Why basic RAG fails at multi-hop reasoning (and how GraphRAG fixes it)

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.

Applying OpenAI's RAG Strategies

Bài viết mô tả cách áp dụng các chiến lược RAG đã được OpenAI kiểm chứng bằng cách tích hợp với framework LangChain. Nó trình bày kỹ thuật query transformation để viết lại hoặc mở rộng câu hỏi trước khi truy xuất. Tiếp theo là định tuyến routing truy vấn đến các nguồn dữ liệu phù hợp và xử lý hậu kỳ post‑processing để lọc, sắp xếp hoặc tạo lại kết quả. Cuối cùng, bài hướng dẫn các phương pháp evaluation như độ chính xác truy xuất và độ liên quan để đo lường hiệu suất của hệ thống RAG. Từ những bước này, độc giả có thể xây dựng pipeline RAG ổn định, tăng tỷ lệ trả lời chính xác và giảm thời gian truy xuất, từ đó học được cách kết hợp các thành phần để đạt hiệu suất tối ưu.

Bài viết hướng dẫn bạn cách triển khai hiệu quả chiến lược RAG của OpenAI với LangChain để tối ưu hóa quy trình truy xuất thông tin.

Slop Debt

Bài viết bắt đầu bằng việc xác định rằng công nợ kỹ thuật (tech debt) có quy tắc rõ ràng …

Why use ORMs if LLMs write code?

ORMs vẫn cần thiết vì chúng cung cấp lớp trừu tượng an toàn, hiệu quả để tương tác với cơ sở dữ liệu, trong khi LLMs chỉ sinh code tiềm ẩn rủi ro lỗi, kém tối ưu và khó bảo trì. ORMs giúp chuẩn hóa truy vấn, tránh SQL injection và tối ưu hóa hiệu suất thông qua caching, điều mà code do LLM sinh ra khó đảm bảo.

Lập trình viên nên đọc bài này để hiểu cách ORM và SQL vẫn giữ vai trò quan trọng trong quản lý dữ liệu cơ bản, giúp tránh rủi ro lỗi và tối ưu hóa hiệu suất khi ứng dụng lớn cần kiểm soát trực tiếp dữ liệu.

Learn Vectorized Thinking in Python Through Examples

Bài viết giải thích tại sao vòng lặp Python thường chậm khi xử lý dữ liệu lớn và giới thiệu cách thay thế bằng các phép toán vector hóa của NumPy. Nó trình bày từng kỹ thuật như phép toán phần tử, masking boolean, broadcasting giữa các hình dạng mảng và tổng hợp theo trục, kèm ví dụ song song giữa mã loop và mã vector hóa cho thuế, cảnh báo nhiệt độ, chuẩn hoá CTR chiến dịch và tính lương làm thêm. Các thí nghiệm cho thấy việc sử dụng NumPy có thể cải thiện đáng kể thời gian thực thi so với vòng lặp thuần Python. Bài cũng đưa ra danh sách kiểm tra để nhanh chóng nhận diện các vòng lặp có thể được vector hóa, giúp lập trình viên tối ưu hoá mã mà không thay đổi logic. Kết luận, việc áp dụng tư duy vector hóa không chỉ làm mã ngắn gọn hơn mà còn nâng đáng kể hiệu suất, đặc biệt khi làm việc với mảng đa chiều và các điều kiện phức tạp.

Bài viết này giúp lập trình viên Python tối ưu hóa hiệu suất bằng cách thay thế vòng lặp chậm bằng các thao tác vector hóa của NumPy.

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.

Python 3.15 Preview: Sampling Profiler Quiz – Real Python

Python 3.15 preview đưa ra một sampling profiler mới được tích hợp vào bản phát hành để hỗ trợ đo lường hiệu suất mà không cần thay đổi mã. Profiler hoạt động ở hai chế độ – CPU (lấy mẫu dựa trên thời gian CPU thực) và GIL (lấy mẫu khi luồng giữ GIL), cho phép chọn mức độ chi tiết tùy thuộc vào workload đa luồng hoặc đơn luồng. Người dùng có thể tạo flame graphs và heatmaps trực tiếp từ dữ liệu lấy mẫu, đồng thời có thể đính kèm profiler vào một tiến trình đang chạy để phân tích vấn đề hiệu suất thực tế mà không cần khởi động lại. Việc hiểu sự khác biệt giữa hai chế độ lấy mẫu giúp lập trình viên chọn công cụ phù hợp – CPU mode cho phân tích tổng thời gian thực thi, GIL mode để xác định điểm cạnh tranh về lock trong các ứng dụng đa luồng. Kết hợp với khả năng xuất dữ liệu định dạng phổ biến như Speedscope hoặc perfetto, sampling profiler này trở thành một công cụ nhanh chóng, ít can thiệp để tối ưu hoá mã Python 3.15.

Bài viết này giúp lập trình viên nắm vững công cụ profiling mới trong Python 3.15 để tối ưu hóa hiệu năng ứng dụng.