#code-review

Agentic Skill Decay

Bối cảnh của bài viết là vấn đề các AI agents đang giải quyết nhiệm vụ mà không giúp người …

We now auto-approve and merge 15% of PRs

Để giải quyết vấn đề hiệu suất làm việc, công ty đã triển khai hệ thống auto-approve và …

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 trọng khi AI tự động sinh code.

Lập trình viên nên đọc bài này để hiểu cách Domain-Driven Design (DDD) và ngôn ngữ chung (Ubiquitous Language) trở nên quyết định hơn bao giờ hết khi AI tự động hóa viết code, giúp bảo vệ chất lượng logic và tính tương thích với yêu cầu thực tế của dự án.

AI Writes My Code Now. Here’s What I Actually Do With My Time.

Người lập trình chứng kiến AI hoàn thành một feature chỉ trong hai phút, công việc vốn tốn một ngày làm việc của con người. Công nghệ AI có khả năng tạo mã nhanh chóng giúp giải phóng thời gian đáng kể cho các developer. Thay vì viết code thủ công, giờ đây lập trình viên có thể tập trung vào việc thiết kế hệ thống, kiểm tra chất lượng và giải quyết các vấn đề phức tạp. Tác động của AI không thay thế hoàn toàn vai trò của lập trình viên mà chuyển đổi công việc sang các nhiệm vụ đòi hỏi tư duy bậc cao và sáng tạo.

Bài viết này giúp lập trình viên hiểu được cách tận dụng AI để nâng cao hiệu suất công việc và định hình lại vai trò của con người trong kỷ nguyên lập trình tự động.

Practical Methods for Programming Self-Study

Học tự lập trình dựa trên dự án thực tế và đọc code của người khác. Áp dụng feedback loop để đánh giá và cải thiện kỹ năng. Xây dựng curriculum cá nhân phù hợp với mục tiêu học tập. Tận dụng công cụ như GitHub để tham khảo source code và nhận góp ý. Các phương pháp này giúp phát triển năng lực giải quyết vấn đề thực tế.

Bài này cung cấp phương pháp thực tế giúp lập trình viên tự học hiệu quả qua xây dựng dự án, đọc code, sử dụng vòng lặp phản hồi và tạo lộ trình cá nhân.

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.

The bottleneck isn't writing code anymore. It's understanding it.

Việc AI có thể sinh ra bao nhiêu code không quan trọng bằng khả năng bạn hiểu và chịu trách nhiệm cho nó. Những thực hành coding tốt vốn dĩ không dành cho máy móc.

Những kỹ thuật và nguyên tắc lập trình tốt không chỉ giúp code hiệu quả mà còn giúp bạn kiểm soát và chịu trách nhiệm về phần mềm của mình, tránh rơi vào tình trạng phụ thuộc vào công cụ AI mà không biết nguồn gốc, chất lượng hay tác động thực sự của nó.

Junior engineers are skipping straight to architect-level thinking

Các kỹ sư junior ngày nay sử dụng công cụ AI để tạo mã nguồn và triển khai chúng nhanh hơn bao giờ hết. Tuy nhiên, họ thường bỏ qua bước đánh giá sâu sắc và xây dựng khả năng quyết định về chất lượng mã mà họ chịu trách nhiệm. Sự khác biệt giữa tốc độ sản xuất và khả năng sở hữu mã này đang mở ra một khoảng trống về đánh giá. Khoảng trống này có thể dẫn đến lỗi khó phát hiện và tăngภาระ bảo trì trong dài hạn. Do đó, bài viết đề xuất cần định hình một chỉ số riêng để đo lường sự can đảm trong việc sở hữu mã do AI sinh ra.

Bài viết này giúp junior hiểu được sự khác biệt giữa việc viết code nhanh và xây dựng phán đoán kiến trúc để làm chủ sản phẩm của mình.

The "I don't know, Claude wrote this" pandemic

Khi Claude tạo ra nội dung gây hại hoặc không phù hợp, người dùng thường đổ lỗi "Tôi không biết, Claude đã viết cái này" như một xu hướng phổ biến trong thời đại AI.

Lập trình viên nên đọc bài này để tránh bị lừa bởi các AI như Claude khi họ đưa ra những giải pháp đơn giản hoá hoặc sai lầm về kỹ thuật, có thể dẫn đến những quyết định sai lầm trong dự án thực tế.

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.

Securing tomorrow’s git forge, so we can reimagine everything else | Entire's Thomas Dohmke & Apiiro's Idan Plotnik

Bối cảnh An ninh cho các nền tảng Git forge như GitHub trở nên quan trọng khi các doanh nghiệp ngày càng dựa nhiều vào chúng. Nguyên nhân kỹ thuật Vấn đề đến từ việc AI và LLM đang ngày càng tích hợp sâu vào quy trình phát triển, tạo ra lỗ hổng bảo mật mới. Hệ quả Điều này dẫn đến nguy cơ rò rỉ dữ liệu mã nguồn và vi phạm cam kết bảo mật từ các agent AI. Điều đáng học Các công ty như Entire và Apiiro đang hợp tác để phát triển các giải pháp bảo mật tiên tiến, đảm bảo AI agents có thể hoạt động trong môi trường Git mà không gây rủi ro, giúp các tổ chức tập trung vào việc đổi mới.

Bài viết tiết lộ tầm nhìn bảo mật Git trong tương lai và cách nó mở ra khả năng tái định hình mọi thứ khác.

Slop Debt

Công nợ kỹ thuật luôn đi kèm với quy tắc rõ ràng: khi cần ship kịp thời, team thườngตัด góc và để lại comment TODO fix this để xử lý sau. Nguyên nhân kỹ thuật này xuất phát từ việc ưu tiên tốc độ hơn là độ hoàn thiện, dẫn đến các đoạn mã tạm thời được ghi chú nhưng chưa được sửa. Hệ quả là sau khoảng sáu tháng, người khác phải trả nợ này; mặc dù gây phiền phức nhưng vẫn nằm trong giới hạn có thể đo lường và trực quan hóa. Một engineer có kinh nghiệm có thể nhìn qua codebase và vẽ bản đồ các vị trí “cất giấu xác”, tức là các điểm debt đã tích lũy để dễ dàng quản lý và lên kế hoạch trả nợ. Điều đáng học là việc ghi lại và lên kế hoạch trả nợ sớm giúp tránh sự tích lũy khó kiểm soát và duy trì mức độ chất lượng code ổn định trong dài hạn.

Bài viết này giúp lập trình viên nhận diện và quản lý các dạng nợ kỹ thuật vô hình mà không có quy tắc rõ ràng, gây nguy hiểm cho dự án.

Beautiful T-SQL Queries: Three Could Delete the Company

T-SQL đẹp mắt không đồng nghĩa với chính xác. Trong 30 năm qua, ngành công nghệ vẫn thường xem xét thẩm mỹ code như một bằng chứng pháp lý đáng tin cậy.

Lập trình viên nên đọc bài này để hiểu cách viết T-SQL đẹp mắt, hiệu quả và dễ đọc—một kỹ năng quan trọng giúp code dễ bảo trì, dễ debug và làm tăng hiệu suất làm việc trong nhóm.

Agentic Code Review

Việc sử dụng agent AI giúp giảm đáng kể chi phí viết code, nhưng việc hiểu và review code vẫn tốn nhiều công sức như trước, khiến quá trình review trở thành điểm nghẽn chính trong phát triển phần mềm.

Là lập trình viên đang gặp khó khăn với việc kiểm duyệt mã nguồn trở thành thách thức mới khi các công cụ tự động hóa tạo ra mã nhưng không đảm bảo chất lượng, nên đọc bài này để tìm cách tối ưu hóa quy trình đánh giá hiệu quả và hiệu suất.

Maybe We Shouldn't Be Reviewing All This Code

Bối cảnh là sự phát triển của công cụ sinh mã AI cho phép tạo ra lượng mã vượt xa khả năngreview của con người. Nguyên nhân kỹ thuật là việcreview mã đã được giao thêm nhiều nhiệm vụ như truyền tri thức, hướng dẫn mới và việc căn chỉnh kiến trúc, những gì nó không được thiết kế để làm. Hệ quả là quá trìnhreview trở nên chậm chạp, tốn tài nguyên và không thể kịp theo với tốc độ sinh mã tự động. Bài viết đề xuất chuyển những chức năng đó lên sớm hơn qua lập trình song song, các buổi thiết kế tập thể, định nghĩa fitness function và tự động hóa kiểm tra định dạng cũng như bảo mật. Điều đáng học là chỉ giữ lạireview con người cho những thay đổi có rủi ro cao như thay đổi kiến trúc hoặc ranh giới bảo mật, trong khi các diff thông thường được xử lý bằng tự động và các hoạt động cộng đồng.

Đọc bài này để nhận thức rằng việc code review hiện nay thường bị dồn quá nhiều nhiệm vụ không phù hợp—như truyền kiến thức, hướng dẫn—mà thực chất nên được chuyển giao sớm qua các phương pháp như pair programming hay thiết kế tập thể, để tập trung chỉ vào những thay đổi quan trọng như kiến trúc hoặc an ninh.

Replacing Pull Requests with Delta — Zed's Blog

Zed giới thiệu Delta đang ở giai bản public beta như một giải pháp thay thế cho pull requests. Hệ thống này được thiết kế để giải quyết các vấn đề hiệu suất khi xử lý diff lớn trong các repository lớn với hàng nghìn commit. Hiện tại Delta hỗ trợ tính năng review code trực tiếp và đồng bộ hóa state repository theo thời gian thực. Điều đáng học hỏi là cách tiếp cận này không chỉ tối ưu hóa trải nghiệm review code mà còn là bước đi chiến lược hướng đến mục tiêu thay thế GitHub trong tương lai.

Delta đang ở giai đoạn thử nghiệm công khai, bước đầu tiên thay thế GitHub bằng việc loại bỏ pull requests.

Alibaba Open Sources OpenCodeReview for AI-Assisted Code Review

Alibaba mới đây đã open-source OpenCodeReview, một CLI hỗ trợ code review bằng AI. Công cụ này kết hợp pipeline xác định để chọn file, đóng gói và khớp quy tắc với một agent LLM để phân tích code động. Bài viết chi tiết cách tích hợp static analysis với các kỹ thuật của Large Language Model. Các lập trình viên quan tâm đến AI-assisted code review nên đọc bài gốc để hiểu cách triển khai cụ thể. Đặc biệt hữu ích với team muốn tối ưu hóa quy trình code review bằng kết hợp deterministic và AI approaches.

Alibaba OpenCodeReview giúp lập trình viên tối ưu hóa quy trình review code bằng sự kết hợp giữa đường ống xác định và đại ngôn AI mạnh mẽ.

How I Stay Engaged in AI Agentic Development

Sau ba năm tham gia phát triển AI, tôi đã nhận ra những yếu tố nào khiến mình kiệt sức, yếu tố nào đẩy nhanh tiến độ, và cách duy trì động lực khi làm việc với agentic development.

Một lập trình viên muốn tránh mệt mỏi và tăng hiệu suất trong phát triển các hệ thống AI thông minh nên tham khảo bài này để tìm hiểu cách duy trì động lực và tối ưu hóa quy trình phát triển bằng cách áp dụng các phương pháp agentic hiệu quả.

ChatGPT - Prompts for developers

Bài viết tập trung vào các prompt dành cho developer khi sử dụng ChatGPT. Nội dung bao gồm các kỹ thuật prompt engineering tối ưu cho phát triển code và giải quyết vấn đề lập trình. Các prompt được phân loại theo mục đích như viết code, debug, giải thích thuật toán hay tối ưu hiệu năng. Bài cung cấp ví dụ cụ thể về cách tương tác với ChatGPT để tăng hiệu suất công việc lập trình.

Bài viết này giúp lập trình viên tối ưu hóa cách sử dụng ChatGPT để tăng hiệu suất làm việc và sáng tạo mã nguồn.

AI Made Me 5x Faster. It Also Made Me 5x Worse at My Job.

Bối cảnh hiện nay nhiều lập trình viên sử dụng AI để tăng tốc độ viết code, thậm chí 5 lần nhanh hơn trước. Nguyên nhân kỹ thuật nằm ở khả năng của các AI tools như Copilot hay ChatGPT tự động hoàn thiện đoạn code dựa trên mô hình ngôn ngữ lớn. Hệ quả là chất lượng code giảm sút do developer phụ thuộc quá nhiều vào AI mà không kiểm tra kỹ, dẫn đến lỗi tiềm ẩn. Điều đáng học hỏi là cần cân bằng giữa sử dụng AI hỗ trợ và duy trì kỹ năng cốt lõi của lập trình viên, đồng thời luôn kiểm tra kỹ output do AI tạo ra trước khi merge.

Bài viết này tiết lộ cách AI tăng tốc công việc lập trình nhưng đồng thời làm giảm chất lượng kỹ năng thực tế của bạn.

The AI Competence/Judgement Gap

AI cho phép chúng ta thực hiện và đánh giá nhiều thứ hơn, tạo cơ hội lẫn thách thức. Các vai trò, chuyên môn và chuẩn mực đang bị đặt câu hỏi.

Lập trình viên nên đọc bài này để hiểu cách AI không chỉ thay đổi công việc lập trình mà còn làm thay đổi cách đánh giá năng lực, quyết định và thậm chí định nghĩa nghề nghiệp của họ trong tương lai kỹ thuật số.

3 things top 1% teams do differently

Các nhóm đứng top 1% khác biệt nhờ tuyển dụng hiệu quả, tối ưu hóa song song (parallelization) và hạn chế review hầu hết các pull request (PR).

Lập trình viên nên đọc bài này để hiểu cách đội ngũ top 1% tối ưu hóa hiệu suất bằng cách chọn kỹ nhân tài, chia công việc song song và giảm thiểu thời gian review đơn giản hóa quy trình.

Deterministic vs. Non-Deterministic AI: Why Your Workflow Should Be Mostly Boring

Các hệ thống AI sản xuất thực tế không phải là hoàn toàn tự chủ mà chủ yếu dựa trên quy tắc deterministic, với AI chỉ xử lý các tác vụ không thể đoán trước được. Trong khi mô hình GPT-4 có thể tạo ra kết quả không nhất quán do tính non-deterministic, các hệ thống production thường kết hợp machine learning với logic quy tắc để đảm bảo tính nhất quán. Hệ quả là các ứng dụng thành công thường có tỷ lệ deterministic cao (80-90%) và chỉ sử dụng non-deterministic cho các trường hợp cụ thể như phân tích cảm xúc hoặc gợi ý nội dung. Điều đáng học hỏi là nên thiết kế workflow AI theo hướng "nh mostly boring", tập trung vào tính ổn định và kiểm soát thay vì hoàn toàn tự động.

Bài giải thích này giúp lập trình viên hiểu tại sao kết hợp giữa quy tắc xác định và AI phi xác định sẽ tạo ra hệ thống đáng tin cậy và hiệu quả nhất.

GitHub Brings Stacked Pull Requests to Public Preview

GitHub ra mắt tính năng Stacked Pull Requests ở chế độ public preview, cho phép chia nhỏ các thay đổi lớn thành nhiều pull request phụ thuộc lẫn nhau, giúp quản lý review và tích hợp dễ dàng hơn.

Lập trình viên nên đọc bài này vì công cụ này giúp tổ chức và quản lý các thay đổi lớn thành các PR nhỏ hơn, dễ theo dõi, hợp tác và review, tối ưu hóa hiệu quả phát triển và tránh rắc rối khi làm việc nhóm.

Agentic Engineering in Python: From Vibes to Evidence Quiz – Real Python

Bài viết đưa ra bài trắc nghiệm về agentic engineering trong Python, tập trung vào các nhiệm giới hạn và vòng lặp đánh giá. Nguyên nhân kỹ thuật nằm ở sự khó khăn khi đánh giá hệ thống agent, đòi hỏi bằng chứng rõ ràng để đảm bảo tính an toàn. Hệ quả bao gồm sự thiếu hiểu biết có thể dẫn đến triển khai agent không đáng tin cậy. Bài viết hữu ích cho lập trình viên muốn kiểm tra kiến thức về framework agentic và phương pháp đánh giá dựa trên evidence-based validation.

Bài này giúp lập trình viên kiểm tra và nâng cao hiểu biết về agentic engineering trong Python thông qua các bài thực hành hữu ích.

Upcoming changes to GitHub Copilot policies and billing

GitHub đang triển khai ba thay đổi về chính sách và thanh toán Copilot để chặt chẽ hơn quá trình xác thực tài khoản và thống nhất trải nghiệm trò chuyện. Từ ngày 1 / 9 / 2026, việc đăng ký Copilot Business và Enterprise sẽ được mở lại cho khách hàng sử dụng thẻ tín dụng/PayPal với quy trình kiểm tra tài khoản nghiêm ngặt hơn, và từ 1 / 10 / 2026 mọi phân bổ chỗ phải thanh toán trước trước chu kỳ thanh toán tiếp theo, trong khi mức giá giữ nguyên. Từ ngày 28 / 9 / 2026 trở đi, Copilot Chat trên github.com, trong GitHub Mobile và tác nhân đám mây sẽ được hợp nhất thành một trải nghiệm thống nhất với một chính sách mặc định được bật, giữ lại dữ liệu trò chuyện trong suốt thời gian tồn tại của tài khoản thay vì chỉ 28 ngày, và quản trị viên không chọn tham gia có thể mất quyền truy cập. Đồng thời trong ngày này, mức độ nỗ lực mặc định của Copilot code review sẽ chuyển từ Lite sang Balanced trừ khi tổ chức hoặc kho lưu trữ đã chọn rõ ràng Lite trước đó. Để tránh mất quyền truy cập hoặc chi phí không mong đợi, các đội cần kiểm tra lại quy trình thanh toán chỗ, cập nhật cài đặt chọn tham gia của quản trị viên cho việc lưu giữ dữ liệu trò chuyện và xác nhận mức độ review mã ở mức kho lưu trữ trước khi các thay đổi có hiệu lực.

Hello to my Thursday Notes

Bối cảnh của bài viết là ghi chú hàng tuần của tác giả Milan. Nội dung chính không chứa thông tin kỹ thuật cụ thể hay con số đáng kể. Bài viết có vẻ mang tính cá nhân và chia sẻ suy nghĩ hơn là bài phân tích chuyên sâu. Nếu bạn đang tìm kiếm kiến thức công nghệ chuyên sâu, bài viết này có thể không đáp ứng được nhu cầu. Tuy nhiên, nếu muốn thấy góc nhìn cá nhân của một người trong ngành công nghệ, bài viết có thể có giá trị tham khảo.

Những ghi chú hàng tuần này cung cấp góc nhìn độc đáo và những bài học thực tế cho bất kỳ lập trình viên nào muốn nâng cao kỹ năng và nhận thức trong công nghệ.

AI Is Breaking This Thing We Call Trust

Trong môi trường làm việc hiện đại, AI-generated content có thể trông hoàn chỉnh nhưng thiếu sự hiểu biết thực sự. Nguyên nhân kỹ thuật nằm ở việc các Large Language Models (LLMs) tạo ra nội dung mạch lạc nhưng không đảm bảo tính chính xác hay hiểu ngữ cảnh sâu sắc. Hệ quả là quá trình review chậm lại, đồng nghiệp phải tự làm phần việc thiếu sót, và niềm tin vào AI dần bị xói mòn. Điều đáng học là dù AI mạnh mẽ, các developer vẫn cần kiểm định chéo output của AI vì hệ thống như GPT-4 vẫn có thể tạo ra thông tin không chính xác hoặc không phù hợp với bối cảnh cụ thể.

Bài viết giúp lập trình viên hiểu cách AI ảnh hưởng đến niềm tin và quy trình làm việc trong phát triển phần mềm.

“Time to clean up human slop”: Why AI now reviews code better than your teammate.

Kỹ sư phần mềm Avital Tamir đề xuất thay thế việc review code thủ công bằng AI, cho rằng peer review truyền thống chậm chạp, kém hiệu quả và chỉ phát hiện lỗi định dạng thay vì lỗi thật sự. Ông ủng hộ mô hình tự review nghiêm ngặt với sự hỗ trợ của AI (như CodeRabbit, Claude Code Review) nhằm nâng cao chất lượng code và trách nhiệm thuộc về lập trình viên nắm rõ nhất dự án.

Những lập trình viên muốn nâng cao hiệu quả phát triển bằng cách giảm thiểu lỗi do thiếu tập trung và nhầm lẫn từ quá trình đánh giá đồng nghiệp truyền thống phải tìm hiểu cách áp dụng AI để tự kiểm tra và cải thiện mã một cách hiệu quả.

Bug blindness

Nhiều người thường không nhận ra các lỗi phần mềm rộng rãi trong khi một số ít, bao gồm cả tác giả, luôn thấy chúng liên tục. Điều này xảy ra vì lập trình viên và người dùng nội bộ phát triển thói quen vô thức để tránh lỗi, tạo ra điểm mù và các giải pháp thay thế che giấu vấn đề thực chất. Khi những thói quen này được lặp đi lặp lại, lỗi thực sự bị che giấu, chất lượng phần mềm được đánh giá cao hơn thực tế và các lỗi tồn tại lâu dài. Bài viết cho thấy việc chỉ ra lỗi cụ thể có thể thay đổi vĩnh viễn cách người ta nhận thức phần mềm họ sử dụng. Để khắc phục sự mù lòa về chất lượng, cần có ý thức chủ động và tránh dựa vào thói quen làm việc xung quanh lỗi, như được minh hoạ qua các trường hợp trên Google/Bing/Kagi, Blackboard, Discourse LCP‑gaming, Google Docs và công cụ mã hóa như Codex.

We need to produce exactly one short Vietnamese sentence explaining why one should read this. No markdown, no opening filler. Must use only Vietnamese and Latin characters, no Chinese/Japanese/Korean/Han characters. Must not include any special characters? It says only use Vietnamese and Latin characters. That likely means standard Latin alphabet letters, numbers, punctuation? Probably allowed punctuation like commas, periods. Must not include any non-Latin characters like diacritics? Vietnamese uses diacritics (á, à, â, etc.) which are Latin characters with diacritics, but they are still Latin characters? The instruction says "chỉ dùng chữ Việt và chữ Latin". Vietnamese uses Latin alphabet with diacritics, which are still Latin letters with diacritics.

Copilot code review: Resolution reasons and expanded capabilities

GitHub Copilot code review đã mở rộng khả năng kiểm tra pull request do bot tạo ra, bao gồm cả tác nhân đám mây Copilot của chính nó, và đã gỡ bỏ giới hạn cũ 300 tệp/20.000 dòng để hỗ trợ các PR rất lớn. Các tổ chức có thể bật chính sách cho phép thành viên không có giấy phép Copilot kích hoạt tính năng review, với mức sử dụng được tính vào tài khoản tổ chức. Khi đóng một bình luận review, người dùng теперь có thể chọn lý do giải quyết như Addressed, Won't fix hoặc Incorrect, và phản hồi này được gửi lại cho đội phát triển sản phẩm. Thay đổi này giúp Copilot thu thập dữ liệu đánh giá cụ thể hơn từ các trường hợp sử dụng thực tế. Việc mở rộng phạm vi review và thu thập lý do giải quyết là bài học quan trọng để cải thiện chất lượng và độ tin cậy của các công cụ hỗ trợ code bằng AI.

Bài viết giúp bạn cập nhật những cải tiến mới nhất về Copilot code review, bao gồm hỗ trợ PR từ bot, mở giới hạn file, chính sách tổ chức và cơ chế phản hồi cho nhóm phát triển.

Harness creates source code management for agent-ready development

Harness nhận thấy việc áp dụng các AI coding agent vẫn gặp nhiều trở ngại về quản lý mã nguồn và chất lượng review. Để giải quyết, họ vừa ra mắt một kho mã nguồn mới được thiết kế đặc biệt cho các agent, kèm theo công cụ review mã tích hợp sẵn. Kho mã này cung cấp API chuẩn để agent có thể push, pull và tracking thay đổi mà không cần can thiệp thủ công. Công cụ review tự động phân tích pull request do agent tạo ra, đưa ra phản hồi về lỗi cú pháp, bảo mật và tuân thủ quy tắc coding. Từ đó, Harness hy vọng giảm thiểu rào cản kỹ thuật và tăng tốc độ chấp nhận AI agent trong quy trình phát triển phần mềm. bài học là khi triển khai AI trong dev, cần có nền tảng quản lý mã và review được tối ưu hóa cho tự động hóa.

Harness tạo ra công cụ quản lý mã nguồn và kiểm tra code mới giúp lập trình viên giải quyết thách thức khi làm việc với các AI coding agent.

Your SDLC is your context engineering

Một startup đã xây dựng lại quy trình phát triển phần mềm (SDLC) thành "context engineering" nhằm tối ưu hóa hoạt động của các tác nhân AI (AI agents), nhưng hầu hết vấn đề quan trọng vẫn bắt nguồn từ khâu lập kế hoạch chứ không phải mã nguồn.

Một lập trình viên nên đọc bài này để hiểu cách xây dựng quy trình phát triển (SDLC) không chỉ là việc viết và kiểm thử mã, mà là cách thiết kế và quản lý cơ sở hạ tầng logic và dữ liệu cho các hệ thống AI, từ đó tránh những rủi ro phát sinh từ thiếu hiểu về môi trường thực tế mà không phải lỗi code.

Why Google stores billions of lines of code in a single repository (2016)

Google Piper là hệ thống kho mã nguồn tùy chỉnh mà hơn 25.000 nhà phát triển sử dụng, chứa khoảng một tỉ file, hai tỉ dòng code và 35 triệu commit. Mô hình phát triển dựa trên trunk cùng với quy trình làm việc CitC và các công cụ như Critique, Tricorder và Rosie giúp duy trì chất lượng mã nguồn trong kho này. Lợi ích bao gồm phiên bản thống nhất, thay đổi nguyên tử và tránh sự phụ thuộc hình kim cương, trong khi chi phí bao gồm khó khăn về mở rộng công cụ, tìm kiếm mã và sự lan tỏa của phụ thuộc. Google đã cân nhắc việc di chuyển sang Git nhưng cuối cùng quyết định không làm vậy, thay vào đó đang thử nghiệm một cách tiếp cận dựa trên Mercurial để cân bằng giữa quy mô và lợi thế của monorepo.

Bài viết này giúp lập trình viên hiểu cách Google quản lý kho mã nguồn khổng lồ với tỷ lệ tệp và dòng code cực cao qua mô hình trunk-based development và công cụ hỗ trợ đặc biệt.

Repeating the Same AI Prompts? The Agent Skills Handbook Helps You Build Reusable Skills

Nhiều đội phát triển AI thường phải viết lại cùng một prompt cho các tác vụ như tạo tài liệu, kiểm tra mã hoặc sinh test, dẫn đến sự không nhất quán và lãng phí thời gian. Agent Skills Handbook giới thiệu khái niệm Agent Skills, một cách để đóng gói các prompt lặp lại thành các thành phần có thể tái sử dụng, được quản lý như mã nguồn. Khi một prompt được biến thành một Skill, các nhà phát triển chỉ cần gọi Skill đó qua API hoặc SDK, đảm bảo mọi người dùng cùng một logic và tham số. Điều này giúp cải thiện độ nhất quán của kết quả AI, giảm thời gian review code vì các Skill có thể được kiểm tra và phiên bản như thư viện thường, và mở rộng việc áp dụng AI trong dự án mà không cần viết lại prompt mỗi lần. Bài viết khuyên các đội đầu tư thời gian xây dựng và tài liệu hoá Agent Skills để tận dụng tối đa lợi thế của AI mà không bị mắc kẹt trong vòng lặp lặp lại prompt.

Bài viết này giúp bạn biến các prompt AI lặp thành kỹ năng tái sử dụng, nâng cao hiệu suất và đồng nhất trong công việc lập trình.

Blog: The Capacity Planning Gap: Why Most SaaS Teams Plan to 100% and Deliver 60%

Engineering teams thường lên kế hoạch dựa trên 100% headcount nhưng thực tế chỉ thực hiện được khoảng 60% của mục tiêu. Nguyên nhân kỹ thuật nằm ở việc họ bỏ qua “focus factor”, “planning accuracy” và không tận dụng “AI output” để tinh chỉnh dự báo. Hệ quả là nhiều dự án trễ tiến độ, chi phí tăng và mức độ hài lòng khách hàng giảm. Để đóng lại khoảng trống, cần điều chỉnh kế hoạch dựa trên “focus factor” thực tế và cải thiện “planning accuracy” bằng cách tham khảo “AI output”. Vì vậy, nếu bạn đang cân nhắc đọc bài gốc, hãy xem cách họ dùng số liệu cụ thể để giảm thiểu sai lệch.

Bài viết này giúp lập trình viên hiểu và khắc phục khoảng cách giữa kế hoạch thực tế và năng lực thực sự của đội ngũ kỹ thuật.

Is there a relationship between cycle time and PR throughput?

Có mối quan hệ chặt chẽ giữa cycle time và PR throughput ở các tổ chức có throughput cao, trong khi các tổ chức throughput thấp chịu ảnh hưởng bởi nhiều yếu tố khác.

Lập trình viên nên đọc bài này để hiểu cách tối ưu hóa hiệu suất phát triển phần mềm bằng cách kết hợp giảm thời gian lặp lại (cycle time) và tăng tốc độ sản xuất (PR throughput) trong các dự án quy mô lớn.

How canvases make agentic workflows visible, steerable, and cost-efficient

Sử dụng canvases giúp hiển thị, điều khiển và tối ưu chi phí cho các agentic workflows, thay vì bị mất trong cuộc trò chuyện dài dòng như chat truyền thống.

Một lập trình viên nên đọc bài này để hiểu cách sử dụng canvas giúp tổ chức logic và tiến trình của các hệ thống agent một cách rõ ràng, dễ theo dõi và tối ưu hóa chi phí thực thi, giúp tránh mất mát thông tin trong dòng lệnh dài và tăng hiệu quả trong việc thiết kế và triển khai công cụ tự động hóa.

Medium

Gần đây, GitHub đã giới thiệu tính năng Stacks giúp quản lý các Pull Request (PR) theo cấu trúc ngăn xếp, cho phép sắp xếp thứ tự, phân nhánh và triển khai tính năng qua nhiều PR một cách rõ ràng.

Lập trình viên nên đọc bài này để hiểu cách tổ chức và phân chia công việc trong các Pull Request (PR) theo mô hình Stacks, giúp tối ưu hóa quy trình phát triển, tránh rối loạn và đảm bảo tính nhất quán trong các tính năng phức tạp.

Write for people

Gần đây, tôi nhận thấy mình không thể đọc và hiểu nhanh các tiêu đề (PR titles) cũng như mô tả dự án (PR descriptions) trên internet nữa.

Lập trình viên nên đọc bài này để hiểu cách viết và hiểu nội dung các pull request (PR) trở nên rõ ràng, chuyên nghiệp hơn, giúp cộng đồng phát triển phần mềm hiệu quả hơn.