How to mitigate shadow AI risks from employee citizen coders

I turned on Dependabot and found 270 alerts. The license problem was harder to fix.

Bối cảnh của bài viết là việc bật Dependabot và phát hiện 270 cảnh báo bảo mật. Nguyên nhân kỹ thuật đến từ việc sử dụng các thư viện có giấy phép không phù hợp (license problem). Hệ quả là các nhà phát triển phải xử lý số lượng lớn cảnh báo, trong đó vấn đề giấy tờ phức tạp hơn các lỗi bảo mật thông thường. Điều đáng học là cần có quy trình quản lý phụ thuộc (dependency management) chặt chẽ ngay từ đầu để tránh tình trạng tích lũy hàng trăm cảnh báo về sau.

Bài viết chia sẻ kinh nghiệm thực tế về việc quản lý cảnh báo bảo mật Dependabot và giải quyết vấn đề giấy phép phần mềm mở.

Dear Coder: Open This If You're Feeling AI FOMO

Thị trường AI hiện đang cực kỳ cạnh tranh với các công ty liên tục tung ra model đạt hiệu suất X% cao hơn. Nguyên nhân kỹ thuật chính là sự phát triển nhanh chóng của transformer architecture và công nghệ training distributed như DeepSpeed. Hệ quả là các lập trình viên cảm thấy FOMO (sợ bỏ lỡ) và phải liên tục cập nhật kiến thức mới để không tụt hậu. Điều đáng học là tập trung vào fundamentals thay vì đuổi theo hype, vì nền tảng vững chắc giúp bạn hiểu và áp dụng công nghệ AI một cách hiệu quả hơn trong dài hạn.

Bài viết này giúp lập trình viên vượt qua cảm giác bỏ lỡ xu hướng AI và nắm bắt cơ hội phát triển trong thời đại công nghệ mới.

Linus wrote Git in about 10 days, so I asked my local LLM to build something similar with one prompt

Khi Linus Torvalds phát triển Git chỉ trong khoảng 10 ngày, tác giả đã thử nghiệm bằng cách yêu cầu một local language model (LLM) xây dựng một hệ thống tương tự với một single prompt. Kết quả bất ngờ khi local LLM tạo ra một phiên bản đơn giản nhưng hoạt động tốt, chứng minh khả năng của AI trong phát triển code cơ bản. Hệ thống được tạo ra có các chức năng cơ bản như add, commit, và log, tuy nhiên không có các tính năng phức tạp như branching hay merging đầy đủ. Điều đáng học hỏi là cách các LLM hiện tại có thể tạo ra các công cụ code đơn giản nhưng hữu ích chỉ với một prompt duy nhất.

Bài viết này cho thấy khả năng đáng ngạc nhiên của các mô hình ngôn ngữ lớn trong việc tái tạo các công cụ lập trình phức tạp chỉ bằng một lệnh đơn giản.

The Brain Sandwich

Trong bối cảnh AI coding đang phát triển nhanh, "Brain Sandwich" là quy trình làm việc thực tế gồm ba bước: hiểu vấn đề, dùng agent để hỗ trợ, sau đó kiểm tra và giải thích kết quả trước khi chia sẻ. Nguyên nhân kỹ thuật đằng sau hiệu quả của Brain Sandwich là nó tận dụng khả năng của LLM như GPT-4 trong việc tạo mã nhưng luôn có bước xác minh con người. Hệ quả là quy trình này giúp giảm thời gian coding đáng kể (có thể lên đến 40% theo nghiên cứu) đồng thời giảm thiểu lỗi do thiếu kiểm soát. Điều đáng học ở đây là cách tiếp cận cân bằng giữa tự động hóa và kiểm soát chất lượng, không hoàn toàn phụ thuộc vào AI mà luôn giữ vai trò giám sát của lập trình viên.

Công thức "The Brain Sandwich" giúp lập trình viên tăng hiệu suất làm việc với AI bằng quy trình thực tế từ hiểu vấn đề đến xác minh giải pháp.

How ORMs Still Let SQL Injection Through (and How to Close the Gaps)

Nhiều lập trình viên lầm tưởng rằng khi sử dụng ORM, nguy cơ SQL injection sẽ được loại bỏ …

Five Ways To Use AI Coding Agents to Improve Your Software Architecture

Kiến trúc hiện đại thường sử dụng các legacy services cho nhiệm vụ cụ thể nhưng chúng thường thiếu tài liệu chính xác và sửa đổi chúng tiềm ẩn rủi ro. AI coding agents có thể giúp lấp đầy khoảng trống kiến thức này bằng cách phân tích codebase. Các công cụ như GitHub Copilot, Amazon CodeWhisperer hay Tabnine có thể hiểu ngữ cảnh và đề xuất cải tiến cho hệ thống cũ. Điều này cho phép developer hiểu rõ hơn dependency giữa các thành phần mà không cần đọc trực tiếp hàng ngàn dòng code. Hơn nữa, AI agents có thể đề xuất refactoring để tăng khả năng maintainability của hệ thống mà không phá vỡ tính ổn định.

AI coding agents giúp đóng khoảng cách kiến thức khi làm việc với các dịch vụ legacy trong kiến trúc phần mềm hiện đại.

AI Is Already Better at Coding Than Most Software Developers

Bối cảnh của bài viết là cuộc tranh luận về AI thay thế lập trình viên trong ngành công nghệ. Nguyên nhân kỹ thuật là các mô hình AI như GPT-4 đã đạt được khả năng code tự động vượt trội, có thể giải quyết các bài toán algorithm phức tạp trong thời gian ngắn. Hệ quả là nhiều công ty công nghệ đã bắt đầu giảm tuyển dụng lập trình viên thông thường và đầu tư vào các giải pháp AI để tối ưu hóa chi phí và tăng tốc độ phát triển. Điều đáng học là các nhà phát triển nên tập trung vào kỹ năng thiết kế hệ thống, quản lý dự án và tư duy chiến lược thay vì chỉ tập trung vào viết code thủ công.

Bài viết giúp lập trình viên hiểu rằng giá trị thực sự của phần mềm không nằm ở kỹ năng code thông thường mà ở khả năng giải quyết vấn đề sáng tạo.

AI Coding Has Made Project-Switching Way Too Easy

Tác giả đang vật lộn với 84 kho GitHub công khai, một phần lớn trong đó được gắn thẻ AI, chứng tỏ công cụ AI coding đang khiến việc chuyển đổi giữa các dự án trở nên dễ dàng đến mức quá dễ. Nguyên nhân kỹ thuật là các công cụ AI như GitHub Copilot hay Tabnine có khả năng sinh code nhanh và gợi ý giải pháp cho nhiều ngôn ngữ lập trình khác nhau. Hệ quả là lập trình viên có xu hướng bắt đầu nhiều dự án mới mà không hoàn thành các dự án cũ, dẫn đến "nhiễu" trong công việc và giảm hiệu suất tổng thể. Điều đáng học là cần có kỷ luật tự giác khi sử dụng AI coding, thiết lập giới hạn về số lượng dự song song và tập trung hoàn thành trước khi khởi động dự án mới.

Bài viết này giúp lập trình viên nhận thức được tác động tiêu cực của AI Coding đến sự tập trung và chất lượng công việc khi liên tục chuyển đổi dự án.