When Should You Raise an Exception in Ruby?

Learn Vectorized Thinking in Python Through Examples

Bài viết giải thích tại sao vòng lặp Python thường chậm khi xử lý dữ liệu lớn và giới thiệu cách thay thế bằng các phép toán vector hóa của NumPy. Nó trình bày từng kỹ thuật như phép toán phần tử, masking boolean, broadcasting giữa các hình dạng mảng và tổng hợp theo trục, kèm ví dụ song song giữa mã loop và mã vector hóa cho thuế, cảnh báo nhiệt độ, chuẩn hoá CTR chiến dịch và tính lương làm thêm. Các thí nghiệm cho thấy việc sử dụng NumPy có thể cải thiện đáng kể thời gian thực thi so với vòng lặp thuần Python. Bài cũng đưa ra danh sách kiểm tra để nhanh chóng nhận diện các vòng lặp có thể được vector hóa, giúp lập trình viên tối ưu hoá mã mà không thay đổi logic. Kết luận, việc áp dụng tư duy vector hóa không chỉ làm mã ngắn gọn hơn mà còn nâng đáng kể hiệu suất, đặc biệt khi làm việc với mảng đa chiều và các điều kiện phức tạp.

Bài viết này giúp lập trình viên Python tối ưu hóa hiệu suất bằng cách thay thế vòng lặp chậm bằng các thao tác vector hóa của NumPy.

Python 3.15 Preview: Sampling Profiler Quiz – Real Python

Python 3.15 preview đưa ra một sampling profiler mới được tích hợp vào bản phát hành để hỗ trợ đo lường hiệu suất mà không cần thay đổi mã. Profiler hoạt động ở hai chế độ – CPU (lấy mẫu dựa trên thời gian CPU thực) và GIL (lấy mẫu khi luồng giữ GIL), cho phép chọn mức độ chi tiết tùy thuộc vào workload đa luồng hoặc đơn luồng. Người dùng có thể tạo flame graphs và heatmaps trực tiếp từ dữ liệu lấy mẫu, đồng thời có thể đính kèm profiler vào một tiến trình đang chạy để phân tích vấn đề hiệu suất thực tế mà không cần khởi động lại. Việc hiểu sự khác biệt giữa hai chế độ lấy mẫu giúp lập trình viên chọn công cụ phù hợp – CPU mode cho phân tích tổng thời gian thực thi, GIL mode để xác định điểm cạnh tranh về lock trong các ứng dụng đa luồng. Kết hợp với khả năng xuất dữ liệu định dạng phổ biến như Speedscope hoặc perfetto, sampling profiler này trở thành một công cụ nhanh chóng, ít can thiệp để tối ưu hoá mã Python 3.15.

Bài viết này giúp lập trình viên nắm vững công cụ profiling mới trong Python 3.15 để tối ưu hóa hiệu năng ứng dụng.

#493: CalVer and LTS

Các dự án Python đang thảo luận về việc chuyển từ SemVer sang CalVer – phiên bản dựa trên năm và tháng (ví dụ 2024.09) để làm cho chu kỳ phát hành trở nên dễ dự đoán hơn. Nguyên nhân kỹ thuật là nhóm phát triển muốn giảm sự nhầm lẫn khi người dùng cần biết bản bản nào mới nhất và khi nào sẽ hết hạn hỗ trợ. Hậu quả của việc áp dụng CalVer kèm LTS (Long Term Support) là các bản bản được đánh dấu sẽ nhận bảo trì bảo mật và sửa lỗi trong một khoảng thời gian dài, thường là ba năm, giúp các doanh nghiệp lên kế hoạch nâng cấp mà không lo ngại về sự thay đổi đột ngột. Điều đáng học là trước khi przyję CalVer, nhóm cần đánh giá tần suất phát hành thực tế của mình và xác định mức độ cam kết hỗ trợ LTS phù hợp với tài nguyên có sẵn. Nếu dự án của bạn không có đủ lực lượng để duy trì các bản LTS dài hạn, việc giữ SemVer có thể vẫn là lựa chọn an toàn hơn.

Bài viết này giúp lập trình viên hiểu rõ hơn về CalVer và LTS - hai khái niệm quan trọng trong quản lý phiên bản phần mềm.

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 …

A fresh look at Hanami

Nhiều lập trình viên Ruby đã quen thuộc với Rails nhưng muốn tìm kiếm framework nhẹ, có cấu trúc rõ ràng hơn để phát triển ứng dụng web. Hanami (đříve gọi là Lotus) được thiết kế dựa trên kiến trúc mô-đun, tách riêng lớp giao diện, logic nghiệp vụ và persistence, sử dụng các gem như dry‑system, rom‑rb và Sequel để giảm sự phụ thuộc vào Rails. Khi thử nghiệm nhanh, tác giả thấy Hanami cho phép khởi động ứng dụng trong ít giây, cấu hình route rõ ràng và mã nguồn dễ kiểm thử đơn vị mà không cần tải toàn bộ stack Rails. Bài viết nhấn mạnh rằng nếu dự án cần hiệu suất cao, sự linh hoạt trong việc chọn ORM hoặc muốn tránh magie của Rails, Hanami là một lựa chọn đáng cân nhắc, nhưng cần đầu tư thời gian học hỏi hệ sinh thái dry‑rb và rom. Do đó, nếu bạn là lập trình viên Ruby đang suy nghĩ mở rộng công cụ ngoài Rails, đọc bài gốc sẽ cung cấp cái nhìn thực tế về ưu điểm và giới hạn của Hanami qua kinh nghiệm thực tế ngắn gọn của tác giả.

Bài viết này giúp lập trình viên Ruby khám phá lựa chọn thay thế sáng tạo và nhẹ nhàng cho Rails.

Announcing Open Knowledge Compiler: a compiler for the Open Knowledge Format

Open Knowledge Compiler (OKC) là trình biên dịch mới chuyển đổi dữ liệu thô thành Open Knowledge Format (OKF), tạo ra một cơ sở tri thức sống, truy vấn được và đọc được bởi agent.

Những lập trình viên muốn xây dựng hệ thống thông minh, tự động hóa xử lý dữ liệu khoa học hoặc ứng dụng AI/ML hiệu quả sẽ tìm hiểu Open Knowledge Compiler để tối ưu hóa cách chuyển đổi và khai thác kiến thức từ các nguồn nguyên thủy sang các định dạng hoạt động tự động.

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.