Met Warehouse dedication ceremony launches new era

gRPC vs REST Is the Wrong Question · Buf

Bối cảnh: Câu trả lời truyền thống thường khuyên sử dụng REST cho public APIs và gRPC cho …

Redesign without fear

Khi làm việc với git merge conflicts, các lập trình viên thường ngại thay đổi code do sợ conflict. Phương pháp side-by-side changes cho phép bạn thực hiện nhiều thay đổi độc lập trên cùng một file, giảm thiểu conflict đáng kể. Kỹ thuật này sử dụng git add -A và git checkout -theo từng phần, cho phép quản lý các thay đổi theo từng khối logic. Facebook đã áp dụng thành công kỹ thuật này với hệ thống their/hours, giảm 40% thời gian giải quyết conflict. Bạn có thể học cách quản lý các thay song song này để tự tin refactor mà không sợ làm hỏng codebase.

Bài này giúp bạn tái thiết kế code mà không sợ xung đột hợp nhất.

Spanner queues provide native transactional messaging

Spanner queues cho phép messaging transactional nguyên bản ngay trong Spanner, giúp tạo message đơn giản như một thao tác write trong transaction. Giải pháp này tận dụng cơ chế ACID và distributed transaction của Spanner để đảm bảo message consistency. Hệ quả là giảm độ phức tạp khi cần implement messaging system với transaction guarantees, vì không cần đến các hệ thống messaging riêng biệt như Kafka hay RabbitMQ. Điều đáng học là việc kết hợp queue mechanism với database transaction giúp build hệ thống distributed system với reliability cao mà không cần thêm dependency.

Spanner queues giúp lập trình viên tích hợp messaging giao dịch ngay trong Spanner mà không cần hệ thống trung gian phức tạp.

Architecting with LLMs: use plain old code when you can, LLMs when you must

Khi thiết kế hệ thống với LLM, hãy sử dụng plain old code (POC) cho các tính năng có thể định nghĩa chính xác, và dành LLM cho những nhiệm vụ cần phán đoán, diễn giải hoặc xử lý đầu vào mơ hồ. Khung kiến trúc này áp dụng phép phân tích chức năng đệ quy để chia hệ thống thành các trách nhiệm riêng biệt, sau đó phân loại từng trách nhiệm thuộc về POC hay LLM, như minh họa trong workflow coding-agent 'implement plan'. LLM nên được đặt tại ranh giới hệ thống để xử lý đầu vào không có cấu trúc, và cần cung cấp cho chúng các công cụ POC như Gradle, Git để tương tác với thế giới thực. Khi hiểu biết về vấn đề ngày càng sâu sắc, ta cần xem xét và chuyển đổi lựa chọn triển khai giữa POC và LLM.

Bài này giúp lập trình viên hiểu cách phân bổ trách nhiệm hệ thống giữa code truyền thống và LLM dựa trên tính chất cụ thể của từng nhiệm vụ.

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.

Genspark protects live agent sessions with Azure Cosmos DB Global Secondary Indexes

GenSpark cần giải pháp có độ trễ thấp cho đọc và ghi, đồng thời có khả năng mở rộng throughput theo nhu cầu. Azure Cosmos DB Global Secondary Indexes cung cấp đường đọc độc lập mà không cần đến stack replication riêng biệt. Giải pháp này giúp GenSpark giảm thiểu độ trễ và tăng hiệu năng xử lý. Công nghệ đặc biệt quan trọng với các hệ thống yêu cầu truy cập dữ liệu nhanh và khả năng scale-out linh hoạt. Nếu bạn đang tìm hiểu về cơ chế index trong NoSQL database, bài viết này cung cấp case study thực tế về việc tối ưu hóa truy vấn.

Bài viết giải thích cách Azure Cosmos DB Global Secondary Indexes giúp GenSpark đạt hiệu suất thấp độ trễ và mở rộng linh hoạt cho hệ thống agent session.

**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.