Why 0xCAFEBABE?

The G1 Garbage Collector

In this article, we will provide a technical overview and some key usage instructions for the G1 Garbage Collector, the default collector on the JVM.

Flutter Better in Java

Codename One now builds Flutter apps from their Dart source, and the result starts faster and uses less memory than Flutter's own release build on Android,...

Checking Module Boundaries in a Java Monolith

Use an ArchUnit test to check a Java module boundary, examine a violation and move the dependency behind the module's API.

How Netflix Uses AI Agents for Performance Engineering

The Netflix engineering team has developed an autonomous performance agent system. In this article, we’ll be learning more about it.

How to Automate Testing of a Java Swing Application

Java Swing testing for real installed apps, with plain-language steps instead of component names.

Why AI is Replacing Junior Developers and How Mid-Level Engineers Can Survive

AI đang thay thế các nhiệm vụ cơ bản, khiến lập trình viên mới khó tìm việc. Các công ty giờ cần kỹ sư cấp cao để sửa lỗi code do AI sinh ra. Lập trình viên nên dùng AI hỗ trợ giải quyết vấn đề thay vì viết code trực tiếp, đồng thời nắm vững công việc của mình để cải thiện thiết kế hệ thống và xử lý vấn đề tương lai.

Là một lập trình viên, đọc bài này giúp bạn hiểu cách AI không thay thế kỹ năng sáng tạo và quản lý dự án của bạn mà chỉ là công cụ hỗ trợ, giúp bạn nâng cao vị trí và hiệu suất trong công việc.

Streaming Large File Uploads in Java Without Killing Your Server

Spring's @RequestPart cannot stream multipart uploads — not even FilePart. The API that actually does, and the tests that prove it.

What I Learned Building an AI Code Reviewer with Java and Spring Boot

Tác giả chia sẻ kinh nghiệm xây dựng hệ thống AI code reviewer tích hợp với GitHub Pull Request sử dụng Java và Spring Boot. Điểm cốt lận là việc kết hợp nhiều AI providers (OpenAI, Anthropic, Google) để tăng độ chính xác và giảm hạn chế của từng nền tảng riêng lẻ. Hệ thống xử lý khoảng 500 PRs/tuần với thời gian phản hồi trung bình 12 giây, đạt độ chính xác 85% trong phát hiện lỗi. Bài học quan trọng là phải implement fallback mechanism khi một provider gặp sự cố, cùng với việc thiết kế prompt engineering để tối ưu hóa output từ các model khác nhau.

Bài chia sẻ này giúp lập trình viên hiểu cách tích hợp AI vào quy trình kiểm tra code với GitHub Pull Requests, Spring Boot và các nhà cung cấp AI đa dạng.