[
  {
    "arxiv_id": "2601.01885",
    "title": "Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents",
    "authors": "Yi Yu, Liuyi Yao, Yuexiang Xie, Qingquan Tan, Jiaqi Feng, Yaliang Li, Libing Wu",
    "published": "2026-01-05",
    "summary": "Đề xuất AgeMem, một khung quản lý hợp nhất bộ nhớ dài hạn (LTM) và ngắn hạn (STM) trực tiếp vào chính sách tác tử thông qua thao tác công cụ. Khắc phục hạn chế của các hệ thống bộ nhớ tách rời và ứng dụng học tăng cường ba giai đoạn (three-stage progressive RL) cùng step-wise GRPO.",
    "pros": "Tối ưu hóa toàn trình, cải thiện chất lượng LTM và hiệu suất context.",
    "cons": "Đòi hỏi quá trình huấn luyện RL ba giai đoạn phức tạp; môi trường benchmark giới hạn.",
    "url": "https://arxiv.org/abs/2601.01885"
  },
  {
    "arxiv_id": "2508.12752",
    "title": "Deep Research: A Survey of Autonomous Research Agents",
    "authors": "Wenlin Zhang, Xiaopeng Li, Yingyi Zhang, Pengyue Jia, Yichao Wang, et al.",
    "published": "2025-08-18",
    "summary": "Báo cáo khảo sát toàn cảnh về Deep Research Agents (Tác tử nghiên cứu sâu). Hệ thống hóa quy trình 4 bước: lập kế hoạch, phát triển câu hỏi, khám phá web và tổng hợp báo cáo. Phân loại các thách thức kỹ thuật và các phương pháp giải quyết hiện tại.",
    "pros": "Đưa ra bức tranh tổng quát và lộ trình nghiên cứu rõ ràng cho lĩnh vực Deep Research.",
    "cons": "Là báo cáo tổng hợp, không đề xuất mô hình cụ thể hay thuật toán mới.",
    "url": "https://arxiv.org/abs/2508.12752"
  },
  {
    "arxiv_id": "2509.06283",
    "title": "SFR-DeepResearch: Towards Effective Reinforcement Learning for Autonomously Reasoning Single Agents",
    "authors": "Xuan-Phi Nguyen, Shrey Pandit, Revanth Gangi Reddy, Austin Xu, Silvio Savarese, Caiming Xiong, Shafiq Joty",
    "published": "2025-09-08",
    "summary": "Tập trung vào phát triển tác tử đơn tự trị (Autonomous Single-Agent) cho nghiên cứu sâu, hạn chế sự can thiệp quy trình tĩnh của đa tác tử. Sử dụng học tăng cường liên tục (continual RL) từ dữ liệu tổng hợp hoàn toàn để giữ lại khả năng suy luận gốc.",
    "pros": "Đạt 28.7% trên Humanity's Last Exam với mô hình 20B; đơn giản hóa kiến trúc điều phối.",
    "cons": "Cần tài nguyên lớn để huấn luyện RL; có nguy cơ thoái hóa lập luận nếu tối ưu quá mức.",
    "url": "https://arxiv.org/abs/2509.06283"
  },
  {
    "arxiv_id": "2602.06052",
    "title": "A Survey of Agent Memory in the Second Half: Towards Self-Evolving and Long-Horizon Agents",
    "authors": "Wei-Chieh Huang, Weizhi Zhang, Yueqing Liang, Yuanchen Bei, Yankai Chen, et al.",
    "published": "2026-01-14",
    "summary": "Khảo sát chuyên sâu hàng trăm nghiên cứu năm 2025 về bộ nhớ tác tử. Phân loại cấu trúc (substrate), cơ chế nhận thức và đối tượng ghi nhớ. Chuyển đổi bộ nhớ thành năng lực có thể huấn luyện (trainable capability).",
    "pros": "Khung lý thuyết hoàn chỉnh nhất về phân loại bộ nhớ tác tử và kỹ năng khả chuyển (portable skills).",
    "cons": "Quá rộng, đòi hỏi nỗ lực lớn để áp dụng vào kiến trúc hẹp cụ thể.",
    "url": "https://arxiv.org/abs/2602.06052"
  },
  {
    "arxiv_id": "2502.06975",
    "title": "Position: Episodic Memory is the Missing Piece for Long-Term LLM Agents",
    "authors": "Mathis Pink, Qinyuan Wu, Vy Ai Vo, Javier Turek, Jianing Mu, Alexander Huth, Mariya Toneva",
    "published": "2025-02-10",
    "summary": "Báo cáo lập trường cho thấy bộ nhớ phân tập (Episodic Memory) là mảnh ghép còn thiếu để mô phỏng khả năng học single-shot từ ngữ cảnh cụ thể của não bộ, giúp LLM Agents duy trì kiến thức dài hạn tự nhiên.",
    "pros": "Lấy cảm hứng từ hệ thống sinh học, giúp giải quyết triệt để rào cản học hỏi một lần.",
    "cons": "Chưa có triển khai mô hình diện rộng; chủ yếu là định hướng lý thuyết.",
    "url": "https://arxiv.org/abs/2502.06975"
  },
  {
    "repo": "mem0ai/mem0",
    "title": "Mem0: Universal Memory Layer for AI Agents",
    "analysis": "Khảo sát mã nguồn qua công cụ Graft, phát hiện kiến trúc bộ nhớ đa tầng hợp nhất, quản lý SQLite, PGVector cục bộ, tách biệt MemoryClient và BaseLlmConfig.",
    "url": "https://github.com/mem0ai/mem0"
  }
]