Production MCP Server Architecture in TypeScript

The Open Source AI Stack

Bối cảnh là việc xây dựng các workflow lập trình có tính agent (tự chủ) trong thế giới AI mã nguồn mở. Nguyên nhân kỹ thuật là nhu cầu cấu trúc hóa stack AI qua 5 lớp MIGHT (Model, Inference, Gateways/routers, Harness, Tools), với các lựa chọn cụ thể như model Kimi K3 hoặc GLM 5.3 Flash, inference provider Together AI, gateways OpenRouter và Vercel AI Gateway, cùng harness như OpenCode, PI, và Amp. Hệ quả là stack composable giúp mỗi lớp có thể thay đổi độc lập, tối ưu hóa hiệu suất và chi phí. Điều đáng học là các phương pháp quản lý context, bắt đầu session mới, và quy trình plan-implement-review đa model để phát triển hiệu quả hơn.

Bài này giúp lập trình viên hiểu rõ cách xây dựng workflow AI mã nguồn mở với kiến trúc MIGHT linh hoạt, cho phép tối ưu hóa từng thành phần riêng biệt.

Bun v1.4.2

Bản phát hành Bun v1.4.2 được ra để sửa hai hồi quy ảnh hưởng tới Elysia và …

A Shai-Hulud npm payload came back 111 days later

Một con Shai-Hulud worm đã ẩn mình trong npm registry suốt 111 ngày rồi bất ngờ tái xuất hiện, qua mặt hoàn toàn hệ thống quét malware. Chiến thuật này khai thác khoảng trống thời gian trong cơ chế giám sát của npm, cho phép mã độc tồn tại lâu dài mà không bị phát hiện. Vụ việc này gây ra rủi ro bảo mật đáng kể cho các dự án phụ thuộc vào các package bị nhiễm. Lập trình viên nên cân nhắc thêm các bước kiểm tra bổ sung như analysis bằng công cụ như npm audit hoặc Snyk để phát hiện hành vi đáng ngờ. Điều này cho thấy giới hạn của hệ thống tự động và nhu cầu cần thiết về nhận thức cộng đồng trong việc bảo vệ ecosystem.

Bài viết này cảnh báo về mối nguy hiểm của các npm payload có khả năng ẩn mình và né qua hệ thống quét độc hại.

Supabase is now available in Gemini Enterprise

Supabase vừa tích hợp với Gemini Enterprise, cho phép truy vấn database bằng ngôn ngữ tự nhiên ngay trên nền tảng. Tích hợp này sử dụng API của Gemini Enterprise để xử lý các truy vấn tự nhiên và chuyển đổi chúng thành SQL queries cho Supabase. Người dùng giờ đây có thể tương tác với dữ liệu của họ mà không cần viết code SQL, giúp tăng hiệu suất làm việc. Đặc biệt tính năng này hỗ trợ các dự án sử dụng Supabase Realtime, cho phép truy vấn dữ liệu thời gian thực. Lập trình viên nên cân nhắc tích hợp này để tăng hiệu quả khi làm việc với dữ liệu phức tạp, đặc biệt khi làm việc với Gemini Enterprise API.

Lập trình viên muốn tự động hóa truy vấn dữ liệu từ các dự án Supabase bằng ngôn ngữ tự nhiên mà không cần viết mã SQL thủ công sẽ tìm hiểu cách kết nối Supabase với Gemini Enterprise để tối ưu hóa hiệu suất và giảm thiểu công sức lập trình.

Prompt Engineering Is Not Enough

Tạo ra AI đáng tin cậy cần nhiều hơn kỹ thuật Prompt Engineering. Việc kết hợp Retrieval, tools, memory và evaluation giúp giữ cho outputs được ground và consistent. Bài viết chỉ ra rằng chỉ sử dụng prompt tốt không đủ để đảm bảo AI đưa ra kết quả chất lượng. Các phương pháp như retrieval-augmented generation giúp giảm hallucinations trong khi tools và memory tạo ra tính nhất quán. Điều đáng học là xây dựng hệ thống AI tổng thể thay vì chỉ tập trung vào phần prompt.

Prompt Engineering không đủ, bạn cần hiểu cách kết hợp Retrieval, Tools, Memory và Evaluation để xây dựng AI đáng tin cậy.

LLMs remember your code, not your life: Building a portable personal context layer

Nhiều người dùng lo ngại về vấn đề quyền riêng tư khi các Large Language Models (LLMs) lưu trữ dữ liệu cá nhân. Tetsuya Wakita đã phát triển vault-mcp, một hệ thống mã nguồn mở giải quyết vấn đề này bằng cách lưu trữ ngữ cảnh AI cá nhân trong một Git repo thuộc sở hữu người dùng. Hệ thống này cung cấp ngữ cảnh cho bất kỳ LLM nào thông qua MCP (Model Context Protocol), đảm bảo dữ liệu cá nhân vẫn thuộc về người dùng dù trợ lý ảo thay đổi. Giải pháp này cho thấy chúng ta có thể tách biệt ngữ cảnh cá nhân khỏi mô hình AI, tạo ra một lớp ngữ cảnh cá nhân có thể di động và sở hữu độc lập. Đây là hướng đi quan trọng để giải quyết vấn đề quyền riêng tư khi sử dụng các trợ lý AI dựa trên LLM.

Vault-MCP cho phép bạn sở hữu và di chuyển bối cảnh cá nhân giữa các trợ lý AI khác nhau.

What Makes an Existing API Ready for AI Agents?

Các API hiện có không tự động tương thích với AI agents do thiếu các yếu tố thiết yếu như định dạng dữ liệu cấu trúc và cơ chế xác thực linh hoạt. Nguyên nhân kỹ thuật nằm ở việc các API thường được thiết kế cho con người sử dụng trực tiếp chứ không phải cho agents tự động, với tỷ lệ lỗi tới 30% khi agents cố gắng gọi các endpoint không phù hợp. Hệ quả là các AI agents gặp khó khăn khi xử lý dữ liệu không nhất quán, dẫn đến thất bại tích hợp và trải nghiệm người dùng kém. Điều đáng học là việc chuẩn bị API cho AI agents cần thêm schema validation, rate limiting linh hoạt và error handling chi tiết, như Redis đã áp dụng thành công với hệ thống API Gateway hỗ trợ agents.

Bài viết này giúp lập trình viên hiểu được tiêu chuẩn API cần thiết để tích hợp với AI agent một cách hiệu quả.