Why Code Verification Matters More Than Ever in the Age of AI

Introducing mirrord Chaos Testing

Khi phát triển dịch vụ microservice, việc kiểm tra khả năng chịu lỗi thường đòi hỏi môi trường staging riêng và có thể ảnh hưởng đến các team khác. mirrord Chaos Testing cung cấp công cụ cho phép desenvol viên inject lỗi kết nối tới bất kỳ dependency nào (database, API, message queue…) chỉ bằng một lệnh hoặc cấu hình đơn giản. Công việc này diễn ra trong quá trình chạy local hoặc trong container dev, không cần triển khai môi trường riêng và không làm gián đoạn việc làm việc của các thành viên khác. Nhờ đó,团队 có thể quan sát ngay cách mã nguồn phản hồi khi kết nối bị ngắt, timeout hoặc trả về lỗi, từ đó phát hiện các đường đi xử lý ngoại lệ chưa được покрыть. Kết quả là có thể cải thiện độ tin cậy của dịch vụ mà không tốn chi phí cho môi trường test phức tạp, và áp dụng được ngay trong quy trình CI/CD nếu muốn.

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.

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 …

Agentic Code Quality

Bối cảnh: Sự tăng trưởng của các AI agent như GitHub Copilot, Amazon CodeWhisperer đang thay đổi quy trình viết và đánh giá mã nguồn. Nguyên nhân kỹ thuật: Chất lượng mã hiện nay không chỉ do mô hình ngôn ngữ lớn quyết định mà còn do các ràng buộc được đặt xung quanh agent, bao gồm thiết kế prompt, bộ lọc output và các quy trình kiểm tra tự động. Hệ quả: Khi các ràng buộc này được áp dụng một cách nhất quán, nhóm phát triển quan sát được giảm đáng kể số lỗi logic và cảnh báo bảo mật; ngược lại, thiếu ràng buộc làm tăng nguy cơ đưa mã không an toàn vào sản xuất. Điều đáng học: Để duy trì chất lượng code trong môi trường agent‑driven, nhóm cần đầu tư vào xây dựng hệ thống ràng buộc rõ ràng và liên tục xem xét hiệu quả của chúng thay vì chỉ dựa vào sức mạnh của mô hình AI.

Đây là hướng dẫn thiết yếu để kiểm soát chất lượng code trong kỷ nguyên AI agents.

Building Agentic QA Pipelines with Browser Automation and .NET

Bài viết mô tả cách xây dựng pipeline QA tự động (agentic) bằng cách kết hợp Playwright cho .NET với các AI agent để thực hiện kiểm thử trên trình duyệt. Giải thích kỹ thuật về việc sử dụng Playwright để điều khiển trình duyệt, đồng thời duy trì bộ nhớ agent (agent memory) để lưu trạng thái giữa các bước test và điều khiển công cụ (tool control) như click, fill, assert. Đề cập đến việc đặt giới hạn thực thi (execution limits) – ví dụ timeout và số lần thử lại – để tránh test treo và đảm bảo pipeline ổn định khi chạy trong CI/CD. Đồng thời chia sẻ các best practice trong testing như tách biệt test data, sử dụng fixture, và ghi log chi tiết để dễ debug khi agent gặp lỗi. Kết luận cho thấy việc áp dụng mô hình này giúp giảm thời gian kiểm thử thủ công và tăng độ tin cậy của các test end‑to‑end, do đó đáng để đọc nếu bạn đang cân nhắc tích hợp AI vào quy trình QA của dự án .NET.

Bài viết này sẽ giúp bạn xây dựng hệ thống QA tự động thông minh với Playwright và .NET, tích hợp AI để kiểm thử hiệu quả.

Thoughts on LLMs

Nghiên cứu viên hệ thống phân tán đã dành hai năm viết về LLM và tổng hợp một chỉ mục các bài viết liên quan. Ông cho rằng LLM nổi bật ở việc tạo ra lượng lớn output “trung bình” – nhìn ấn tượng đối với người không chuyên nhưng chỉ đủ mức độ cho những người có kiến thức chuyên môn (hiện tượng Gell‑Mann amnesia). Nhờ khả năng này, LLM rất hữu ích để giảm tải công việc thường ngày và duy trì động lực làm việc, đặc biệt đối với người có ADHD, trong khi suy nghĩ thực sự, viết và lập kế hoạch vẫn diễn ra trong Emacs. Ngoài ra, ông còn liệt kê các bài viết nơi AI giao thoa với nghiên cứu phương pháp formal và hệ thống, bao gồm kiểm tra mô hình, workshop TLA+ và nghiên cứu về năng suất coding AI. Bài học chính là coi LLM như công cụ hỗ trợ cho công việc lặp lại, không thay thế cho tư duy sâu sắc và chuyên môn cần thiết trong nghiên cứu hệ thống và phương pháp formal.

Bài này giúp lập trình viên cân bằng cách sử dụng LLM hiệu quả cho công việc lặp lại mà vẫn giữ được tư duy sáng tạo sâu trong chuyên môn.

Fast and Hard Code

LLM đang thay đổi cách lập trình viên chọn ngôn ngữ khi viết code, vì chúng tạo ra đoạn mã nhanh hơn trong các ngôn ngữ bậc cao như Python và JavaScript. Nguyên nhân kỹ thuật là các mô hình đã được huấn luyện chủ yếu trên kho mã nguồn mở dominer bởi những ngôn ngữ này, khiến chúng hiểu và sinh ra cú pháp chính xác hơn so với C++ hoặc Rust. Khi dựa vào LLM, nhóm phát triển có xu hướng ưu tiên các ngôn ngữ mà mô hình hỗ trợ tốt, dù chúng có thể không tối ưu về thời gian thực hiện hoặc mức tiêu thụ bộ nhớ. Hệ quả là các dự án cần hiệu suất cao có thể bị lãng phí thời gian do việc dịch sang ngôn ngữ thấp hơn trở nên khó khăn và tốn lực. Bài học là trước khi quyết định ngôn ngữ, cần cân bằng giữa mức độ hỗ trợ của LLM và yêu cầu về hiệu suất thực tế của sản phẩm.

Bài viết này giúp lập trình viên hiểu cách lựa chọn ngôn ngữ lập hiệu quả khi làm việc với các mô hình ngôn ngữ lớn (LLM).

Stop burning tokens on code review

Tác giả chia sẻ cách xây dựng hệ thống giúp con người và AI triển khai sản phẩm nhanh chóng nhưng an toàn bằng cách sử dụng custom linters.

Lập trình viên nên đọc bài này để khám phá cách tối ưu hóa quá trình code review bằng cách sử dụng các công cụ linter cá nhân, giúp giảm thiểu việc tiêu thụ token (vốn AI) không cần thiết và tăng hiệu suất phát triển an toàn.