Supabase RLS, Claude Code Action và MCP điều khiển app mobile
Nếu bạn để coding agent tự tạo bảng Supabase, hãy kiểm tra Row Level Security (RLS) trước khi đọc tiếp. Phần còn lại là năm công cụ để đưa agent vào CI, điều khiển app mobile, dựng harness production, nén model khi deploy và làm demo cho khách hàng. Mỗi mục đều có link repo hoặc docs để thử ngay.
Supabase RLS: khoảng 16.000 database đang để lộ dữ liệu
Nhóm nghiên cứu UpGuard tìm thấy khoảng 16.000 database host trên Supabase để lộ dữ liệu cá nhân ra internet: tên, địa chỉ, số điện thoại, và một số ít mật khẩu cùng auth token. Nguyên nhân chính là RLS bị thiếu hoặc policy quá lỏng. Bảng tạo trong Table Editor bật RLS mặc định, còn bảng tạo bằng SQL hoặc qua API (đường mà coding agent hay dùng) thì không. Supabase coi đây là trách nhiệm chung: nền tảng cung cấp default an toàn, còn khách hàng tự cấu hình project của mình. Cần làm ngay: rà mọi bảng trong schema public, bật RLS, và chỉ cấp grant tối thiểu cho anon/authenticated theo hướng dẫn bảo mật Data API.
alter table public.profiles enable row level security;
Dùng khi: app của bạn gọi Supabase từ client, hoặc agent từng chạy migration thay bạn. Skip nếu bạn chỉ truy cập database từ backend bằng service key và không expose Data API.
Claude Code Action: agent review PR và sửa code ngay trong GitHub
anthropics/claude-code-action (MIT, khoảng 9.100 star) là GitHub Action chạy Claude Code trên runner của bạn. Action phản hồi khi có người mention @claude, khi issue được assign, hoặc khi workflow truyền prompt rõ ràng. Nó trả lời câu hỏi về code, review PR, và implement các fix nhỏ hoặc refactor; structured output có thể trở thành output của step. Action hỗ trợ Anthropic API, Amazon Bedrock, Google Vertex AI và Microsoft Foundry. Cài nhanh bằng /install-github-app trong Claude Code (cần quyền admin repo). Các pattern có sẵn như auto review, triage issue, hay review theo OWASP nằm trong Solutions Guide.
Thử nếu: team muốn review tự động theo path quan trọng hoặc triage issue mà không phải dựng bot riêng. Skip nếu chưa đọc docs security. Mặc định chỉ user có quyền write mới kích hoạt được action; bật allowed_non_write_users hoặc chạy trên pull_request_target là mở rủi ro prompt injection với secrets của repo.
mobile-mcp: MCP server điều khiển app iOS/Android
mobile-next/mobile-mcp (Apache-2.0) cho agent thao tác với app native trên simulator, emulator và thiết bị thật qua một bộ tool chung cho cả iOS và Android. Server ưu tiên đọc accessibility tree, không cần vision model hay image token, và chỉ dùng screenshot kèm tọa độ khi cần. Bộ tool gồm tap/swipe, cài và mở app, deep link, quay màn hình. Server chạy được với Claude Code, Codex, Gemini, GitHub Copilot, hoặc bất kỳ client MCP nào. Yêu cầu Node.js 20+, Xcode CLI tools và/hoặc Android platform tools.
{ "mcpServers": { "mobile-mcp": { "command": "npx", "args": ["-y", "@mobilenext/mobile-mcp@latest"] } } }
Dùng khi: cần smoke test luồng người dùng trên app mobile mà không muốn viết XCUITest hay Espresso. Skip nếu team đã có suite E2E ổn định. Agent phù hợp để khám phá luồng mới, chưa thay được test deterministic.
Strands Agents harness: agent production bằng một lời gọi
strands-agents/harness-sdk (Apache-2.0) là SDK open-source bằng Python và TypeScript để dựng agent chạy trong process của bạn, không cần control plane hosted. Hàm create_harness() / createHarness() trả về agent đã có sẵn default cho tool, memory, session và context management. Khi cần kiểm soát sâu hơn, bạn chuyển xuống SDK để tự quản agent loop, hook, guardrail, tracing và evals. SDK hỗ trợ Bedrock, Anthropic, OpenAI, Gemini, Ollama và các provider khác. Bắt đầu với harness quickstart.
pip install strands-harness
Thử nếu: bạn đang tự viết agent loop và bắt đầu phải thêm turn limit, token budget, tracing. Skip nếu agent chỉ gọi một hai tool, vì SDK của vendor model là đủ.
NVIDIA Model Optimizer: quantize, prune, distill trước khi deploy
NVIDIA/Model-Optimizer (ModelOpt, Apache-2.0) gom các kỹ thuật tối ưu model vào một thư viện: post-training quantization, quantization-aware training/distillation, pruning, NAS, speculative decoding, sparsity. Thư viện nhận model Hugging Face, PyTorch hoặc ONNX, rồi export checkpoint để deploy trên TensorRT-LLM, vLLM, SGLang hoặc TensorRT. Mục mới đáng chú ý là tutorial NVFP4 cho Qwen3.6-35B-A3B: throughput trên vLLM cao hơn tới 1,30 lần so với BF16, checkpoint nhỏ hơn 3,1 lần. Tài liệu đầy đủ ở docs ModelOpt.
pip install -U "nvidia-modelopt[all]"
Dùng khi: bạn self-host LLM trên GPU NVIDIA và chi phí inference hoặc VRAM đang là nút thắt. Skip nếu bạn chỉ gọi model qua API, vì không có checkpoint để tối ưu.
Codex: người không code tự dựng demo cho khách hàng
Startup quản lý đội xe Proaction dùng Codex để co-founder (không phải engineer) tự dựng demo HTML riêng cho từng khách tiềm năng. Đầu vào là transcript cuộc gọi, email và spreadsheet của khách. Mỗi tháng anh làm 4–6 demo, mỗi demo 30–45 phút; công ty ước tính tiết kiệm 40–60 giờ engineering mỗi tháng. Các số liệu này do Proaction tự báo cáo, chưa được đo độc lập. Điểm đáng học là quy trình: demo được chốt với khách trước, rồi chuyển cho engineer làm spec trực quan.
Thử nếu: team sales hoặc product cần prototype sát nhu cầu khách mà không muốn chiếm sprint của dev. Skip nếu demo phải chạm dữ liệu production. Hãy giữ nó trong sandbox chỉ có dữ liệu giả.
Kết luận
Việc cần làm ngay là chạy lệnh bật RLS cho mọi bảng Supabase do agent tạo. Sau đó, chọn một thử nghiệm để đo trong tuần: claude-code-action cho review PR, mobile-mcp cho smoke test mobile, hoặc ModelOpt nếu bạn đang tự trả tiền GPU inference.