1Helm, Copper: repo GitHub AI mới nổi
Một repo GitHub AI mới nổi đáng để thử khi nó cho agent làm được một việc cụ thể, chạy trên hạ tầng của chính bạn và nói rõ giới hạn của mình. Bài viết này của Kungfutech chọn bốn dự án như vậy: 1Helm là không gian làm việc AI cá nhân triển khai lên tài khoản Cloudflare của bạn, Copper là MCP server giúp ứng dụng AI thiết kế bo mạch KiCad đặt sản xuất được, Isometric cities biến khu phố thật thành bản đồ pixel art isometric ngay trên Mac, và ADEMark là bộ benchmark mở so sánh 15 môi trường phát triển dùng coding agent. Mỗi mục kèm cách cài đặt lấy từ README, sau đó là một số tin tức AI đáng tham khảo.
1Helm: không gian làm việc AI cá nhân trên tài khoản Cloudflare của bạn
1Helm là gì?
1Helm là không gian làm việc AI cá nhân chạy trên Cloudflare. Repo chứa Worker, ứng dụng web, image "channel computer" và các ứng dụng điện thoại, máy tính tùy chọn. Bạn triển khai phần lõi lên tài khoản Cloudflare của mình, dùng khóa của nhà cung cấp AI riêng, và tự trả chi phí Cloudflare lẫn chi phí gọi model.
Thay vì chỉ là một khung chat, 1Helm tổ chức công việc theo channel: mỗi channel gom hội thoại, bộ nhớ và một Notebook chứa những điều bạn muốn trợ lý ghi nhớ. Agent có một "channel computer" chạy trên Cloudflare để chạy code và làm việc với file, workspace được lưu lại giữa các lần dùng. Model là bất kỳ dịch vụ nào có API chat completions tương thích OpenAI, bạn nhập endpoint, model và khóa trong ứng dụng. Có thể mở bằng web app hoặc PWA trên host của bạn.
Bản công khai là server một chủ: địa chỉ email đầu tiên đăng nhập trở thành chủ sở hữu, các địa chỉ sau không đăng ký được. Phần lõi theo giấy phép AGPL-3.0, còn các thư mục ee có giấy phép riêng và bị tắt trong bản cài công khai.
Cách cài đặt và sử dụng 1Helm?
Yêu cầu: Node.js 22 trở lên, npm và Docker đang chạy; tài khoản Cloudflare Workers Paid đã bật Workers, D1, R2, Workers AI, Browser Run, Images, Containers và Email Service; một tên miền dùng Cloudflare DNS đã cấu hình Email Service cùng địa chỉ gửi trên tên miền đó (cần email để nhận quyền chủ sở hữu); một subdomain workers.dev và account ID 32 ký tự; một dịch vụ AI tương thích OpenAI cùng khóa của bạn.
Triển khai lên tài khoản Cloudflare:
git clone https://github.com/gitcommit90/1Helm.git
cd 1Helm
npm ci
npx wrangler login
npm run setup
Lệnh setup hỏi tên Worker, host <worker>.<subdomain>.workers.dev, địa chỉ gửi email, email hỗ trợ và account ID. Nó kiểm tra Docker và quyền Wrangler, tạo database D1 và bucket R2 mới, áp schema, build web app, sinh vault key cùng khóa Web Push rồi deploy Worker. File wrangler.jsonc được ghi cục bộ và các bí mật khôi phục được lưu ở ~/.config/onehelm/<worker>-recovery.json. README khuyên giữ một bản sao mã hóa ngoại tuyến của file này, vì mất VAULT_KEY thì các bí mật đã lưu không dùng được nữa.
Sau đó mở host vừa deploy, đăng nhập bằng email đầu tiên, rồi điền endpoint, khóa và model trong Settings → AI services. Nên thử một cuộc chat, một lần tìm kiếm web và một tác vụ dùng channel computer trước khi dựa vào nó, vì Cloudflare deploy Worker trước image container, nên nếu build image lỗi thì Worker vẫn truy cập được nhưng các tác vụ máy tính sẽ thất bại. Nếu setup bị gián đoạn, đừng chạy lại với cùng tên; hãy kiểm tra tài nguyên bằng npx wrangler d1 list --json và npx wrangler r2 bucket list rồi làm tiếp thủ công theo tài liệu cấu hình. Khi cập nhật, sao lưu trước rồi chạy:
npm ci
npm ci --prefix web
npm run check:migrations
npm run deploy
Copper: MCP server cho AI thiết kế bo mạch KiCad đặt sản xuất được
Copper là gì?
Copper (copper-kicad-mcp) kết nối ứng dụng AI với KiCad để thiết kế những bo mạch có thể đặt sản xuất thật: sơ đồ nguyên lý, linh kiện LCSC, bố trí và đi dây PCB, chạy ERC và DRC của chính KiCad, ảnh render và file sản xuất cho JLCPCB. Dự án dùng giấy phép MIT.
Khi bạn yêu cầu kiểu "thiết kế bo ESP32-C3 cấp nguồn USB-C, có LED trạng thái, kích thước 30 x 40 mm", AI sẽ nối chân với net theo tên (ví dụ U1.PA9 → USB_DP) thay vì theo tọa độ, tìm linh kiện thật trên LCSC/JLCPCB (ưu tiên Basic parts, có tồn kho trực tiếp) và nhập symbol, footprint, cả mô hình 3D nếu EasyEDA có. ERC và DRC chạy lại sau mỗi thay đổi, mỗi lỗi kèm cách sửa. Copper có bộ đi dây nhiều giai đoạn với cân độ dài, cặp vi sai, lớp độ rộng đường mạch, đổ đồng và Freerouting. AI còn xem lại thành quả qua ảnh sơ đồ, ảnh từng lớp và ảnh 3D ray-trace, rồi xuất Gerber, file khoan, BOM và file placement cho JLCPCB, PCBWay, OSH Park hoặc định dạng chung.
Copper có 31 công cụ, chạy với mọi ứng dụng MCP và mọi model; bản thân server không gọi model nào. README cho biết Copper chạy trên máy bạn, không có telemetry, và chỉ lên mạng để tìm, tải linh kiện, kiểm tra phiên bản KiCad mới, tải Freerouting cùng Java runtime khi cần đi dây tự động. Sáu bo mạch mẫu trong README, như bàn phím macro RP2040 hay bộ điều khiển động cơ bước, đều qua ERC và DRC của KiCad 10 với 0 lỗi.
Cách cài đặt và sử dụng Copper?
Cần cài KiCad 10 trước, rồi chọn một cách cài:
- Windows, mọi ứng dụng AI: chạy file
Copper-for-KiCad-...-Setup.exetrong bản phát hành mới nhất và tick các ứng dụng AI muốn kết nối. - Claude Desktop: mở file
.mcpbtrong bản phát hành mới nhất. - Cursor, VS Code, Windsurf, Codex, Zed và các ứng dụng khác: chạy
npx -y copper-kicad setup(cần Node.js 18 trở lên).
Với Claude Code:
claude plugin marketplace add claynicholson/copper-kicad-mcp
claude plugin install copper@copper
Từ terminal trên macOS hoặc Linux:
curl -LsSf https://raw.githubusercontent.com/claynicholson/copper-kicad-mcp/main/installer/install.sh | sh
README ghi Windows đã được kiểm thử đầy đủ, còn đường cài trên macOS và Linux mới hơn. Trình cài đặt tìm KiCad, mang thư viện và cấu hình hiện có sang, kết nối ứng dụng AI và gọi thử một lần; nó hỏi trước mỗi bước và sao lưu mọi thứ nó thay đổi. Nếu muốn tự dán cấu hình, Cursor, Claude Desktop và Windsurf nhận mục sau:
{ "mcpServers": { "copper": { "command": "npx", "args": ["-y", "copper-kicad"] } } }
Lệnh npx -y copper-kicad setup --demo mở trang cài đặt trên một thư mục dùng một lần để xem trước, còn npx -y copper-kicad doctor chỉ ra cách sửa khi có lỗi.
Isometric cities: biến khu phố thật thành bản đồ pixel art isometric
Isometric cities là gì?
Isometric cities của Statecraft Labs giúp bạn cùng một coding agent tạo bản đồ pixel art isometric của những khu phố có thật ngay trên Mac. Repo kèm hai ví dụ là Washington DC và Edinburgh.
Quy trình do agent thực hiện: lấy dữ liệu thật về khu vực, dựng một mảnh bản đồ đã tạo kiểu để bạn duyệt, rồi mở rộng ra toàn bản đồ và xuất một trình khám phá tương tác cùng một đoạn phim. Việc render và suy luận chạy cục bộ trên Apple Silicon; README ghi đã thử trên máy 128 GB, trọng số khoảng 9 GB.
README nói rõ giới hạn: chất lượng phụ thuộc vào dữ liệu có sẵn, lệnh make "PLACE" bắt đầu bằng hình khối chưa có texture và agent cải thiện nó trước khi tô màu, còn bộ vẽ native đi kèm mới được kiểm tra trên ảnh 512 pixel, suy luận trên toàn bản đồ qua bộ vẽ này vẫn chưa được thử. Code theo giấy phép MIT, nhưng trọng số mặc định Klein 9B chỉ dùng phi thương mại, và bản đồ cùng dữ liệu giữ giấy phép riêng của chúng.
Cách cài đặt và sử dụng Isometric cities?
Xem các bản đồ mẫu mà không cần tải model:
git clone --depth 1 https://github.com/Statecraft-Labs/isometric-cities.git
cd isometric-cities && ./setup.sh && python3 atlas.py demo --open
Trong trình xem, bạn kéo, chụm để phóng to, nhảy giữa các địa danh và so sánh từng bản đồ với nguồn dữ liệu gốc.
Để làm bản đồ thành phố của riêng mình, đưa cho coding agent đoạn yêu cầu sau, thay [CITY/AREA] bằng khu vực bạn muốn:
Clone https://github.com/Statecraft-Labs/isometric-cities and follow its AGENTS.md.
Make an isometric map of [CITY/AREA]. Review one accurate patch, then expand it.
Agent đọc file AGENTS.md trong repo để biết các bước, còn tài liệu docs/workflow.md mô tả phương pháp và giới hạn.
ADEMark: benchmark mở đo 15 môi trường phát triển dùng coding agent
ADEMark là gì?
ADEMark là benchmark mở cho các ADE (agentic development environment), tức những ứng dụng desktop chạy coding agent như Claude Code. Phiên bản v1 đo 15 ADE trên cùng một máy Mac mini M4 16 GB: khởi động và trả lời nhanh đến đâu, tốn bao nhiêu bộ nhớ và CPU, gửi bao nhiêu token, và điều phối nhiều agent trên một việc tốt đến mức nào. Mọi ứng dụng được so với nhóm đối chứng là Claude Code chạy một mình trong terminal.
Bài đo chia ba nhóm. Nhóm A đo tốc độ và độ nặng (khởi động, tạo thread mới, chữ đầu tiên, độ trễ khi gõ, bộ nhớ, CPU khi rảnh và điện năng), dùng một server phát lại thay cho model. Nhóm B đo token: yêu cầu đầu tiên khi gõ "hi", phần ADE tự thêm vào, và việc file AGENTS.md có đến được agent hay không. Nhóm C đo điều phối: một agent chính chia 4 việc cho các worker và bộ test ẩn chấm kết quả merge.
Một vài kết quả trong README: terminal vẫn sẵn sàng nhanh nhất, 0,69 giây sau khi khởi động nguội, còn các ứng dụng cần từ 1,76 đến 11,4 giây. Với 5 thread rảnh, bộ nhớ dao động từ 134 MB (super.engineering) đến 2.334 MB (Emdash). Một câu "hi" gửi từ 22,2K token (Paseo) đến 77,0K token (Emdash), trong khi Claude Code đơn thuần gửi 38,2K. Mỗi bài đo được xếp hạng riêng nên không có người thắng chung cuộc. Code theo giấy phép Apache-2.0, dữ liệu công bố theo CC BY 4.0, và mọi con số trên ademark.dev đều dựng lại được từ thư mục data/. Đây là tài liệu tham khảo hữu ích khi bạn cần chọn công cụ quản lý agent và muốn so bằng số liệu thay vì quảng cáo.
Cách cài đặt và sử dụng ADEMark?
Lấy mã nguồn:
git clone https://github.com/zqkra/ademark.git ~/ADEMark
cd ~/ADEMark
Hoặc tải file ZIP trong bản phát hành mới nhất; bản phát hành cũng có ademark-v1-data.zip chỉ chứa dữ liệu v1.
Một lần đo thật cần Mac Apple Silicon và một tài khoản macOS riêng tên ademark, harness từ chối đo ở tài khoản khác. Chạy thử (dry run) thì dùng được ở bất kỳ đâu:
bun bench/cli.ts run --ade <id> --tracks A --agent claude --dry-run # mọi tài khoản, không đo gì
bash bench/native/build.sh # công cụ đo thời gian và bộ nhớ
cd bench && bun test # test của harness
bun bench/cli.ts doctor --agent claude # trong tài khoản ademark: kiểm tra máy, không thay đổi gì
bun bench/cli.ts run --ade <id> --tracks A --agent claude # trong tài khoản ademark: lần đo thật
Lệnh bun bench/cli.ts help in ra mọi lệnh. File GUIDE.md mô tả đầy đủ quy trình chuẩn bị máy, đo một ADE, thêm ADE mới và chia sẻ kết quả; nếu giao repo cho coding agent, nó sẽ đọc AGENTS.md. Muốn rebuild số liệu trên trang, chạy cd site && bun scripts/results.ts.
Tin tức thêm về AI
Anthropic cho tự host Claude Managed Agents
Anthropic mở bản private beta của Claude Managed Agents tự host, cho phép đội ngũ chạy toàn bộ dịch vụ, gồm harness, sandbox, thông tin xác thực và lịch sử phiên, trong cloud riêng hoặc tại chỗ. Yêu cầu tới model có thể đi qua Anthropic, Amazon Bedrock, Agent Platform của Google, Microsoft Foundry hoặc một gateway tự dựng. Đây là hướng đáng theo dõi cho doanh nghiệp cần giữ dữ liệu phiên agent trong hạ tầng của mình. Nguồn: Bad Influence Daily.
OpenAI ra mắt Daybreak Red Team và Defense Factory cho bảo mật ứng dụng
OpenAI giới thiệu hai công cụ bảo mật dùng agent. Daybreak Red Team dùng nhiều agent để xác nhận lỗ hổng trong ứng dụng web, có lớp kiểm duyệt giữ việc kiểm thử trong phạm vi cho phép. Defense Factory lần theo lỗi trong mã và soạn bản vá, có thể nhập phát hiện từ Wiz, Snyk và Endor Labs; bản vá không bao giờ tự triển khai mà phải được kỹ sư duyệt. Mô hình "agent đề xuất, người quyết định" này cũng là nguyên tắc nên áp dụng khi tự xây công cụ tương tự. Nguồn: AIBriefs.
IBM thử nghiệm Granite 4.1 LLMON chống prompt injection bằng markup riêng
IBM phát hành các biến thể xem trước LLMON của Granite 4.1, được huấn luyện để phân biệt chỉ dẫn với dữ liệu bên ngoài nhờ markup chuyên dụng. IBM cho biết cách này giúp model chống tốt hơn các chỉ dẫn độc hại giấu trong tài liệu; hai bản 3B và 8B vẫn đang ở mức thử nghiệm. Tách bạch "lệnh" và "dữ liệu" là một trong những cách tiếp cận chính với bài toán prompt injection khi agent đọc email, web hay file. Nguồn: The Neuron.
OpenRouter chia sẻ vòng dịch tự kiểm tra cho website
OpenRouter mô tả hệ thống bản địa hóa chạy định kỳ: tìm các chuỗi văn bản đã thay đổi, dịch bằng model, kiểm tra bằng code, rồi dùng một lần gọi thứ hai để đối chiếu nghĩa với bản tiếng Anh. Bản dịch không qua kiểm tra được thử lại kèm lý do, còn báo lỗi của người đọc được biến thành quy tắc thuật ngữ, ghi chú văn phong hoặc test case. Theo bài viết, dịch lại toàn bộ 16.918 chuỗi sang 7 ngôn ngữ, kể cả bước kiểm tra, tốn khoảng 460 USD. Đây là mẫu tham khảo tốt cho bất kỳ ai muốn dùng LLM dịch nội dung có kiểm soát chất lượng. Nguồn: Bad Influence Daily.