Read replica và sharding đều là cách scale database - nhưng giải quyết hai vấn đề hoàn toàn khác nhau. Chọn nhầm thì sau này migrate cực kỳ đau. Đây là cách tôi quyết định, dựa trên kinh nghiệm thực tế.
Mỗi lần có technology wave lớn, lại có câu hỏi "programmer có bị thay thế không?". Tôi đã chứng kiến 4-5 waves như vậy trong 20 năm. Câu trả lời luôn là: kỹ năng nào bị thay thế, kỹ năng nào lên giá trị. Và lần này với AI cũng không khác.
80% test coverage có thể là tuyệt vời hoặc hoàn toàn vô nghĩa - tùy vào cái 80% đó cover cái gì. Tôi đã thấy team có 95% coverage vẫn bị production bug nghiêm trọng, và team có 60% coverage gần như không bao giờ có regression.
RAG pipeline trên cloud thì nhiều tutorial. Nhưng khi bạn build cho hệ thống chính phủ - không được phép gửi data ra ngoài, network isolated, model phải run on-premise - mọi thứ khác hoàn toàn. Đây là những gì tôi học được từ dự án thực tế.
Search relevance không phải là "tìm từ nào match từ đó". Đằng sau một kết quả tìm kiếm là cả một hệ thống scoring phức tạp - và nếu không hiểu nó, bạn sẽ cứ nhận complaint "search dở" mà không biết fix ở đâu.
Năm 25 tuổi tôi nghĩ học nhiều công nghệ nhất là cách tiến xa nhất. Sai hoàn toàn. Đây là 5 bài học mà nếu biết sớm hơn, tôi đã đỡ mất rất nhiều thời gian - và cả tiền.
Nói "không bao giờ compromise clean code" là dễ. Thực tế khó hơn nhiều. Bài này là framework tôi dùng sau 20 năm để quyết định: thỏa hiệp cái gì, không thỏa hiệp cái gì - và làm thế nào để không bị debt giết sau này.
Bạn đang dùng Episerver Find và muốn cải thiện search quality với AI? Đừng rewrite toàn bộ. Có một con đường từng bước - từ keyword search → hybrid search → semantic search - mà không cần phá vỡ hệ thống đang chạy ổn.
Không phải mọi hệ thống đều cần microservices. Không phải mọi hệ thống cần scale tới triệu users. Vấn đề là phần lớn developer bắt tay vào thiết kế mà không hỏi đúng câu hỏi trước - và hệ quả thì đau hơn mọi người nghĩ.