thất bại khi danh sách filter vượt quá 2,100 mục. Bạn có thể giải quyết bằng kỹ thuật SplitQuery hoặc AsEnumerable() nhưng cần benchmark để chọn phương án tối ưu cho trường hợp cụ thể.

Bài này giúp lập trình viên hiểu và giải quyết vấn đề giới hạn tham số khi lọc Entity Framework Core với danh sách lớn.

Scaling Down Costs, Not Performance: How We Migrated from Couchbase to PostgreSQL

Trendyol xử lý hàng triệu sự kiện và giao dịch mỗi ngày và trước đây dựa vào Couchbase làm kho dữ liệu chính. Khi chi phí cấp phép và vận hành Couchbase tăng theo mức sử dụng, đội ngũ quyết định tìm giải pháp thay thế mã nguồn mở để giảm chi phí mà không làm giảm hiệu suất. Họ đã thiết kế lại mô hình dữ liệu, chuyển các truy vấn và bộ đệm sang PostgreSQL, sử dụng partitioning và indexing tối ưu để duy trì thời gian phản hồi ở mức mili giây. Sau khi hoàn tất migration, chi phí hạ tầng đã giảm đáng kể trong khi latency trung bình vẫn ổn định ở mức trước khi thay đổi. Bài viết nhấn mạnh bài học quan trọng: trước khi thay đổi công nghệ cần đo lường rõ ràng cả chi phí và chỉ số hiệu suất để đảm bảo quyết định mang lại lợi ích thực tế.

Bài viết này cho thấy cách giảm chi phí cơ sở dữ liệu mà không làm giảm hiệu suất thông qua việc di chuyển từ Couchbase sang PostgreSQL.

Is Prisma 8 Ready for Long-Lived Production Apps?

Bối cảnh: Prisma 8 đang là chủ đề bàn luận trong các cộng đồng lập trình với những lo ngại về khả năng triển khai trong các ứng dụng sản phẩm lâu dài. Nguyên nhân kỹ thuật: Lead developer của Prisma 8 giải quyết ba vấn đề chính từ Reddit discussion: kiến trúc mới, động lực thương mại của Prisma, và liệu migration model có che đi SQL hay không. Hệ quả: Những giải đáp này giúp làm rõ hướng phát triển của Prisma và tăng cường niềm tin của lập trình viên khi cân nhắc sử dụng framework cho các dự án lớn. Điều đáng học: Người dùng nên chú ý đến cách Prisma cân bằng giữa trừu tượng hóa SQL và cung cấp quyền kiểm soát trực tiếp khi cần thiết.

Bài này giải đáp ba mối quan trọng về Prisma 8 giúp lập trình viên đánh giá khả năng triển khai ứng dụng sản xuất lâu dài.

We Fixed N+1 With Eager Loading. Memory Usage Tripled.

Bài viết mô tả việc đội phát triển gặp vấn đề N+1 khi truy vấn danh sách đối tượng và quyết định áp dụng eager loading để giảm số lượng query. Sau khi bật eager loading, tổng số query giảm từ 801 xuống chỉ một câu SQL duy nhất. Tuy nhiên, câu query duy nhất này trả về lượng dữ liệu lớn hơn khả năng bộ nhớ của ứng dụng, khiến mức sử dụng RAM tăng lên gấp ba lần so với trước khi tối ưu. Kết quả là, mặc dù hiệu suất về số lượng query cải thiện, ứng dụng dễ gặp lỗi out‑of‑memory hoặc trễ do việc xử lý khối dữ liệu lớn. Bài học là khi tối ưu N+1 cần cân bằng giữa giảm query và kiểm soát lượng dữ liệu được tải, ví dụ qua việc chọn trường cụ thể, sử dụng pagination hoặc batch loading thay vì eager loading toàn bộ liên kết.

Bài viết này dạy bài học quý giá rằng tối ưu hóa database không lúc nào cũng tốt nếu không cân nhắc đến giới hạn tài nguyên hệ thống.