Terragrunt vs Terraform 2025: Tại Sao Tôi Chọn Terragrunt?
Khám phá lý do Terragrunt giải quyết nỗi đau của Terraform: từ trùng lặp code, quản lý backend đến điều phối phức tạp. Tìm hiểu về tính năng Stacks đột phá và tại sao Terragrunt là lựa chọn đáng giá cho hạ tầng năm 2025.
Lê Lân
Bí Kíp Vàng Để CI/CD Pipeline Vừa Nhanh Vừa An Toàn: Lắp Đặt Các 'Lan Can Bảo Vệ' Khủng!
Bạn có tò mò về "lan can bảo vệ" trong đường ống CI/CD? Hãy cùng khám phá những bí kíp vàng giúp pipeline của bạn vừa nhanh vừa an toàn, tránh xa mọi rủi ro bảo mật tiềm ẩn. Từ việc không bao giờ đẩy code trực tiếp lên main đến bảo vệ bí mật, cách ly môi trường và quét bảo mật tự động – tất cả đều có trong bài viết siêu thú vị này!
Lê Lân
Hô Biến App Python Lên Azure 'Thần Tốc' Nhờ Cursor AI: Bí Kíp Dành Cho Dân Dev!
Khám phá cách Cursor AI biến việc triển khai ứng dụng Python Flask lên Azure từ cơn ác mộng thành giấc mơ. Từ debug code, tự động hóa Git đến xử lý lỗi Azure, tất cả chỉ trong 45 phút! Xem ngay bí kíp độc quyền này.
Lê Lân
Kiểm Thử API Với AI: Keploy Đã Thay Đổi Cuộc Chơi Thế Nào?
Khám phá cách Keploy đơn giản hóa quy trình kiểm thử API với sức mạnh AI, giúp tạo test tự động, đạt độ bao phủ cao và tích hợp mượt mà vào CI/CD, tiết kiệm thời gian cho lập trình viên.
Lê Lân
Tự Động Hóa Build & Test Swift App Với GitHub Actions: Cứu Tinh Của Mọi Lập Trình Viên!
Chào các bạn, là tôi đây! Bạn có từng 'đau đầu' với việc dự án của mình cứ 'đổ bể' mỗi khi bạn sửa code không? Hay loay hoay không biết test đã pass chưa trước khi đẩy code lên? Đừng lo lắng nữa! Trong bài viết này, chúng ta sẽ cùng 'triệu hồi' một 'phù thủy' cực kỳ lợi hại: **GitHub Actions** để tự động hóa toàn bộ quá trình biên dịch (build) và kiểm thử (test) ứng dụng của bạn mỗi khi có thay đổi được đẩy lên kho mã nguồn (repository). Từ giờ, code của bạn sẽ luôn 'sạch tinh tươm' và mọi bài kiểm tra đều 'đậu', đảm bảo quy trình phát triển mượt mà như lụa! <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/GitHub_Actions_Intro.png' alt='GitHub Actions - Giải pháp tự động hóa'> ### Tại sao lại là GitHub Actions, mà không phải 'thần đèn' nào khác? **Tích hợp Liên tục (Continuous Integration - CI)** không còn là khái niệm xa lạ trong giới lập trình hiện đại nữa, nó gần như là một 'lá bùa hộ mệnh' vậy. Và GitHub Actions chính là cách tuyệt vời nhất để thực hiện điều đó! Hãy tưởng tượng thế này: mỗi khi bạn tạo một yêu cầu hợp nhất (pull request) hay đẩy một commit mới, GitHub Actions sẽ tự động 'nhảy vào' biên dịch và chạy các bài kiểm tra cho code của bạn. Việc này giúp chúng ta phát hiện và 'bắt lỗi' ngay từ những giai đoạn đầu, trước khi chúng kịp 'làm loạn' trong dự án. Kết quả là gì? Bạn sẽ có một codebase đáng tin cậy hơn, ít bug hơn và một tâm hồn an yên hơn rất nhiều! <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/CI_CD_flow_illustration.png' alt='Luồng CI/CD với GitHub Actions'> ### Chuẩn bị gì trước khi 'phù phép'? Trước khi chúng ta bắt tay vào 'ma thuật' GitHub Actions, hãy đảm bảo bạn có đủ những 'nguyên liệu' sau nhé: * **Một 'ngôi nhà' cho code trên GitHub:** Đảm bảo dự án của bạn đã có sẵn một kho mã nguồn (repository) trên GitHub. (Ví dụ như dự án DeepLinking của Saeed Rz nè, tiện không?). * **Hiểu biết 'sơ sơ' về GitHub Actions và YAML:** Không cần phải là chuyên gia đâu, chỉ cần bạn biết qua về cách chúng hoạt động và cấu trúc file YAML là được rồi. File YAML giống như một 'tờ giấy hướng dẫn' để GitHub Actions biết phải làm gì vậy. * **Xcode 'khỏe mạnh' trên máy bạn:** Hãy chắc chắn Xcode đã được cài đặt và dự án của bạn có thể biên dịch 'ngon lành' trên máy tính cá nhân. Điều này giúp chúng ta kiểm tra xem mọi thứ có hoạt động đúng như mong đợi không. ### Bắt tay vào 'tạo tác' file Workflow GitHub Actions sử dụng các file YAML để định nghĩa 'công thức' cho các workflow. Đầu tiên, hãy tạo cấu trúc thư mục này trong repository của bạn nếu nó chưa có nhé: `.github/└── workflows/` Sau đó, bên trong thư mục `workflows`, hãy tạo một file có tên `ci.yml`. Đây chính là 'tâm điểm' của mọi chuyện đó! <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/workflow_file_structure.png' alt='Cấu trúc thư mục file workflow của GitHub Actions'> #### Khi nào thì 'thần đèn' xuất hiện? (Triggers) Phần `on` trong file `ci.yml` sẽ quy định những sự kiện nào sẽ 'kích hoạt' workflow của bạn chạy. Với một dự án Swift, bạn có thể muốn CI tự động chạy mỗi khi: * **Đẩy code lên nhánh `main` (push):** `on: push: branches: [ main ]` * **Mở hoặc cập nhật Pull Request (pull_request):** `pull_request: branches: [ main ]` Tưởng tượng nó giống như một người bảo vệ tự động vậy, cứ thấy có ai đó 'động chạm' vào code ở nhánh `main` là 'anh ấy' lại bắt đầu làm nhiệm vụ kiểm tra. ```yaml name: CI on: push: branches: [ main ] pull_request: branches: [ main ] ``` #### Môi trường làm việc của 'công nhân' (Job Environment) Phần này định nghĩa các 'công việc' mà workflow của bạn sẽ thực hiện. Mỗi 'công việc' (job) sẽ có một ID duy nhất (ví dụ: `build`) và một tên miêu tả rõ ràng hơn hiển thị trên giao diện GitHub Actions (ví dụ: `Build and Test`). Quan trọng nhất là `runs-on`: nó chỉ định loại máy ảo sẽ thực thi 'công việc' này. Với các dự án Swift, bạn chắc chắn sẽ cần máy ảo macOS nhé! ```yaml jobs: build: name: Build and Test runs-on: macos-latest ``` <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/github_actions_job_environment.png' alt='Cấu hình môi trường công việc GitHub Actions'> ### Các bước 'hành động' của 'thần đèn' (Steps) Đây là nơi chúng ta liệt kê từng bước cụ thể mà GitHub Actions sẽ làm. * **Bước 1: Lấy code về (Checkout Code)** * `name: Checkout` * `uses: actions/checkout@v4` * Bước này đơn giản là để workflow truy cập được vào tất cả các file trong repository của bạn. Giống như 'công nhân' cần có bản vẽ để bắt đầu vậy. * **Bước 2: Chuẩn bị Xcode (Set Up Xcode)** * `name: Set up Xcode` * `uses: maxim-lobanov/setup-xcode@v1` * `with: xcode-version: '16.2'` * Quan trọng lắm nha! Bước này đảm bảo rằng máy ảo sẽ cài đúng phiên bản Xcode mà bạn cần (ví dụ 16.2) để biên dịch dự án của bạn. Không đúng phiên bản là dễ 'toang' lắm đó! * **Bước 3: Biên dịch và kiểm thử (Build)** * `name: Build` * `run:
Lê Lân
Tự Động Hóa Xử Lý PDF: Từ A Đến Z Với AWS Lambda, Docker và CircleCI
Hướng dẫn chi tiết xây dựng pipeline tự động hóa xử lý PDF, tạo embeddings với OpenAI và lưu trữ vào Zilliz Cloud, sử dụng AWS Lambda và CircleCI cho CI/CD.
Lê Lân
Deployment Ác Mộng? Xem AI "Cứu Rỗi" Ứng Dụng Python của Tôi trên Azure Như Thế Nào!
Học cách tôi dùng Cursor AI để gỡ lỗi, tự động hóa CI/CD và triển khai ứng dụng web Python lên Azure chỉ trong 45 phút. Từ ác mộng đến triển khai siêu tốc!
Lê Lân
Kiểm Thử API Bằng AI: Keploy Giúp Developer Tiết Kiệm Thời Gian Thế Nào?
Khám phá Keploy, công cụ kiểm thử API sử dụng AI giúp tự động hóa việc tạo test, đạt độ bao phủ cao và tích hợp liền mạch vào CI/CD, giải phóng backend developer khỏi công việc thủ công nhàm chán. Có câu nói bất hủ trong giới lập trình: "Những bài test xịn nhất là những bài bạn không cần phải tự tay viết ra." Nghe có vẻ điên rồ đúng không? Nhưng tin tôi đi, câu này chưa bao giờ đúng đến thế cho đến khi tôi 'lạc lối' vào thế giới của Keploy – công cụ kiểm thử API dùng AI siêu đỉnh – trong chương trình API Fellowship vừa rồi. 🧩 'Cơn Ác Mộng' Của Developer Backend: Viết Test Thủ Công! Là một backend developer, bạn có thấy viết mấy cái test case cho Postman, rồi quản lý cả đống collection, lại còn phải tự tay kiểm tra từng cái 'ngóc ngách' (edge case) không? Nghe thôi đã thấy ngán tận cổ rồi đúng không? Đặc biệt là khi dự án của bạn phình to ra như quả bóng bay ấy, mấy cái việc này cứ lặp đi lặp lại đến phát chán! Trước đây, tôi có sẵn: Một dự án backend 'chạy phà phà' (dùng Node.js + Express) Một bộ sưu tập Postman 'kha khá' để kiểm thử API Và cả một hệ thống CI/CD 'sương sương' nữa Nhưng mà, khổ nỗi, độ bao phủ test (test coverage) thì 'èo uột' lắm. Cứ nghĩ đến việc phải tự tay viết và duy trì từng cái test API là tôi lại 'rùng mình', vừa mất thời gian lại dễ sai sót nữa chứ. Ôi thôi rồi, mệt mỏi! <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/backend_dev_struggle.png' alt='Developer đau đầu với việc viết test thủ công'> 🤖 'Anh Hùng' Keploy Xuất Hiện: AI Lo Hết Phần Test API! Và rồi, 'vị cứu tinh' Keploy xuất hiện như một phép màu! Với Keploy, cuộc đời kiểm thử của tôi 'sang trang' hẳn: Test được tự động tạo ra 'phù phép' từ OpenAPI schema và các collection cURL/Postman của tôi. Cứ như có một đội quân robot đang viết test hộ mình vậy! Sử dụng Keploy Chrome Extension, tôi có thể 'tóm gọn' các tương tác API trực tiếp từ website đang chạy. Cứ như đang xem phim hành động vậy, mọi thứ đều được ghi lại! Đạt được độ bao phủ test gần 100% chỉ trong vài phút. Bạn nghe không nhầm đâu, VÀI PHÚT thôi! Thế là, 'bye bye' chuyện tự tay viết test case từ đầu nhé! Giờ đây, bạn chỉ cần 'cho ăn' các endpoint và vài input mẫu, còn lại Keploy sẽ 'gánh' hết mọi việc nặng nhọc. Đúng là 'cánh tay phải' của developer mà! <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/keploy_magic.png' alt='Keploy tự động hóa tạo test'> <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/keploy_coverage.png' alt='Keploy đạt độ bao phủ test cao'> 🧪 Đưa Keploy Lên CI/CD: Tự Động Hóa Vô Đối! Phần này mới là phần 'phê' nhất đây! Tôi đã làm gì ư? Sử dụng GitHub Actions để 'nhúng' Keploy vào quy trình CI/CD của mình. Giờ thì cứ mỗi lần 'đẩy code' lên, Keploy sẽ tự động chạy test. Sướng tê người! 'Rút' ngay cái lệnh test CLI từ Keploy dashboard. Cứ như đi chợ vậy, cần gì là có ngay! Thêm Keploy App ID và API key vào GitHub Secrets một cách 'bí mật' và an toàn. Thông tin nhạy cảm phải được bảo vệ cẩn thận chứ nhỉ! 🎉 Và bùm! Giờ đây, mỗi khi tôi 'push' code lên GitHub, các bài test API sẽ tự động chạy ro ro! Cứ như có một 'robot' đang làm việc không ngừng nghỉ vậy! <video controls src='https://www.youtube.com/embed/keploy_cicd_integration'></video> 📊 Báo Cáo Kết Quả? Rõ Ràng Như Pha Lê! Keploy không chỉ chạy test 'thần sầu' mà còn tạo ra các báo cáo cực kỳ 'minh bạch' và dễ hiểu: Test case nào được 'chấp nhận' (Accepted), test case nào 'bị từ chối' (Rejected). Độ bao phủ của toàn bộ suite test. Kết quả 'replay' (chạy lại test) chi tiết. Tất cả đều được 'phô bày' gọn gàng trên dashboard của Keploy. Tôi còn 'khoe' hẳn cái screenshot báo cáo trong README của repo mình nữa chứ, đúng chuẩn yêu cầu luôn! <img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/keploy_report_dashboard.png' alt='Báo cáo kết quả test của Keploy'> 🔍 So Sánh 'Chân Thực' Giữa Test Thủ Công và Keploy AI Thôi, khỏi cần nói nhiều, nhìn cái bảng 'siêu to khổng lồ' này là bạn hiểu ngay sự khác biệt 'một trời một vực' rồi: Thời gian bỏ ra: Test thủ công ư? Tốn cả núi thời gian. Keploy? 'Tích tắc' là xong. Viết test case: Tự tay 'cày cuốc' từng dòng hay để AI 'phù phép' tự động? Câu trả lời quá rõ ràng! Công sức bảo trì: Cứ phải 'chăm sóc' thường xuyên cho test thủ công. Keploy thì 'tự lành', tự cập nhật, đỡ phải nghĩ nhiều. Độ chính xác: Con người dễ sai sót, Keploy thì 'nhất quán' và đáng tin cậy hơn hẳn. Tích hợp CI/CD: Test thủ công cần 'lập trình' đủ thứ script. Keploy thì 'nhẹ nhàng' như không, tích hợp liền mạch với GitHub Actions. Độ bao phủ test: Test thủ công thường 'lèo tèo' vài phần trăm. Keploy 'phi nước đại' lên 90-100% trong chớp mắt. Tóm lại, Keploy là 'chân ái' cho những ai muốn hiệu quả và không muốn phí thời gian vào những công việc lặp đi lặp lại! 💬 Lời Kết Từ Trái Tim Developer 'Đã Từng Khổ': Thật sự mà nói, kiểm thử API bằng AI chính là tương lai, không trật đi đâu được! Nền tảng của Keploy giúp việc tạo test, tích hợp CI/CD và chạy test trở nên 'mượt mà' hơn bao giờ hết. Tôi đang cực kỳ hào hứng muốn 'nghịch' thêm tính năng test 'tự lành' (self-healing tests) và chia sẻ test case trong tương lai gần đây. Nếu bạn đã quá 'ngán ngẩm' với việc phải 'nuôi' những bộ test API 'mong manh dễ vỡ' thì hãy thử ngay Keploy đi! Nó chính là 'người bạn AI' mà hệ thống CI/CD của bạn 'xứng đáng' có được đó! 🚀
Lê Lân
Tự Động Hóa Xử Lý PDF Thành Embeddings Với AWS Lambda, Docker và CircleCI (TỪ A ĐẾN Z)
Chào bạn, bạn có bao giờ tò mò làm thế nào để quản lý cơ sở dữ liệu vector một cách “siêu mượt” và tự động hóa toàn bộ quá trình tạo embeddings cho các ứng dụng AI không? Trong thời đại AI bùng nổ như hiện nay, việc tìm kiếm sự tương đồng, đề xuất thông minh hay truy xuất dữ liệu quy mô lớn đều phụ thuộc rất nhiều vào các vector database. Nhưng khi dữ liệu cứ “phình to” không ngừng, việc cập nhật embeddings mới thủ công chẳng khác nào “mò kim đáy bể”, vừa tốn thời gian lại dễ mắc lỗi. Đó là lúc chúng ta cần đến sự “phù phép” của tự động hóa! Trong bài viết này, tôi sẽ cùng bạn khám phá một “bí kíp” xây dựng quy trình tự động hoàn toàn để xử lý và cập nhật vector database, sử dụng bộ ba quyền lực: AWS Lambda, Docker và CircleCI. Chúng ta sẽ cùng nhau biến những file PDF khô khan thành embeddings “thông minh” bằng OpenAI, rồi lưu trữ chúng gọn gàng trong Zilliz Cloud – một cơ sở dữ liệu vector được quản lý cực kỳ tiện lợi. Đồng thời, chúng ta cũng sẽ “dựng nhà” trên AWS (với S3, ECR, Lambda) và triển khai một đường ống CI/CD “siêu tốc” bằng CircleCI để mọi thứ diễn ra tự động như một phép màu. Bạn sẽ học được gì sau chuyến hành trình này? Cách quản lý vector database và tự động hóa việc tạo embeddings. Xây dựng một hàm AWS Lambda để xử lý và cập nhật embeddings. “Đóng gói” hàm Lambda bằng Docker để chạy hiệu quả. Thiết lập CircleCI để tự động hóa kiểm thử và triển khai. Áp dụng các mẹo hay về vai trò IAM và bảo mật trên AWS. Sau khi đọc xong bài hướng dẫn này, bạn sẽ có trong tay một quy trình làm việc tự động hoàn chỉnh để xử lý và cập nhật vector embeddings một cách trơn tru, không cần động tay động chân! Bài viết này giả định bạn đã có chút “làm quen” với Python, AWS và Docker nhé. Bạn có thể xem toàn bộ mã nguồn trên GitHub nếu tò mò, nhưng tôi sẽ dẫn bạn đi từng bước một, không bỏ sót chi tiết nào đâu! https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/example_pipeline_diagram.png Trước khi bắt đầu: Chuẩn bị hành trang Để chuyến hành trình của chúng ta diễn ra suôn sẻ, bạn cần chuẩn bị một vài thứ nhỏ xinh sau đây: 1. **Tài khoản AWS:** Nếu chưa có, hãy đăng ký ngay một tài khoản AWS. Chúng ta sẽ cần đến AWS Lambda và Elastic Container Registry (ECR) để triển khai ứng dụng của mình đó. 2. **AWS CLI:** Đảm bảo bạn đã cài đặt và cấu hình AWS Command Line Interface (CLI) với các thông tin đăng nhập của mình. Nếu chưa, hãy tìm hướng dẫn cài đặt AWS CLI nhé. 3. **Kiến thức cơ bản về LangChain hoặc Vector Databases:** Việc hiểu biết những điều căn bản về LangChain và Vector Databases sẽ giúp bạn dễ dàng hình dung kiến trúc của quy trình này hơn. 4. **Làm quen với AWS Lambda và Docker:** Bạn nên biết những khái niệm cơ bản về AWS Lambda và Docker, vì chúng ta sẽ dùng chúng để “đóng gói” và triển khai ứng dụng. 5. **Tài khoản GitHub và CircleCI:** Hãy tạo tài khoản trên GitHub để quản lý mã nguồn và CircleCI để tự động hóa quy trình CI/CD “thần thánh” của chúng ta. 6. **OpenAI API Key:** Để “triệu hồi” các mô hình GPT của OpenAI, bạn sẽ cần một API key. Đăng ký một chiếc key trên website của OpenAI nhé. 7. **Tài khoản Zilliz Cloud:** Đăng ký một tài khoản Zilliz Cloud để “làm chủ” cơ sở dữ liệu vector của bạn. Bạn sẽ có một cụm miễn phí, cung cấp URI endpoint và Token để giao tiếp với nó. Sau khi đã “tích kê” đủ hết các thứ này, bạn đã sẵn sàng để cùng tôi thiết lập quy trình tự động rồi đó! https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/checklist_prerequisites.png Thiết lập cấu trúc dự án: Ngôi nhà của mã nguồn Trước khi “xắn tay áo” vào code, chúng ta cần xây dựng một “ngôi nhà” gọn gàng cho dự án của mình. Một cấu trúc dự án tốt sẽ giúp việc phát triển, kiểm thử và triển khai trở nên mượt mà hơn rất nhiều, đặc biệt là khi chúng ta làm việc với các dịch vụ đám mây và tự động hóa CI/CD. **Tổ chức dự án và các thành phần chính:** Dự án của bạn sẽ trông giống như một “gia đình” với các thành viên sau đây: * `.circleci/`: Nơi chứa “kịch bản” tự động hóa của CircleCI (config.yml). * `data/`: Thư mục chứa các file dữ liệu đầu vào, ví dụ như file PDF của chúng ta. * `src/`: Đây là “trái tim” của dự án, chứa các mã nguồn chính như `create_collection.py`, `drop_collection.py`, `insert_documents.py`. * `aws_lambda/`: Nơi ở của “bộ não” hệ thống – hàm Lambda `lambda_function.py`. * `scripts/`: Chứa các “người thực hiện kịch bản” là các shell script giúp tự động hóa các tác vụ AWS (`build_deploy.sh`, `create_roles.sh`, `create_image.sh`, `create_lambda.sh`). * `tests/`: “Đội ngũ kiểm định chất lượng” của chúng ta, với các file kiểm thử `test_collection_exists.py`, `test_lambda_function.py`, `test_collection_mock.py`. * `Dockerfile`: “Công thức đóng gói” hàm Lambda vào Docker container. * `pyproject.toml`: “Danh sách mua sắm” các thư viện cần dùng. https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/project_structure_diagram.png **Cài đặt các thư viện với UV Package Manager:** Đầu tiên, hãy “chép” toàn bộ mã nguồn về máy tính của bạn bằng cách clone repository: `git clone https://github.com/benitomartin/embeddings-aws-circlecicd embeddings-aws-circleci` *Lưu ý nhỏ:* Repository này đã có sẵn tất cả các đoạn mã mà chúng ta sẽ nhắc đến trong bài. Bạn không cần phải “khổ công” tạo lại từ đầu đâu nhé! Cứ theo dõi và so sánh là được. Và tất nhiên, bạn hoàn toàn có thể tùy chỉnh cấu trúc này cho phù hợp với dự án “cưng” của mình. Tiếp theo, chúng ta sẽ cài đặt tất cả các thư viện cần thiết bằng UV Package Manager. Nếu bạn chưa có UV, hãy xem hướng dẫn cài đặt của nó nhé: `uv sync --all-extras` `source .venv/bin/activate` Hai câu lệnh này sẽ giúp bạn cài đặt tất cả các “nguyên liệu” (dependencies) đã liệt kê trong file `pyproject.toml` và “kích hoạt” môi trường ảo của dự án. Đơn giản phải không? https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/uv_install.png Cấu hình môi trường: Sổ tay bí mật Hãy tạo một file `.env` ở thư mục gốc của dự án và thêm các biến môi trường sau vào đó. Hãy coi đây là “sổ tay bí mật” chứa các thông tin nhạy cảm của bạn, tuyệt đối không được chia sẻ lung tung nhé! `ZILLIZ_CLOUD_URI=your-zilliz-uri` `ZILLIZ_TOKEN=your-zilliz-token` `COLLECTION_NAME=your-collection-name` `PDF_BUCKET_NAME=your-bucket-name` `OPENAI_API_KEY=your-openai-key` `AWS_REGION=your-aws-region` `AWS_ACCESS_KEY_ID=your-access-key` `AWS_SECRET_ACCESS_KEY=your-secret-key` `AWS_ACCOUNT_ID=your-account-id` `LAMBDA_ECR_REPOSITORY_NAME=your-ecr-repo-name` `LAMBDA_IMAGE_NAME=your-image-name` `LAMBDA_FUNCTION_NAME=your-lambda-name` `ROLE_NAME=your-role-name` `ROLE_POLICY_NAME=your-policy-name` Hãy nhớ thay thế các giá trị `your-something` bằng thông tin thật của bạn nhé. Đây là “chìa khóa” để các dịch vụ của chúng ta có thể liên lạc với nhau! https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/env_file_security.png Thiết lập cơ sở dữ liệu vector: Kho lưu trữ “siêu trí nhớ” Để lưu trữ và truy xuất các embeddings một cách hiệu quả, chúng ta cần thiết lập một cơ sở dữ liệu vector. Phần này sẽ hướng dẫn bạn cấu hình Zilliz Cloud (Milvus), định nghĩa schema và tối ưu hóa cơ sở dữ liệu cho việc tìm kiếm vector nhanh chóng. **Thiết lập Collection trên Zilliz Cloud:** Zilliz Cloud là phiên bản Milvus được quản lý, một cơ sở dữ liệu vector hiệu suất cao. Chúng ta sẽ tạo một “collection” (tạm hiểu là một ngăn kéo chứa dữ liệu) để lưu trữ văn bản đã trích xuất và các embeddings vector tương ứng. Để tạo collection, bạn cần làm theo các bước sau: 1. Đăng ký và tạo một Cluster miễn phí trong Zilliz Cloud. 2. Lấy thông tin kết nối: * **URI:** Tìm thấy trong cài đặt cluster (public endpoint). * **Token:** Cần cho việc xác thực. 3. Đặt các biến môi trường vào file `.env` của bạn và cung cấp một tên cho collection: `ZILLIZ_CLOUD_URI=your-zilliz-uri` `ZILLIZ_TOKEN=your-zilliz-token` `COLLECTION_NAME=your-collection-name` https://truyentranh.letranglan.top/api/v1/proxy?url=https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fga1zq0ki32z7plrjkzk0.png **Tạo Collection:** Khi đã có thông tin kết nối, bạn có thể tạo một collection trong Zilliz Cloud. Collection này sẽ lưu trữ văn bản đã trích xuất và các embeddings vector tương ứng. Trong thư mục `src`, bạn có thể tạo một script tên là `create_collection.py` với vài hàm để định nghĩa schema và tạo collection: * `create_schema`: Định nghĩa schema, bao gồm: * `id`: Khóa chính tự động tạo (INT64). * `pdf_text`: Văn bản được trích xuất, lưu dưới dạng VARCHAR. * `my_vector`: Embeddings vector, lưu dưới dạng FLOAT_VECTOR (chiều mặc định: 1536). * `create_collection`: Tạo collection trong Zilliz Cloud với schema đã định nghĩa. Nó tối ưu hóa việc tìm kiếm vector bằng cách thiết lập AUTOINDEX với độ tương đồng COSINE, đảm bảo truy xuất hiệu quả. ```python import os from typing import Optional from pymilvus import DataType, MilvusClient def create_schema(dimension: int = 1536) -> MilvusClient.create_schema: """Define the schema for the Milvus collection.""" schema = MilvusClient.create_schema( auto_id=True, enable_dynamic_field=True, ) schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True) schema.add_field(field_name="pdf_text", datatype=DataType.VARCHAR, max_length=65535) schema.add_field(field_name="my_vector", datatype=DataType.FLOAT_VECTOR, dim=dimension) return schema def create_collection( collection_name: Optional[str] = None, uri: Optional[str] = None, token: Optional[str] = None, dimension: int = 1536, ) -> None: """Create a new Milvus collection with the specified parameters. Args: collection_name (str, optional): Name of the collection. Defaults to env var COLLECTION_NAME. uri (str, optional): Zilliz Cloud URI. Defaults to env var ZILLIZ_CLOUD_URI. token (str, optional): Zilliz token. Defaults to env var ZILLIZ_TOKEN. dimension (int, optional): Vector dimension. Defaults to 1536. """ # Use environment variables as fallback collection_name = collection_name or os.getenv("COLLECTION_NAME") uri = uri or os.getenv("ZILLIZ_CLOUD_URI") token = token or os.getenv("ZILLIZ_TOKEN") if not all([collection_name, uri, token]): raise ValueError("Missing required parameters: collection_name, uri, or token") # Connect to Zilliz Cloud (Milvus) client = MilvusClient(uri=uri, token=token) # Create schema schema = create_schema(dimension) # Prepare index parameters index_params = client.prepare_index_params() index_params.add_index(field_name="my_vector", index_type="AUTOINDEX", metric_type="COSINE") # Create collection client.create_collection(collection_name=collection_name, schema=schema, index_params=index_params) if __name__ == "__main__": # Create collection print("Creating collection...") create_collection() print("Collection created successfully.") ``` Khi cụm Zilliz Cloud của bạn đã sẵn sàng và `.env` đã được cấu hình, hãy chạy lệnh sau: `uv run src/create_collection.py` Lệnh này sẽ tạo một collection trong cụm Zilliz Cloud của bạn. Trong trường hợp bạn muốn “dọn dẹp” collection này, bạn có thể tạo một script `drop_collection.py` trong thư mục `src` để xóa collection và sau đó tạo lại bằng script trước đó. ```python import os from typing import Optional from pymilvus import MilvusClient def drop_collection( collection_name: Optional[str] = None, uri: Optional[str] = None, token: Optional[str] = None, ) -> None: """Drop a Milvus collection. Args: collection_name (str, optional): Name of the collection. Defaults to env var COLLECTION_NAME. uri (str, optional): Zilliz Cloud URI. Defaults to env var ZILLIZ_CLOUD_URI. token (str, optional): Zilliz token. Defaults to env var ZILLIZ_TOKEN. """ # Use environment variables as fallback collection_name = collection_name or os.getenv("COLLECTION_NAME") uri = uri or os.getenv("ZILLIZ_CLOUD_URI") token = token or os.getenv("ZILLIZ_TOKEN") if not all([collection_name, uri, token]): raise ValueError("Missing required parameters: collection_name, uri, or token") # Connect to Zilliz Cloud (Milvus) client = MilvusClient(uri=uri, token=token) # Drop the collection client.drop_collection(collection_name=collection_name) if __name__ == "__main__": # Drop collection print("Dropping collection...") drop_collection() print("Collection dropped successfully.") ``` Để xóa collection, hãy chạy: `uv run src/drop_collection.py` https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/milvus_collection_management.png Triển khai quy trình xử lý PDF: Biến PDF thành “ngôn ngữ” AI Để lưu trữ và tìm kiếm văn bản hiệu quả, chúng ta cần xử lý các file PDF, trích xuất văn bản, chuyển đổi chúng thành embeddings, và lưu trữ vào Zilliz Cloud để truy xuất nhanh chóng. Đảm bảo bạn đã đặt biến môi trường `OPENAI_API_KEY` trong file `.env` của mình nhé. Sau đó, tạo một script `insert_documents.py` trong thư mục `src`. Script này sẽ là “phiên dịch viên” chính của chúng ta, thực hiện các công việc sau: * **Tải văn bản từ PDF:** Sử dụng `PyPDFLoader` từ LangChain để lấy đối tượng `Document`. * **Chia nhỏ văn bản:** Chia văn bản thành các “đoạn” nhỏ dễ quản lý bằng `CharacterTextSplitter` để đảm bảo embeddings chính xác. * **Tạo embeddings:** Sử dụng OpenAI để tạo các embeddings vector. * **Lưu trữ vào Zilliz Cloud:** Lưu văn bản và embeddings vào Zilliz Cloud bằng `MilvusClient` để tìm kiếm sự tương đồng hiệu quả. ```python import os from typing import Optional from langchain_community.document_loaders import PyPDFLoader from langchain_openai import OpenAIEmbeddings from langchain_text_splitters import CharacterTextSplitter from pymilvus import MilvusClient def process_pdf(pdf_path: str, chunk_size: int = 512, chunk_overlap: int = 100) -> list[dict]: """Process a PDF file and generate embeddings for its content.""" if not os.path.exists(pdf_path): raise FileNotFoundError(f"PDF file not found at {pdf_path}") # Load and process PDF loader = PyPDFLoader(pdf_path) documents = loader.load() # Split text text_splitter = CharacterTextSplitter(chunk_size=chunk_size, chunk_overlap=chunk_overlap) chunks = text_splitter.split_documents(documents) # Generate embeddings openai_embeddings = OpenAIEmbeddings() # Prepare data for insertion data = [] for chunk in chunks: text = chunk.page_content embedding = openai_embeddings.embed_documents([text])[0] data.append({"pdf_text": text, "my_vector": embedding}) return data def insert_documents( pdf_path: str, collection_name: Optional[str] = None, uri: Optional[str] = None, token: Optional[str] = None, chunk_size: int = 512, chunk_overlap: int = 100, ) -> None: """Insert documents from a PDF file into a Milvus collection.""" # Use environment variables as fallback collection_name = collection_name or os.getenv("COLLECTION_NAME") uri = uri or os.getenv("ZILLIZ_CLOUD_URI") token = token or os.getenv("ZILLIZ_TOKEN") if not all([collection_name, uri, token]): raise ValueError("Missing required parameters: collection_name, uri, or token") # Connect to Zilliz Cloud (Milvus) client = MilvusClient(uri=uri, token=token) # Process PDF and get data data = process_pdf(pdf_path, chunk_size, chunk_overlap) # Insert data client.insert(collection_name, data) # Verify collection load state load_state = client.get_load_state(collection_name=collection_name) print(f"Collection load state: {load_state}") if __name__ == "__main__": # Insert documents print("Inserting documents...") insert_documents("data/1706.03762v7.pdf") print("Documents inserted successfully.") ``` Để chạy script này, bạn hãy dùng lệnh sau. Bạn có thể tìm thấy một file PDF mẫu trong thư mục `data` nhưng cứ thoải mái dùng file của riêng bạn nhé: `uv run src/insert_documents.py` Script này sẽ “xử lý” file PDF của bạn, tạo embeddings và lưu chúng vào collection trong cụm Zilliz Cloud của bạn. Tuyệt vời phải không nào? https://truyentranh.letranglan.top/api/v1/proxy?url=https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fzskssf09tmbz92ziffx2.png Tạo vai trò và chính sách IAM: Bộ phận an ninh của AWS Giờ đây chúng ta đã có một quy trình hoạt động, bước tiếp theo là thiết lập AWS Lambda để kích hoạt quy trình này mỗi khi có một file PDF mới được tải lên một S3 bucket. Để triển khai các hàm AWS Lambda, bạn cần tạo các vai trò (IAM roles) và quyền (permissions) cụ thể trước tiên. Bạn có thể tạo script `create_roles.sh` dưới thư mục `scripts`. Script này tự động hóa quá trình tạo một vai trò IAM với chính sách `AWSLambdaExecute` cần thiết để AWS Lambda thực thi hàm và truy cập S3. Trước khi chạy script, hãy đảm bảo bạn đã đặt các biến môi trường `ROLE_NAME` và `AWS_REGION` trong file `.env` của mình. AWS Lambda sẽ đảm nhận vai trò này khi thực thi hàm, cho phép nó truy cập S3 bucket, như được định nghĩa trong chính sách `AWSLambdaExecute`. Nó cũng sẽ có quyền truy cập CloudWatch Logs cho mục đích ghi nhật ký, giúp bạn giám sát và gỡ lỗi hàm. ```bash #!/bin/bash # Exit immediately if a command exits with a non-zero status set -e # Load environment variables from .env file set -o allexport source .env set +o allexport echo "Environment variables loaded." # Check IAM role... echo "Checking IAM role..." # Check if the role exists if ! aws iam get-role --role-name ${ROLE_NAME} --region ${AWS_REGION} 2>/dev/null; then echo "Creating new IAM role for Lambda with S3 access..." # Fix: Remove space after = and use proper JSON formatting ASSUME_ROLE_POLICY='{ "Version": "2012-10-17", "Statement": [{ "Effect": "Allow", "Principal": { "Service": "lambda.amazonaws.com" }, "Action": "sts:AssumeRole" }] }' # Create the IAM role aws iam create-role \ --role-name ${ROLE_NAME} \ --assume-role-policy-document "${ASSUME_ROLE_POLICY}" \ --region ${AWS_REGION} # Add Lambda execution policy. Provides Put, Get access to S3 and full access to CloudWatch Logs. aws iam attach-role-policy \ --role-name ${ROLE_NAME} \ --policy-arn arn:aws:iam::aws:policy/AWSLambdaExecute \ --region ${AWS_REGION} echo "IAM role created and policy attached." # Wait for role to propagate echo "Waiting for role to propagate..." sleep 20 else echo "IAM role ${ROLE_NAME} already exists. Skipping role creation." fi ``` Để thực thi script này, bạn hãy dùng lệnh sau: `uv run scripts/create_roles.sh` https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/iam_roles_permissions.png Xây dựng hàm AWS Lambda: Bộ não của hệ thống Hàm AWS Lambda là thành phần cốt lõi tự động hóa toàn bộ quá trình xử lý tải lên PDF, tạo embeddings và lưu trữ chúng trong Zilliz Cloud. Hàm này được kích hoạt bởi một sự kiện S3, xử lý PDF đã tải lên và lưu trữ dữ liệu kết quả vào collection Milvus của bạn. **Triển khai Lambda Handler:** Bây giờ bạn có thể tạo file `lambda_function.py` dưới đây và lưu nó vào thư mục `aws_lambda`. File này chứa phần triển khai của hàm AWS Lambda. Trong trường hợp này, hàm AWS Lambda được kích hoạt bởi một sự kiện S3 mỗi khi một file PDF mới được tải lên một S3 bucket. Nó xử lý sự kiện, trích xuất file, tạo embeddings và chèn dữ liệu vào collection Zilliz Cloud. ```python import json import os import boto3 from langchain_community.document_loaders import PyPDFLoader from langchain_openai import OpenAIEmbeddings from langchain_text_splitters import CharacterTextSplitter from pymilvus import MilvusClient # Global variables for reuse across invocations client = None openai_embeddings = None text_splitter = None def init_clients(): """Initialize global clients if not already initialized""" global client, openai_embeddings, text_splitter if client is None: print("Initializing Milvus client...") client = MilvusClient(uri=os.getenv("ZILLIZ_CLOUD_URI"), token=os.getenv("ZILLIZ_TOKEN")) if openai_embeddings is None: print("Initializing OpenAI embeddings...") openai_embeddings = OpenAIEmbeddings(openai_api_key=os.getenv("OPENAI_API_KEY")) if text_splitter is None: print("Initializing text splitter...") text_splitter = CharacterTextSplitter(chunk_size=512, chunk_overlap=100) def lambda_handler(event, context): try: print(f"Received event: {json.dumps(event)}") # Initialize clients init_clients() # Validate event structure if "Records" not in event or not event["Records"]: print("No records found in event") return {"statusCode": 400, "body": json.dumps("No records found in event")} # Get bucket and file info from S3 event record = event["Records"][0] bucket = record["s3"]["bucket"]["name"] key = record["s3"]["object"]["key"] print(f"Processing file {key} from bucket {bucket}") # Verify bucket expected_bucket = os.getenv("PDF_BUCKET_NAME") if bucket != expected_bucket: print(f"Invalid bucket. Expected {expected_bucket}, got {bucket}") return { "statusCode": 400, "body": json.dumps(f"Invalid bucket. Expected {expected_bucket}, got {bucket}"), } # Download PDF local_path = f"/tmp/{os.path.basename(key)}" print(f"Downloading file to {local_path}") s3 = boto3.client("s3") s3.download_file(bucket, key, local_path) # Process PDF print("Loading and splitting PDF...") documents = PyPDFLoader(local_path).load() chunks = text_splitter.split_documents(documents) print(f"Split PDF into {len(chunks)} chunks") # Prepare and insert data print("Generating embeddings and preparing data...") data = [ { "pdf_text": chunk.page_content, "my_vector": openai_embeddings.embed_documents([chunk.page_content])[0], } for chunk in chunks ] print(f"Inserting {len(data)} records into collection {os.getenv('COLLECTION_NAME')}") client.insert(os.getenv("COLLECTION_NAME"), data) # Cleanup os.remove(local_path) print("Processing completed successfully") return {"statusCode": 200, "body": json.dumps(f"Successfully processed {key}")} except Exception as e: print(f"Error processing document: {str(e)}") import traceback print(f"Traceback: {traceback.format_exc()}") return {"statusCode": 500, "body": json.dumps(str(e))} ``` Các tính năng chính của hàm Lambda: * **Xử lý sự kiện S3:** Hàm AWS Lambda được kích hoạt bởi một sự kiện S3 khi một file PDF mới được tải lên S3 bucket được chỉ định. * **Khởi tạo Client:** Hàm khởi tạo client Milvus để lưu trữ embeddings, client OpenAI embeddings và text splitter để chia nhỏ văn bản PDF. * **Xử lý văn bản:** Văn bản PDF được trích xuất bằng `PyPDFLoader`, sau đó được chia thành các đoạn nhỏ hơn để đảm bảo việc tạo embedding đúng cách. * **Tạo và lưu trữ Embeddings:** Các embeddings của OpenAI được tạo cho mỗi đoạn văn bản, và dữ liệu kết quả được chèn vào collection Milvus đã chỉ định trong Zilliz Cloud. * **Xử lý lỗi:** Hàm bao gồm xử lý lỗi để bắt và ghi lại bất kỳ ngoại lệ nào xảy ra trong quá trình xử lý PDF. https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/lambda_s3_flow.png Đóng gói AWS Lambda với Docker: Hộp thần kỳ Khi hàm AWS Lambda đã sẵn sàng, nó cần được “đóng gói” bằng Docker. Vì AWS Lambda hoạt động tốt hơn với `requirements.txt` thay vì `pyproject.toml`, bạn cần tạo một file `requirements.txt` từ file `pyproject.toml` của bạn ở thư mục gốc của dự án với các dependencies sau: * `langchain-community` * `langchain_milvus` * `boto3` * `langchain-openai` * `pypdf` `Dockerfile` dưới đây thiết lập môi trường cho hàm AWS Lambda, bao gồm các dependencies cần thiết và mã hàm. Bạn có thể lưu file này trong thư mục gốc của dự án. ```dockerfile FROM public.ecr.aws/lambda/python:3.12.2025.04.01.18 # Set the working directory to /var/task WORKDIR ${LAMBDA_TASK_ROOT} # Copy requirements first to leverage Docker cache COPY requirements.txt ./ # Install dependencies RUN pip install --no-cache-dir -r requirements.txt # Copy source code COPY aws_lambda/lambda_function.py ./lambda_function.py # Command to run the Lambda handler function CMD [ "lambda_function.lambda_handler" ] ``` Tương tự như việc tạo vai trò IAM, việc tạo repository ECR và Docker image có thể được tự động hóa bằng một shell script. Đảm bảo các biến môi trường tương ứng được đặt trong file `.env`. Lưu script dưới đây vào thư mục `scripts`. ```bash #!/bin/bash # Exit immediately if a command exits with a non-zero status set -e # Load environment variables from .env file set -o allexport source .env set +o allexport echo "Environment variables loaded." # Check if the ECR repository exists, create it if it does not if ! aws ecr describe-repositories --repository-names ${LAMBDA_ECR_REPOSITORY_NAME} --region ${AWS_REGION} 2>/dev/null; then echo "Repository ${LAMBDA_ECR_REPOSITORY_NAME} does not exist. Creating..." aws ecr create-repository --repository-name ${LAMBDA_ECR_REPOSITORY_NAME} --region ${AWS_REGION} echo "Repository ${LAMBDA_ECR_REPOSITORY_NAME} created." else echo "Repository ${LAMBDA_ECR_REPOSITORY_NAME} already exists." fi # Build Docker image # To make your image compatible with Lambda, you must use the --provenance=false option. echo "Building Docker image ${LAMBDA_IMAGE_NAME}..." docker buildx build --platform linux/amd64 --provenance=false -t ${LAMBDA_IMAGE_NAME}:latest . # Authenticate Docker to your Amazon ECR registry echo "Authenticating Docker to ECR..." aws ecr get-login-password --region ${AWS_REGION}
Lê Lân
Cài Đặt GitLab Runner Trên Linux: Biến CI/CD Thành 'Tự Động Viên' Của Bạn!
Hướng dẫn cài đặt GitLab Runner trên Linux một cách chi tiết, dễ hiểu, kèm theo các lệnh hữu ích và hình ảnh minh họa. Biến quy trình CI/CD của bạn thành tự động với GitLab Runner.
Lê Lân
Triển khai ứng dụng 'dễ như ăn kẹo' với Cursor AI: Từ gỡ lỗi đến Azure chỉ trong 45 phút!
Bạn có đang 'vật lộn' với việc triển khai ứng dụng (deployment) không? Đừng lo! Hôm nay, mình sẽ bật mí cách mình dùng 'trợ thủ AI' mang tên Cursor AI để gỡ lỗi code, tự động hóa quy trình CI/CD, và 'đẩy' một ứng dụng web Python lên Azure 'ngon ơ'! Triển khai một ứng dụng Flask nghe thì đơn giản lắm, nhưng nào là lỗi ẩn, nào là vấn đề phụ thuộc (dependency), rồi cả mấy cái 'cục xương' CI/CD cứ thi nhau 'quậy' khiến nó trở thành cơn ác mộng. Và đó chính là lúc Cursor AI xuất hiện, thay đổi cuộc chơi hoàn toàn! Bằng cách tận dụng khả năng gỡ lỗi 'siêu tốc' bằng AI, tự động hóa các lệnh trên terminal, và 'phán đoán' lỗi cực kỳ thông minh, mình đã rút ngắn thời gian triển khai xuống còn... một nửa! Muốn biết làm sao không? Bắt đầu ngay nhé!<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/deployment_struggle_vs_ai.png' alt='Lập trình viên đang vật lộn với deployment và hình ảnh AI giúp đỡ'>**1. Thiết lập cục bộ 'chuẩn AI': Gỡ lỗi thủ công ư? Quên đi!**🛠 **Vấn đề:** Gỡ lỗi thủ công cứ như 'mò kim đáy bể', tốn thời gian kinh khủng!💡 **Giải pháp của Cursor AI:** Tối ưu code 'trong chớp mắt'!Thay vì mất hàng giờ đồng hồ vật lộn với lỗi, mình chỉ việc 'thì thầm' vào tai Cursor AI:`Prompt cho Cursor AI: Hãy biến cái này thành phiên bản sẵn sàng cho sản xuất (production-ready): loại bỏ code chết, sửa lỗi, và tạo một file requirements.txt 'sạch' với các phiên bản chính xác.`Và bạn biết không? Cursor AI tự động làm tất tần tật:* Loại bỏ mấy cái `import` không dùng tới (code gọn hơn hẳn!).* Sửa lỗi xử lý khóa API của Gemini (không lo 'dính phốt' nữa!).* Tạo ra một file `requirements.txt` siêu gọn gàng (✅ không còn lo xung đột phiên bản!).**Mẹo nhỏ nè:** Luôn nhớ nhắc Cursor AI `Chỉ bao gồm các dependency tôi thực sự sử dụng` để tránh 'phình to' dung lượng ứng dụng nhé!<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/cursor_ai_code_optimization.png' alt='Cursor AI tự động tối ưu hóa code và requirements.txt'><img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/clean_requirements_txt.png' alt='File requirements.txt đã được làm sạch'>**2. Đẩy lên GitHub mà không cần gõ một dòng lệnh nào!**🛠 **Vấn đề:** Các thao tác với Git cứ 'dài dòng' và lặp đi lặp lại.💡 **Giải pháp của Cursor AI:** Thiết lập kho lưu trữ (repo) chỉ với một cú nhấp!Mình thề là mình không gõ một lệnh Git nào luôn. Thay vào đó, mình chỉ việc:* Tạo một kho lưu trữ GitHub mới và sao chép liên kết SSH.* Rồi 'sai bảo' Cursor AI:`Prompt: Đẩy dự án này lên kho lưu trữ của tôi bằng SSH.`Và thế là Cursor AI tự động 'múa' một loạt các lệnh terminal 'điệu nghệ' cho mình:* `git init`* `git remote add origin [email protected]:myrepo/ethics-ai.git`* `git add .`* `git commit -m "AI-optimized initial commit"`* `git push -u origin main`✅ **Tại sao điều này lại quan trọng ư?** Đơn giản là bạn không cần phải 'nhồi nhét' mấy cái cú pháp Git phức tạp vào đầu nữa – cứ thế mà triển khai thôi! Sướng chưa?<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/git_commands_automation.png' alt='Cursor AI tự động chạy các lệnh Git trên terminal'>**3. Triển khai lên Azure: Nơi AI 'cứu' tôi thoát khỏi thảm họa!**🛠 **Vấn đề:** Lỗi triển khai 'âm thầm' – không báo động mà vẫn 'tạch'!💡 **Giải pháp của Cursor AI:** Giải mã lỗi 'theo thời gian thực'!Sau khi kết nối GitHub với Azure, ứng dụng của mình 'tự dưng' thất bại mà không hề báo một lỗi nào rõ ràng. Đây là cách AI đã 'vào vai người hùng':**❌ Lỗi 1: `ModuleNotFoundError: No module named 'langchain'`*** **Chẩn đoán:** À thì ra, Azure không tự động cài đặt các thư viện dành cho môi trường phát triển (dev dependencies). Mình cần chuyển `langchain` từ file `dev_requirements.txt` sang `requirements.txt`.**❌ Lỗi 2: Trang trắng 'toát' khi khởi động*** **Giải pháp:** Flask cần một máy chủ WSGI như Gunicorn khi chạy trên môi trường production. Chỉ cần thêm một lệnh khởi động trong phần Cấu hình (Configuration) của Azure là xong:`Command: gunicorn --bind=0.0.0.0:8000 app:app`**❌ Lỗi 3: Khóa API Gemini không tải được*** **Nhắc nhở quan trọng:** Azure không đọc các file `.env` đâu nhé! Bạn cần thêm khóa API vào mục Cấu hình ứng dụng (Application Settings) trong Dịch vụ ứng dụng (App Service) của Azure.<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/azure_deployment_errors.png' alt='Các lỗi triển khai phổ biến trên Azure và cách khắc phục'><img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/gunicorn_command_azure.png' alt='Thiết lập lệnh Gunicorn trong Azure App Service'>**4. Kết quả: Một ứng dụng AI 'chạy vèo vèo' chỉ trong chưa đầy 1 tiếng đồng hồ! 🚀**Nhờ có Cursor AI mà mình đã:* Gỡ lỗi code ngay trước khi triển khai (không còn cảnh 'thử và sai' mệt mỏi).* Tự động hóa toàn bộ quy trình Git (không cần 'bấm phím' thủ công).* Giải quyết các lỗi Azure chỉ trong vài phút (thay vì vài ngày!).* **Trước khi dùng AI:** Hơn 6 tiếng đồng hồ vật lộn với lỗi.* **Sau khi dùng AI:** Chỉ 45 phút là triển khai xong!<img src='https://truyentranh.letranglan.top/api/v1/proxy?url=https://i.imgur.com/time_saved_by_ai.png' alt='Biểu đồ so sánh thời gian triển khai trước và sau khi dùng AI'>**5. Đến lượt bạn: Thử ngay 'lối tắt' AI này đi!**Bạn đã sẵn sàng để trở thành 'siêu nhân' triển khai ứng dụng chưa?* **Bước tiếp theo:** Tải và cài đặt Cursor AI (extension cho VS Code).* **Sử dụng các prompt của mình** (cứ copy y chang ở trên nhé!).* **Triển khai không sợ hãi** – cứ để AI 'xử lý' mấy việc lặt vặt cho bạn!**Câu hỏi dành cho bạn nè:** 'Cơn đau đầu' lớn nhất của bạn khi triển khai là gì? Hãy chia sẻ trong phần bình luận nhé – mình sẽ bật mí cách AI có thể 'chữa lành' nó!**Lời kêu gọi hành động:**Thử ngay Cursor AI hôm nay và đừng quên 'tag' mình vào câu chuyện thành công triển khai ứng dụng của bạn nhé!**Lời cuối:**AI sẽ không 'thay thế' các lập trình viên – nhưng những lập trình viên biết dùng AI sẽ 'thay thế' những người không dùng! 🚀
Lê Lân
Microservices mà vẫn Release như Monolith? Đây là Vấn đề bạn Đang Gặp Phải!
Khám phá lý do tại sao nhiều đội ngũ vẫn gặp phải tình trạng 'microservices phân tán' khi release. Tìm hiểu về vấn đề 'gom nhóm' và giải pháp sandbox để triển khai độc lập, tăng tốc độ và chất lượng.
Lê Lân
Quẳng gánh Bash đi và vui vẻ scripting với zx@lite!
Khám phá zx@lite: công cụ scripting nhẹ nhàng, hiệu quả cho Node.js, Deno, Bun. Thay thế Bash bằng TypeScript, ít dependencies, hiệu suất tối ưu. Hướng dẫn cài đặt và ví dụ thực tế.
Lê Lân
Bí Quyết Nâng Cấp CI/CD: Xây Dựng "Đường Ống" Triệu Đô Cho Tương Lai!
Chào bạn! Bạn có đang mệt mỏi vì Docker image nặng nề hay pipeline CI/CD ì ạch? Đừng lo lắng! Bài viết này sẽ "bật mí" 5 bí kíp đỉnh cao để tối ưu hóa quy trình CI/CD của bạn, từ Docker Multi-stage Builds, Kaniko, đến Smart Triggers và HashiCorp Vault, giúp bạn xây dựng một "đường ống" mượt mà, hiệu quả và an toàn hơn bao giờ hết.
Lê Lân