Async vs Parallelism: Why Async May Not Make Your Backend Faster
Understand concurrency and parallelism, event loops, blocking code, thread and process pools, workers, and how to benchmark async against a real workload.
Blog
Things worth writing down.Những thứ đáng để viết lại.
Deep dives into real-world AI systems, papers, experiments, and engineering lessons beyond the handbook's core learning path.Các bài đào sâu về hệ thống AI thực tế, paper, thử nghiệm và bài học engineering nằm ngoài lộ trình cốt lõi của handbook.
Async vs Parallelism: Vì sao dùng async chưa chắc khiến backend chạy nhanh hơn?
Phân biệt concurrency và parallelism, hiểu event loop, blocking code, thread/process pools, workers và cách benchmark async đúng với workload thực tế.
Rate Limiting: How Do You Protect an API When Thousands of Requests Arrive?
Fixed and sliding windows, token buckets, atomic Redis checks, HTTP 429, concurrency limits, and testing a rate limiter across replicas.
Rate Limiting: Làm sao bảo vệ API khi hàng nghìn request cùng xuất hiện?
Từ fixed window, sliding window và token bucket đến Redis Lua, HTTP 429, giới hạn concurrency và cách kiểm thử rate limiter trên nhiều replica.
Redis Caching: Faster APIs, So Why Does the Data Go Stale?
From cache-aside, TTLs, and invalidation to read-write races, cache stampedes, and measuring whether Redis makes an API faster without making it wrong.
Redis Caching: API nhanh hơn, nhưng vì sao dữ liệu lại bị cũ?
Từ cache-aside, TTL và invalidation đến race condition, cache stampede và cách đo xem Redis có thực sự giúp API nhanh mà vẫn đúng hay không.
Database Connection Pooling: Why APIs Time Out While PostgreSQL Has Capacity
Why fast SQL can sit behind slow connection checkout, how SQLAlchemy pools scale across workers, and when PgBouncer helps or merely moves the queue.
Database Connection Pooling: Vì sao API timeout dù PostgreSQL vẫn còn tài nguyên?
SQL chạy nhanh nhưng API vẫn chậm: tìm thời gian chờ connection, tính pool trên toàn bộ workers và hiểu khi nào PgBouncer thực sự có ích.
Data Modeling: From Transaction Tables to Star Schemas and Data Marts
How fact grain, dimensions, SCD Type 2, conformed dimensions, and analytical marts prevent double counting and make business metrics trustworthy.
Data Modeling: Từ bảng giao dịch đến Star Schema và Data Marts
Cách định nghĩa grain, thiết kế Fact và Dimension, quản lý SCD Type 2 và Data Mart để tránh tính trùng và giữ các chỉ số kinh doanh đáng tin cậy.
Data Quality: When the Pipeline Succeeds but the Data Is Wrong
How to test data completeness, uniqueness, business rules, freshness, reconciliation, and publication before a successful pipeline produces a misleading dashboard.
Data Quality: Khi Pipeline chạy thành công nhưng dữ liệu lại sai
Kiểm tra tính đầy đủ, trùng lặp, quy tắc nghiệp vụ, độ mới và đối soát dữ liệu trước khi một pipeline thành công tạo ra dashboard sai.
Change Data Capture: Syncing Data Without Repeatedly Scanning the Database
How PostgreSQL WAL, logical decoding, Debezium, snapshots, and replication slots feed analytics, and why reliable CDC still needs ordering, deduplication, and reconciliation.
Change Data Capture: Đồng bộ dữ liệu mà không phải liên tục quét Database
Cách PostgreSQL WAL, Logical Decoding, Debezium, Snapshot và Replication Slot đưa thay đổi sang Analytics, cùng những bài toán về thứ tự, dữ liệu trùng và đối soát.
OLTP vs OLAP: Why Analytics Should Not Depend Entirely on a Transactional Database
Why analytical queries can slow transactional APIs, and how data models, materialized views, replicas, pipelines, and warehouses fit different workloads.
OLTP vs OLAP: Vì sao Analytics không nên phụ thuộc hoàn toàn vào Database giao dịch?
Vì sao dashboard có thể làm chậm API giao dịch, và cách chọn giữa tối ưu SQL, Materialized View, Read Replica và Data Warehouse theo workload thực tế.
Database Transactions: What Happens When Two Requests Change the Same Data?
A practical introduction to PostgreSQL transactions, MVCC, isolation levels, locking, optimistic concurrency, and the limits of ACID across services.
Database Transactions: Khi hai request cùng sửa một dữ liệu, điều gì xảy ra?
Tìm hiểu Transactions, MVCC, isolation levels và các cách xử lý race condition khi nhiều request cùng cập nhật dữ liệu trong PostgreSQL.
Database Indexing: Why Adding an Index May Not Speed Up a Query
A practical guide to PostgreSQL query plans, B-tree and composite indexes, selectivity, EXPLAIN ANALYZE, and the costs of indexing a real workload.
Database Indexing: Vì sao thêm Index chưa chắc khiến Query nhanh hơn?
Vì sao PostgreSQL có thể không dùng Index vừa tạo, cách đọc Query Plan, thiết kế Composite Index và đánh giá chi phí trên toàn bộ workload.
AI Agent Security: When Documents and Tool Outputs Try to Take Control
How prompt injection crosses the boundary between data and instructions, and how to protect Agent actions with least privilege, authorization, and evaluation.
AI Agent Security: Khi tài liệu và Tool Output cố điều khiển Agent
Prompt injection khai thác ranh giới giữa dữ liệu và chỉ thị như thế nào, và cách giới hạn quyền, kiểm tra hành động, đánh giá phòng vệ trong AI Agent.
Long-Running AI Agents: Pause, Resume, and Recover Without Corrupting Work
Designing durable Agent execution with checkpoints, human approval, retries, idempotency, and a state machine that prevents duplicate actions.
Long-Running AI Agents: Làm sao tạm dừng, tiếp tục và phục hồi công việc mà không làm sai dữ liệu?
Thiết kế Agent chạy dài với checkpoint, human approval, retry, idempotency và state machine để phục hồi mà không nhân đôi hành động.
Tools, Skills & MCP: Giving AI Agents the Right Capabilities Without Overengineering
A practical guide to choosing tools, Agent Skills, MCP, subagents, or ordinary workflows - and knowing where each responsibility belongs.
Tools, Skills & MCP: Thiết kế khả năng cho AI Agent mà không làm hệ thống phức tạp quá mức
Phân biệt vai trò của Tool, Agent Skill, MCP, Subagent và Workflow để mở rộng khả năng AI Agent đúng chỗ, đúng quyền.
Building Agent Memory in Production: Knowing What to Remember, Update, and Forget
How to build reliable Agent memory in production, from preferences and retrieval to updates, conflicts, deletion, and evaluation.
Building Agent Memory in Production: Khi AI cần nhớ, cập nhật và quên đúng lúc
Từ ghi nhớ sở thích đến cập nhật, truy xuất và xóa đúng lúc: cách thiết kế Agent Memory đáng tin cậy trong production.
Inside Context Engineering: Designing a Context Pipeline for AI Agents
A practical look inside an Agent's Context Builder: authorized retrieval, evidence selection, tool-output shaping, memory, handoffs, and evaluation.
Inside Context Engineering: Thiết kế Context Pipeline cho AI Agents trong thực tế
Đi sâu vào Context Builder của AI Agent: kiểm soát quyền truy cập, chọn bằng chứng, xử lý kết quả tool, quản lý context qua nhiều bước và đánh giá pipeline.
Designing a Hybrid AI Evaluation Harness: From Ground Truth to Testing Agents
A practical architecture for running golden test cases, capturing traces, combining specialized graders, diagnosing failures, and comparing AI system versions.
Designing a Hybrid AI Evaluation Harness: Từ Ground Truth đến kiểm thử AI Agent trong thực tế
Cách chạy Golden Dataset, thu thập traces, kết hợp các grader chuyên trách, chẩn đoán lỗi và so sánh các phiên bản AI System.
Evaluating AI Systems: Choosing the Right Metrics for Chatbots, RAG, and Agents
How to evaluate answers, retrieval, tool use, final outcomes, and reliability with code-based graders, references, LLM judges, and human review.
Evaluating AI Systems: Chọn đúng phương pháp đo cho Chatbot, RAG và AI Agent
Cách đánh giá câu trả lời, retrieval, tool use, kết quả cuối và độ ổn định bằng code-based grader, reference, LLM Judge và human review.
Building Ground Truth: How to Create a Trustworthy AI Evaluation Dataset
A practical guide to finding the source of truth, generating test cases, validating expected outcomes, and maintaining a golden dataset for chatbots, RAG, and AI Agents.
Building Ground Truth: Làm sao tạo test dataset đáng tin cậy để đánh giá AI?
Từ nguồn sự thật, cách tạo test case đến xác minh kết quả kỳ vọng và duy trì Golden Dataset cho chatbot, RAG và AI Agent.
3D Reconstruction: How Many 2D Photos Become a 3D Scene
From feature matching and Structure-from-Motion to meshes, NeRF, and 3D Gaussian Splatting: a practical guide to recovering 3D scenes from overlapping photos and knowing what the result can actually do.
3D Reconstruction: Từ nhiều bức ảnh 2D đến một scene 3D
Từ feature matching, Structure-from-Motion tới mesh, NeRF và 3D Gaussian Splatting: cách khôi phục scene 3D từ ảnh chụp nhiều góc và hiểu kết quả dùng được vào việc gì.
Digital Twin: More Than a 3D Model of a Factory
A factory's 3D model can show where machines are. A digital twin connects assets, operational data, and context to help people understand what is happening and evaluate what might happen next.
Digital Twin: Không chỉ là mô hình 3D của nhà máy
Mô hình 3D cho thấy máy móc nằm ở đâu. Digital Twin còn kết nối thiết bị, dữ liệu vận hành và ngữ cảnh để hiểu điều gì đang diễn ra và cân nhắc điều gì có thể xảy ra tiếp theo.
Active Learning: Which 1,000 Images Are Worth Labeling?
When expert labels are scarce, active learning helps choose images worth reviewing. Understand uncertainty, diversity, random baselines, annotation quality, and the human-in-the-loop workflow.
Active Learning: Nếu chỉ gán nhãn 1.000 ảnh, nên chọn ảnh nào?
Khi nhãn từ chuyên gia có hạn, Active Learning giúp chọn ảnh đáng xem tiếp. Tìm hiểu uncertainty, diversity, random baseline, chất lượng nhãn và workflow có con người trong vòng lặp.
Self-Supervised Learning: What Can Images Teach AI Without Labels?
How can millions of unlabeled images become useful training data? A practical introduction to self-supervised learning through SimCLR, MAE, DINO, and downstream evaluation.
Self-Supervised Learning: AI học gì từ hàng triệu ảnh chưa gán nhãn?
Làm sao biến hàng triệu ảnh chưa gán nhãn thành dữ liệu học hữu ích? Tìm hiểu self-supervised learning qua SimCLR, MAE, DINO và cách đánh giá trên task thực tế.
Synthetic Data: Training AI for Rare Cases We Cannot Wait to Collect
Synthetic data lets teams create rare scenes, controlled variations, and labels for computer vision and robotics. Learn where it helps, why sim-to-real gaps remain, and how to test it on real data.
Synthetic Data: Khi không thể chờ những tình huống hiếm tự xuất hiện
Synthetic data giúp chủ động tạo tình huống hiếm, biến thể có kiểm soát và nhãn cho computer vision, robotics. Tìm hiểu lợi ích, khoảng cách sim-to-real và cách đánh giá bằng dữ liệu thật.
Domain Shift: Why 99% Test Accuracy Can Fail in Production
A model may perform beautifully on a test set yet struggle when cameras, lighting, products, or time change. Learn how to test across domains, spot shortcuts, monitor drift, and respond.
Domain Shift: Vì sao accuracy 99% trên test set vẫn có thể thất bại ở production?
Model chạy rất tốt trên test set nhưng dễ sai khi camera, ánh sáng, sản phẩm hoặc thời gian thay đổi. Tìm hiểu cách test theo domain, phát hiện shortcut, theo dõi drift và xử lý.
Edge AI: Why a Great Model May Not Fit on a Camera or Robot
Deploying AI near a camera or robot means balancing quality with end-to-end latency, runtime memory, power, heat, and device operations. A practical guide to the trade-offs behind Edge AI.
Edge AI: Vì sao model chạy tốt trên server chưa chắc phù hợp với camera hay robot?
Đưa AI đến gần camera hay robot là bài toán cân bằng chất lượng với latency toàn pipeline, bộ nhớ lúc chạy, điện năng, nhiệt và vận hành thiết bị. Một cách nhìn thực tế về Edge AI.
AI Can See, So Why Can't It Act? VLM vs VLA
A VLM answers questions about visual input; a VLA produces robot actions. Understand action tokens, robot data, proprioception, closed-loop control, and why safety changes the problem.
AI nhìn được rồi, tại sao vẫn chưa biết phải làm gì? VLM và VLA khác nhau ở đâu?
VLM trả lời câu hỏi về hình ảnh; VLA tạo hành động cho robot. Tìm hiểu action token, dữ liệu robot, proprioception, vòng lặp quan sát-hành động và giới hạn an toàn của hai cách tiếp cận.
What Is Physical AI? When AI Must Act in the Real World
Physical AI goes beyond recognizing a scene: a system must sense, plan, act, and check what actually happened. A practical guide to sensors, world models, simulation, latency, and safety.
Physical AI là gì? Khi AI phải hành động trong thế giới thật
Physical AI không chỉ nhận ra cảnh vật: cả hệ thống phải cảm nhận, lập kế hoạch, hành động và kiểm tra kết quả. Tìm hiểu cảm biến, world model, mô phỏng, độ trễ và an toàn.
Computer Vision Is Changing: From Seeing to Understanding and Acting
From detection and segmentation to VLMs, VLAs, and Physical AI: language makes visual systems more flexible, but safe action still needs perception, planning, control, and feedback.
Computer Vision đang thay đổi: Từ "nhìn thấy" đến "hiểu và hành động"
Từ detector và segmentation đến VLM, VLA và Physical AI: ngôn ngữ mở rộng khả năng đặt câu hỏi về hình ảnh, nhưng hành động an toàn vẫn cần perception, planning, control và feedback.
Inside Uber GenAI Gateway: When LLM Access Becomes Shared Infrastructure
A case study of Uber's published choices: an OpenAI-compatible API, multiple model backends, PII redaction, security review, auditing, cost controls, and the trade-offs of a shared gateway.
Bên trong Uber GenAI Gateway: Khi LLM trở thành hạ tầng dùng chung
Mổ xẻ những lựa chọn Uber công khai: API tương thích OpenAI, nhiều nguồn model, PII redaction, security review, audit, cost và các trade-off của một gateway tập trung.
AI Evaluation: How Do We Know a System Is Actually Better?
A practical guide to defining success, building task-based evals, grading RAG and Agent behavior, comparing model changes, and learning from production failures.
AI Evaluation: Làm sao biết hệ thống thực sự tốt hơn?
Cách xác định thành công, xây eval theo task, chấm RAG và Agent, so sánh thay đổi model và học từ những lỗi xảy ra trong production.
AI Feedback Loops: How Production Teaches a System to Improve
Turn production feedback and traces into root-cause analysis, regression cases, targeted fixes, and safer rollouts.
AI Feedback Loop: Production dạy hệ thống cải thiện như thế nào?
Từ feedback và trace trong production đến điều tra lỗi, thêm regression case, sửa đúng thành phần và kiểm chứng trước khi rollout.
AI Observability: When AI Gives the Wrong Answer, Where Do You Look?
Why HTTP 200 is not enough for an AI product: logs, metrics, traces, RAG evidence, Agent steps, asynchronous work, token usage, privacy, and evaluation.
AI Observability: Khi AI trả lời sai, làm sao biết lỗi ở đâu?
Vì sao HTTP 200 chưa đủ để đánh giá sản phẩm AI: logs, metrics, traces, bằng chứng RAG, hành động của Agent, xử lý bất đồng bộ, token, quyền riêng tư và evaluation.
Kafka in AI Systems: When One Event Starts Many Jobs
Why an AI system may publish events instead of chaining service calls, and how Kafka topics, consumer groups, partitions, replay, and failure handling fit into the picture.
Kafka trong hệ thống AI: Khi một sự kiện kích hoạt nhiều công việc
Vì sao hệ thống AI có thể phát event thay vì gọi service nối tiếp, và Kafka topic, consumer group, partition, replay cùng xử lý lỗi nằm ở đâu trong bức tranh đó?
What Is KV Cache? Why GPU Memory Bottlenecks LLM Serving
How an LLM reuses attention state while generating, why long contexts and concurrent requests consume GPU memory, and how paged allocation and prefix caching help.
KV Cache là gì? Vì sao GPU Memory trở thành nút thắt của LLM Serving?
Model giữ lại state của attention khi sinh token như thế nào, vì sao context dài và nhiều request cùng chạy tốn GPU memory, cùng vai trò của PagedAttention và prefix caching.
10,000 Requests at Once: How Does LLM Serving Actually Work?
What happens between thousands of incoming prompts and a finite pool of GPUs? An introduction to queues, schedulers, continuous batching, prefill, decode, and latency.
10.000 request cùng lúc: LLM Serving thực sự xử lý thế nào?
Giữa hàng nghìn prompt và số GPU có hạn là những gì? Bài viết giải thích queue, scheduler, continuous batching, prefill, decode và các thước đo latency.
What Is an LLM Gateway? Why Large Companies Do Not Let Every Team Call Models Directly
An accessible guide to the control layer between AI applications and models: credentials, quotas, routing, fallback, observability, policy, caching, and the trade-offs of centralization.
LLM Gateway là gì? Vì sao công ty lớn không để từng team gọi model trực tiếp?
Một cách hiểu dễ tiếp cận về lớp kiểm soát giữa ứng dụng AI và model: API key, quota, routing, fallback, observability, policy, cache và cái giá của việc tập trung hóa.
Multi-Agent Architecture: When One Agent Should Not Do Everything
When should one AI Agent delegate work? A practical guide to specialist Agents, orchestration, handoffs, parallel work, shared state, security, cost, and evaluation.
Multi-Agent Architecture: Khi một Agent không nên làm tất cả mọi việc
Khi nào nên chia việc cho nhiều AI Agent? Bài viết giải thích specialist, orchestration, handoff, xử lý song song, shared state, bảo mật, chi phí và evaluation.
Agent Architecture: When AI Chooses the Next Step
What changes when a model steers a workflow: agent loops, state, tools, runtime controls, approval, stopping rules, tracing, and when one Agent is enough.
Agent Architecture: Khi AI phải tự chọn bước tiếp theo
Điều gì thay đổi khi model tham gia điều khiển workflow? Bài viết giải thích agent loop, state, tools, runtime, approval, điều kiện dừng, tracing và khi nào một Agent là đủ.
Inside a Production RAG System: From Documents to Answers
Follow evidence through a real RAG pipeline: ingestion, parsing, chunking, indexing, hybrid search, permissions, reranking, context building, generation, and evaluation.
Bên trong một hệ thống RAG production: Từ tài liệu đến câu trả lời
Theo hành trình của evidence qua ingestion, parsing, chunking, indexing, hybrid search, kiểm soát quyền, reranking, context building, generation và evaluation.
RAG Starts With a Knowledge Problem, Not a Vector Database
Why AI needs retrieval for current and private knowledge, how RAG works, when it beats a long prompt or fine-tuning, and why retrieval quality matters.
RAG không bắt đầu từ vector database: Vì sao AI cần tra cứu?
RAG bắt đầu từ vấn đề thiếu thông tin, không phải thiếu trí thông minh. Bài viết giải thích khi nào cần retrieval, RAG hoạt động ra sao và vì sao lấy đúng nguồn rất quan trọng.
What Really Happens When You Send a Message to a Production AI Chatbot?
Follow one chat request from Enter to the first visible text: identity, conversation state, context, tools, model calls, streaming, tracing, and failure handling.
Một chatbot AI production thực sự hoạt động như thế nào?
Theo chân một message từ lúc nhấn Enter đến khi thấy chữ đầu tiên: xác thực, trạng thái hội thoại, context, tools, model, streaming, tracing và xử lý lỗi.
What Does a Modern GenAI System Actually Look Like?
A practical map of GenAI architecture: start with a model call, then add context, retrieval, memory, tools, orchestration, gateways, security, and evals only when needed.
Một hệ thống GenAI hiện đại thực sự gồm những gì?
Bản đồ dễ hiểu về kiến trúc GenAI: bắt đầu từ một lần gọi model, rồi chỉ thêm context, RAG, memory, tools, orchestration, gateway và eval khi cần.
A Strong Model Is Not Enough: Why AI Demos Can Break in Production
A compelling AI demo proves an idea can work. Production also demands reliable quality, speed, cost, security, and recovery under real traffic.
Model mạnh chưa đủ: Vì sao AI demo chạy ngon nhưng lên production lại có thể "vỡ"?
Một demo ấn tượng mới chứng minh ý tưởng có thể chạy. Production còn đòi hỏi chất lượng, tốc độ, chi phí, bảo mật và khả năng phục hồi với người dùng thật.
Benchmarks Are High, So Why Can AI Still Fail at Real Work?
A high benchmark score measures success on a defined test. Real work also demands judgment, reliable workflows, and evaluations that reflect your users.
Benchmark cao hơn, nhưng tại sao AI vẫn có thể yếu hơn khi làm việc thực tế?
Điểm benchmark rất hữu ích, nhưng không nói hết AI sẽ làm được gì trong sản phẩm của bạn. Bài viết giải thích khoảng cách ấy và cách xây eval sát công việc thực tế.
One Super AI or a Team of Specialists?
Why real AI systems may combine a general model with smaller or specialized models, how model routing works, and when the extra complexity is actually worth it.
Tương lai là một siêu AI hay một đội quân AI chuyên biệt?
Không phải task nào cũng cần model mạnh nhất. Bài viết giải thích cách multi-model system và model routing kết hợp model tổng quát với những model nhỏ hoặc chuyên biệt, cùng những đánh đổi đi kèm.
What If AI Could "Imagine" the Future Before Acting?
A practical introduction to world models, how they predict the consequences of actions, how V-JEPA 2 and Genie 3 approach the problem, and why simulation is useful but never perfect.
Nếu AI có thể "tưởng tượng" tương lai trước khi hành động thì sao?
World Model giúp AI dự đoán điều gì có thể xảy ra sau một hành động. Bài viết giải thích cách V-JEPA 2 và Genie 3 tiếp cận bài toán này, vì sao mô phỏng hữu ích và tại sao nó không bao giờ là bản sao hoàn hảo của thế giới.
AI Is Smart, So Why Does It Keep Forgetting?
A non-technical guide to context windows, short-term and long-term memory, how memory differs from RAG, and why a useful AI system must know both what to remember and what to forget.
AI rất thông minh, nhưng tại sao lại hay "quên"?
Vì sao AI có thể rất thông minh nhưng vẫn hay quên? Bài viết giải thích cách context và memory hoạt động, memory khác RAG ra sao, và vì sao một hệ thống AI tốt phải biết điều gì nên nhớ, điều gì nên quên.
MCP vs A2A: When AI Must Talk to Other AI Agents
A practical guide to how MCP connects agents to tools, how A2A connects independent agents, and why real systems may need both.
MCP vs A2A: Khi AI không chỉ dùng công cụ mà còn phải nói chuyện với AI khác
Giải thích thực tế về cách MCP kết nối Agent với công cụ, A2A kết nối các Agent độc lập và vì sao một hệ thống có thể cần cả hai.
What Is MCP? Why AI Needs Its Own "USB-C"
A non-technical introduction to the Model Context Protocol, how it connects AI applications to tools and data, and what it does not solve.
MCP là gì? Vì sao AI cũng cần một "USB-C"?
MCP đang dần trở thành một trong những mảnh ghép quan trọng của hệ sinh thái AI Agent. Nếu Agent muốn đọc dữ liệu, gọi công cụ hay làm việc với những hệ thống bên ngoài, nó cần một cách kết nối đủ thống nhất - và MCP được tạo ra để giải quyết chính bài toán đó.
System 1 vs System 2 in AI: Why Thinking Less Can Sometimes Be Better
A practical way to decide when AI should respond quickly, when it should reason deeply, and why production systems often need both.
System 1 vs System 2 trong AI - Vì sao một model "nghĩ ít hơn" đôi khi lại tốt hơn?
Một cách thực tế để xác định khi nào AI nên phản hồi nhanh, khi nào cần suy luận sâu và vì sao hệ thống production thường cần cả hai.
What Is Jev? When AI Stops Just Talking and Starts Making Decisions
Jev is TypeSafe AI's first System One Model, designed to return structured decisions that software can use directly.
Jev là gì? Khi AI không còn chỉ để trò chuyện mà bắt đầu biết "ra quyết định"
Jev là System One Model đầu tiên của TypeSafe AI, được thiết kế để đưa ra các quyết định có cấu trúc mà phần mềm có thể sử dụng trực tiếp.