Why Your LazyColumn Is Still Janky

A Million Go Map Entries Take 38MB, Not 16MB

Bối cảnh là cấu trúc map mới trong Go chiếm nhiều bộ nhớ hơn dự kiến. …

ESLint v10.11.0 released

ESLint phiên bản 10.11.0 đã được phát hành, đây là công cụ linting có khả năng mở rộng và cấu hình để phát hiện và báo cáo các mẫu mã trong JavaScript. Phiên bản mới này tập trung vào cải thiện hiệu suất và trải nghiệm người dùng với các tính năng mới như auto-fix cho nhiều quy tắc phổ biến. ESLint giúp duy trì chất lượng code một cách dễ dàng nhờ hệ thống quy tắc linh hoạt và khả năng tùy chỉnh cao. Với hơn 50 quy tắc tích hợp sẵn và hỗ trợ plugins từ cộng đồng, ESLint trở thành công cụ không thể thiếu cho các dự án JavaScript quy mô lớn.

Lập trình viên nên đọc bài này để cập nhật các tính năng mới và cải tiến trong ESLint v10.11.0 giúp nâng cao chất lượng code JavaScript.

Affordable and Fast Migration

Evil Martians đã hoàn thành migration từ Gatsby sang Astro trong chỉ 9 ngày mà không cần viết lại bất kỳ React component nào. Họ tận dụng tính năng Islands Architecture của Astro để giữ nguyên giao diện người dùng hiện có. Quy trình này giảm 60% bundle size và cải thiện tốc độ tải trang lên tới 70%. Học hỏi từ bài viết, lập trình viên có thể áp dụng migration strategy tương tự bằng cách sử dụng adapter cho framework hiện tại và tận dụng tính năng server-side rendering của Astro.

Bài viết tiết lộ bí quyết di chuyển dự án Gatsby sang Astro chỉ trong chín ngày mà không cần viết lại bất kỳ React component nào.

We Fixed N+1 With Eager Loading. Memory Usage Tripled.

Bài viết mô tả việc đội phát triển gặp vấn đề N+1 khi truy vấn danh sách đối tượng và quyết định áp dụng eager loading để giảm số lượng query. Sau khi bật eager loading, tổng số query giảm từ 801 xuống chỉ một câu SQL duy nhất. Tuy nhiên, câu query duy nhất này trả về lượng dữ liệu lớn hơn khả năng bộ nhớ của ứng dụng, khiến mức sử dụng RAM tăng lên gấp ba lần so với trước khi tối ưu. Kết quả là, mặc dù hiệu suất về số lượng query cải thiện, ứng dụng dễ gặp lỗi out‑of‑memory hoặc trễ do việc xử lý khối dữ liệu lớn. Bài học là khi tối ưu N+1 cần cân bằng giữa giảm query và kiểm soát lượng dữ liệu được tải, ví dụ qua việc chọn trường cụ thể, sử dụng pagination hoặc batch loading thay vì eager loading toàn bộ liên kết.

Bài viết này dạy bài học quý giá rằng tối ưu hóa database không lúc nào cũng tốt nếu không cân nhắc đến giới hạn tài nguyên hệ thống.

Improving First Request Latency in Java Spring Application

Tối ưu hóa latency của request đầu tiên trong ứng dụng Java Spring là vấn đề quan trọng với thời gian khởi động ứng dụng lên tới 12-15 giây. Nguyên nhân chính nằm ở cơ chế dependency injection và lazy initialization của Spring container khi tải các bean. Điều này gây ra độ trễ đáng kể cho request đầu tiên, ảnh hưởng trải nghiệm người dùng. Giải pháp bao gồm sử dụng Spring Boot 3.x với cải tiến khởi động, áp dụng eager initialization cho các bean quan trọng, và triển khai warm-up mechanism trước khi tiếp nhận traffic thực tế.

Bài viết này giúp giảm độ trễ của yêu cầu đầu tiên trong ứng dụng Java Spring.

Introducing Fast and Reliable Wireless Debugging with Android Debug Bridge (ADB) Wi-Fi 2.0

ADB Wi-Fi 2.0 mang lại giải pháp debug không dây nhanh và đáng tin cậy hơn cho Android với việc tái thiết kế server stack, triển khai mDNS mới thay thế Bonjour và mDNS cũ, cùng cơ xử lý mạng thông minh tự động vô hiệu hóa trên mạng không đáng tin cậy. Android Studio nay trực tiếp hiển thị pairing không dây trong Device Manager, giúp quy trình đơn giản hóa đáng kể. Google ghi nhận cải thiện 32% tỷ lệ kết nối tự động thành công và tốc độ kết nối nhanh hơn 66% cho 90% trường hợp hợp. Yêu cầu hệ thống bao gồm Android 17, SDK Platform-Tools 37.0.0 và Android Studio Quail 3 trở lên.

ADB Wi-Fi 2.0 giúp lập trình viên trải nghiệm gỡ lỗi Android không dây nhanh hơn đáng kể với tỷ lệ kết nối tự động tăng 32% và tốc độ kết nối nhanh hơn 66% cho phần lớn kết nối.

Fast and Hard Code

LLM đang thay đổi cách lập trình viên chọn ngôn ngữ khi viết code, vì chúng tạo ra đoạn mã nhanh hơn trong các ngôn ngữ bậc cao như Python và JavaScript. Nguyên nhân kỹ thuật là các mô hình đã được huấn luyện chủ yếu trên kho mã nguồn mở dominer bởi những ngôn ngữ này, khiến chúng hiểu và sinh ra cú pháp chính xác hơn so với C++ hoặc Rust. Khi dựa vào LLM, nhóm phát triển có xu hướng ưu tiên các ngôn ngữ mà mô hình hỗ trợ tốt, dù chúng có thể không tối ưu về thời gian thực hiện hoặc mức tiêu thụ bộ nhớ. Hệ quả là các dự án cần hiệu suất cao có thể bị lãng phí thời gian do việc dịch sang ngôn ngữ thấp hơn trở nên khó khăn và tốn lực. Bài học là trước khi quyết định ngôn ngữ, cần cân bằng giữa mức độ hỗ trợ của LLM và yêu cầu về hiệu suất thực tế của sản phẩm.

Bài viết này giúp lập trình viên hiểu cách lựa chọn ngôn ngữ lập hiệu quả khi làm việc với các mô hình ngôn ngữ lớn (LLM).