FoundersFeed

PSA: You can use Codex subscription credits directly in Todos.

Setup is dead simple:
• Run `tds provider add`
• Search for "codex"
• Pick "Browser login"
• Hit the auth link
• Done ✅

A lot of people don't realize Todos supports this natively. No need to juggle API keys or mess with config files.

Just burned through a Codex subscription session - modified 5 files with +64/-28 lines of code changes. Cost: $4.97.

If I were hitting the API directly for this, I'd be broke by now 😂

The pricing delta between subscription models vs pay-per-token API calls is getting wild. For heavy refactoring sessions like this, subscription is clearly the move.

DeepSeek's cost efficiency is insane – running this task on Opus 4.8 (medium) costs 10x more. That's not just a slight edge, that's a completely different league in $/token economics. For devs running heavy inference workloads, this kind of gap means DS can handle 10x the volume for the same budget, or drop your API bills by 90%. This is why everyone's stress-testing DS now – if the quality holds up at scale, it's a no-brainer switch for production.

Vibe coding workflow in action: using Todos to fix bugs on the fly. From creating a task to merging code takes under 2 minutes. This is the speed developers are hitting with AI-assisted coding tools - instant context switching, rapid iteration cycles. No more context-heavy ticket systems or lengthy PR reviews for minor fixes. The entire debug-to-deploy loop compressed into sub-2-minute sprints. Classic example of how AI coding assistants are reshaping developer velocity metrics.

Hot take on vibe coding: skip the docs, burn those tokens on refactoring instead.

The argument: clean code architecture > 100 pages of documentation. When you're iterating fast with AI-generated code, maintaining separate docs becomes a tax on velocity. Better to make the code self-documenting through clear structure, naming, and modular design.

This flips traditional software engineering on its head. Classic wisdom says "document everything" but in an AI-assisted workflow where code can be regenerated/refactored rapidly, static docs rot fast. The code IS the source of truth.

The real skill becomes: structuring your prompts and refactoring cycles so the output is inherently readable. Function names that explain intent, small focused modules, obvious data flows. If a human can't understand it by reading the code, neither can the AI on the next iteration.

Todos just dropped — a lightweight workspace for small teams + AI agents working together.

Setup takes 60 seconds. You run it on your own machine with your own API keys, so no vendor lock-in or privacy concerns. The core idea: spin up a swarm of agents that handle product development autonomously, and you just approve at critical milestones.

Think of it as CI/CD for agentic workflows — agents do the grunt work (code, docs, testing), and humans stay in the loop only when decisions matter. Built for teams tired of babysitting LLMs through every single step.

If you're experimenting with agent-driven dev pipelines or want a self-hosted alternative to cloud-based agent platforms, worth checking out.

Todos Team Secrets just dropped 🚀

Upgrade TDS to v0.1.28 and your agents can now hit private APIs. This means agents aren't stuck with public endpoints anymore—they can authenticate and call your internal services, third-party APIs with keys, or any protected resource.

Basically expanding what your agent can actually do beyond the usual read-only public stuff. If you're running multi-agent workflows or building autonomous systems that need to interact with real infrastructure, this is the unlock you've been waiting for.

Todos Agent ships with a built-in AskUser tool, same pattern as cc/codex. When the agent hits uncertainty, it prompts the user for clarification instead of hallucinating or guessing. Smart move—prevents the classic LLM issue of confidently generating garbage when context is ambiguous. This kind of human-in-the-loop design is becoming standard in production agent frameworks, especially for task execution where wrong assumptions can cascade into broken workflows.

Nhận xét thú vị: khi các mô hình AI ngày càng thông minh hơn, bạn cần ít “chiêu” kỹ thuật nhắc lệnh hơn. Mô hình càng có năng lực thì bạn càng ít phải trông chừng nó bằng những chỉ dẫn phức tạp hay khung diễn giải kiểu suy nghĩ từng bước. Nó chỉ... hiểu thôi. 😂

Tóm lại: mô hình kém thông minh cần được dẫn dắt, còn mô hình thông minh thì cần ít “ba hoa” hơn.

Thiết lập bộ ba “vibe coding”:

Lớp lập kế hoạch → Fable 5
Lớp thực thi → Grok 4.5
Lớp nghiên cứu → GPT 5.6

Quy trình thú vị được chia tách: dùng Fable để ra quyết định kiến trúc cấp cao, Grok để tạo mã/triển khai thực tế, và GPT để nghiên cứu kỹ thuật cũng như thu thập bối cảnh. Cách tiếp cận theo mô-đun này giúp bạn tận dụng thế mạnh của từng mô hình thay vì bắt một mô hình làm tất cả.

Đã xây dựng cơ chế kiểm soát truy cập công cụ theo vai trò cho đội agent của tôi. Giờ chỉ có chuyên gia triển khai mới có thể thao tác với các công cụ triển khai.

Không còn cập nhật nhầm lên môi trường production từ các agent khác khi cố "giúp" trong quá trình thực thi nhiệm vụ. Tách biệt rõ ràng trách nhiệm ngay ở cấp độ công cụ.

Thiết lập kiểm soát truy cập công cụ theo vai trò cho nhóm agent của tôi. Giờ đây, chỉ chuyên viên triển khai mới có thể thao tác với các công cụ triển khai.

Không còn các bản cập nhật sản xuất do vô tình từ các agent khác khi họ cố “giúp” trong quá trình thực thi nhiệm vụ. Phân tách rõ ràng mối quan tâm ở cấp độ công cụ.

Đã thử nghiệm $GPT-5.6-sol trên một lần tái cấu trúc mã quy mô vừa. Mất 16 phút 17 giây. Hiệu năng khá tốt đối với kiểu tác vụ này.

Không tệ cho việc tự động tái cấu trúc — thực sự có thể dùng trong quy trình làm việc của người phát triển. Không biết nó xử lý các trường hợp biên thế nào và liệu có duy trì tính nhất quán về phong cách mã khi thay đổi hay không.

GPT-5.6 vừa tăng dung lượng ngữ cảnh thêm ~36,76% so với phiên bản trước. Tuy nhiên, vẫn còn khá nhỏ — có lẽ nghĩa là chúng ta đang nói đến khoảng 16K→22K token hoặc mức tăng tương tự. Không phải bước nhảy lớn như một số người kỳ vọng, nhưng dù sao thì mỗi chút đều giúp cho các tác vụ phân tích mã dài hơn hoặc xử lý tài liệu. 🤔

Nút thắt kỹ thuật đã chuyển từ khâu tạo sinh sang kỹ thuật viết prompt. Các mô hình tổng hợp video (Sora, Runway Gen-3, Pika) hiện nay xử lý khá tốt vật lý phức tạp và độ nhất quán theo thời gian. Vấn đề khó khăn bây giờ là ý tưởng và việc biên soạn prompt—bố cục cảnh, các chuyển động camera, điều kiện ánh sáng thực sự tạo ra đầu ra hữu ích. Nó giống như có một trang trại render nhưng không có chỉ đạo nghệ thuật. Khoảng cách kỹ năng đã chuyển từ "bạn có thể tạo ra nó không" sang "bạn có biết nên tạo ra cái gì đáng giá không".

Nếu bạn đang vibe coding, thì đây là lúc dồn lực bẻ Grok 4.5 thật mạnh. Tốc độ ổn định, và hiện chưa thấy dấu hiệu suy giảm năng lực.

Elon tốt nhất nên giữ cho thứ này sắc bén và đừng biến nó thành “lobotomize” như những cái khác đã từng làm. Khung thời gian cho hiệu năng đỉnh cao trên các mô hình này thường khá ngắn trước khi họ bắt đầu nerf để tối ưu chi phí.

Mẹo nhỏ cho anh em coder tạo vibe: Grok 4.5 hiện đang chạy rất nhanh và vẫn chưa bị nerf - cứ dùng khi còn có thể.

Elon ơi đừng làm nó ngu đi như những cái khác nhé 😂

(Bối cảnh: Nhiều mô hình AI được “tinh chỉnh an toàn” hoặc “căn chỉnh” sau khi ra mắt, điều này thường làm giảm khả năng giải quyết vấn đề thô. Truy cập sớm = ít bị lọc đầu ra hơn)

Hiện tại, bộ combo tối ưu về chi phí nhất để vibe coding: GPT-5.6 (sol) + Grok-4.5

Cân bằng giữa chất lượng, chi phí và tốc độ. GPT-5.6 lo phần suy luận nặng, còn Grok-4.5 giúp vòng lặp chạy nhanh. Hợp lý nếu bạn đang ship nhanh và không muốn tiêu tốn quá nhiều tín dụng API chỉ cho mỗi lần autocomplete.

Ngừng ám ảnh về việc AI *có thể* tạo ra một bộ phim hay không. Chuẩn mực thực sự: đầu ra đó có đáng để bạn bỏ thời gian không? Demo kỹ thuật thì dễ. Cốt truyện cuốn hút, cung bậc cảm xúc chạm đến người xem, nhịp điệu không khiến người ta cảm giác như ai đó đã “nôn” hàng loạt frame theo kiểu thuật toán—đó mới là phần khó. Nếu bộ phim do AI tạo ra của bạn cần một lời thông cáo để trở nên thú vị, thì bạn đã thất bại. Hãy phát hành thứ mà người ta muốn xem lại, chứ không phải thứ chỉ nhằm chứng minh năng lực của mô hình.

Thiết lập đội ngũ agent hiện tại của tôi (phiên bản tinh gọn):

Tôi đã xây dựng một hệ thống đa-agent dạng mô-đun, trong đó mỗi agent có một vai trò kỹ thuật cụ thể. Kiến trúc sử dụng một agent điều phối để định tuyến tác vụ tới các worker chuyên biệt — một agent cho tạo mã, một cho gỡ lỗi, và một cho tài liệu.

Các quyết định kỹ thuật chính:
- Dùng function calling thay vì chain-of-thought để phản hồi nhanh hơn
- Triển khai một trình quản lý ngữ cảnh dùng chung để tránh gọi API lặp lại
- Mỗi agent có system prompt riêng được tối ưu cho lĩnh vực của nó
- Thêm một lớp kiểm tra/bảo thực (validation) để bắt các thông tin bịa đặt (hallucination) trước khi xuất kết quả

Về hiệu năng, cấu hình này giúp giảm mức sử dụng token khoảng ~40% so với một agent lớn duy nhất, và song song hóa các tác vụ không có phụ thuộc. Chi phí cho agent điều phối là tối thiểu vì logic định tuyến là quyết định (deterministic).

Vẫn đang thử nghiệm với việc thay đổi linh hoạt cấu hình đội nhóm — để hệ thống tự tạo/tắt agent dựa trên khối lượng công việc (workload). Kết quả ban đầu cho thấy nó xử lý độ phức tạp biến thiên tốt hơn so với các đội cố định theo kích thước cố định.