Archives

Effort là ngân sách compute cho phán đoán và kiểm chứng. Spec chặt thì low đủ dùng. Edge case và security mới đáng high.

Opus không xuất MP4. Clip 'một prompt' thực ra là một chương trình seek(t), một vòng render, và một harness bắt model nhìn lại frame của chính nó.

Context engineering không chỉ là viết prompt hay hơn. Đó là cách thiết kế toàn bộ dòng chảy thông tin để AI agent tập trung, tự khám phá và duy trì năng lực qua những task dài.

AI coding đang chuyển bottleneck từ việc viết code sang cognitive load. Làm sao dùng agent nhanh hơn mà vẫn giữ được focus, architectural thinking và mental model của hệ thống?

Recursive Language Models xử lý context lớn như một dataset có thể khám phá bằng tool, giúp giảm context rot và làm suy luận trên dữ liệu dài đáng tin cậy hơn.

Prompt tốt không bắt đầu từ câu chữ bóng bẩy. Nó bắt đầu từ việc xác định đúng vấn đề, cung cấp đúng context và biết cách kiểm chứng output.

Năm 2026, lợi thế cạnh tranh của AI Agent không nằm ở model nữa mà nằm ở Harness — toàn bộ môi trường làm việc bao quanh nó.

Anthropic định nghĩa 4 loại loop chính thức. Prompt giờ chỉ là tầng nhỏ nhất — kỹ năng thật là thiết kế loop và viết verifier tách biệt.

Hầu hết tổ chức đang chi hàng trăm ngàn đô cho Inner Harness (token fees), trong khi Outer Harness — thứ thực sự quyết định chất lượng output — nằm rải rác trên laptop từng người. Đây là lỗi kiến trúc, không phải lỗi AI.

Harness engineering — thiết kế môi trường để agent chạy đúng — đang thay thế prompt engineering như môn nghề chính của AI engineering năm 2026.

Why dynamic workflows matter less as a feature demo and more as a practical way to split planning, execution, verification, and routing across isolated agent contexts.

Why production agents need progressive disclosure, condition-based context, and less flow-heavy design.

A practical rewrite of Anthropic's large-codebase guidance: why live agentic search beats stale indexes, why the harness matters more than the model, and how teams should roll out Claude Code at scale.

Why a measurable goal is useful but insufficient, and what a production-grade agent still needs beyond /goal.

Lộ trình thực dụng để đi từ người mới tới chỗ build, deploy và đánh giá được AI systems thật thay vì chỉ học lan man.

Vì sao agent không thể chỉ sống bằng context window, và cách thiết kế memory nhiều lớp để giữ continuity, task state, và learning theo thời gian.

Một bản PRD rút gọn cho internal multi-agent system hỗ trợ coding, setup dự án và vận hành cho team kỹ thuật.

Cách phân biệt reactive và proactive trong system design, và vì sao production thường cần cả hai.

Một cách đọc percentile và SLA theo góc nhìn vận hành thực dụng, tránh dùng sai P50, P95 hay P99.

So sánh thực dụng giữa Undici và Axios, và vì sao OpenClaw nên nghiêng về Undici ở lớp transport.