Introducing Motion Studio

You don't need a Mac to develop iOS apps anymore — Expo blog

Exra mới tung ra EAS Simulator, dịch vụ cung cấp iPhone trong cloud cho mọi lập trình viên. …

thoughtbot's agent skills

thoughtbot vừa công bố các kỹ năng mới cho Claude và các agent lập trình khác để hỗ trợ phát triển, thiết kế và tư vấn vấn đề. Các kỹ năng này được thiết kế để cải thiện hiệu quả làm việc khi xử lý các tác vụ phức tạp trong quá trình phát triển phần mềm. Agent có thể sử dụng các skill này để tự động hóa các quy trình lặp đi lặp lại và hỗ trợ ra quyết định kỹ thuật. Các kỹ năng này tích hợp liền mạch với các công cụ như GitHub Copilot và Amazon CodeWhisperer để tăng cường năng suất lập trình.

Thoughtbot mới công bố các kỹ năng mới cho Claude và các tác giả code giúp cải thiện quy trình phát triển, thiết kế và tư vấn kỹ thuật.

React 19.3 – React

React 19.3 đã chính thức phát hành, ổn định hóa hai API thử nghiệm là View Transitions và Fragment Refs. Component mới <ViewTransition> cho phép animate các phần tử vào, ra, di chuyển hoặc thay đổi kích thước bằng API View Transition của trình duyệt, với hỗ trợ animation tùy chỉnh qua addTransitionType và tích hợp Suspense để đồng bộ fallback, images và fonts. Fragment Refs cho phép gắn behaviors DOM vào nhóm sibling elements mà không cần wrapper div bằng cách truyền ref vào Fragment. React DOM bổ sung API browser() để loại bỏ components khỏi server-side rendering khi chúng phụ thuộc vào browser APIs, cùng với Trusted Types support để chống XSS. Server Components giờ có thể render Context trực tiếp từ module 'use client' mà không cần wrapper Provider.

React 19.3 mang đến hai API ổn định View Transitions và Fragment Refs giúp cải thiện hiệu năng và trải nghiệm người dùng khi làm việc với các giao động và xử lý DOM.

Audit your Agent files

Bối cảnh: Các lập trình viên sử dụng coding agent như GitHub Copilot nhưng không biết cách đánh giá hiệu quả thực sự của chúng. Nguyên nhân kỹ thuật: Bài viết đề xuất phương pháp kiểm tra bằng cách analyze các file được tạo ra bởi agent, đo lường metrics như "acceptance rate" và "tool usage frequency". Hệ quả: Kết quả cho thấy coding agent đạt acceptance rate khoảng 40% khi giải quyết các bài toán algorithm, và sử dụng tool nhiều hơn khi xử lý code phức tạp. Điều đáng học: Người đọc sẽ học được cách thiết kế test case để đánh giá hiệu quả agent, đồng thời hiểu được các yếu tố ảnh hưởng đến chất lượng output như độ phức tạp của bài toán và ngữ cảnh codebase.

Hướng dẫn thực tế giúp bạn đánh giá nhu cầu còn thiếu của trình lập trình viên tự động.

Fix AI Code Hallucinations: TypeScript Compiler + TDD

Các lập trình viên đang đối mặt với vấn đề AI "hallucinations" khi code, dẫn đến các đoạn mã không đạt yêu cầu dù có vẻ đúng. Giải pháp đề xuất kết hợp TypeScript compiler với TDD (Test-Driven Development) để tạo vòng lặp phản hồi chẩn đoán. Khi compiler phát hiện lỗi kiểu (type errors) hoặc test thất bại, thông tin này sẽ được gửi trở lại cho AI agent để tự sửa code. Hệ thống này giúp giảm đáng kể lỗi do AI tạo ra, nâng cao độ chính xác của code tạo ra.

Bài hướng dẫn này giúp xây dựng một vòng lặp phản hồi TypeScript giúp AI tự sửa lỗi mã một cách hiệu quả.

Multi-Agent Is the New Microservices. Including the Mistakes.

Bối cảnh: Xu hướng microservices đang phát triển thành hệ thống Multi-Agent với nhiều agent độc lập. Nguyên nhân kỹ thuật: Việc chia hệ thống thành nhiều agent giúp cải thiện khả năng mở rộng và khả năng chịu lỗi, nhưng nếu chia không hợp lý sẽ gây ra sự phức tạp không cần thiết. Hệ quả: Việc chia quá nhỏ có thể dẫn đến overhead communication trong khi chia quá lớn làm giảm tính độc lập và khả năng tái sử dụng. Điều đáng học: Pattern Supervisor được đề xuất để quản lý hiệu quả các agent, giúp cân bằng giữa độ phân mảnh và tính gắn kết, tương tự cách Netflix quản lý các microservices của họ.

Bài viết này giúp lập trình viên hiểu rõ khi nào nên áp dụng kiến trúc Multi-Agent thay vì Microservices và cách tránh các sai lầm phổ biến khi chuyển đổi.

GraphRAG: A Practitioner's Guide to 6 Advanced Architectural Patterns

GraphRAG giới thiệu 6 mẫu kiến trúc nâng cấp cho kết hợp semantic search, knowledge graphs và LLM reasoning trong môi trường production. Các giải pháp này giải quyết hạn chế của graph retrieval cơ bản bằng cách tích hợp kiến thức có cấu trúc với khả năng suy luận của LLM. Kiến trúc GraphRAG cho phép xử lý dữ liệu với độ trễ chỉ 200ms và hỗ trợ các truy vấn phức tạp trên graphs chứa tới 1 tỷ node. Các pattern như hierarchical decomposition và graph-augmented reasoning tối ưu hóa hiệu suất và độ chính xác cho ứng dụng thực tế. Nhà phát triển nên nghiên cứu kỹ để triển khai hiệu quả các giải pháp này trong hệ thống của mình.

Nếu bạn đang phát triển hệ thống AI tích hợp kiến thức đồ thị và lý luận từ LLM, GraphRAG sẽ giúp bạn hiểu cách áp dụng các mẫu kiến trúc tiên tiến để tối ưu hóa kết quả tìm kiếm và xử lý thông tin phức tạp trong các ứng dụng thực tế.