Observability’s Gaslighting Problem: “Send Less Data” Isn’t a Strategy

Observability 2.0: Why DevOps Teams Are Moving From Monitoring to Intelligent System Understanding

Bối cảnh: Các đội DevOps ngày càng cảm thấy rằng việc chỉ dựa vào dashboard và cảnh báo không đủ để phát hiện nguyên nhân sâu của sự cố trong môi trường đa đám mây và CI/CD phức tạp. Nguyên nhân kỹ thuật: Observability 2.0 đề xuất kết hợp dữ liệu telemetry (metrics, logs, traces) từ các dịch vụ cloud, mô hình AI và pipeline CI/CD vào một nền tảng thống nhất để thực hiện correlation tự động. Hệ quả: Khi telemetry được liên kết, kỹ sư có thể truy vết nguyên nhân gốc của sự cố trong thời gian thực, giảm trung bình thời gian khắc phục (MTTR) xuống dưới 30% so với cách tiếp cận truyền thống. Điều đáng học: Để chuyển từ monitoring sang hiểu hệ thống thông minh, các nhóm cần đầu tư vào công cụ thu thập và liên kết telemetry mở rộng, đồng thời nâng kỹ năng giải thích dữ liệu liên kết thay vì chỉ dựa vào bảng điều khiển. Kết luận: Việc áp dụng Observability 2.0 giúp équipes hiểu rõ “tại sao” sự cố xảy ra, từ đó đưa ra quyết định sửa chữa nhanh chóng và chính xác hơn.

Lập trình viên nên đọc bài này để hiểu cách chuyển từ việc theo dõi đơn giản thành việc phân tích sâu về nguyên nhân của các vấn đề trong hệ thống, giúp tối ưu hóa chất lượng dịch vụ và giảm thời gian khắc phục bằng cách kết hợp thông tin từ nhiều nguồn như cloud, AI và pipeline tự động.

All Your GUCs in a Row: log_lock_waits and log_lock_failures

Trong PostgreSQL 19, log_lock_waits sẽ bật mặc định sau khi tắt mặc định qua phiên bản 18, sử dụng timer giống deadlock_timeout (một giây) để ghi log tình trạng chờ khóa khi phát hiện xung đột. log_lock_failures, tham số mới trong PostgreSQL 18, ghi log ai đang giữ khi câu lệnh SELECT ... FOR UPDATE NOWAIT thất bại do không thể chờ. Cả hai tính năng này hữu ích để giám sát hiệu năng hệ thống, tuy nhiên log_lock_failures chỉ áp dụng cho cấp độ hàng với NOWAIT, không bao gồm LOCK TABLE hoặc timeout. Lập trình viên nên bật log_lock_waits ở mọi nơi và log_lock_failures trừ khi đang sử dụng workload thực thi NOWAIT liên tục.

Đọc bài này giúp bạn hiểu cách tối ưu hiệu suất PostgreSQL bằng các thông số log_lock_waits và log_lock_failures mới trong phiên bản 19.

Build AI-assisted firewall workflows with Ansible Automation Platform

Bài viết mô tả cách sử dụng Ansible Automation Platform kết hợp với ServiceNow và trí tuệ nhân tạo để tự động hoá quy trình thay đổi tường lửa. Bối cảnh là các đội ngũ bảo mật thường phải thực hiện nhiều thay đổi thủ công, dẫn đến lỗi và chậm trễ. Nguyên nhân kỹ thuật là việc kết hợp các playbook Ansible với webhook từ ServiceNow và mô hình AI để phát hiện các thay đổi nguy cơ và kích hoạt quy trình phê duyệt con người. Hệ quả là giảm thời gian xử lý thay đổi xuống đáng kể đồng thời tăng tính minh bạch và tuân thủ nhờ cơ chế phê duyệt có điều kiện. Điều đáng học là cách xây dựng một quy trình sự kiện‑điều khiển có kiểm soát, trong đó AI chỉ ra rủi ro và con người giữ vai trò quyết định cuối cùng.

Tài liệu này giúp bạn tự động hóa quy trình quản lý tường lửa với sự hỗ trợ của AI và phê duyệt thủ công, nâng cao hiệu quả quản lý bảo mật mạng.

Build and run Datadog workflows from Bits Chat or AI agents

Nhiều đội devops hiện nay phải chuyển qua lại giữa môi trường chat, công cụ AI và bảng điều khiển Datadog để tạo và sửa lỗi workflow. Bits Chat cung cấp một giao diện hội thoại tích hợp sẵn SDK của Datadog, cho phép AI coding agents gọi trực tiếp các API workflow thông qua context hoạt động hiện tại. Khi agent nhận lệnh từ người dùng, nó sẽ khởi tạo, chạy hoặc debug workflow mà không cần rời khỏi cửa sổ chat, giảm thiểu thời gian chờ đợi và lỗi do sao chép thông tin. Kết quả là các nhóm có thể giảm trung bình khoảng 30% thời gian xử lý sự cố và tăng tần suất thử nghiệm workflow mà không cần mở thêm tab hoặc công cụ. Bài học là việc nhúng khả năng vận hành vào môi trường trò chuyện hoặc AI giúp tối ưu hóa luồng làm việc, giảm bối rối công cụ và nâng cao hiệu suất phát triển.

Lập trình viên nên đọc bài này để hiểu cách tích hợp và tự động hóa quy trình làm việc Datadog qua Bits Chat và AI coding agent.

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 trọng khi AI tự động sinh code.

Lập trình viên nên đọc bài này để hiểu cách Domain-Driven Design (DDD) và ngôn ngữ chung (Ubiquitous Language) trở nên quyết định hơn bao giờ hết khi AI tự động hóa viết code, giúp bảo vệ chất lượng logic và tính tương thích với yêu cầu thực tế của dự án.

AI makes code cheap to create, not cheap to own

AI đã làm cho việc tạo ra code trở nên rẻ hơn, nhưng việc sở hữu và duy trì code lại đòi …

Agentic WMS — Part 1: Where AI Agents Add Value

Bài viết mô tả một dự án thử nghiệm sử dụng tình huống logistics quen thuộc để xem cách một AI agent có thể được tích hợp vào quy trình làm việc thực tế của một hệ thống quản lý kho (WMS). Trong phần đầu, tác giả trình bày bối cảnh WMS và xác định các điểm mà AI agent có thể tạo ra giá trị, như tối ưu hóa việc theo dõi hàng tồn và cảnh báo thiếu hàng. Phần tiếp theo sẽ xác định và kết nối agent bằng Java cùng với framework Spring AI để cho agent truy cập dữ liệu và thực hiện các hành động tự động. Cuối cùng, phần thực thi sẽ thu thập bối cảnh, đưa ra quyết định bổ hàng và thực hiện hành động khi cần thiết. Từ đó, bài học chính là việc xác định rõ vai trò cụ thể của AI agent trong luồng công việc logistics giúp tập trung nỗ lực phát triển vào những nơi mang lại lợi ích đo lường được.

Bài viết giúp hiểu cách AI Agent tích hợp vào quy trình thực tế và tạo giá trị trong hệ thống WMS.