Week 11 of #100DaysOfCode: Learning and Building Microservices with Spring Boot

Microservices Are Not a Sign You’re a Senior Engineer

Bài viết chỉ ra hiện tượng coi số lượng dịch vụ microservices như dấu hiệu của kinh nghiệm …

Agentic WMS — Part 1: Where AI Agents Add Value

Bài viết mô tả một dự án thử nghiệm sử dụng tình huống logistics quen thuộc để xem cách một AI agent có thể được tích hợp vào quy trình làm việc thực tế của một hệ thống quản lý kho (WMS). Trong phần đầu, tác giả trình bày bối cảnh WMS và xác định các điểm mà AI agent có thể tạo ra giá trị, như tối ưu hóa việc theo dõi hàng tồn và cảnh báo thiếu hàng. Phần tiếp theo sẽ xác định và kết nối agent bằng Java cùng với framework Spring AI để cho agent truy cập dữ liệu và thực hiện các hành động tự động. Cuối cùng, phần thực thi sẽ thu thập bối cảnh, đưa ra quyết định bổ hàng và thực hiện hành động khi cần thiết. Từ đó, bài học chính là việc xác định rõ vai trò cụ thể của AI agent trong luồng công việc logistics giúp tập trung nỗ lực phát triển vào những nơi mang lại lợi ích đo lường được.

Bài viết giúp hiểu cách AI Agent tích hợp vào quy trình thực tế và tạo giá trị trong hệ thống WMS.

Did Your AI Agent Run the Debugger? One JVM Bug, Two Agent Runs

Nhiều lập trình viên Java thường bật debugger mà không suy nghĩ tới tác động phụ của nó. Trong trường hợp được mô tả, một lỗi trong JVM khiến công cụ debug được gọi hai lần khi AI agent thực hiện kiểm thử thất bại. Khi breakpoint được đặt, agent chạy test, xem biến và sau đó quyết định sửa lỗi, nhưng do lỗi JVM agent thực hiện hai lần chạy debug liên tiếp. Điều này dẫn đến lãng phí thời gian xử lý và có thể làm thay đổi trạng thái ứng dụng mà không mong muốn. Bài viết nhắc nhở nhóm phát triển cần kiểm tra cách công cụ debug tương tác với môi trường chạy, đặc biệt khi sử dụng tự động hóa hoặc AI agent để tránh chạy lặp lại không cần thiết.

Bài viết này giúp lập trình viên Java hiểu được cách JVM chạy trình gỡ lỗi khi sử dụng AI agent.

No Database Operations Found: What Writing a Spring Boot Analyzer Taught Me About Spring

Bạn đang tìm hiểu Spring Boot nhưng gặp khó khăn khi theo dõi luồng dữ liệu giữa các endpoint? Tác giả đã xây dựng một static analyzer trong 4 tháng để giải quyết vấn đề này. Công cụ phân tích tĩnh của anh ấy quét toàn bộ codebase Spring Boot, phát hiện ra 30% trường hợp truy cập database không được ghi nhận trong annotation như @Transactional. Sau khi chạy thử nghiệm trên 12 dự án mã nguồn mở, kết quả cho thấy 65% lỗi tiềm ẩn liên quan đến việc thiếu truy vấn database trong luồng xử lý. Điều đáng chú ý là Spring Data JPA thường ẩn đi các truy vấn N+1, khiến developer không nhận ra hiệu suất kém. Nếu bạn đang cân nhắc đọc bài gốc, hãy xem xét kỹ thuật static analysis kết hợp với Spring AOP để hiểu sâu hơn về luồng dữ liệu trong ứng dụng.

Bài viết chia sẻ kinh nghiệm quý báu về phân tích code Spring Boot qua dự án xây dựng static analyzer giúp theo dõi tác động khi thay đổi endpoint.

Software architecture patterns: Full catalog & how to choose

Bài viết mô tả bối cảnh khi các đội ngũ phát triển cần quyết định kiến trúc phù hợp để hỗ trợ sự mở rộng và thay đổi nhanh. Nguyên nhân kỹ thuật được phân tích qua so sánh 12 mẫu kiến trúc – layered, microservices, event-driven, CQRS, serverless và các biến thể khác – dựa trên dữ liệu từ các cuộc di chuyển thực tế trong doanh nghiệp. Hệ quả của mỗi mẫu được thể hiện qua các chỉ số như thời gian triển khai, mức độ phức tạp vận hành, chi phí infrastruct và khả năng mở rộng theo chiều ngang. Điều đáng học là không có mẫu nào “tốt nhất” toàn diện; việc lựa chọn phải cân bằng giữa nhu cầu về độ độc lập dịch vụ, đội ngũ có kinh nghiệm DevOps và ngân sách vận hành. Do đó, trước khi đọc bài gốc, lập trình viên nên xác định ưu tiên cụ thể của dự án (ví dụ: cần xử lý sự kiện thời gian thực hay cần giảmภาระ quản lý server) để áp dụng phần so sánh hiệu quả nhất.

Bài viết này giúp lập trình viên so sánh và lựa chọn kiến trúc phần mềm phù hợp thông qua 12 mẫu phổ biến với ưu nhược điểm từ thực tế.

Introducing mirrord Chaos Testing

Bối cảnh: Khi phát triển dịch vụ microservice, các team thường gặp khó khăn mô phỏng lỗi mạng mà không ảnh hưởng tới môi trường chung hoặc cần triển khai môi trường staging đắt costo. Nguyên nhân kỹ thuật: mirrord Chaos Testing hoạt động bằng cách chèn vào quá trình‑local, bắt các kết nối TCP/UDP tới các dependency và cho phép inject lỗi như mất kết nối, latency hoặc gói tin lỗi ngay khi cần. Hệ quả: Entwickler có thể quan sát ngay cách ứng dụng phản hồi – từ việc fallback, retry cho tới crash – mà không cần triển khai môi trường staging riêng hoặc lo ảnh hưởng tới các team khác. Điều đáng học: Công cụ cho thấy việc thực hiện chaos testing theo yêu cầu, nhẹ weight và isolates giúp phát hiện sớm các lỗi xử lý lỗi mà không tốn chi phí môi trường phức tạp, từ đó nâng cao độ tin cậy trước khi deploy. Các benchmark trong bài cho thấy mức overhead trung bình dưới 5% khi không kích hoạt fault, nên có thể bật liên tục trong quá trình dev mà không làm chậm đáng kể.

mirrord Chaos Testing giúp bạn phát hiện điểm yếu trong hệ thống của mình một cách an toàn và tiện lợi bằng cách mô phỏng các sự cố kết nối trong môi trường thực tế.

One Flag, Two Checkpoints: How a Canceled Upload Reported Success

Khi một job upload bị hủy, hệ thống vẫn ghi nhận trạng thái thành công. Nguyên nhân nằm ở một dead flag còn tồn tại và một swallowed interrupt bị nuốt, khiến hai checkpoint được ghi lại. Điều này khiến việc báo cáo upload thành công dù không thực sự hoàn thành. Bài học là cần kiểm tra trạng thái và xử lý gián đoạn một cách chính xác để tránh hiểu lầm. Nếu bạn đang cân nhắc đọc bài gốc, hãy chú ý đến cách họ quản lý flag và checkpoint.

Bài này giúp bạn hiểu rõ nguyên nhân dẫn đến lỗi báo cáo thành công khi upload bị hủy trong hệ thống xử lý file.