Tool call outputs in Microsoft Agent Framework (MAF) are normally JSON-serialized, which bloats context windows with repeated keys, braces and quotes for tabular data like order lists. TOON (Token-Oriented Object Notation) offers a line-oriented, YAML/CSV-like encoding that declares field names once for uniform arrays of objects, cutting 30-60% of tokens versus equivalent JSON per the TOON project's benchmarks. Since MAF tools just need to return a string, swapping a tool's return value to a TOON-serialized string (via the Toon.NET NuGet package) works without touching the JSON Schema MAF generates for tool parameters. The gain only matters for tabular, array-of-objects results like order histories or search results; single objects or non-uniform blobs see little benefit. Both MAF and current TOON encoders on NuGet are early/preview software, so pinning versions is advised before production use.
Nguồn: https://bartwullems.blogspot.com/2026/09/cutting-tool-output-tokens-in-microsoft.html. 8 Sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Đang tải bình luận…
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.
GhostCLI quảng cáo mô hình Claude của mình với các nhãn Fable 5.1, Opus 5 và Fable 5, đồng thời cam kết sử dụng không giới hạn. Khi kiểm tra thực tế, ba mô hình này cho kết quả gần như identical trong các tác vụ tạo mã và trả lời câu hỏi, cho thấy sự khác biệt về hiệu suất thực tế rất nhỏ. Điều này khiến người dùng dễ nhầm lẫn rằng họ đang truy cập vào các phiên bản có khả năng khác nhau rõ rệt. Vì vậy, sự tin tưởng vào nhãn sản phẩm có thể dẫn đến lựa chọn không phù hợp và lãng phí thời gian đánh giá. Bài học là luôn tự benchmark mô hình trước khi dựa vào các nhãn nhà cung cấp để đánh giá khả năng thực sự.
Bài tiết lộ sự tương đồng đáng lo ngại giữa các mô hình GhostCLI được quảng cáo khác nhau, cảnh giác người dùng về tính minh bạch trong đặt tên và nhãn hiệu AI.
Bài viết giới thiệu cuốn sách "Build an AI Agent (From Scratch)" gồm 10 chương, 315 trang, giá 29,29 USD khi viết. Nó giải thích khái niệm AI agent và hướng dẫn chi tiết cách xây dựng một LLM agent từ đầu bằng mã nguồn mở. Các chương trình mẫu được cung cấp giúp người đọc nhanh chóng triển khai agent có khả năng nhận diện ý định và thực hiện hành động dựa trên prompt. Khi hoàn thành, độc giả sẽ hiểu được luồng dữ liệu, quản lý trạng thái và tích hợp công cụ ngoài như API hoặc cơ sở dữ liệu cho agent. Bài học chính là đầu tư vào tài liệu giá rẻ nhưng thực tiễn giúp lập trình viên nắm vững kỹ thuật agent mà không cần phụ thuộc vào framework đắt tiền.
Sách này giúp bạn hiểu rõ và thực hành xây dựng agent AI từ đầu với hướng dẫn chi tiết và giá cả hợp lý.
Bài viết mô tả bối cảnh khi đội ngũ cần duy trì bộ test suite chính xác liên tục khi các tính năng mới được phát hành. Họ đã xây dựng một hệ thống product-mapping AI có khả năng tự khám phá ứng dụng web và tạo ra bản đồ chức năng. Kỹ thuật dựa trên việc huấn luyện agent mô hình suy nghĩ như một tester để xác định các đường đi và trạng thái cần kiểm tra. Khi agent chạy, nó tự động cập nhật mức độ bao phủ test và cảnh báo những khoảng trống cần bổ sung test case. Kết quả là bộ test suite luôn đồng bộ với phiên bản sản phẩm, giảm công việc thủ công và học được cách kết hợp tự động hóa khám phá với quản lý test dựa trên AI.
Bài viết này giúp lập trình viên hiểu cách xây dựng AI tự động khám phá ứng dụng web và bảo vệ chất lượng phần mềm khi phát triển tính năng mới.
ORMs vẫn cần thiết vì chúng cung cấp lớp trừu tượng an toàn, hiệu quả để tương tác với cơ sở dữ liệu, trong khi LLMs chỉ sinh code tiềm ẩn rủi ro lỗi, kém tối ưu và khó bảo trì. ORMs giúp chuẩn hóa truy vấn, tránh SQL injection và tối ưu hóa hiệu suất thông qua caching, điều mà code do LLM sinh ra khó đảm bảo.
Lập trình viên nên đọc bài này để hiểu cách ORM và SQL vẫn giữ vai trò quan trọng trong quản lý dữ liệu cơ bản, giúp tránh rủi ro lỗi và tối ưu hóa hiệu suất khi ứng dụng lớn cần kiểm soát trực tiếp dữ liệu.
Bối cảnh: Nhiều tổ chức cùng thời điểm khám phá và triển khai các công nghệ tương tự mà không có giao tiếp rõ ràng. Nguyên nhân kỹ thuật: Mô hình Transformer có thể tự phát triển các cơ chế attention hiệu quả mà không cần thiết kế thủ công, dẫn đến các giải pháp parallel trong kiến trúc neural networks. Hệ quả: Sự hội tụ tương tự giữa các lab nghiên cứu như OpenAI và Google về phương pháp training models với self-supervised learning, tạo ra các thành tựu như GPT-3 và BERT cùng hướng. Điều đáng học: Sự tiến bộ trong deep learning có thể dự đoán được hơn nhiều người nghĩ, khi các cơ bản nguyên lý toán học dẫn đến các giải pháp tối ưu tương tự bất kể điểm xuất phát.
Bài viết khám phá hiện tượng nhiều lập trình viên độc lập phát hiện ra cùng một giải pháp kỹ thuật mới, mở ra hiểu biết sâu sắc về cách tư duy sáng tạo trong ngành công nghệ.
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.
Khi bảng dữ liệu đạt hàng triệu bản ghi, việc dùng Skip và Take trong .NET để phân trang trở nên chậm và tiêu tốn tài nguyên. Nguyên nhân là cách tính toán vị trí bằng cách duyệt toàn bộ các bản ghi trước khi lấy phần cần thiết, làm tăng thời gian truy vấn. Hệ quả là độ trễ tăng, tiêu thụ bộ nhớ cao và khả năng mở rộng giảm sút khi số người truy cập tăng. Để giải quyết, bài viết giới thiệu ba phương án thay thế: Offset pagination, Keyset pagination và Cursor pagination, mỗi loại có cách tính toán và chỉ số riêng. Nếu bạn đang cân nhắc có nên đọc bài gốc, hãy xem cách bài phân tích lợi thế và nhược điểm của mỗi phương án để chọn giải pháp phù hợp với truy vấn của mình.
Bài này giúp lập trình viên .NET chọn phương pháp phân trang tối ưu khi bảng dữ liệu lớn thay vì dùng Skip và Take.
Đọc tin ở đây, luyện code, học theo lộ trình và luyện IELTS trên các sản phẩm anh em — tất cả kết nối với nhau trong hệ sinh thái 8 Sync.
Cổng chính của hệ sinh thái: giới thiệu sản phẩm, blog và bảng giá trọn bộ.
Khám pháHọc theo lộ trình rõ từng chặng: video, quiz chấm tự động, certificate và mentor đang làm nghề.
Xem lộ trình1.000+ bài DSA, đề tiếng Việt, chấm tự động 7 ngôn ngữ — nhiều bài FREE, chạy ngay trên trình duyệt.
Luyện miễn phíChấm bốn kỹ năng IELTS bằng AI, phản hồi chi tiết theo rubric.
Dùng thử miễn phíAI IDE 22 MB cho dev Việt.
Tải miễn phíBộ nhớ tổ chức cho AI agent.
Khám pháAI trực Fanpage, tự sàng lọc lead.
Dùng thử