How Tenable audits open-source AI agents with OpenAI GPT

Access vetted, open-source agentic AI on CyberAgents Exchange. A 3-gate process uses an automated check, frontier AI model assessment, and human verification to screen tools for 15 types of security issues across three layers, ranging from conventional flaws to agent-specific exposures.

Nguồn: https://www.tenable.com/blog/tenable-openai-security-vetting-open-source-ai-agents-exchange-inspector. 8 Sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.

Đề xuất cho bạn

GitHub Blog1 Hot6 phút11 giờ trướcAI

GitHub Copilot app for Beginners: How to teach Copilot about your codebase

GitHub Copilot for Beginners hướng dẫn cách thêm custom instructions và skills vào repository để tối ưu hóa hỗ trợ AI. Nguyên nhân kỹ thuật là Copilot cần hiểu đặc thù codebase của bạn qua thông tin ngữ cảnh cụ thể. Hệ quả giúp Copilot tạo code chính xác hơn, giảm 40% thời gian gợi ý code không liên quan. Bài học giá trị là việc tích hợp MCP servers như Playwright giúp Copilot tương tác với tool bên ngoài, mở rộng khả năng xử lý nhiệm vụ phức tạp. Lập trình viên nên đọc bài gốc để biết cách implement custom agents và tận dụng tối đa GitHub Copilot cho dự án cá nhân.

Bài này hướng dẫn bạn cách cá nhân hóa GitHub Copilot để nó hiểu rõ hơn về codebase của bạn, từ đó tăng hiệu suất lập trình.

#github#productivity#mcpNguồn

The New Stack1 Hot7 phút8 giờ trướcAI

“A major overhaul”: OpenCode 2.0 puts its terminal, desktop, and web apps on one shared service

OpenCode 2.0 được phát hành bản public beta vào tháng 7, thực hiện một cuộc cải tổ kiến trúc lớn. Bản update này bao gồm việc xây dựng lại hoàn toàn API, thêm embeddable SDK và Code Mode để tích hợp các dịch vụ. Việc này cho phép terminal, desktop và web apps của OpenCode cùng chia sẻ một dịch vụ chung, loại bỏ sự phân mảnh. Đây là bài viết đáng đọc để hiểu cách chuyển đổi kiến trúc từ hệ thống phân tản sang mô hình tập trung, với các công cụ cụ thể như SDK và Code Mode.

OpenCode 2.0 mang lại kiến trúc thống nhất cho terminal, desktop và web apps qua API được xây dựng lại và SDK nhúng linh hoạt.

#ai-agent#architecture#mcpNguồn

Headway104 Hot8 phút11 ngày trướcAI

DESIGN.md vs. Design System MCP: Which Does What?

DESIGN.md mang lại tài liệu thiết kế có thể hoạt động trên mọi công nghệ stack, trong khi Design System MCP (Model Context Protocol) cung cấp API thực tế của component cho các agents. Sự kết hợp giữa DESIGN.md và Design System MCP giúp giải quyết vấn đề đồng bộ giữa tài liệu thiết kế và implementation thực tế. Khi kết hợp cả hai, DESIGN.md cung cấp bối cảnh tổng quan, còn Design System MCP đảm bảo các agent có thể truy cập chính xác thông tin API để implement chính xác component. Điều này tạo ra một hệ sinh thái mà ở đó thiết kế và development tự động đồng bộ, giảm thiểu sai lệch giữa tài liệu và code.

Bài viết này giúp lập trình viên hiểu rõ sự khác biệt và vai trò bổ trợ giữa DESIGN.md và Design System MCP để cải thiện quy trình phát triển và hệ thống component.

#webdev#react#ai-agentNguồn

Builder.io1 Hot5 phút19 giờ trướcAI

How to use WebMCP with coding agents

WebMCP cung cấp cơ chế cho ứng dụng web trao quyền cho coding agent các công cụ thực sự thay vì chỉ tương tác như click chuột. Để triển khai, bạn cần cài đặt skill /webmcp vào hệ thống của mình. Kỹ thuật này cho phép coding agent gọi trực tiếp các API và chức năng phức tạp, tăng hiệu suất xử lý lên tới 70% so với phương pháp truyền thống. Triển khai thành công WebMCP giúp tối ưu hóa quy trình làm việc giữa ứng dụng web và AI agent.

WebMCP giúp lập trình viên tích hợp công cụ thực tế cho agent lập trình, nâng cao hiệu suất phát triển.

#ai-agent#mcp#google-chromeNguồn

Hacker News1 Hot10 phút23 giờ trướcAI

Local Indexing to reduce tool calling and token usage

Local indexing là ứng dụng Mac giúp tìm kiếm file, repository git và session Claude Code/Codex theo ý nghĩa hoặc từ khóa chính xác. Công cụ này sử dụng MCP context để giảm số lần gọi AI agent khi tìm kiếm code, giảm đáng kể token usage. Cụ thể, local indexing giúp giảm 40% số lượng tool call và 30% token usage khi làm việc với các dự án lớn. Giải pháp này rất hữu ích cho lập trình viên thường xuyên tương tác với AI agent để tìm hiểu codebase.

Ứng dụng Local Indexing giúp lập trình viên giảm đáng kể số lần gọi công cụ và lượng token tiêu thụ khi tìm kiếm code.

#ai-agent#mcp#claude-codeNguồn

The New Stack2 Hot7 phút1 ngày trướcAI

Claude Code found my app’s shared contract in two MCP calls. Then the records ran out.

Claude Code Projects tạo bộ nhớ chia sẻ cho các agent về quyết định dự án. Một phiên làm việc mới không có lịch sử cuộc trò chuyện hay mã cục bộ đã có thể khôi phục được thông tin từ 2 lời gọi MCP. Hệ thống này hoạt động tốt với dữ liệu phiên bản nhưng gặp giới hạn khi các bản ghi hết. Bài viết kiểm tra khả năng khôi phục của Claude Code và xác định điểm dừng, hữu ích cho lập trình viên muốn hiểu cơ chế hoạt động của AI assistant.

Bài này giải thích cách Claude Code sử dụng shared memory và versioning records để phục hồi trạng thái dự án từ các phiên trống, giúp lập trình viên hiểu giới hạn và tiềm năng của AI agent trong phát triển phần mềm.

#ai-agent#architecture#mcpNguồn

Frontend Masters23 Hot2 phút11 ngày trướcAI

Front-End Checklist – Master.dev Blog

David Dias đã phát triển Front-End Checklist trong suốt một thập kỷ với phiên bản mới nhất ra mắt cách đây hơn một năm. Checklist này bao gồm nhiều lời khuyên hữu ích nhưng dễ bị quên như việc triển khai print stylesheet và quản lý lazy loading/preload. Công cụ này đặc biệt quan trọng với lập trình viên front-end để đảm bảo không bỏ sót các yếu tố quan trọng trong quá trình phát triển. Việc tham khảo checklist có thể giúp cải thiện chất lượng code và trải nghiệm người dùng trên nhiều thiết bị khác nhau.

Front-End Checklist giúp lập trình viên không bỏ sót các chi tiết quan trọng khi phát triển giao diện người dùng.

#performance#frontend#ai-codingNguồn

Medium2 Hot22 phút2 ngày trướcAI

Building Connected AI Agents: How RAG, MCP, and A2A Form the Modern Google AI Stack

Bối cảnh bài viết phân tích kiến trúc AI hiện đại của Google với ba trụ cột chính là RAG, MCP và A2A. Nguyên nhân kỹ thuật là nhu cầu kết nối các AI agent với nhau và với hệ thống hiện có, giải quyết vấn đề thông tin phân mảnh và thiếu cơ chế chuẩn. Hệ quả là kiến trúc này tạo ra hệ sinh thái AI có khả năng tích hợp cao, cho phép các agent trao đổi dữ liệu và thực thi tác vụ phức tạp. Điều đáng học là cách RAG (Retrieval-Augmented Generation) giúp AI truy cập thông tin trong thời gian thực, MCP (Model Context Protocol) thiết lập giao thức kết nối, và A2A (Agent-to-Agent) tạo framework cho tương tác agent.

Bài viết này cung cấp kiến thức cơ bản về cách xây dựng AI agents kết nối với nhau bằng RAG, MCP và A2A.

#ai-agent#gcp#mcpNguồn