Stop Asking ChatGPT to Write Your Code. Ask It This Instead

What Google’s Harness² shows about improving an AI agent

What Google’s Harness² shows about improving an AI agent The gains came from scripts and skills, not the prompt. And letting the model rewrite its harness blindly made it worse. Harness² is a …

Colorfigures

Colorfigures là một AI skill có khả năng tạo ra hình ảnh 3D isometric của các đồ vật hàng …

Claude Code's creator says better prompts need just 3 things, so I tested his approach

Bối cảnh của bài viết khám phá liệu chúng ta có đang quá tư duy hóa việc tạo prompt hay không. Nguyên nhân kỹ thuật được nêu ra là một phương pháp đơn giản chỉ cần 3 yếu tố: context, instruction, và input, được đề xuất bởi nhà sáng tạo Claude Code. Hệ quả khi áp dụng phương pháp này là việc tạo prompt hiệu quả trở nên dễ dàng hơn nhiều so với những cách phức tạp trước đây. Điều đáng học là ngay cả những AI model mạnh nhất hiện nay như Claude 3 hay GPT-4 vẫn phản ứng tốt với prompt có cấu trúc đơn giản này.

Bài viết này giúp bạn hiểu ra cách đơn giản hóa việc tạo prompt hiệu quả chỉ với ba yếu tố cơ bản.

Blender Is Hiring: Job Openings for Software & DevOps Engineers

Blender đang tuyển dụng vị trí Software và DevOps Engineer cho các lập trình viên đam mê công nghệ 3D. Công ty cần bổ sung nhân sự để phát triển các dự án như Geometry Nodes và Blender Engine. Các ứng viên sẽ làm việc với công nghệ cụ thể như OpenGL, C++ và Python để cải thiện core functionality của phần mềm. Đây là cơ hội tốt cho những ai muốn đóng góp trực tiếp vào một dự án open-source nổi tiếng toàn cầu. Bạn sẽ được làm việc trong môi trường phát triển năng động và có tác động lớn đến cộng đồng người dùng Blender.

Bài viết này giúp lập trình viên khám phá cơ hội làm việc tại Blender, nơi họ có thể góp sức vào dự án phần mềm mã nguồn mở 3D hàng đầu thế giới.

When agents repeatedly make a thing…

When agents repeatedly make a thing worse when asked to fix it, the best way I've found to dig myself out of that hole is to start a fresh context and ask them to explain and critique that area of the code before asking for a fix. It's like jiggling the handle on a broken toilet

The Problem with C++ Safety (Part 1): Why “It Works” Isn’t Good Enough – MC++ BLOG

C++ liên tục bị các cơ quan như NSA và EU's Cyber Resilience Act đánh dấu là ngôn ngữ không an toàn về bộ nhớ. Bài phân tích ví dụ kiểm tra palindrome trên LinkedIn cho thấy nhiều vi phạm Core Guidelines và rủi ro kỹ thuật như truy cập chỉ mục không được kiểm tra. Dù được viết lại thành hàm is_palindrome() tổng quát hơn, mã vẫn không thể đảm bảo 100% an toàn. Bài viết chứng minh rằng "biên dịch và chạy được" không đồng nghĩa với "an toàn", và phần tiếp theo sẽ đề xuất giải pháp C++ hiện đại hơn.

Bài viết này giúp lập trình viên C++ nhận ra những lỗi bảo mật tiềm ẩn ngay cả trong code "đạt chuẩn" và hiểu sự khác biệt giữa code hoạt động và code an toàn.

Why AI Sounds Confident When It Is Wrong

Bối cảnh là các câu hỏi phỏng vấn về AI thường đặt ra thách thức về việc nhận biết khi AI tự tin nhưng sai. Nguyên nhân kỹ thuật là Large Language Models (LLMs) như GPT-4 được huấn luyện để tạo ra văn bản mạch lạc, dẫn đến hiện tượng "hallucination" - tạo ra thông tin không chính xác nhưng trình bày một cách quyết đoán. Hệ quả là người dùng khó phân biệt giữa thông tin chính xác và giả mạo, gây rủi ro trong các tình huống quan trọng. Điều đáng học là năm câu trả lời phỏng vấn hiệu quả giúp ứng viên thể hiện hiểu biết về giới hạn của AI và phương pháp xác minh thông tin do AI tạo ra.

Bài viết giải thích hiện tượng AI tự tin khi sai và cách trả lời phỏng vấn thể hiện sự am hiểu về vấn đề này.

The LLM Blindspot: Why Models Forget What’s in the Middle of Your Prompt

Các mô hình LLM (Large Language Model) thường bỏ qua thông tin nằm ở giữa prompt, hiện tượng được nghiên cứu trong bài viết này. Nguyên nhân kỹ thuật đến từ cơ chế attention của transformer architecture, nơi các token ở đầu và prompt được tính trọng số cao hơn. Hệ quả là mô hình có thể hiểu sai hoặc bỏ qua chi tiết quan trọng nằm ở vị trí trung tâm của prompt. Bài viết phân tích cụ thể hiện tượng này với các thí nghiệm trên GPT-3.5 và GPT-4, cho thấy tỷ lệ lỗi tăng lên đáng kể khi thông tin quan trọng được đặt ở giữa. Điều đáng học là các lập trình viên nên thiết kế prompt đặt thông tin quan trọng ở đầu hoặc cuối để tối ưu hóa hiệu quả khi làm việc với LLM.

Bài giải thích này giúp lập trình viên hiểu rõ tại sao mô hình ngôn ngữ lớn có xu hướng bỏ qua thông tin ở giữa prompt.