thoughtbot's agent skills

I Built a Green Blob That Lives on My Desktop (and Now It Has Feelings)

Tác giả đã tạo ra một ứng dụng Green Blob chạy trên desktop, sử dụng state machines để mô phỏng "cảm xúc". Dự án được phát triển bằng Python, sử dụng thư viện Pygame cho giao diện đồ họa và chạy trên Linux với mã nguồn mở. Green Blob có khả năng thay đổi trạng thái cảm xúc dựa trên tương tác của người dùng, tạo ra một trải nghiệm sinh động trên desktop. Đây là một ví dụ thú vị về việc áp dụng state machines trong UI design, đặc biệt hữu ích cho các lập trình viên quan tâm đến giao diện tương tác sinh học.

Bài này mang đến góc nhìn sáng tạo về việc tạo ra ứng dụng desktop tương tác với Python, mở rộng khả năng lập trình đồ họa và xử lý trạng thái.

You don't need a Mac to develop iOS apps anymore — Expo blog

Exra mới tung ra EAS Simulator, dịch vụ cung cấp iPhone trong cloud cho mọi lập trình viên. …

Audit your Agent files

Bối cảnh: Các lập trình viên sử dụng coding agent như GitHub Copilot nhưng không biết cách đánh giá hiệu quả thực sự của chúng. Nguyên nhân kỹ thuật: Bài viết đề xuất phương pháp kiểm tra bằng cách analyze các file được tạo ra bởi agent, đo lường metrics như "acceptance rate" và "tool usage frequency". Hệ quả: Kết quả cho thấy coding agent đạt acceptance rate khoảng 40% khi giải quyết các bài toán algorithm, và sử dụng tool nhiều hơn khi xử lý code phức tạp. Điều đáng học: Người đọc sẽ học được cách thiết kế test case để đánh giá hiệu quả agent, đồng thời hiểu được các yếu tố ảnh hưởng đến chất lượng output như độ phức tạp của bài toán và ngữ cảnh codebase.

Hướng dẫn thực tế giúp bạn đánh giá nhu cầu còn thiếu của trình lập trình viên tự động.

Fix AI Code Hallucinations: TypeScript Compiler + TDD

Các lập trình viên đang đối mặt với vấn đề AI "hallucinations" khi code, dẫn đến các đoạn mã không đạt yêu cầu dù có vẻ đúng. Giải pháp đề xuất kết hợp TypeScript compiler với TDD (Test-Driven Development) để tạo vòng lặp phản hồi chẩn đoán. Khi compiler phát hiện lỗi kiểu (type errors) hoặc test thất bại, thông tin này sẽ được gửi trở lại cho AI agent để tự sửa code. Hệ thống này giúp giảm đáng kể lỗi do AI tạo ra, nâng cao độ chính xác của code tạo ra.

Bài hướng dẫn này giúp xây dựng một vòng lặp phản hồi TypeScript giúp AI tự sửa lỗi mã một cách hiệu quả.

Multi-Agent Is the New Microservices. Including the Mistakes.

Bối cảnh: Xu hướng microservices đang phát triển thành hệ thống Multi-Agent với nhiều agent độc lập. Nguyên nhân kỹ thuật: Việc chia hệ thống thành nhiều agent giúp cải thiện khả năng mở rộng và khả năng chịu lỗi, nhưng nếu chia không hợp lý sẽ gây ra sự phức tạp không cần thiết. Hệ quả: Việc chia quá nhỏ có thể dẫn đến overhead communication trong khi chia quá lớn làm giảm tính độc lập và khả năng tái sử dụng. Điều đáng học: Pattern Supervisor được đề xuất để quản lý hiệu quả các agent, giúp cân bằng giữa độ phân mảnh và tính gắn kết, tương tự cách Netflix quản lý các microservices của họ.

Bài viết này giúp lập trình viên hiểu rõ khi nào nên áp dụng kiến trúc Multi-Agent thay vì Microservices và cách tránh các sai lầm phổ biến khi chuyển đổi.

Rune Goes Open Source, Looks to Share Revenue With Contributors

IDE dựa trên ngôn ngữ Go vừa trở thành open-source dưới giấy phép GPLv3, cho phép người …

GraphRAG: A Practitioner's Guide to 6 Advanced Architectural Patterns

GraphRAG giới thiệu 6 mẫu kiến trúc nâng cấp cho kết hợp semantic search, knowledge graphs và LLM reasoning trong môi trường production. Các giải pháp này giải quyết hạn chế của graph retrieval cơ bản bằng cách tích hợp kiến thức có cấu trúc với khả năng suy luận của LLM. Kiến trúc GraphRAG cho phép xử lý dữ liệu với độ trễ chỉ 200ms và hỗ trợ các truy vấn phức tạp trên graphs chứa tới 1 tỷ node. Các pattern như hierarchical decomposition và graph-augmented reasoning tối ưu hóa hiệu suất và độ chính xác cho ứng dụng thực tế. Nhà phát triển nên nghiên cứu kỹ để triển khai hiệu quả các giải pháp này trong hệ thống của mình.

Nếu bạn đang phát triển hệ thống AI tích hợp kiến thức đồ thị và lý luận từ LLM, GraphRAG sẽ giúp bạn hiểu cách áp dụng các mẫu kiến trúc tiên tiến để tối ưu hóa kết quả tìm kiếm và xử lý thông tin phức tạp trong các ứng dụng thực tế.

Coders lose their DMCA case against GitHub Copilot and Codex

Vụ kiện DMCA của các lập trình viên chống lại GitHub Copilot và Codex đã bị Tòa án Circuit thứ Nine bác bỏ. Nguyên nhân kỹ thuật là tuyên bố về đào tạo AI của các lập trình viên đã bị tòa án cấp dưới bỏ qua. Hệ quả là GitHub Copilot và Codex tiếp tục hoạt động mà không vi phạm DMCA. Đáng học hỏi là các lập trình viên cần hiểu rõ luật sở hữu trí tuệ khi phát triển các công cụ AI. Các lập trình viên nên chú ý đến việc sử dụng dữ liệu đào tạo để tránh các vấn đề pháp lý tương tự.

Bài viết cung cấp thông tin quan trọng về kết án DMCA đối với GitHub Copilot và Codex, giúp lập trình viên hiểu rõ các vấn đề pháp lý liên quan đến AI mã nguồn.