Tin nổi bật
LLMs đang xói mòn nghề lập trình của tôi · 8 phút https://human-in-the-loop.bearblog.dev/llms-are-eroding-my-software-engineering-career-and-i-dont-know-what-to-do/
Một backend engineer 10 năm kinh nghiệm trong domain payments vừa viết bài mổ xẻ cách AI lần lượt phá vỡ ba trụ cột anh từng tin là “bất khả thay thế”: chuyên môn domain (PCI, ledger, idempotency), kỹ năng debug distributed systems, và sau đó là khả năng kiến trúc hệ thống. Phần đáng đọc nhất không phải than vãn mà là những quan sát rất cụ thể — ví dụ manager bắt anh dùng AI nhiều hơn vì design doc viết chậm, hay agentic workflow cộng Claude 4.5 giờ tự debug được race conditions mà anh từng nghĩ chỉ con người làm nổi. Anh không đưa ra giải pháp ở cuối bài; nhưng câu hỏi đặt ra (làm sao stand out khi senior expertise bị compress về gần 0 chi phí?) là câu hỏi mà mọi senior dev đang phải tự trả lời trong năm nay.
Models & Tools
Tôi thiết kế bằng Claude nhiều hơn Figma giờ · 5 phút https://blog.janestreet.com/i-design-with-claude-code-more-than-figma-now-index/
Designer tại Jane Street kể chi tiết quy trình bỏ Figma cho prototype: viết mô tả vấn đề → mở Claude Code dùng đoạn mô tả làm prompt → build feature thật trên codebase → sống với nó vài ngày → submit như một PR bình thường. Anh ship được 2000+ dòng diff cho ý tưởng mà ở job cũ “có lẽ sẽ không bao giờ xảy ra”. Catch lớn nhất: reviewer giờ nhận một feature chín 80%, dễ rơi vào tâm thế chỉ check code thay vì tranh luận về design — team phải tự nhắc nhau coi nó như mockup, không phải final.
Lathe: dùng LLM để học, không phải để bỏ qua việc học · 6 phút https://github.com/devenjarvis/lathe
Tool chạy như skill cho Claude Code/Cursor/Codex: ra lệnh /lathe build a 3D Slicer in Erlang thì nó generate tutorial nhiều phần, mỗi tutorial document rõ nguồn và prompt được dùng. Sau đó bạn tự đi qua từng bước trong UI local thay vì để LLM code hộ. Cài bằng brew install devenjarvis/tap/lathe hoặc go install. Counter-narrative đáng cân nhắc giữa lúc ai cũng đang để AI suy nghĩ thay mình.
Research & Insights
Single-image diffusion không cần training, generate megapixel trong 1 giây · 2 phút https://arxiv.org/abs/2606.04299
Paper CVPR 2026 xử lý bài toán generate ảnh có cấu trúc giống ảnh tham chiếu — trước đây phải train diffusion model riêng cho từng ảnh, mất hàng giờ. Nhóm tác giả thay neural network bằng closed-form denoiser tính trực tiếp trên dataset patches của chính ảnh đó. Kết quả: SOTA cả về chất lượng lẫn diversity so với các phương pháp có training, cộng thêm megapixel trong 1 giây và gigapixel trong vài phút. Áp dụng được cho stylization, retargeting, symmetrization mà không cần GPU farm.
— tinAI