Modern Java - Past

How Netflix Uses AI Agents for Performance Engineering

The Netflix engineering team has developed an autonomous performance agent system. In this article, we’ll be learning more about it.

How to Automate Testing of a Java Swing Application

Java Swing testing for real installed apps, with plain-language steps instead of component names.

Streaming Large File Uploads in Java Without Killing Your Server

Spring's @RequestPart cannot stream multipart uploads — not even FilePart. The API that actually does, and the tests that prove it.

JRuby 10.0.8.0 Released — JRuby.org

JRuby 10.0.8.0 is out, targeting Ruby 3.4 compatibility. The release resolves 54 issues and PRs, including dozens of bug fixes and performance improvements from new contributors. Changes include support for JDK 27, an update of the standard library to Ruby 3.4.12, a fix for Mutex#synchronize exiting with the lock still held after Thread#raise or Timeout, and a reduction of the default max JIT size to 500. Several fixes also address issues around class loading, frozen arrays and string deduplication.

dukehoff-decide: Typed, Calibrated Decisions from Small Language Models

Many LLM calls in Java apps are multiple choice. dukehoff-decide answers them with a small local model and returns a typed value with calibrated probabilities.

Why AI is Replacing Junior Developers and How Mid-Level Engineers Can Survive

AI đang thay thế các nhiệm vụ cơ bản, khiến lập trình viên mới khó tìm việc. Các công ty giờ cần kỹ sư cấp cao để sửa lỗi code do AI sinh ra. Lập trình viên nên dùng AI hỗ trợ giải quyết vấn đề thay vì viết code trực tiếp, đồng thời nắm vững công việc của mình để cải thiện thiết kế hệ thống và xử lý vấn đề tương lai.

Là một lập trình viên, đọc bài này giúp bạn hiểu cách AI không thay thế kỹ năng sáng tạo và quản lý dự án của bạn mà chỉ là công cụ hỗ trợ, giúp bạn nâng cao vị trí và hiệu suất trong công việc.

Spring AI or LangChain4j? One App, Three Stacks, One Test

The same small AI service in Spring AI, LangChain4j on Spring Boot and on Quarkus, held to one shared test. Where they differ, and where they do not.

What I Learned Building an AI Code Reviewer with Java and Spring Boot

Tác giả chia sẻ kinh nghiệm xây dựng hệ thống AI code reviewer tích hợp với GitHub Pull Request sử dụng Java và Spring Boot. Điểm cốt lận là việc kết hợp nhiều AI providers (OpenAI, Anthropic, Google) để tăng độ chính xác và giảm hạn chế của từng nền tảng riêng lẻ. Hệ thống xử lý khoảng 500 PRs/tuần với thời gian phản hồi trung bình 12 giây, đạt độ chính xác 85% trong phát hiện lỗi. Bài học quan trọng là phải implement fallback mechanism khi một provider gặp sự cố, cùng với việc thiết kế prompt engineering để tối ưu hóa output từ các model khác nhau.

Bài chia sẻ này giúp lập trình viên hiểu cách tích hợp AI vào quy trình kiểm tra code với GitHub Pull Requests, Spring Boot và các nhà cung cấp AI đa dạng.