Dịch máy nơ-ron: pipeline của Google Translate
Sáu bước của dịch máy nơ-ron — nhận diện ngôn ngữ, tách token, token đích, encoder, decoder, beam search — kèm những chỗ sơ đồ gốc vẽ sai và các núm chỉnh ở từng bước.
Nên đọc trước: How LLMs Work 101
Đồ nghề Dev
Kho lưu trữ & hệ thống hoá ghi chú kỹ thuật — để xem lại nhiều lần. Mỗi thẻ là một topic với trang trực quan và tài liệu song ngữ.
Route theo độ khó: trả tiền đúng độ khó của từng request
Đặt một router nhỏ trước các tầng model để mỗi request đi tới tầng rẻ nhất còn làm được việc. Kiểm lại con số "rẻ hơn 10 lần", những chi phí ảnh bỏ qua, và khi nào không nên route.
Nên đọc trước: Choosing a Model 101
Eval cho AI agent: đúng loại eval cho đúng loại lỗi
Năm loại eval cho agent — output, retrieval, tool use, trajectory, safety — và vòng lặp biến lỗi production thành test case. Khi nào dùng loại nào, đo bằng gì.
Nên đọc trước: Evals 101, Six Agent Patterns
Agent memory: AI agent nhớ bằng cách nào
Model quên, hệ thống nhớ: bốn kho nhớ lõi (working, episodic, semantic, procedural), ba thứ khác hay bị gọi là memory (retrieval, parametric, prospective), và vòng đọc – ghi quyết định điều gì đáng thành ký ức.
Nên đọc trước: Where Does the Knowledge Live?, Six Agent Patterns
Năm cấp độ AI agent, đọc lại cho đúng
Agent không phải cái thang để leo: câu hỏi quyết định là code hay model chọn bước tiếp theo. Năm năng lực — một lần gọi LLM, memory, tool, multi-agent, agent tự chủ — mỗi cái có giá riêng.
Nên đọc trước: Six Agent Patterns
Harness Engineering: tự dựng Claude Code từ đầu
Giữ model cố định, chỉ thay phần bao quanh: agent loop, context và compaction, sandbox, permissions, memory, skills và đo lường — các mảnh của một coding agent harness.
Nên đọc trước: Agent Harness, Claude Agent SDK — Agent Loop
Ai cầm lái? 6 framework điều phối agent
So sánh LangGraph, CrewAI, Microsoft Agent Framework, OpenAI Agents SDK, Google ADK và Claude Agent SDK qua một câu hỏi: bước tiếp theo do code hay do model quyết định.
Nên đọc trước: Six Agent Patterns, LangChain · LangGraph · LangSmith
Năm thuật ngữ AI cần nắm: LRM, Vector DB, RAG, MCP, Agentic AI
Năm thuật ngữ AI hay gặp nhất, sắp theo thứ tự phụ thuộc: model, tầng tri thức (Vector DB, RAG) và tầng hành động (MCP, Agentic AI) — khi nào cần, đánh đổi gì.
Nên đọc trước: How LLMs Work 101
System card và AI impact assessment cho pilot
Đóng gói pilot thành system card 1–2 trang và impact assessment rút gọn theo ISO/IEC 42005, rồi trình bày 15 phút để trả lời 4 câu: model nào, dữ liệu gì, rủi ro gì, ai chịu trách nhiệm.
Nên đọc trước: Phân loại rủi ro AI: luật Việt Nam và EU AI Act
Phân loại rủi ro AI: luật Việt Nam và EU AI Act
Lập bảng phân loại rủi ro cho mọi tính năng AI theo Luật AI Việt Nam, Nghị định 142/2026/NĐ-CP và đối chiếu EU AI Act khi có khách hàng EU.
Nên đọc trước: Minh bạch và con người trong tính năng AI
Minh bạch và con người trong tính năng AI
Gắn nhãn nội dung do AI tạo, đặt điểm duyệt của con người ở quyết định quan trọng và mở kênh để người dùng báo lỗi (A.8, A.9).
Nên đọc trước: Eval gate trong CI và truy vết prompt, model
Eval gate trong CI và truy vết prompt, model
Golden set, metric có ngưỡng và bộ test prompt injection chạy trong CI để chặn merge; version hoá prompt và model, log che PII để truy được mọi response (A.6).
Nên đọc trước: Design doc, data sheet và đánh giá nhà cung cấp model, Eval & Harness
Design doc, data sheet và đánh giá nhà cung cấp model
Viết design doc và data sheet cho pilot, rồi đánh giá nhà cung cấp model theo thời gian lưu dữ liệu, vùng lưu trữ, việc dùng dữ liệu để huấn luyện và điều khoản (A.6, A.7, A.10).
Nên đọc trước: Pilot audit-ready: chọn tính năng và map Annex A
Pilot audit-ready: chọn tính năng và map Annex A
Chọn một tính năng AI làm pilot, định nghĩa audit-ready bằng 4 câu hỏi và map control A.6–A.10 vào pilot kèm lý do và nơi đặt bằng chứng.
Nên đọc trước: Nền ISO/IEC 42001
Biến rủi ro AI thành quy trình của team
Từ bảng kê cá nhân đến luật chung của team: AI usage policy 1–2 trang (công cụ được duyệt, dữ liệu cấm đưa vào prompt, quy tắc review code AI sinh), secret scanning và kiểm tra dependency trong pipeline, mục AI-assisted trong PR template, và cách chạy thử một sprint để team lead duyệt.
Nên đọc trước: Rủi ro khi dùng AI trong code
Rủi ro khi dùng AI trong code
OWASP Top 10 cho ứng dụng LLM nhìn từ góc dev: prompt injection, lộ thông tin nhạy cảm, rủi ro chuỗi cung ứng; ba rủi ro riêng của code do AI sinh (package bị bịa, license, lỗ hổng lặp lại); và bảng tự audit công cụ AI kèm các setting chia sẻ dữ liệu cần tắt.
Nên đọc trước: Nền ISO/IEC 42001
Nền ISO/IEC 42001
Tiêu chuẩn hệ thống quản lý AI trong một trang: Điều 4–10 theo vòng PDCA, 38 control Annex A chia 9 nhóm, và bốn khái niệm gánh cả chuẩn — AIMS, đánh giá rủi ro AI, đánh giá tác động AI, Statement of Applicability — qua một trợ lý AI ở trường học.
Nên đọc trước: AI Guardrails vs AI Governance
Netflix: hai mặt phẳng, một cú bấm
Thiết kế hệ thống Netflix qua một cú bấm Play: control plane chạy trên AWS, còn video đi từ máy Open Connect đặt ngay trong mạng nhà mạng — từng thành phần, đánh đổi và anti-pattern.
Nên đọc trước: 12 Microservices, 15 System Design Trade-offs
Multi-Agent RAG
Một câu hỏi, nhiều chuyên gia: tách câu hỏi phức tạp cho các agent chuyên biệt, mỗi agent truy xuất đúng nguồn của mình, rồi gộp lại thành một câu trả lời có dẫn nguồn — và khi nào không nên làm vậy.
Nên đọc trước: RAG 101, Six Agent Patterns
Tối ưu suy luận LLM: 6 kỹ thuật
Sáu kỹ thuật làm LLM nhanh và rẻ hơn — continuous batching, prefix caching, streaming, speculative decoding, quantization, paged KV cache — sắp theo vòng đời một request, kèm khi nào thực sự cần.
Nên đọc trước: How LLMs Work 101, LLM in Production 101
Uber Schemaless: kho dữ liệu chuyến đi trên MySQL
Uber chia dữ liệu chuyến đi thành 4096 shard MySQL, nhân bản qua nhiều trung tâm dữ liệu và không bao giờ ghi đè — chỉ thêm phiên bản mới. Buffered writes giúp không mất lệnh ghi nào khi master sập.
Nên đọc trước: 15 System Design Trade-offs
Multi-tenancy: ba cách tách dữ liệu tenant
Multi-tenancy là nhiều khách hàng dùng chung một app; câu hỏi thật là đặt bức tường giữa dữ liệu các tenant ở đâu — từng dòng, từng database hay từng bản triển khai. Đánh đổi luôn là chi phí đổi lấy mức cô lập.
Monolith, Modular Monolith hay Microservices
Ba kiểu kiến trúc phổ biến nhất, so trên ba trục độc lập: đơn vị triển khai, ranh giới module và quyền sở hữu dữ liệu. Modular monolith là mặc định hợp lý; chỉ tách microservices khi có lý do đo được.
LangChain · LangGraph · LangSmith
LangChain dựng agent, LangGraph chạy nó dưới dạng đồ thị có vòng lặp và bước chờ người duyệt, LangSmith theo dõi từng lần chạy. Minh hoạ qua một agent marketing.
Nên đọc trước: Six Agent Patterns, Ngăn xếp ứng dụng LLM
Giao thức API
REST, gRPC, GraphQL, SOAP, WebSocket và MQTT: mỗi cái nằm ở tầng nào và chọn theo hình dạng cuộc hội thoại giữa hai hệ thống.
Instagram: một monolith trên một nền tảng
Kiến trúc Instagram đọc cho đúng: một monolith Django đứng trên nền tảng hạ tầng dùng chung của Meta. Đi qua client, ứng dụng & dữ liệu, media, ranking, truyền tải & vận hành — kèm baseline, cách chọn và các điểm đính chính so với ảnh gốc.
Nên đọc trước: 12 Microservices, 15 System Design Trade-offs
Full-Stack AI Engineering
Tám lớp của một sản phẩm AI — prompt, context, RAG, fine-tuning, agent, triển khai, observability, tối ưu — xếp lại thành 3 họ, kèm evals, thứ tự nên xây và checklist trước khi lên production.
Nên đọc trước: RAG 101, LLM in Production 101
LLM in Production 101
Năm việc vận hành một ứng dụng LLM thật: log và trace mọi lượt gọi, theo dõi chi phí và độ trễ, fallback khi provider sập, tách trace để làm online eval, và đổi version model an toàn.
Nên đọc trước: LLM API 101: Your First LLM Call, Evals 101
Build Your First AI App
Bài tổng kết chuỗi 101: ghép API, prompt, RAG, eval, guardrail và triển khai thành một bot hỏi đáp tài liệu nội bộ chạy thật. Chạy bản xấu nhất từ đầu đến cuối trước, rồi làm tốt từng khâu.
Nên đọc trước: Guardrails 101, Choosing a Model 101
Choosing a Model 101
Chọn model rẻ nhất mà vẫn đạt yêu cầu: tính chi phí theo tác vụ, chọn hạng model, bật thinking hay không, model đóng hay open-weight, và thử nhanh trên golden set.
Nên đọc trước: Evals 101
Embeddings 101
Embedding là gì, chọn model và nhà cung cấp nào, đo khoảng cách ra sao, và khi nào không cần dùng — kèm phép thử BM25 năm phút, anti-pattern và checklist trước khi đưa vào RAG.
Nên đọc trước: Where Does the Knowledge Live?
Sáu thuật toán đồ thị cần biết
DFS, BFS, phát hiện chu trình, đồ thị hai phía, cây khung nhỏ nhất và Dijkstra — trên cùng một đồ thị, kèm cách chọn thuật toán trong 30 giây.
Nên đọc trước: Cấu trúc dữ liệu và Big-O
LLM Wiki & Second Brain
Hệ thống hoá kiến thức với LLM: so sánh RAG, second brain và LLM Wiki kiểu Karpathy, kèm cách dựng một LLM Wiki trong một buổi tối.
Nên đọc trước: Where Does the Knowledge Live?, RAG 101
Cache trong LLM và Claude Code
Prompt cache là phép khớp tiền tố: các loại cache trong LLM, thao tác nào làm vỡ cache trong Claude Code, và chạy song song hay tuần tự thì tận dụng cache tốt hơn.
Nên đọc trước: Where Does the Knowledge Live?, Claude Agent SDK — Agent Loop
Harness Engineering: sáu chặng của một nhà máy reel không lộ mặt
Mổ xẻ một harness sản xuất mỗi ngày một reel chỉ với một lần gọi LLM: context builder, gate, render bằng ffmpeg, verify, đăng bài và vòng phản hồi, cùng các vòng lặp có giới hạn. Kèm baseline cho biết khi nào chưa cần xây gì.
Nên đọc trước: Agent Harness
Dữ liệu thời gian thực: xử lý và phân phối
Batch hay stream để tính ra kết quả, polling, long-polling, SSE hay WebSocket để đưa nó tới người dùng. Hai quyết định phải chọn cùng nhau vì độ trễ của chúng cộng dồn.
Nên đọc trước: 15 System Design Trade-offs
Function Calling, MCP và spec 2026-07-28
MCP không thay function calling mà chuẩn hoá nơi tool sống: tìm tool ở đâu, gọi qua đâu, ai được phép. Đi qua host, client, server, ba primitive, transport, auth và các điểm mới của spec 2026-07-28.
Nên đọc trước: MCP vs A2A vs ACP
Từ commit đến pod: CI nhanh và Kubernetes chạy đúng
Mười cách làm CI nhanh hơn bằng cách không làm lại những việc đã làm, và mười khái niệm Kubernetes xoay quanh trạng thái mong muốn và controller.
Nên đọc trước: 10 Types of Testing
Kafka dùng để làm gì: 10 use case
Kafka không phải hàng đợi mà là một log chỉ ghi thêm, mỗi bên đọc tự giữ vị trí của mình. Mười use case thật, khi nào nên dùng và khi nào không cần Kafka.
Nên đọc trước: 12 Microservices
Cấu trúc dữ liệu và Big-O
Tám cấu trúc dữ liệu và chi phí Big-O của bốn thao tác truy cập, tìm kiếm, chèn, xoá. Không có cấu trúc nào nhanh nhất, chỉ có cấu trúc làm rẻ thao tác bạn gọi nhiều nhất.
30 Common Production Mistakes
30 lỗi production thường gặp về bộ nhớ, xác thực và triển khai — đã kiểm chứng, gom theo cơ chế gây lỗi, kèm cách sửa và đánh đổi. Phần lớn sự cố đến từ thứ không có điểm kết thúc, không có giới hạn và không có đường lui.
Schema, Time & Load: 30 Concepts
30 khái niệm hay vỡ ở production, gom thành ba nhóm: schema (vỡ chậm, qua nhiều năm), thời gian và múi giờ (vỡ theo lịch, những đêm đổi giờ) và tải (vỡ trong một đêm cao điểm).
Nên đọc trước: 15 System Design Trade-offs
12 AI Evaluation Concepts
Tầng tiếp theo sau Evals 101: làm sao biết điểm eval có thật hay chỉ là nhiễu — cỡ mẫu và kiểm định ghép cặp, slices, rubric, hiệu chỉnh và thiên lệch của LLM judge, pairwise, nhãn người, độ đồng thuận, groundedness, trajectory. Thêm cách giữ golden set khỏi lỗi thời, rò rỉ và cách đọc đúng con số production.
Nên đọc trước: Evals 101
Evals 101
Đo xem bản mới có tốt hơn bản cũ không thay vì đoán bằng cảm giác: dữ liệu trước, cách chấm sau, rồi tới lúc nào chạy. Không có eval, mỗi lần sửa prompt là một lần đặt cược.
Nên đọc trước: Prompt & Context 101
Jev Engineering for coding agents
What a coding agent would look like without the KV cache: why routing a long session to a cheap model and back can lose money, which harness designs are worth keeping, and where a decision model like Jev fits. Includes corrections to the source synthesis.
Nên đọc trước: Jev and the System One model
Jev: 9 places to use it
Nine places a decision model like Jev fits — and where it doesn't. Closed-answer decisions go to the decision model; writing, reasoning and explanation go to an LLM; your code sets the threshold for acting.
Nên đọc trước: Jev and the System One model
Reading AI Benchmarks
Cách các model AI được đo năng lực, qua 9 thước đo trong bảng benchmark của Claude Opus 5.5 — mỗi benchmark đo gì, đọc con số thế nào, và cạm bẫy khi so sánh.
Nên đọc trước: Eval & Harness
Jev and the System One model
A study guide to Jev, TypeSafe AI's first System One model: it reads natural language but never generates text, answering a set of typed questions in parallel with typed answers and probabilities. Covers noul, confidence, and the single /v1/systemone endpoint.
Forward-Deployed Unit
Sáu vai của một đội giao hàng AI — con người ở hai đầu, agent ở giữa. Dựng lại sơ đồ '6 Roles of the Forward-Deployed Unit', thêm phần nền, phần chọn lựa và mô hình vận hành mà sơ đồ gốc bỏ qua.
Nên đọc trước: The AI Engineer's Mental Model
Prompt & Context 101
Viết prompt rõ ràng (few-shot, delimiter, thứ tự tài liệu, prompt cho reasoning model) và quản lý context (cắt, tóm tắt lịch sử, version prompt). Context là ngân sách hữu hạn.
Nên đọc trước: LLM API 101: Your First LLM Call
Token Routing — Claude Code
Cách Spotify cắt 90% chi phí đọc file trong Claude Code: chặn read tốn kém ngay tại ranh giới tool bằng hook, đẩy I/O sang model rẻ, giữ model đắt cho phần suy luận. Toàn bộ mô hình shunt, kèm số liệu từ bài gốc.
Nên đọc trước: Claude Agent SDK — Agent Loop
10 vector databases compared
Pick the vector database you actually need: ten systems grouped into three families, with a 30-second chooser, comparison table, anti-patterns and a pre-production checklist — plus when you need no vector database at all.
Nên đọc trước: RAG 101
Vibe Coding vs Agentic Engineering
Vibe coding chỉ giúp bạn hoãn ngày bị AI thay thế; agentic engineering đưa bạn sang phía cầm lái. So sánh hai lối làm việc với coding agent — spec, test harness, guardrail, observability — kèm cây quyết định và checklist trước khi lên production.
Nên đọc trước: Evals 101
AI Guardrails vs AI Governance
Guardrails ask whether the AI can do something; governance asks whether we should build and use it that way. A side-by-side of both layers with a comparison table, anti-patterns and a pre-production checklist, plus corrections to the source infographic.
Nên đọc trước: Guardrails 101
10 Types of Testing
Mười loại kiểm thử gom lại thành bốn họ — mỗi loại mua cho bạn một loại tự tin khác nhau. Kèm bảng đánh đổi, cây quyết định, các anti-pattern và checklist trước khi lên production; chọn sai loại là đo rất cẩn thận đúng thứ mình không sợ.
Auth Protocols — 10 Ways
Mười mục gắn nhãn "auth protocols" thực ra chỉ có 6 là giao thức — hai cái là mẫu thiết kế, một cái là chính sách, một cái là kiến trúc. Tài liệu tách lại theo đúng ba họ: uỷ quyền & liên kết, chứng thực trực tiếp, và mẫu quản lý phiên.
API Security — 10 Layers
Mười cơ chế bảo mật API sắp lại theo đúng thứ tự một request đi qua, chứ không theo số thứ tự trong ảnh. Mỗi lớp chỉ chặn đúng loại tấn công nó sinh ra để chặn — xếp sai chỗ thì làm kỹ đến mấy cũng vẫn hở.
Nên đọc trước: Auth Protocols — 10 Ways
Ngăn xếp ứng dụng LLM
Một ứng dụng LLM không phải là một lời gọi model — nó là sáu tầng nằm trên đường đi của request, cộng năm việc phải làm liên tục ở bên ngoài đường đó. Mổ xẻ từng tầng: được gì, mất gì, cái giá phải trả.
Nên đọc trước: Where Does the Knowledge Live?, RAG 101
Claude Agent SDK — Agent Loop
Vòng lặp agent của Claude Agent SDK: model chọn hành động, runtime quyết định hành động đó có được chạy hay không. Đối chiếu cheat sheet HackProduct với tài liệu chính thức của Anthropic.
Nên đọc trước: Agent Harness
Where Does the Knowledge Live?
Long context vs RAG vs fine-tuning: where new knowledge should live, when to use each, and when you need none of them.
Nên đọc trước: Prompt & Context 101
15 System Design Trade-offs
15 quyết định chia thành 4 nhóm — mỗi cái là một lần trả lời "được gì, mất gì". Không đáp án nào đúng tuyệt đối; nó chỉ đúng khi gắn với một con số tải, một ngân sách và một đội ngũ cụ thể.
Nên đọc trước: 9 Distributed Systems Patterns
Guardrails 101
The part that runs while the agent is already talking: layering guardrails cheapest-first, with a do-nothing baseline, decision tree, anti-patterns and checklist.
Nên đọc trước: Six Agent Patterns
Eval & Harness
Eval là câu hỏi bạn đặt; harness là bộ máy đọc câu trả lời — và harness mới là cái hỏng trong im lặng. Từ nền tảng đến thực chiến, qua case study bộ eval của mango: 11 tuần, 4.107 dòng, 30 cái đỏ, 0 cái là lỗi thật.
Nên đọc trước: Agent Harness
9 Distributed Systems Patterns
Chín pattern nền tảng trả lời ba câu hỏi khác nhau — dữ liệu nằm ở đâu, dịch vụ chịu lỗi của nhau thế nào, ai quyết định khi các node bất đồng. Chọn sai nhóm thì càng làm kỹ càng sai xa.
Nên đọc trước: 12 Microservices
RAG 101
Hướng dẫn RAG từ nền tảng đến production — chunking, embedding, hybrid search, reranking, hiểu câu hỏi, sinh câu trả lời, eval và các mẫu nâng cao. Kèm sổ tra kỹ thuật để chọn đúng thứ tự nên xây.
Nên đọc trước: Where Does the Knowledge Live?
AI Advanced Topics 201
Chín lớp hạ tầng bạn phải tự dựng quanh model — agentic loop, MCP, subagent, AI gateway, chi phí inference, eval, guardrail, observability, agent harness. Model là phần dễ; vòng lặp là của bạn.
Nên đọc trước: The AI Engineer's Mental Model, Ngăn xếp ứng dụng LLM
The AI Engineer's Mental Model
Chín trụ cột trong mô hình tư duy của AI Engineer, kèm baseline "không dùng gì cả", cây quyết định, anti-patterns, checklist và lộ trình. Models are amazing, systems create value, people make it useful.
5 AI Comparisons
Năm cặp khái niệm AI người ta hay lẫn — loop vs goal, prompt vs harness, context vs memory, RAG vs fine-tuning, prototype vs production. Lẫn một cặp mất vài tuần, lẫn hai cặp mất một quý.
Nên đọc trước: The AI Engineer's Mental Model
12 RAG Concepts
Mười hai bộ phận chuyển động của RAG — chunking, embedding, hybrid search, rerank và đánh giá. RAG không phải phép màu, nó là một chuỗi quyết định.
Nên đọc trước: RAG 101
LLM API 101: Your First LLM Call
Gọi LLM lần đầu cho đúng: messages và roles, system prompt, streaming, structured output, tool calling cơ bản, đếm token và chi phí, rate limit và retry. API không nhớ gì — mọi thứ nằm trong request bạn gửi.
Nên đọc trước: How LLMs Work 101
12 Microservices
12 mục chia thành 4 nhóm — ranh giới, giao tiếp, chịu lỗi, vận hành — khép lại ở cái bẫy monolith phân tán. Mỗi lời gọi đồng bộ là một lần buộc chung số phận: nhóm 3 sinh ra chỉ để sống sót qua ràng buộc của nhóm 2.
Six Agent Patterns
Sáu hình dạng kiến trúc agent — chain, routing, parallelization, orchestrator-worker, evaluator-optimizer, diamond. Hình dạng bài toán chọn pattern, không phải bạn chọn.
Nên đọc trước: Evals 101
How LLMs Work 101
LLM chỉ làm một việc: đoán token kế tiếp. Tám khái niệm nền — token, attention, context window, sampling, cách model được huấn luyện, reasoning model và vì sao model bịa — để mọi thứ phía sau suy luận được thay vì học thuộc.
Nên đọc trước: The AI Engineer's Mental Model
Claude Text Watermark
Cách watermark văn bản của Claude hoạt động — dựa trên công bố của Anthropic (14/08/2026): đánh dấu nội dung để truy xuất nguồn gốc mà không phá vỡ khả năng đọc.
Agent Harness
LLM là một hàm ngẫu nhiên và không đáng tin — cái đáng tin là vòng điều khiển bao quanh nó (the harness). Giải thích chi tiết cách harness tạo ra độ tin cậy.
Nên đọc trước: Six Agent Patterns
MCP vs A2A vs ACP
Ba giao thức để AI agent giao tiếp: gọi tool, truy vấn dữ liệu, và giao việc cho agent khác. So sánh khi nào dùng cái nào và chúng khác nhau ra sao.
Nên đọc trước: Six Agent Patterns
Không có topic nào khớp.