Why More MCP Tools Can Make an AI Agent Less Useful

NVIDIA Nemotron 3 Ultra: 10x cheaper than GPT-4o

NVIDIA vừa ra mắt Nemotron 3 Ultra, mô hình open weights với khả năng xử lý 1M token context, chi phí chỉ bằng 1/10 so với GPT-4o trên các benchmark agent. Sự chênh lệch giá này đến từ kiến trúc tối ưu và chiến lược cloud hosting của NVIDIA, cho phép người dùng tải weights, tự host và fine-tune hoàn toàn. Hệ quả là lập trình viên có thể triển khai Nemotron 3 Ultra với chi phí thấp đáng kể mà không phụ thuộc vào API trả phí của các dịch vụ đám mây. Bài này đáng đọc nếu bạn đang tìm kiếm một giải pháp LLM tiết kiệm chi phí, đặc biệt khi xây dựng các ứng dụng agent cần context window lớn.

NVIDIA Nemotron 3 Ultra mang đến lựa chọn AI mở với chi phí chỉ 1/10 GPT-4o, cho phép lập trình viên tự lưu trữ và tinh chỉnh mô hình.

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 …

gRPC-Web Failed the Web · Buf

gRPC-Web được ra đời để cho phép các ứng dụng trình duyệt gọi dịch vụ gRPC mà không cần …

Microservices and GenAI in 2026: my Dear Architects conversation

Chris Richardson trong buổi trò chuyện Dear Architects với Luca Mezzalira giải thích tại sao nhiều doanh nghiệp vẫn xây dựng hệ thống big ball of mud. Nguyên nhân kỹ thuật là distributed monolith hiện ra qua dấu hiệu như quá nhiều dịch vụ mỗi nhà phát triển, phát hành lockstep và không có tăng tốc độ, cùng với khung dark energy và dark matter để xác định ranh giới dịch vụ. Khi sử dụng GenAI coding agents, các yếu tố cơ bản như phản hồi nhanh, kiểm thử tự động và kết nối lỏng lẻo trở nên quan trọng hơn vì cần có bảo vệ và vòng phản hồi nhanh để tránh tạo mã chết hoặc tài liệu ảo; đồng thời ông nghi ngại về hiện đại hóa di sản nhanh bằng AI, khuyến nghị dùng Strangler Fig thay vì viết lại toàn bộ, và nêu lo ngại về mệt mỏi từ lập trình đôi với AI, tác động của GenAI đến mô hình kinh doanh mã nguồn mở và khả năng phát triển theo spec trở lại mô hình waterfall. Điều đáng học là các kiến trúc sư nên tập trung vào cơ sở vững chắc (feedback nhanh, kiểm thử tự động, coupling lỏng) trước khi áp dụng AI, và cân nhắc cách tiếp cận Strangler Fig để thay đổi hệ thống cũ thay vì viết lại toàn bộ. Bài học còn nhắc nhở việc giám sát mệt mỏi từ lập trình đôi với AI và đánh giá tác động của GenAI đến kinh doanh mã nguồn mở để tránh quyết định dựa trên xu hướng mà không có căn cứ thực tiễn.

Bài viết này giúp lập trình viên hiểu rõ cách kết hợp Microservices và GenAI trong tương lai, tránh các cạm bẫy kiến trúc phân mòn và tận dụng AI một cách hiệu quả.

MCP Gateway for AI Agents: Connecting AI Agents to SaaS Tools Without Sharing Your Credentials using DigitalOcean Action Gateway

Bối cảnh: Khi AI agent cần truy cập các công cụ SaaS như GitHub, Jira hoặc Postgres, việc cung cấp trực tiếp thông tin đăng nhập gây rủi ro bảo mật. Nguyên nhân kỹ thuật: DigitalOcean Action Gateway hoạt động như một MCP gateway được quản lý trung tâm, giữ lại các credential của GitHub, Jira và Postgres nên agent chỉ nhận được token tạm thời hoặc không bao giờ thấy mật khẩu gốc. Hệ quả: Với một gateway duy nhất, nhà phát triển chỉ cần gửi một pull request được hợp nhất để kết nối agent với tất cả các dịch vụ, giảm thiểu rò rỉ credential và đơn giản hoá quy trình triển khai. Một MCP gateway được quản lý và một pull request được hợp nhất là đủ để triển khai toàn bộ kết nối. Điều đáng học: Sử dụng một gateway credential tập trung không chỉ bảo vệ thông tin nhạy cảm mà còn giảmภาระ vận hành khi mở rộng tích hợp cho nhiều agent khác nhau.

Bài viết này giải thích cách kết nối AI agent với công cụ SaaS mà không cần chia sẻ thông tin xác thực, giúp bảo mật dữ liệu và tăng hiệu quả lập trình.

How we closed 1,500 GitHub issues in one month

Bối cảnh: Next.js đang đối mặt với một backlog lớn hơn 1.500 issue trên GitHub, nhiềuissue đã mở hơn sáu tháng và chưa có phản hồi. Nguyên nhân kỹ thuật: đội ngũ đã triển khai một agent dựa trên mô hình ngôn ngữ lớn để tự động đọc, phân loại và gán nhãn cho các issue cũ, đồng thời đề xuất các bước khắc phục dựa trên lịch sử commit và tài liệu. Hệ quả: trong vòng một tháng agent giúp đóng hơn 1.500 issue, giảm tỷ lệ issue stale xuống dưới 5% và giải phóng khoảng 200 giờ làm việc cho các nhà phát triển để tập trung vào tính năng mới. Điều đáng học: việc kết hợp agent tự động với xem xét thủ công của con người cho phép mở rộng quy trình triage mà không hy sinh chất lượng, và việc theo dõi phản hồi từ agent là cần thiết để tránh nhầm lẫn. Điều này cho thấy đầu tư vào công cụ tự động hóa issue tracking có thể mang lại lợi ích rõ ràng về tốc độ và spirit của dự án mã nguồn mở.

Bài viết này giúp lập trình viên hiểu cách Next.js team xử lý backlog hiệu quả bằng sử dụng agent AI.

The context layer that makes or breaks AI agents

Bài viết chỉ ra rằng nhiều dự án AI agent thất bại vì việc cắt bớt context và mất trạng thái phiên làm việc khi mô hình không thể duy trì đủ thông tin cần thiết trong mỗi lượt suy luận. Nguyên nhân kỹ thuật nằm ở việc tách biệt các thành phần bộ nhớ ngắn hạn, hệ thống truy xuất, cache và dữ liệu thời gian thực, dẫn đến việc mỗi thành phần hoạt động độc lập và dễ gây ra sự không nhất quán. Khi context bị cắt ngắn hoặc trạng thái phiên bị mất, agent thường sinh ra phản hồi sai lệch, quên lịch sử trò chuyện hoặc không thể truy cập dữ liệu mới nhất, làm giảm độ tin cậy và trải nghiệm người dùng. Bài viết đề xuất giải pháp là xây dựng một lớp context thống nhất, trong đó bộ nhớ, truy xuất, cache và luồng dữ liệu trực tiếp được tích hợp vào một dịch vụ duy nhất, đảm bảo sự nhất quán và giảm latency. Kết luận là nhóm phát triển nên đầu tư vào lớp context này sớm để tránh lãng phí công sức và nâng cao khả năng mở rộng của agent.

Bài viết này giúp lập trình viên giải quyết vấn đề đoạn ngữ cảnh và mất trạng thái phiên, yếu tố then chốt quyết định thành công của các dự án AI agent.