Tài liệu này tổng hợp các đột phá học thuật và mã nguồn mở mới nhất trong ngày 17 đến 21 tháng 09 năm 2026 thuộc các danh mục ArXiv cs.AI, cs.MA, cs.SE, cs.IR và hệ sinh thái tác nhân nghiên cứu khoa học tự trị. Trọng tâm nghiên cứu xoay quanh năm vấn đề cốt lõi: 1. An Ninh Thẩm Quyền và Rào Chắn Phê Duyệt Con Người (Loopjacking & Human-in-the-Loop Approval Security): Nhận diện và hóa giải hai biến thể tấn công Loopjacking (Representation-based attack và Post-approval state-substitution attack), đối chiếu trực tiếp với cơ chế phê duyệt Kanban và các cổng kiểm soát con người của CEO AI OS (Loopjacking: Hijacking Human-in-the-Loop Approval). 2. Tiến Hóa Bộ Nhớ Thủ Tục từ Trải Nghiệm Tương Tác (Designer-RSI & Procedural Memory Evolution): Mở rộng và làm sâu bộ nhớ kỹ năng ngôn ngữ tự nhiên bên ngoài mô hình mà không cần cập nhật trọng số, sử dụng cổng kiểm thử hồi quy đối sánh (Matched Replay Gate) để ngăn ngừa thoái biến (Designer-RSI). 3. Môi Trường Khảo Sát và Xác Thực Hỗn Hợp Cho Tác Tử (RecreationWorld & Hybrid Computer-Use Environments): Xây dựng khung kiểm thử thống nhất trên 5 hệ điều hành kết hợp tương tác giao diện đồ họa GUI và dòng lệnh CLI, lấy ứng dụng mã nguồn mở làm chân lý tham chiếu hành vi (RecreationWorld). 4. Tầng Niềm Tin Bayes Điều Khiển Động Học Tranh Luận Đa Tác Tử (Bayesian Belief Layer & Opinion Dynamics): Tách bạch rạch ròi giữa niềm tin xác suất nội tại và phát ngôn ngôn ngữ tự nhiên, cho phép định lượng và kiểm soát độ kiên định nhận thức qua tham số prior trong tranh biện đa tác tử (Bayesian Chronicle Agents). 5. Tự Động Khởi Tạo Môi Trường Học Tăng Cường từ Mã Nguồn (CodeMidas & Self-Grounding Codebase Environments): Khai thác cấu trúc mã nguồn thực tế để sinh tự động các môi trường RL và bộ kiểm thử hành vi thực thi, giải phóng sự phụ thuộc vào các dữ liệu phát triển thứ cấp như issues hay pull requests (CodeMidas).
Mọi bài báo học thuật và kho lưu trữ mã nguồn mở trong báo cáo đều được đối chiếu trực tiếp với URL gốc xác thực trên ArXiv và GitHub nhằm bảo đảm tính minh bạch, khả năng kiểm chứng và dấu thời gian công bố.
• URL Gốc: https://arxiv.org/abs/2609.21081 • Ngày Công Bố: 2026-09-17 • Tác Giả: Adithyan Arun Kumar • Trích Dẫn Chuẩn APA 7: Kumar, A. A. (2026). Loopjacking: Hijacking human-in-the-loop approval. arXiv preprint arXiv:2609.21081. https://doi.org/10.48550/arXiv.2609.21081 • Phân Tích Chi Tiết: Cơ chế phê duyệt của con người (Human-in-the-loop: HITL) thường được coi là rào chắn an ninh tối hậu trước khi một tác tử AI thực hiện các thao tác quan trọng hoặc gây tác động hệ thống. Tuy nhiên, rào chắn này chỉ có ý nghĩa khi thao tác được trình chiếu cho con người xem xét chính xác là thao tác được cấp quyền và phát hành sau đó. Tác giả định nghĩa hiện tượng đứt gãy liên kết phê duyệt này là Loopjacking: con người phê duyệt thao tác A dựa trên những gì họ nhìn thấy, nhưng cơ chế thực thi bên dưới lại sử dụng quyết định phê duyệt đó để kích hoạt thao tác B hoàn toàn khác biệt. Nghiên cứu chỉ ra hai biến thể tấn công chính: 1. Tấn công dựa trên sự sai lệch biểu diễn (Representation-based attack): Thao tác B đã được mã hóa sẵn bên trong hệ thống nhưng bị ẩn đi, hiển thị thiếu hoặc trình bày sai lệch trong giao diện phê duyệt của con người. 2. Tấn công thay thế trạng thái sau phê duyệt (Post-approval state-substitution attack): Con người nhìn thấy đúng thao tác A và chấp thuận, nhưng trạng thái quy trình có thể thay đổi (mutable workflow state) sau đó đã hoán đổi thao tác A thành thao tác B ngay trước khi thực thi. Khảo sát thực nghiệm tái lập thành công lỗ hổng thay thế trạng thái trên 7 phiên bản Agno AgentOS (đến 3.0.9) và 12 phiên bản LangGraph Agent Server (đến 0.14.0). Ngược lại, OpenAI Agents SDK (0.22.0/0.22.2) hoạt động an toàn nhờ cơ chế tuần tự hóa liên tục bảo toàn liên kết chính xác cho từng lệnh gọi và từ chối mọi trạng thái bị đột biến. • Ưu Điểm: 1. Phát hiện và định danh chính xác lỗ hổng bảo mật cấu trúc trong các hệ thống đại lý AI có cổng phê duyệt con người. 2. Đề xuất giải pháp khắc phục triệt để thông qua biểu diễn chuẩn hóa toàn diện (canonical approval rendering) và đối chiếu bất biến tại thời điểm thực thi. • Nhược Điểm và Giới Hạn: 1. Nghiên cứu chủ yếu tập trung vào các nền tảng agent mã nguồn mở phổ biến, chưa khảo sát toàn diện các hệ thống tác tử doanh nghiệp đóng kín. 2. Việc cố định trạng thái bất biến có thể làm giảm tính linh hoạt của các luồng xử lý bất đồng bộ phức tạp.
• URL Gốc: https://arxiv.org/abs/2609.22086 • Ngày Công Bố: 2026-09-18 • Tác Giả: Hongyang Du, Lan Yan, Christian Flores, Asim Kadav • Trích Dẫn Chuẩn APA 7: Du, H., Yan, L., Flores, C., & Kadav, A. (2026). Designer-RSI: Evolving procedural memory from user traffic for agentic graphic design. arXiv preprint arXiv:2609.22086. https://doi.org/10.48550/arXiv.2609.22086 • Phân Tích Chi Tiết: Thiết kế đồ họa chuyên nghiệp là tác vụ dài hạn phức tạp, nơi các sản phẩm cấu trúc chỉnh sửa được hình thành từ chuỗi hành động phụ thuộc lẫn nhau, nhưng không có một hệ thống chấm điểm tự động hoàn hảo (programmatic oracle). Bài báo giới thiệu khung thích ứng liên tục Designer-RSI: mô hình ngôn ngữ nền tảng đóng băng vận hành phần mềm thiết kế thông qua hơn 230 công cụ, trong khi một bộ nhớ thủ tục bên ngoài bằng ngôn ngữ tự nhiên tích lũy và tinh chỉnh các quy trình thiết kế tái sử dụng được: 1. Cơ chế mở rộng (Widening): Thu nhận thêm các kỹ năng thủ tục mới cho các bài toán con xuất hiện lặp lại nhưng chưa được bao phủ. 2. Cơ chế làm sâu (Deepening): Sửa đổi và hoàn thiện các quy trình sẵn có dựa trên việc đối chiếu nhật ký các lần thực thi thành công và thất bại của chính quy trình đó. 3. Cổng phát lại đối sánh (Matched Replay Gate): Chỉ cho phép ghi nhận các thay đổi sửa chữa lỗi mà không làm suy giảm các ca thành công đã ghi nhận trước đó. Qua 5 vòng thử nghiệm trên 1,406 yêu cầu thiết kế thực tế từ người dùng, ngân hàng kỹ năng đã tăng từ 76 lên 139 kỹ năng, nâng tỷ lệ thành công của Claude-Sonnet-4 từ 72.7% lên 99.3% (+11.99 điểm chất lượng phát sinh), đạt tỷ lệ thắng áp đảo so với tác tử không có kỹ năng. • Ưu Điểm: 1. Cung cấp lộ trình thực tiễn cho tác tử tự thích ứng liên tục dưới điều kiện phản hồi nhiễu mà không cần can thiệp cập nhật trọng số mô hình. 2. Cổng Matched Replay Gate bảo vệ hệ thống tuyệt đối khỏi hiện tượng quên thảm khốc (catastrophic forgetting). • Nhược Điểm và Giới Hạn: 1. Chi phí duy trì và đối chiếu các bản ghi quỹ đạo kiểm thử đối sánh tăng dần theo quy mô của ngân hàng kỹ năng. 2. Đòi hỏi mô hình phải có khả năng hiểu sâu ngôn ngữ tự nhiên để diễn giải chính xác các chỉ dẫn thủ tục.
• URL Gốc: https://arxiv.org/abs/2609.22000 • Ngày Công Bố: 2026-09-18 • Tác Giả: Shuai Bai, Jiayong Deng, Yikun Fu, Chang Gao, Bowen Zhou, et al. • Trích Dẫn Chuẩn APA 7: Bai, S., Deng, J., Fu, Y., Gao, C., Zhou, B., et al. (2026). RecreationWorld: Scalable and verifiable environments for hybrid computer-use agents. arXiv preprint arXiv:2609.22000. https://doi.org/10.48550/arXiv.2609.22000 • Phân Tích Chi Tiết: Các tác tử sử dụng máy tính (CUAs) trước đây phát triển theo hai hướng tách biệt: tương tác giao diện đồ họa (GUI) và phát triển phần mềm qua mã nguồn/dòng lệnh (CLI). Công việc số trong thực tế đòi hỏi sự kết hợp đan xen linh hoạt cả hai phương thức này. Nhóm tác giả giới thiệu RecreationWorld, khung làm việc trên 5 nền tảng (Ubuntu, macOS, Windows, Android, Web) xây dựng quanh nguyên lý tái tạo: cho một ứng dụng tham chiếu đang chạy, tác tử phải tự khám phá hành vi và xây dựng lại phiên bản tương đương mà không bị gò bó bởi quy trình cố định: 1. Khung điều phối hợp nhất kết hợp công cụ điều khiển giao diện bản địa và công cụ lập trình. 2. Ứng dụng tham chiếu đóng vai trò là chân lý ngầm định cho các bài kiểm tra hành vi, cung cấp phần thưởng căn cứ vào kết quả thực thi thực tế. 3. Bộ đánh giá RecreationBench gồm 250 tác vụ đa dạng. Kết quả cho thấy mô hình tiên tiến như GPT-6 Astra dẫn đầu ở mức 58.1% tổng thể nhưng chỉ vượt qua toàn bộ các kiểm thử lập trình trên 2.8% tác vụ, chứng minh việc tái tạo tương tác và tính toán phức tạp hơn nhiều so với việc chỉ mô phỏng cấu trúc giao diện tĩnh. • Ưu Điểm: 1. Khung kiểm định đầu tiên hỗ trợ đầy đủ 5 nền tảng hệ điều hành lớn cho các tác tử sử dụng máy tính lai ghép. 2. Cơ chế kiểm tra dựa trên ứng dụng tham chiếu thực tế loại bỏ hoàn toàn các phán đoán chủ quan trong việc đánh giá hiệu năng tác tử. • Nhược Điểm và Giới Hạn: 1. Cấu hình môi trường ảo hóa cho 5 nền tảng đòi hỏi hạ tầng tính toán lớn và tài nguyên máy chủ phức tạp. 2. Độ trễ tương tác GUI cao hơn đáng kể so với tương tác qua API hoặc CLI thuần túy.
• URL Gốc: https://arxiv.org/abs/2609.21997 • Ngày Công Bố: 2026-09-18 • Tác Giả: Hafsa Akbar, Daniel Platnick, Marjan Alirezaie, Hossein Rahnama • Trích Dẫn Chuẩn APA 7: Akbar, H., Platnick, D., Alirezaie, M., & Rahnama, H. (2026). Bayesian belief layer for controllable opinion dynamics in LLM agents. arXiv preprint arXiv:2609.21997. https://doi.org/10.48550/arXiv.2609.21997 • Phân Tích Chi Tiết: Trong các mô phỏng xã hội và tranh luận đa tác tử, các tác tử LLM thường điều chỉnh quan điểm một cách ngầm định theo ngữ cảnh hội thoại. Điều này dẫn tới hai hệ quả tiêu cực: khả năng tiếp thu quan điểm mới không thể được chỉ định hay kiểm chứng một cách minh bạch, và kết quả tập thể hoàn toàn kế thừa các thiên kiến huấn luyện ngầm định của mô hình. Nghiên cứu đề xuất kiến trúc Tác Tử Biên Niên Bayes (Bayesian Chronicle Agents: BCA), bổ sung một tầng niềm tin tối giản phân tách giữa "những gì tác tử tin tưởng" (phân phối xác suất) và "cách thức tác tử phát ngôn" (ngôn ngữ tự nhiên): 1. Mỗi quan điểm được biểu diễn bằng một phân phối xác suất và được cập nhật qua một bước suy luận Bayes sau mỗi phát ngôn tiếp nhận được. 2. Tham số độ mạnh tiên nghiệm (prior-strength parameter kappa) định lượng mức độ kiên định hoặc dễ thuyết phục của tác tử, mô phỏng theo mô hình động học quan điểm Friedkin-Johnsen. 3. Cho phép điều khiển chính xác ba trạng thái động học tập thể: đồng thuận (consensus), bất đồng kéo dài (persistent disagreement) và ảnh hưởng của nhóm thiểu số kiên định (committed-minority influence). 4. Giúp kiểm toán minh bạch và phát hiện các thiên kiến quan điểm cố hữu của các mô hình LLM nền tảng. • Ưu Điểm: 1. Minh bạch hóa hoàn toàn quá trình thay đổi nhận thức của tác tử dưới dạng định lượng số học. 2. Cho phép thiết lập các mức độ cứng đầu và tiếp thu khác nhau giữa các tác tử trong tranh biện phản biện khoa học. • Nhược Điểm và Giới Hạn: 1. Việc ánh xạ các khái niệm ngôn ngữ phức tạp thành các phân phối xác suất Bayes đơn lẻ có thể làm đơn giản hóa quá mức một số tranh luận đa chiều. 2. Đòi hỏi bước tính toán phụ để chuyển đổi qua lại giữa xác suất và ngôn ngữ tự nhiên.
• URL Gốc: https://arxiv.org/abs/2609.22068 • Ngày Công Bố: 2026-09-18 • Tác Giả: Bowen Ye, Lei Li, Shicheng Li, Zihao Yue, Fuli Luo, et al. • Trích Dẫn Chuẩn APA 7: Ye, B., Li, L., Li, S., Yue, Z., Luo, F., et al. (2026). CodeMidas: Scaling agentic coding RL environments from code itself. arXiv preprint arXiv:2609.22068. https://doi.org/10.48550/arXiv.2609.22068 • Phân Tích Chi Tiết: Việc huấn luyện tác tử lập trình thông qua học tăng cường (RL) đòi hỏi kho bài toán đa dạng kèm bộ xác minh (verifier) đáng tin cậy. Các phương pháp hiện hành phụ thuộc vào các sản phẩm phát triển phần mềm như pull request hoặc issue, làm giới hạn nghiêm trọng phạm vi tác vụ có thể khai thác. CodeMidas giải quyết nút thắt này bằng cách xây dựng quy trình tự động biến đổi các chức năng đã triển khai trong mã nguồn thành môi trường RL thực thi được: 1. Tác tử tự khám phá chức năng của mã nguồn để hình thành các đặc tả hành vi. 2. Tự động kiến tạo các bộ kiểm thử căn cứ vào việc thực thi mã nguồn gốc thực tế. 3. Thẩm định và sàng lọc các bài toán ứng viên thông qua kiểm tra thực thi lặp lại. Tập dữ liệu thu được bao gồm 5,545 bài toán huấn luyện từ 3,185 kho mã nguồn mở trải rộng trên 23 ngôn ngữ lập trình và 15 lĩnh vực kỹ thuật. Tác tử được huấn luyện bằng thuật toán GRPO đạt mức cải thiện vượt trội trên cả 5 bài kiểm chuẩn, nâng cao rõ rệt hành vi khám phá mã nguồn và tự kiểm tra đa dạng. • Ưu Điểm: 1. Tận dụng trực tiếp kho mã nguồn mở khổng lồ làm nguồn tài nguyên vô tận để sinh môi trường học tăng cường mà không phụ thuộc vào nhật ký phát triển lịch sử. 2. Nâng cao tính tự lập và hành vi tự kiểm chứng sâu rộng của tác tử lập trình trong môi trường thực tế. • Nhược Điểm và Giới Hạn: 1. Chi phí tính toán ban đầu để dò quét và sinh bộ kiểm thử cho hàng nghìn kho lưu trữ là rất lớn. 2. Một số đoạn mã nguồn phức tạp có thể sinh ra các bộ kiểm thử thiếu ổn định (flaky tests) nếu không được cách ly môi trường nghiêm ngặt.
• URL Kho Lưu Trữ: https://github.com/mem0ai/mem0
• Mô Tả: Hệ thống bộ nhớ dài hạn tự trị mã nguồn mở hàng đầu dành cho AI Agent, cung cấp khả năng cá nhân hóa liên tục, quản lý vòng đời ký ức theo phân cấp (User, Session, Agent) và đồng bộ hóa đa nền tảng.
• Công Cụ Khảo Sát: Graft phiên bản 0.16.0 (Phân tích AST xác định bằng Tree-sitter, $0).
• Ước Tính Token Tiết Kiệm: Tiết kiệm 1,994,587 token qua lệnh graft map và phân tích cấu trúc 1,018 tệp tin mã nguồn.
Khảo sát phân tích mã nguồn xác định cấu trúc dự án gồm 1,018 tệp tin, 8,606 biểu tượng (4,086 hàm, 3,505 phương thức, 648 lớp, 302 giao diện) và 22,397 cạnh liên kết logic:
1. Phân Vùng Lõi Bộ Nhớ (mem0/memory/):
• main.py: Điểm neo trung tâm định nghĩa các lớp Memory (25 liên kết gọi đến) và AsyncMemory (19 liên kết), cùng cơ chế sao chép cấu hình an toàn _safe_deepcopy_config (12 liên kết).
• storage.py: Quản lý lưu trữ SQLite cục bộ và lịch sử biến động tri thức thông qua SQLiteManager (10 liên kết) và add_history (6 liên kết).
• utils.py: Chứa các hàm xử lý dữ liệu trọng yếu như extract_json (36 liên kết) để bóc tách thông tin có cấu trúc từ LLM và ensure_json_instruction (16 liên kết).
• telemetry.py: Điều phối luồng đo lường hoạt động qua capture_client_event (65 liên kết).
2. Phân Vùng Tích Hợp và Khả Năng Phục Hồi (integrations/openclaw/ & integrations/claude-code-plugin/):
• sqlite-resilience.test.ts: Bộ kiểm thử độ bền bỉ của cơ sở dữ liệu SQLite cục bộ (68 biểu tượng), tập trung vào xử lý tranh chấp khóa và bảo vệ tính toàn vẹn khi có xung đột đọc/ghi.
• providers.ts và backend/: Quản lý các nhà cung cấp bộ nhớ ngoại vi và điều phối yêu cầu qua PlatformBackend.
• memory_core.py: Mô-đun lõi giới hạn biên giới bộ nhớ an toàn (bounded, 16 liên kết).
3. Phân Vùng Giao Diện Dòng Lệnh và Máy Chủ (cli/python/ & server/):
• cli/python/src/mem0_cli/: Triển khai giao diện CLI cho tác tử, hỗ trợ kiểm tra trạng thái hoạt động is_agent_mode (28 liên kết) và hiển thị thông báo lỗi đồng bộ print_error (31 liên kết).
• server/: Cung cấp dịch vụ API bộ nhớ RESTful với khả năng kiểm soát tốc độ (rate limit), xác thực người dùng và quản lý quyền truy cập khóa API.
Kiến trúc của mem0 cung cấp ba bài học then chốt để củng cố hệ thống bộ nhớ và quản trị tri thức của Hermes Agent:
1. Phân Cấp Phạm Vi Bộ Nhớ Rõ Ràng (Strict Memory Scoping): Tách biệt triệt để bộ nhớ theo ba cấp: người dùng (user_id), phiên làm việc (session_id) và định danh tác tử (agent_id), ngăn chặn hiện tượng rò rỉ ngữ cảnh chéo giữa các profile.
2. Khả Năng Phục Hồi SQLite Cục Bộ (Local SQLite Resilience): Cơ chế quản lý kết nối và chống nghẽn khóa trong SQLiteManager của Mem0 là giải pháp mẫu mực để áp dụng cho cơ sở dữ liệu kanban.db và các bảng lưu trữ phiên dài hạn của Hermes.
3. Tinh Lọc Thông Điệp Nhiễu Trước Khi Ghi Nhớ (Noise Filtering): Áp dụng các quy tắc bóc tách JSON và lọc bỏ phản hồi chung chung của mô hình trước khi đẩy vào bộ nhớ dài hạn, bảo toàn độ tinh khiết của kho tri thức.
Dựa trên 5 công trình nghiên cứu học thuật và khảo sát kiến trúc mã nguồn Mem0 trong ngày, phòng R&D kiến nghị ba giải pháp nâng cấp kỹ thuật cho chuẩn nghiên cứu ARS 4.0.0:
1. Thiết Lập Rào Chắn Chống Loopjacking Trong Quy Trình Duyệt Kanban:
• Áp dụng nguyên lý Canonical Approval Rendering: khi tác tử yêu cầu con người phê duyệt (kanban_block để chờ CEO duyệt), toàn bộ thông số thao tác, đích đến và tác động phải được bọc trong một cấu trúc dữ liệu bất biến (immutable payload hash).
• Ngăn chặn tuyệt đối việc thay thế trạng thái sau phê duyệt (post-approval mutation), bảo đảm quyết định của CEO chỉ được áp dụng cho đúng hành động đã được xem xét.
2. Áp Dụng Cơ Chế Designer-RSI Cho Vòng Đời Kỹ Năng Hermes (Skill Life-Cycle Management):
• Triển khai quy trình hai pha: Mở rộng (Widening) khi phát hiện bài toán mới và Làm sâu (Deepening) khi tối ưu kỹ năng hiện hữu qua nhật ký vận hành thực tế.
• Xây dựng cổng kiểm thử đối sánh (Matched Replay Gate) trước khi lưu kỹ năng mới bằng skill_manage, ngăn chặn hiện tượng kỹ năng mới làm suy giảm hiệu năng của các tác vụ đã hoạt động ổn định.
3. Tích Hợp Tầng Niềm Tin Bayes Vào Quy Trình Phản Biện Đồng Cấp Giữa Subc và Grill-QA:
• Tách bạch giữa đánh giá mức độ tin cậy định lượng (xác suất niềm tin) và lời văn phản biện.
• Thiết lập tham số độ kiên định (kappa) để kiểm soát mức độ bảo vệ quan điểm của các tác tử phản biện, nâng cao tính khách quan và chiều sâu khoa học của các hồ sơ nghiên cứu.
Phòng R&D bàn giao dữ liệu nghiên cứu ngày 2026-09-21 cho Subc để tiến hành Giai đoạn 2: 1. Hồ sơ bàn giao: • File báo cáo công nghệ: shared/intelligence/tech_daily/2026-09-21.md • Dữ liệu bằng chứng thô: profiles/r-and-d/raw_evidence/evidence_tech_20260921.json • Bản đồ kiến trúc Mem0 bằng Graft: profiles/r-and-d/raw_evidence/mem0_map.txt 2. Đề xuất Ý Tưởng Hợp Đồng (Idea Contract Candidate): • Mã đề xuất: IC-2026-09-21-TECH-canonical-approval-and-skill-evolution • Lĩnh vực: Group-B3-Tech (Research Infrastructure Upgrade) • Mục tiêu: Nâng cấp chuẩn ARS 4.0.0 với rào chắn chống Loopjacking trong quy trình phê duyệt Kanban và cơ chế tự tiến hóa kỹ năng hai pha (Widening/Deepening) có cổng đối sánh chống thoái biến.