Blog: Embedded Means Their Backend Too

An Engineering Manager’s crazy year

Rebuilding how my team works three times in 12 months

What I Actually Learn When I Build With AI

Tác giả đã dành nhiều đêm liền xây dựng dự án AI với nhiều tính năng hoạt động, nhưng sau đó nhận ra bài học lớn hơn. Nguyên nhân kỹ thuật là việc tập trung vào việc tích hợp các API AI mà bỏ qua kiến trúc nền tảng và xử lý lỗi. Hệ quả là dự án trở nên khó bảo trì và mở rộng khi lượng dữ liệu tăng. Điều đáng học là phải hiểu rõ hạn chế của các AI model như GPT-4 và Claude trước khi triển khai, cũng như thiết kế hệ thống có khả năng fallback khi các API gặp sự cố.

Bài viết này chia sẻ những bài học thực sự quý báu mà lập trình viên có thể nhận được khi xây dựng dự án với AI.

Three Levels for AI Agents: The Repo, the Company, and the Developer

Bối cảnh của bài viết tập trung vào ba cấp độ của AI agents: kho lưu trữ (repo), công ty và nhà phát triển. Nguyên nhân kỹ thuật là do AI agents cần một hệ thống chia sẻ quy tắc, kết hợp chuyên môn cá nhân và quy trình code review để đảm bảo chất lượng. Hệ quả là các agent có thể tự động đọc ticket và viết code, nhưng vẫn cần học hỏi từ con người và lẫn nhau. Điều đáng học là sự cân bằng giữa tự động hóa và kiểm tra chất lượng code, với các công cụ cụ thể như GitHub Copilot hay Amazon CodeWhisperer được đề cập để hỗ trợ quy trình này.

Bài viết này giúp lập trình viên hiểu cách phát triển AI Agent hiệu quả ở cấp độ repository, công ty và cá nhân.

Every Database Has These Seven Tables

Bất kỳ công ty nào trên thế giới cũng đều có chung bảy bảng cơ bản trong production database. Điều này xảy ra do nhu cầu universal trong quản lý dữ liệu như users, roles, permissions, organizations, projects, activities và audit logs. Hệ quả là kiến trúc database có phần giống nhau dù ngành nghề hay thời điểm khác nhau. Điều đáng học hỏi là việc nhận ra pattern này giúp tối ưu hóa thiết kế database và giảm thiểu thời gian phát triển.

Bài viết này giúp bạn hiểu được cấu trúc dữ liệu phổ biến nhất trong mọi hệ thống quản trị dữ liệu.

The Problem with C++ Safety (Part 1): Why “It Works” Isn’t Good Enough – MC++ BLOG

C++ liên tục bị các cơ quan như NSA và EU's Cyber Resilience Act đánh dấu là ngôn ngữ không an toàn về bộ nhớ. Bài phân tích ví dụ kiểm tra palindrome trên LinkedIn cho thấy nhiều vi phạm Core Guidelines và rủi ro kỹ thuật như truy cập chỉ mục không được kiểm tra. Dù được viết lại thành hàm is_palindrome() tổng quát hơn, mã vẫn không thể đảm bảo 100% an toàn. Bài viết chứng minh rằng "biên dịch và chạy được" không đồng nghĩa với "an toàn", và phần tiếp theo sẽ đề xuất giải pháp C++ hiện đại hơn.

Bài viết này giúp lập trình viên C++ nhận ra những lỗi bảo mật tiềm ẩn ngay cả trong code "đạt chuẩn" và hiểu sự khác biệt giữa code hoạt động và code an toàn.

Fish Food for Thought

Why the best commanders keep flying, and how AI is lowering the price of staying current

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.

Agentic Skill Decay

Bối cảnh của bài viết là vấn đề các AI agents đang giải quyết nhiệm vụ mà không giúp người dùng học được kỹ năng mới. Nguyên nhân kỹ thuật là bởi các agents sử dụng các Large Language Models (LLMs) với cơ chế generation tự động, khiến quá trình học tập trở nên bị động. Hệ quả là người dùng dần mất đi khả năng tự giải quyết vấn đề khi quá phụ thuộc vào AI. Điều đáng học là việc xây dựng chuyên môn cần trở nên chủ động, thông qua việc thiết kế các systems có khả năng explainability và prompting users để suy nghĩ độc lập.

Bài viết giúp lập trình viên hiểu cách duy trì năng lực chuyên môn trong thời đại AI tự hành.