How we teach LLMs to write BadgerQL

Why use ORMs if LLMs write code?

ORMs vẫn cần thiết vì chúng cung cấp lớp trừu tượng an toàn, hiệu quả để tương tác với cơ …

Ten Is Not a Hundred

Nghiên cứu đánh giá năm phương pháp phát hiện ảo giác (Ragas-style LLM judge, embedding similarity, entailment model, LettuceDetect, MiniCheck) trên tập dữ liệu RAG bị thay đổi số đơn lẻ, cho thấy hầu hết chỉ đạt hiệu suất ngẫu nhiên (AUROC 0,51–0,59), ngoại trừ MiniCheck (0,75). Các detector dựa trên embedding thường bỏ qua sai sót số do bỏ qua độ lớn, trong khi LLM judge chỉ đánh giá tính hợp lý. Thư viện open-source groundlens được giới thiệu để phát hiện lỗi thay thế số bằng so khớp token thay vì vector.

Là lập trình viên phát triển hệ thống xử lý dữ liệu hoặc chatbot, bạn nên đọc bài này để hiểu cách các mô hình AI hiện nay thường mắc phải khi xử lý sai sót số liệu nhỏ—như thay đổi một chữ số—và tìm hiểu cách cải thiện hiệu quả phát hiện lỗi bằng phương pháp token-level thay vì dựa vào vector hóa hoặc khả năng tương đồng văn bản.

Practical Loop Engineering

Bài viết bàn về tầm quan trọng của vòng lặp (loops) trong kỹ thuật phần mềm, nhấn mạnh …

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.

How to Use AI With Your Brain – Think Like a Tester

Hướng dẫn dành cho tester về tư duy phản biện khi sử dụng công cụ AI, nhấn mạnh những sai lầm phổ biến như ảo tưởng sức mạnh (LLM không thực sự thông minh mà chỉ dự đoán dựa trên dữ liệu huấn luyện), đưa ra câu trả lời sai nhưng tự tin, phiên bản trả phí nghiên cứu kỹ hơn miễn phí, ảo giác (hallucination) tạo ra câu trả lời bịa nhưng thuyết phục, xu hướng đồng thuận vô điều kiện, văn bản/code dư thừa (workslop), và nguy cơ các tác nhân AI (AI agents) thực hiện hành động ngoài ý muốn. Lời khuyên chính là luôn xác minh đầu ra của AI thay vì tin tưởng mù quáng.

Lập trình viên nên đọc bài này để học cách phân biệt giữa sự hữu ích và rủi ro khi sử dụng AI—tránh bị lừa bởi những kết quả giả tạo, từ đó xây dựng mã và giải pháp kỹ thuật chính xác và hiệu quả hơn.

How to keep thinking

Năm 2026, khi làm việc với các AI agent, kỹ sư phần mềm phải chuyển đổi ngữ cảnh nhanh chóng và lướt qua đầu ra của LLM, khiến thời gian dành cho tư duy sâu bị thu hẹp. Tác giả đề xuất hai biện pháp: viết bằng ngôn ngữ của riêng bạn (không dùng LLM) để buộc bản thân diễn đạt ý tưởng rõ ràng, và đọc sách phi hư cấu nặng ký một cách chậm rãi. Kết hợp cả hai giúp duy trì thói quen tư duy chậm bên ngoài công việc, vốn cần thiết cho những nhiệm vụ như tái cấu trúc lớn mà LLM hiện chưa thể xử lý tốt.

Lập trình viên nên đọc bài này để khắc phục thói quen suy nghĩ nhanh nhẹn do AI thay đổi, giúp bảo vệ kỹ năng tư duy sâu sắc—cần thiết cho việc phân tích mã phức tạp, tối ưu hóa hệ thống mà các công cụ hiện tại chưa thể thực hiện hiệu quả.

What the Heck Is an Agent Harness?

Agent Harness là hệ thống biến mô hình AI thành công cụ thực hiện nhiệm vụ, giúp AI không chỉ dừng ở lý thuyết mà có thể hoạt động hiệu quả trong thực tế.

Lập trình viên nên đọc bài này để hiểu rõ cách các agent—khái niệm mới trong AI—có thể tự động hóa các tác vụ phức tạp từ mô hình AI hiện có, giúp tối ưu hóa hiệu suất và mở rộng khả năng ứng dụng trong các dự án công nghệ mới.