We Had 13 Engineers Spend Three Months Finding Vulnerabilities with LLMs

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.

The AI Errors That Don’t Look Like Errors

Bài viết指出，AI thường tạo ra những lỗi không dễ phát hiện vì chúng không phải là trích dẫn hoàn toàn giả mạo mà là những nguồn thật nhưng có số trang, ngày tháng hoặc thống kê bị thay đổi nhẹ. Những lỗi này xảy ra khi mô hình truy xuất tài liệu thực sự rồi tự động chỉnh sửa lại chi tiết để phù hợp với ngữ cảnh mà nó đang tạo ra, dẫn tới những tham chiếu выглядят chính xác nhưng thực tế sai lệch. Khi vượt qua quá trình kiểm tra thường lệ, các sai số này có thể lọt vào bài báo, tài liệu kỹ thuật hoặc bài viết học thuật, gây nhầm lẫn và làm giảm độ tin cậy của nội dung được hỗ trợ bởi AI. Bài khuyên người đọc nên luôn xác thực từng trích dẫn bằng cách tra cứu nguồn gốc, kiểm tra lại các con số và sử dụng công cụ truy vết nguồn khi có thể. Việc xem đầu ra của AI như một bản nháp cần審閱而不是 kết luận cuối cùng là cách hiệu quả nhất để tránh những lỗi “không nhìn thấy là lỗi” này.

Bài viết này giúp lập trình viên nhận ra những sai lầm tinh vi của AI mà thông thường không thể phát hiện qua bình thường.

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.

Slop Debt

Bài viết bắt đầu bằng việc xác định rằng công nợ kỹ thuật (tech debt) có quy tắc rõ ràng khi團隊故意 để lại lỗi nhỏ để đáp ứng hạn chót. Khi đó, các nhà phát triển thường ghi chú TODO fix this và mong đợi sẽ được xử lý sau khoảng thời gian nhất định, thường là sáu tháng. Do có giới hạn thời gian và khả năng truy vết, công nợ này gây phiền phức nhưng vẫn có thể đo lường và một kỹ sư cấp cao có thể vẽ bản đồ chỉ ra vị trí các "shallow bugs" trong mã nguồn. Điều này trái ngược với "slop debt" mà mô tả là sự tích lũy của mã nguồn loạn lạc mà không có bất kỳ ghi chú hoặc kế hoạch sửa chữa nào, khiến việc định vị và xử lý trở nên khó khăn hơn nhiều. Bài học chính là cần phân biệt hai loại nợ và áp dụng chiến lược trả nợ phù hợp: đối với tech debt, lên kế hoạch sửa trong chu kỳ phát hành; đối với slop debt, cần đầu tư tái cấu trúc sớm để tránh sự suy giảm không thể kiểm soát của chất lượng mã.

Bài viết này giúp lập trình viên nhận diện và quản lý các dạng nợ kỹ thuật vô hình mà không có quy tắc rõ ràng, gây nguy hiểm cho dự án.