Kinh nghiệm làm việc

Cockpit desktop local-first trao cho một coding agent tự động khả năng giải trình xác minh được — một chỉ mục chống giả mạo về mọi thứ agent thực sự đã làm trên máy.

• Thiết kế sổ cái hành động append-only, hash-chain, neo vào hiệu ứng quan sát được (hash file sau khi ghi, delta git-HEAD mỗi lần chạy) — vì một agent bị bypass có thể khiến lệnh nói dối
• Mô hình trung thực 5 mức có verdict 'opaque' tường minh: hiệu ứng không suy ra được thì gắn cờ, không bao giờ âm thầm coi là an toàn
• Ship hai app macOS đã ký từ một codebase qua tree-shaking lúc build; một git tag kích hoạt CI build cả hai
• Truy nguyên gốc một vụ phình bộ nhớ về việc re-parse 8 giây một transcript 53 MB, sửa bằng byte-offset bookmark — RSS giữ phẳng; gộp git scanner từ 5 call/repo xuống 2 và song song hoá: ~40 repo từ 3s xuống 150–300ms

Một Project-Intelligence OS: RAG + knowledge graph trên bối cảnh doanh nghiệp, trả lời bằng ngôn ngữ tự nhiên kèm một audit trail bất biến về những gì AI đã làm.

• Chọn Postgres + pgvector thay vì Neo4j / Pinecone để giữ dữ liệu quan hệ và vector trong một store với native join, chi phí hạ tầng $0 — ghi lại kèm ngưỡng recall sẽ falsify lựa chọn này
• Chọn HNSW thay vì IVFFlat để insert tăng dần không cần bước training; lấy chunk (không phải document) làm đơn vị truy hồi
• Là nơi khởi nguồn của primitive hash-chain sau đó được tái hiện trong Rust ở Cockpit

Biến bản ghi cuộc gọi thành tóm tắt tiếng Nhật tìm kiếm được + một kho phân tích có cấu trúc, để nhân viên thu mua thôi phải nghe lại cả cuộc gọi chỉ để lấy ngữ cảnh.

• Xây pipeline hướng sự kiện (S3 → SQS → SageMaker async → SNS → batch) chạy self-hosted Whisper Large-v3 + NeMo diarization cùng structured extraction — insource ML giúp cắt phụ thuộc AI vendor ngoài, một lợi ích về quyền riêng tư khi dữ liệu có PII khách hàng
• Cắt chi phí LLM bằng batching trong-context (output mảng Pydantic ≈ giảm ~80% token prompt) và coi model là không đáng tin: từ chối transcript có số lượng timestamp lệch ngoài ngưỡng
• Bóc một monolith lớn thành các microservice least-privilege đọc/ghi/feedback; tài liệu hoá pattern async-202-poll cùng các gotcha thật (SQS visibility buffer, DynamoDB eventual-consistency)

Hệ thống multi-agent đa kênh (LINE / WhatsApp / Telegram / Web) thu mua đồ điện tử cũ đầu-cuối — tự khám phá thông số nào quan trọng cho từng sản phẩm thay vì hardcode cây câu hỏi.

• Hoà sự linh hoạt của LLM với sự thật xác định của domain: model đề xuất schema theo sản phẩm, một bảng thông số phần cứng thủ công cấm các trường bất khả thi
• LangGraph supervisor + specialist nodes; structured output ở mọi nơi kèm retry/backoff
• Điều tra P99 tail-latency thật (45s = 11.5× P50) dẫn tới pre-warm schema-cache và circuit breaker; HITL gating cho khâu chi trả

Nền tảng gọi tự động multi-tenant outbound/inbound: auto-dial theo sự kiện CRM, chiến dịch gọi hàng loạt có throttle, và một voicebot tiếng Nhật cho đăng ký sản phẩm.

• Bảo vệ nhà mạng bằng rate-limiter EventBridge → SQS → Lambda và một state machine retry có biên (tối đa 5 rồi FAILED) — chủ động dừng làm phiền khách
• Voicebot ghép Amazon Lex V2 (ja_JP) với Bedrock Claude Haiku để sinh câu hỏi động; hardened bằng guard cho spam / dead-air / thời lượng
• Xử lý các failure mode thực của thoại: dead air, lỗi nhận diện thương hiệu, format PostCode; incomplete-save khi khách cúp máy sớm

Harness review bảo mật bằng AI, nơi chỉ những finding có bằng chứng máy-kiểm-được mới chặn CI — verdict do code gán, không phải do LLM.

• Trung tâm là một proof-gate thuần Python tính lại mọi verdict và loại bỏ những gì LLM đặt: một static trace SAST đơn lẻ trả 'unconfirmable' và phải leo thang lên PoC chạy thật
• Chọn LangGraph thay vì CrewAI vì CrewAI 'tin lời LLM' và không có chỗ cho một decision node không-phải-LLM
• Ép chi phí xuống mục tiêu <50k token/scan bằng cách để scanner làm phần nặng; báo cáo ký in-toto/DSSE

Hai sản phẩm inference có biên chi phí: xoá nền hàng loạt cho ảnh sản phẩm, và sinh nội dung listing tiếng Nhật chuẩn SEO kèm thông số được trích dẫn.

• Pipeline ảnh: BiRefNet matting tự train sau một VLM Florence-2 tiền lọc quyết định có cần xoá nền hay không; GPU endpoint autoscale theo độ sâu hàng đợi SQS và dừng khi idle
• Reserved concurrency khớp trần RPM của API ngoài (backpressure, không crash)
• Pipeline copy: output Gemini ràng buộc JSON-schema (Zod → responseSchema → re-validate) với content-hash prompt cache và dedupe in-flight

Tái thiết kế một nền tảng giao dịch đồ cũ quy mô lớn từ monolithic sang microservices, tối ưu hiệu suất và cho phép các team ship độc lập.

• Áp NX Monorepo, đặt ranh giới rõ giữa internal service và public API — boundary là cấu trúc, không phải quy ước
• Microservice NestJS tuân thủ SOLID với contract ổn định; CI/CD độc lập theo môi trường trên AWS (EC2 + CodePipeline)
• Kiến trúc thông báo hướng sự kiện (SQS & Lambda), tối ưu truy vấn và index MySQL

Bảo trì và phát triển tính năng cho ứng dụng kết nối phòng khám nha khoa tại thị trường Pháp.

• Phát triển full-stack với NestJS, Vue.js và Vuetify
• Cải thiện UI/UX và khắc phục lỗi dựa trên phản hồi người dùng thực
• Rèn kỹ năng làm việc bất đồng bộ với đội ngũ châu Âu

Phát triển nền tảng SaaS tạo và chia sẻ tài liệu hướng dẫn lắp ráp 3D tương tác, thay cho tài liệu 2D thủ công.

• Tích hợp hiển thị 3D trên web thay tài liệu CAD 2D
• Chuyển thiết kế Figma thành giao diện thực và xây API backend
• Phối hợp Three.js, Strapi và NestJS trong môi trường Docker

Xây giao diện cho nền tảng học tập và tin tức về thị trường tiền điện tử.

• Kết nối API hiển thị dữ liệu on-chain và hỗ trợ viết tài liệu kỹ thuật
• Tối ưu trải nghiệm người dùng trên nhiều thiết bị
• Phát triển module theo dõi tiến độ học tập