Linus Torvalds "Did What I Preach", Used AI To Make Code Decipherable & Uncovered More Bugs

Linus Torvalds Working On A Hefty Linux Kernel Improvement With Claude Code

Linus Torvalds đang phát triển một cải tiến lớn cho Linux kernel thông qua nhánh noref-filemap-read-with-llm, sử dụng Claude Code để tái cấu trúc quản lý bộ nhớ. Vấn đề kỹ thuật nhắm vào điểm nghẽn khi đọc nhỏ lẻ cùng một file từ nhiều thread tranh giành quyền tham chiếu folio. Torvalds báo cáo cải thiện hiệu suất đáng kể từ bộ bản vá này, với cả code, test program, review và bản nháp thư cover letter đều được tạo ra bằng Claude Code dưới sự hướng dẫn của ông. Dự kiến thay đổi này sẽ được merge vào Linux 7.4 trong thời gian tới.

Bài viết tiết lộ cách Linus Torvalds sử dụng Claude Code để tối ưu hóa hiệu suất kernel Linux qua phân tích và xử lý bộ nhớ tiên tiến.

Total Annihilation, rebuilt for modern computers

Total Annihilation, tựa game chiến thuật thời gian thực kinh điển, giờ đã được tái tạo cho máy tính hiện đại thông qua Nanolathe - một engine game 2.5D mã nguồn mở. Dự án này cho phép chơi bản demo gốc ngay trên trình duyệt mà không cần cài đặt đầy đủ. Nguyên nhân kỹ thuật là do nhóm phát triển đã reverse-engineer engine TA gốc để tái tạo các core mechanic, đồng thời thêm vào tính năng chơi online đa người. Hệ quả là game thủ có thể trải nghiệm lại tác phẩm kinh điển này với đồ họa được cải thiện nhưng vẫn giữ nguyên gameplay đặc trưng. Điều đáng học hỏi là cách tiếp cận "chơi trong trình duyệt" giúp tiếp cận rộng rãi cộng đồng modder và người chơi mới mà không rào cản cài đặt phức tạp.

Bài này giúp bạn trải nghiệm lại tựa game chiến thuật kinh điển Total Annihilation với công nghệ hiện đại và cơ hội phát triển engine mã nguồn mở.

12 things I miss since coding died

Bối cảnh hiện nay nhiều lập trình viên cảm thấy mất đi niềm vui khi coding trở nên quá tập …

Sidequest: A 100% Offline Vision-Language Scavenger Hunt Where the Screen Is the Shortest Part of the Walk

Sidequest là một dự án mã nguồn mở tham gia Hacktoberfest AI Challenge, tổ chức các cuộc săn tìm bằng công nghệ Vision-Language 100% offline. Dự án sử dụng mô hình OpenAI CLIP và các API AR của Android/iOS để nhận diện vật thể thực tế mà không cần kết nối internet. Người dùng phải đi bộ và tìm kiếm các vật thể theo mô tả, với thời gian di chuyển chiếm phần lớn trải nghiệm thay vì nhìn màn hình hình. Đây là ví dụ thú vị về ứng dụng AI thực tế, kết hợp xử lý hình ảnh ngôn ngữ với hoạt động thể chất ngoài trời.

Bài giới thiệu dự án Sidequest cho thấy cách AI có thể kết hợp với thế giới thực để tạo ra trải nghiệm công nghệ độc đáo và khuyến khích người dùng tương tác với môi trường xung quanh.

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.

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.

How to read code

Việc đọc code không giống như đọc sách tuyến tính từ trên xuống dưới. Nguyên nhân kỹ thuật là do code có cấu trúc phân cấp, phụ thuộc và luồng điều phức tạp. Hệ quả là lập trình viên cần phương pháp tiếp cận có hệ thống như đọc từng function, module, sau đó mới hiểu mối quan hệ giữa chúng. Điều đáng học là áp dụng kỹ thuật "top-down reading" - bắt đầu từ hàm main hoặc điểm entry function, sau đó đi sâu vào các thành phần phụ. Bài viết gốc chỉ ra rằng việc hiểu dependency graph trước khi đọc chi tiết từng phần giúp tăng hiệu quả up đến 40%.

Bài viết này giúp lập trình viên nâng cao kỹ năng đọc code hiệu quả hơn bằng cách áp dụng các phương pháp tiếp cận có hệ thống.

How to prepare for AI-driven code modernization projects

Dự án modernization code bằng AI có thể hoàn thành trong vài tháng, nhưng quản lý thay đổi mới là yếu tố quyết định tốc độ. Để chuẩn bị, cần xác định rõ mục tiêu (target), chứng nhận (certificate) và chính sách triển khai (promotion policy). Quy trình gồm 6 bước cụ thể giúp tổ chức chuyển đổi hiệu quả với công nghệ AI. Đáng chú ý là các công cụ AI như GitHub Copilot hay Amazon CodeWhisperer có thể tăng tốc độ refactor code lên đến 40%. Quản lý thay đổi tốt sẽ đảm bảo dự án thành công dù có sự hỗ trợ mạnh mẽ từ AI.

Bài viết này giúp lập trình viên hiểu rõ các bước chuẩn bị cho dự án hiện đại hóa code bằng AI, đặc biệt tập trung vào quản lý thay đổi để đảm bảo thành công.