NVIDIA Nemotron 3.5 Lightning · Ollama Blog

Domain-Driven Design matters more when AI writes your code

Mô hình miền (domain model) và Ngôn ngữ phổ quát (Ubiquitous Language) càng trở nên quan …

A deep dive into Nurb

Nurb được thiết kế để biến một agent viết mã thành đối tác CAD thực tế, cho phép các nhà phát triển làm việc trực tiếp trong môi trường mô hình 3D. Nó sử dụng các thành phần Python để tạo và thao tác hình học, đồng thời dựa trên nhân OCCT để xây dựng các thể rắn chính xác. Trong quá trình làm việc, hệ thống thực hiện kiểm tra trực tiếp và đo lường để phát hiện sớm các lỗi hoặc sai lệch về kích thước. Kết quả cuối cùng được xuất ra định dạng 3MF, giúp duy nhất dữ liệu mô hình và dễ dàng chia sẻ với các công cụ CAD khác. Từ đây ta học được rằng sự kết hợp giữa ngôn ngữ scripting linh hoạt và nhân mô hình rắn mạnh mẽ, cùng với việc áp dụng tiêu chuẩn xuất bản mở, có thể tạo ra quy trình thiết kế tự động hóa và đáng tin cậy.

Bài này giúp lập trình viên hiểu cách Nurb biến một agent lập trình thành đối tác CAD hiệu quả.

Frame generation feels terrible until you stop using it on unstable framerates

Frame generation được quảng cáo là cách tăng FPS mà không cần nâng cứng phần cứng, nhưng hiệu quả của nó phụ thuộc vào độ ổn định của khung hình gốc. Khi tốc độ khung hình biến động mạnh, thuật toán nội suy khung hình sẽ tạo ra các khung không đồng đều, gây ra hiện tượng runt và tăng độ trễ nhập vào. Điều này khiến trải nghiệm chơi game trở nên không mượt hơn so với việc tắt tính năng và chấp nhận FPS thấp hơn nhưng ổn định. Kết quả là người dùng thường cảm thấy “kém” hơn khi bật frame generation trên cấu hình không thể duy trì FPS ổn định. Bài học là chỉ nên bật frame generation khi tốc độ khung hình gốc đã cao và ổn định; nếu không, tốt nhất tập trung vào tối ưu hóa hiệu suất gốc thay vì dựa vào kỹ thuật tạo khung.

Bài viết giải thích tại sao frame generation chỉ phát huy hiệu quả khi có framerate ổn định, giúp lập trình viên hiểu cách sử dụng tính năng này đúng cách để tối ưu hiệu suất.

Herdr vs tmux vs Zellij

Nhiều lập trình viên cần một công cụ giữ phiên terminal tồn tại khi làm việc từ xa, chạy đồng thời nhiều agents mã nguồn và quản lý bố cục cửa sổ linh hoạt. Herdr được viết bằng Rust và tập trung vào mô hình plugin đơn giản với cấu hình dựa trên TOML, tmux vẫn là lựa chọn truyền thống được triển khai bằng C và có hệ thống session‑window‑pane ma trận lâu năm, trong khi Zellij cũng dùng Rust nhưng cung cấp bố cục linh hoạt qua layout file và một kho plugin mở rộng đang phát triển. Do sự khác biệt về ngôn ngữ triển khai và cách xử lý sự kiện, Herdr tiêu thụ bộ nhớ thấp hơn khi chạy nhiều agents đồng thời, tmux cung cấp ổn định cao nhất trên các hệ thống cũ nhưng có giới hạn trong việc tùy chỉnh layout động, Zellij cân bằng giữa hiệu năng và khả năng mở rộng nhưng còn trẻ về ổn định trong môi trường sản xuất. Từ đó, nếu ưu tiên là hiệu năng nhẹ và cấu hình đơn giản, Herdr là phù hợp; nếu cần sự ổn định và cộng đồng lớn, tmux vẫn là lựa chọn an toàn; còn muốn thử nghiệm layout phong phú và plugin hiện đại, Zellij đáng để xem xét.

Bài này giúp lập trình viên chọn công cụ terminal tối ưu cho persistent session và remote work.

Cloudflare Announces Kitesurf, a Browser Engine for Agents

Cloudflare vừa ra mắt Kitesurf, một trình duyệt nhẹ được thiết kế đặc biệt để xử lý các tác vụ tự động hóa của các agent. Kitesurf tách các thành phần trình duyệt ra chạy trong môi trường cô lập dựa trên WebAssembly và Rust, được triển khai trực tiếp trên nền tảng Cloudflare Workers. Việc này cho phép các agent thực hiện các hoạt động như tải trang, thực thi JavaScript hoặc truy cập DOM mà không cần khởi động một trình duyệt đầy đủ,從而 giảm đáng kể tài nguyên và thời gian khởi động. Nhờ cách cô lập này, Kitesurf cũng nâng cao mức độ bảo mật vì mỗi phiên bản chạy trong sandbox riêng, tránh ảnh hưởng lẫn nhau giữa các workload. Điều đáng học từ Kitesurf là việc kết hợp WebAssembly và Rust có thể tạo ra các môi trường trình duyệt hiệu quả và an toàn cho tự động hóa trên edge computing.

Lập trình viên nên đọc bài này để nắm công nghệ trình duyệt nhẹ Kitesurf giúp tối ưu hóa công việc tự động hóa trên nền tảng Cloudflare Workers.

Making Valibot easier for coding agents to use

Valibot là thư viện validation schema phổ biến cho JavaScript/TypeScript, nhưng tài liệu ban đầu không được thiết kế để các công cụ mã hoá tự động (coding agents) truy xuất và sử dụng nhanh chóng. Để khắc phục, đội phát triển đã thêm một agent skill, triển khai một MCP server cung cấp API truy vấn schema, chuyển toàn bộ trang tài liệu sang định dạng Markdown và tạo các đường dẫn LLMs.txt để mô hình ngôn ngữ có thể lấy thông tin ngay lập tức. Sau khi áp dụng những thay đổi này, thời gian trung bình mà một coding agent cần để tìm và áp dụng quy tắc validation giảm khoảng 40 %, và số lỗi do hiểu sai tài liệu giảm hơn một nửa. Kinh nghiệm cho thấy việc cung cấp nhiều định dạng tài liệu (Markdown, API, LLMs.txt) và tích hợp kỹ năng agent trực tiếp vào quy trình làm việc nâng cao đáng kể khả năng tương tác giữa mô hình AI và thư viện mã nguồn mở. Điều này cho thấy các dự án nguồn mở khác có thể áp dụng mô hình tương tự để giảm thiểu chướng ngại khi được sử dụng bởi các công cụ tự động.

Bài viết này giúp lập trình viên hiểu cách tận dụng tối đa Valibot với các công cụ AI để tăng hiệu suất phát triển.

Architects, testers, and coders: Building multi-agent development teams

Bài viết mô tả nhu cầu porting các thư viện Python sang Dart để hỗ trợ phát triển ứng dụng Flutter. Để giải quyết, tác giả mô hình hoá các nhóm phát triển gồm kiến trúc sư, kiểm thử và lập trình viên làm việc như các tác nhân độc lập trên nền tảng Antigravity. Quy trình được xây dựng quanh test‑driven development: mỗi tác nhân viết test cho chức năng mong muốn trước khi triển khai mã Dart tương ứng. Kết quả là các gói Dart được tạo ra có cấu trúc idiomatis, duy trì tính nhất quán với nguồn Python và đạt độ bao phủ test cao sau mỗi vòng lặp. Từ kinh nghiệm này, bài viết khuyên áp dụng mô hình multi‑agent cùng TDD khi cần dịch sang ngôn ngữ mới vì nó giúp tách biệt trách nhiệm, phát hiện lỗi sớm và giảm phụ thuộc vào kiến thức thủ công về từng thư viện. Điều này cho thấy Antigravity có thể làm nền tảng mở rộng để quản lý các dự án porting lớn mà không làm tăngภาระ điều phối thủ công.

Bài viết hướng dẫn cách xây dựng đội ngũ phát triển đa đại lý để chuyển đổi thư viện Python thành gói Dart idiomatically bằng phương pháp phát triển theo hướng kiểm thử.

Building a Proper Backend for My LangGraph AI Agent

Bài viết mô tả việc nâng cấp một demo LangGraph AI agent đặt lịch từ bộ nhớ trong (MemorySaver checkpointer kết hợp với một Python list làm BookingRepository) sang một lớp lưu trữ thực sự dựa trên Postgres. Nguyên nhân kỹ thuật là trạng thái trong bộ nhớ bị mất khi tiến trình khởi động lại và không có cơ chế khóa chung, dẫn đến nguy cơ đặt trùng lặp giữa các phiên làm việc khác nhau. Hệ quả là cần thiết kế một giao thức BookingRepository để cho phép thay đổi dễ dàng giữa InMemoryBookingRepository và PostgresBookingRepository, đồng thời định nghĩa schema gồm hai bảng technicians và bookings để các nút graph như generate_schedule_options_node và confirm_booking_node có thể đọc và ghi dữ liệu. Bài cũng cung cấp mã nguồn trên GitBox và hứa bài sau sẽ hướng dẫn cấu hình Docker và Postgres được lưu trữ. Điều đáng học là việc trừu tượng hóa lớp repository giúp duy trì tính bền vững và an toàn đồng thời mà không thay đổi logic luồng đồ thị.

Bài này giúp bạn hiểu cách xây dựng một hệ thống backend phù hợp với lưu trữ Postgres cho agent LangGraph, giải quyết các vấn đề về trạng thái mất mát và rủi ro đặt phòng trùng lặp.