Identity as an Architectural Concern: Enterprise IAM Beyond Authentication

EP230: RAG vs Agentic RAG

RAG (Retrieval-Augmented Generation) và Agentic RAG là hai phương pháp xử lý thông tin khác nhau trong lĩnh vực AI. RAG hoạt động bằng cách truy vấn vector database để tìm thông tin liên quan trước khi tạo câu trả lời, ví dụ như với vector database có thể chứa hàng triệu document embeddings. Agentic RAG thêm vào một agent có khả năng tự suy luận, cho phép hệ thống tự động xác định cần tìm thêm thông tin hay không, như trường hợp của OpenAI's GPT-4 với function calling. Sự khác biệt chính là Agentic RAG có khả năng tự chủ trong việc quyết định cần làm gì tiếp theo thay vì chỉ phụ thuộc vào kết quả truy vấn ban đầu. Đây là kiến thức quan trọng để hiểu sự tiến hóa từ RAG cơ bản đến các hệ thống thông minh hơn có khả năng tự điều chỉnh.

Bài viết này giúp bạn hiểu rõ sự khác biệt cơ bản giữa RAG và Agentic RAG để áp dụng hiệu quả vào các dự án AI.

5 Event Driven Architecture Problems (And How to Avoid Them)

Event-driven architecture (EDA) phổ biến nhưng tiềm nhiều thách thức trong production environment. Vấn đề truy xuất lỗi (tracing) trở nên phức tạp khi sự kiện (event) đi qua nhiều service khác nhau, đòi hỏi hệ thống phân tích log tập trung như ELK stack. Hàng đợi tin hỏi (dead letter queues) dễ bị đầy nếu không implement validation logic kỹ càng, dẫn đến mất dữ kiện quan trọng. Sự không nhất quán cuối cùng (eventual consistency) gây race condition khi nhiều consumer xử lý cùng event đồng thời. Các EDA system cần thiết kế event schema versioning và comprehensive testing framework với Contract Testing để đảm bảo reliability khi số lượng service tăng lên.

Bài viết này giúp lập trình viên nhận diện và giải quyết các vấn đề phổ biến trong kiến trúc hướng sự kiện như tracing, dead letter queues, tính nhất quán cuối cùng và testing.

Comparing NL2SQL Tools That Integrate with MCP Clients

Compares MCP-capable NL2SQL tools by their question-versus-SQL contracts, security boundaries, authentication, and authorization for database access.

AWS Introduces Preview of Well-Architected Agent

AWS vừa công bố bản preview của Well-Architected Agent, một dịch vụ phân tích môi trường theo các best practice của Well-Architected Framework. Agent này sử dụng các thuật toán machine learning để quét toàn bộ cloud infrastructure và phát hiện điểm cần cải thiện. Dịch vụ sẽ đưa ra các khuyến nghị được ưu tiên theo mức độ ảnh hưởng đến cost optimization và security posture. Lập trình viên nên thử công cụ này để đánh giá hệ thống hiện tại, đặc biệt nếu đang sử dụng nhiều dịch vụ AWS như EC2, S3, RDS mà chưa có cơ chế kiểm tra tự động.

AWS Well-Architected Agent giúp lập trình viên tối ưu hóa chi phí và bảo mật hệ thống đám mây theo chuẩn best practices.

**Data-Driven vs Event-Driven Architecture: How to Pick the Right One**

Data-driven architecture tập trung vào nguồn dữ liệu chung (database, data warehouse) mà các service truy vấn, trong khi event-driven dựa trên message broadcast khi có sự kiện, được các service độc lập tiêu thụ. Data-driven coupling chặt hơn trong khi event-driven cho phép loose coupling nhưng tăng độ phức tạp hệ thống khi số lượng events lớn. Data-driven phù hợp cho analytics, ML và ứng dụng đơn giản, còn event-driven tối ưu cho features thời gian thực, microservices và scaling không đồng đều. Hai phương pháp này thực chất bổ trợ chứ không cạnh tranh nhau - câu hỏi quyết định nên bắt đầu đơn giản và chỉ thêm events khi thực sự cần thiết.

Bài viết này giúp lập trình viên lựa chọn kiến trúc phù hợp giữa data-driven và event-driven dựa trên nhu cầu cụ thể của dự án.

Exposing ABP Application Services as MCP Tools for AI Agents

Expose ABP application services as MCP tools so AI agents can use your app, with ABP’s permissions, multi-tenancy and audit logging applied automatica...

AI ambitions are blocked by identity debt

Read the 2026 Customer Identity Trends Report to explore how modernizing customer identity helps organizations deliver convenience without compromising security

Tempo 3.1 release: new features for Kafka, TraceQL metrics updates, trace redaction, and more

Tempo 3.1 mang đến những cải thiện đáng kể cho Kafka client, giúp tăng hiệu suất và ổn định khi xử lý tracing data. Phiên bản này cũng bổ sung các tính năng mới cho TraceQL metrics, cho phép truy vấn và phân tích dữ liệu đo lường chi tiết hơn. Hệ quả là người dùng có thể vận hành Tempo dễ dàng hơn và khai thác thông tin sâu sắc từ tracing data. Đặc biệt, tính năng trace redaction giúp bảo mật dữ liệu nhạy cảm bằng cách tự động loại bỏ thông tin quan trọng trước khi lưu trữ.

Tempo 3.1 mang lại nhiều cải tiến quan trọng giúp lập trình viên dễ dàng vận hành và phân tích dữ liệu tracing hiệu quả hơn.