Stacklogs là kho lưu trữ cá nhân về những câu chuyện, ký sự, kinh nghiệm, cuộc trò chuyện và góc nhìn trong ngành phát triển phần mềm.
Người duy trì mã nguồn mở đang ngập trong pull request và báo cáo do AI sinh ra. Bài này nêu số liệu đã đọc từ nguồn gốc, kế hoạch bốn tuần cho người mới, một ví dụ git chạy thật, mẫu mô tả PR có dòng khai báo AI và danh sách tự kiểm.
Một agent chạy khi không ai nhìn thì cần để lại dấu vết. Bài giải thích bằng ví dụ camera cửa hàng: nên ghi những gì, không nên ghi gì, định dạng JSON Lines đơn giản, cách che khóa bí mật và cách đọc lại để dựng dòng thời gian. Có script chạy thật với 25 hành động.
Xóa khóa API khỏi code chưa phải là xong: nó vẫn nằm trong lịch sử git. Bài chạy thật một thí nghiệm với khóa giả, nói thứ tự đúng khi lộ khóa (xoay trước, dọn sau), cách chặn từ đầu bằng pre-commit hook và .gitignore, và thói quen khi làm việc với AI agent.
Dùng AI viết code ngày càng được tính tiền theo token. Bài giải thích token bằng ví dụ đời thường, vì sao một cuộc trò chuyện dài đắt dần, tính thử bằng một script chạy thật, và ba cách giữ chi phí: phiên ngắn, mô hình rẻ cho việc thường, giới hạn và theo dõi.
Cảm giác nhanh hơn nhờ AI không đồng nghĩa với việc thật sự nhanh hơn. Bài hướng dẫn tự thiết kế một thí nghiệm nhỏ trong hai tuần: chia ngẫu nhiên mười việc, bấm giờ cả phần sửa lại, tính trung vị và đọc kết quả một cách khiêm tốn. Có mẫu CSV, đoạn script chạy thật và ví dụ có đáp án.
Một cú nhấp chuột đi qua bảy chặng: tra địa chỉ, mở kết nối, bảo mật, gửi yêu cầu, ứng dụng, cơ sở dữ liệu và trả về. Bài giải thích bằng ví dụ gửi bưu kiện, cách đo từng chặng bằng curl, bài tập có đáp án và những chỗ hay nhầm khi nhờ AI sửa lỗi chậm.
Tái hiện, thu nhỏ, đặt giả thuyết, chia đôi bằng git bisect rồi kiểm lại: năm bước tìm lỗi mà bạn tự làm được, và cách đưa báo lỗi tốt cho AI sau đó. Có kho thử 20 commit chạy thật, đáp án và mẫu báo lỗi.
Vì sao truy vấn chậm, cách đọc kế hoạch truy vấn, thứ tự cột trong chỉ mục nhiều cột và khi nào chỉ mục có hại. Mọi con số đến từ một thí nghiệm SQLite 100.000 dòng chạy thật, có script để bạn tự chạy lại và bài tập có đáp án.
Agent sửa code rất nhanh, và đôi khi sửa sai rất nhanh. Bài giải thích Git bằng hình ảnh điểm lưu trong trò chơi: mỗi việc một nhánh, commit nhỏ, đọc diff trước khi nhận, và các lệnh quay lại an toàn, kèm kết quả chạy thật trong một kho thử.
Nhóm nhỏ không cần bộ quy định dày. Bài đưa ra một trang với ba cột (được làm, hỏi trước, cấm), bốn mức dữ liệu nói bằng lời thường, người chịu trách nhiệm, cách xử lý sự cố, kèm mẫu dán được, ví dụ cho nhóm sáu người và danh sách kiểm.
Một trang giấy ghi vì sao nhóm chọn cách này và không chọn cách kia giúp người mới khỏi hỏi lại, và giúp AI agent khỏi âm thầm đảo ngược quyết định cũ. Bài có mẫu một trang, ví dụ minh họa, bảng lỗi hay gặp và danh sách kiểm.
AI agent không có trí nhớ vô hạn: mọi thứ nó đang nhớ nằm trong một cái bàn có diện tích cố định. Bài giải thích bằng ví dụ đời thường vì sao cuộc trò chuyện dài làm agent kém đi, khi nào nên dọn, tóm tắt hay bắt đầu lại, kèm phép tính, mẫu bản bàn giao và danh sách kiểm.
Thay vì tự kiểm lại mọi thứ AI làm, hãy yêu cầu AI nộp kèm bằng chứng dễ kiểm: nguồn mở được, phép thử chạy được, thay đổi nhỏ, phân loại đã chạy hay chưa, và cách để người khác chạy lại. Bài có câu mẫu, phép tính thời gian và danh sách kiểm dùng từ ngày mai.
Từ 2025, bài này nói AI đang xóa việc cho người mới, bài kia nói ngược lại. Bài này đặt các con số cạnh nhau, giải thích vì sao chúng lệch, đưa sáu câu hỏi để đọc mọi con số và những việc người mới làm được dù bên nào đúng.
Học với AI có thể nhanh hơn, nhưng một nghiên cứu cho thấy nhóm giao hết cho AI hiểu bài kém hơn. Bài này tóm tắt bằng chứng, nêu rõ chỗ chưa biết, rồi đưa kế hoạch bốn tuần với buổi AI bật, buổi AI tắt và bài tự kiểm tra mỗi thứ Sáu.
AI viết code đôi khi bịa ra tên thư viện không có thật, và kẻ xấu có thể đăng ký đúng tên đó để cài mã độc. Bài giải thích bằng ví dụ đời thường, số liệu nghiên cứu, các trường hợp có thật và thói quen cài đặt an toàn.
Khi một công cụ AI trả lời sai hoặc làm hỏng việc, ai phải gánh? Bài suy ngẫm này đi qua hai vụ việc có thật (Air Canada và Mata v. Avianca), vẽ một bản đồ trách nhiệm đơn giản, và đề xuất năm việc một đội có thể làm ngay để không đổ lỗi cho máy.
Một tính năng AI thành công không chỉ ở số lượt dùng. Bài này đề xuất đo theo ba lớp là chất lượng, chi phí và niềm tin, kèm bảng một trang gồm chín chỉ số, công thức chi phí cho mỗi kết quả thành công có tính cả công người duyệt, cách đọc tỷ lệ chấp nhận mà không bị đánh lừa, và các bẫy hay gặp.
Ngày 28/2/2017, một lệnh gõ với một giá trị nhập sai đã gỡ nhiều máy chủ hơn dự định khỏi dịch vụ lưu trữ Amazon S3 và làm nhiều dịch vụ trên internet chậm hoặc ngừng trong khoảng bốn tiếng. Bài kể lại theo báo cáo sau sự cố của chính AWS, và rút ra các lớp bảo vệ mà công cụ có quyền xóa nên có.
AI viết code và viết luôn bài test cho nó, nên bài test dễ chỉ xác nhận chính đoạn code vừa viết. Bài này giải thích vì sao test xanh chưa đủ, đưa một ví dụ biên 500 nghìn, và bảy cách giữ bài kiểm tra có giá trị: viết từ đặc tả, thấy đỏ trước, tự làm hỏng code, kiểm thử đột biến, kiểm thử theo thuộc tính, bảng giá trị biên và chạy thật.
Nhiều lần AI agent làm ra thứ khác với điều bạn nghĩ, hoặc báo xong khi chưa xong. Bài này nêu bảy sai lầm hay gặp khi viết yêu cầu, dựa trên tài liệu thực hành của Anthropic và những lỗi thật của dự án blog này, kèm mẫu yêu cầu trước và sau, và một danh sách năm câu hỏi trước khi để agent chạy một mình.
Trong một ngày, blog này có mười ba bài, mười hai bài trong số đó viết cùng một AI agent. Bài ghi lại nhật ký và số đo lấy từ lịch sử git và lịch sử trò chuyện: 22 commit, hơn 17 nghìn dòng thay đổi, 47 tin nhắn của người, và vì sao tỷ lệ báo lỗi giảm mạnh ở nửa sau. Kèm giới hạn của chính số liệu.
Một số công ty đã cho dùng AI trong phỏng vấn lập trình, một số vẫn cấm, và chưa có chuẩn chung. Bài này đưa kế hoạch hai tuần cho người sắp đi phỏng vấn: hỏi đúng về luật chơi, luyện nền tảng không AI, luyện đọc và gỡ lỗi, luyện làm cùng AI có kỷ luật, và chuẩn bị cách trả lời câu hỏi về AI.
Nhiều nhóm làm tính năng AI nhưng ít nhóm đo nó. Bài này hướng dẫn bắt đầu bằng đọc ba mươi trường hợp thật, phân loại lỗi, rồi mới viết bài kiểm tra (evals), theo hướng dẫn của Hamel Husain và Shreya Shankar, kèm mẫu bảng ghi, kế hoạch ba buổi chiều và những sai lầm hay gặp.
Phát triển theo đặc tả (spec-driven development) là viết ra điều cần làm trước, rồi để AI dựa vào đó mà làm. Bài này giải thích ba mức độ, các công cụ Kiro, Spec Kit và Tessl theo bài phân tích của Martin Fowler, khi nào nó đáng và khi nào không, kèm mẫu đặc tả nhẹ năm mục dùng được ngay.
Danh sách OWASP Top 10 cho ứng dụng dùng mô hình ngôn ngữ (bản 2025) khá khó đọc với người mới. Bài này giải thích từng mục bằng hình ảnh một lễ tân khách sạn AI, nêu cách phòng theo tài liệu của OWASP, và gợi ý thứ tự ưu tiên cùng danh sách kiểm mười câu.
AI viết code nhanh hơn, nên nhiều người hỏi phần sáng tạo của nghề lập trình đi đâu. Bài suy ngẫm này tách việc của dev thành năm lớp, xem lớp nào AI nhận và lớp nào còn lại, đặt cạnh các số liệu về niềm vui, kỹ năng và năng suất, rồi nêu những rủi ro và thói quen giữ nghề.
Ngày 31/1/2017, một kỹ sư GitLab gõ lệnh xóa vào nhầm máy chủ và mất khoảng 300 GB dữ liệu. Rồi cả năm lớp sao lưu đều hỏng. Bài kể lại từng bước theo bản phân tích sau sự cố của chính GitLab, và rút ra danh sách việc nên làm trước khi gõ một lệnh xóa.
Một buổi cà phê dựng lại giữa Mai, fresher đang lo, và anh Khoa, senior. Họ nói thẳng về nỗi sợ mất việc, chuyện nhờ AI làm bài tập, học gì, hỏi ai, senior dùng AI thế nào và nhà tuyển dụng nhìn vào đâu, kèm bằng chứng từ các nghiên cứu.
MCP là một chuẩn chung để ứng dụng AI cắm vào công cụ và dữ liệu, giống ổ cắm điện chung cho nhiều thiết bị. Bài giải thích bằng hình ảnh ổ cắm: vấn đề trước MCP, ba thứ một máy chủ MCP cung cấp, cách chạy, rủi ro bảo mật và danh sách kiểm trước khi cắm.
Số dòng code là số dễ đếm nhất và dễ gây hiểu lầm nhất, nhất là khi AI viết cả nghìn dòng trong vài giây. Bài này giải thích vì sao, kể chuyện âm 2000 dòng, và đưa bộ chỉ số thay thế theo nhóm, kèm cách dùng không gây hại.
Thay vì chuyền việc qua nhiều khâu, nhiều nhóm IT đang hướng tới nhóm nhỏ làm việc cùng trợ lý AI. Bài kể bằng chuyện tiệm bánh, có số liệu thật, ví dụ trong công việc, và cả những cái bẫy của cách làm mới.
Vibe coding giúp có bản chạy thử trong một ngày, nhưng cũng là con đường nhanh tới lỗ hổng bảo mật và nợ kỹ thuật. Bài này nói rõ khi nào nên dùng, khi nào dừng, kế hoạch một ngày và danh sách kiểm trước khi biến prototype thành sản phẩm.
Tuyển dụng người mới đang khó hơn và AI viết được nhiều code đơn giản. Bài này đưa kế hoạch 12 tháng chia bốn quý, cách dùng AI để học thay vì để bị học thay, thói quen hằng tuần và cách tự kiểm tra tiến bộ.
AGENTS.md hay CLAUDE.md là tệp dặn AI về dự án của bạn. Bài này giải thích nó là gì, hai nghiên cứu cho kết quả trái nhau, sáu mục nên có, ví dụ tốt và xấu, bản mẫu để chép, và cách giữ cho tệp luôn đúng, kèm ví dụ thật từ chính dự án này.
AI viết code nhanh, nên nút thắt dời sang khâu duyệt. Bài này đưa danh sách kiểm 15 điểm chia bốn nhóm, mỗi điểm có dấu hiệu lỗi, cách kiểm và bằng chứng, kèm mẫu mô tả PR và cách dùng AI để duyệt hộ mà không tin mù quáng.
Ghi chép một buổi làm việc dài với AI agent trên chính dự án blog này, đo bằng lịch sử git và lịch sử trò chuyện: 12 commit, 33 tin nhắn, và những lỗi chỉ người nhìn mới thấy.
AI viết trôi chảy nhưng không tự kiểm tra sự thật. Bài giải thích bằng ví dụ đời thường vì sao câu trả lời nghe đúng vẫn có thể sai, kể các vụ việc có thật khi làm việc với AI, và chỉ cách kiểm tra trước khi tin.
Sáu thời kỳ của nghề phát triển phần mềm, từ sách gạch và Stack Overflow đến AI agent: dev làm việc ra sao, nút thắt nằm ở đâu, và cần chuẩn bị kỹ năng gì cho 2027–2030+.
Chưa tìm thấy bài nào khớp. Thử một từ khóa khác nhé.