Tài liệu này tổng hợp các đột phá học thuật và mã nguồn mở mới nhất trong ngày 25 tháng 09 năm 2026 thuộc danh mục ArXiv cs.AI, cs.MA, và hệ sinh thái tác tử nghiên cứu khoa học tự trị. Trọng tâm nghiên cứu xoay quanh năm công trình học thuật tiêu biểu cùng một kho lưu trữ mã nguồn mở trọng điểm: 1. Hệ Thống Nghiên Cứu Sâu Đa Tác Tử Kiểm Toán Được (DuMate-DeepResearch: An Auditable Multi-Agent System with Recursive Search and Rubric-Grounded Reasoning): Tách rời lõi tác tử (Agent Core) khỏi hệ sinh thái công cụ, áp dụng quy hoạch động dạng đồ thị, tìm kiếm đệ quy hai tầng và tối ưu hóa thời gian suy luận theo tiêu chí chấm điểm động (rubric-based test-time optimization), thiết lập kỷ lục mới 58.03% trên DeepResearch Bench và 61.95% trên DeepResearch Bench II (Baidu Inc., arXiv:2606.07299). 2. Hệ Đa Tác Tử Đồng Tiến Hóa Nhận Thức Kép Cho Nghiên Cứu Sâu (MARS: Co-evolving Dual-System Deep Research via Multi-Agent Reinforcement Learning): Đồng tối ưu hóa Hệ 1 (thu thập, chắt lọc thông tin tốc độ cao) và Hệ 2 (lập luận chuyên sâu) thông qua học tăng cường đa tác tử (MARL) với cơ chế phân tách độ dốc (decoupled gradient computation) và tối ưu hóa đóng gói thùng (bin-packing optimization) dưới thiết lập Zero RL (Đại học Nhân dân Trung Quốc & Tongyi Lab, Alibaba Group, arXiv:2510.04935). 3. Khung Bộ Nhớ Ba Tầng Dệt Hỗn Hợp Cho Lập Luận Dài Hạn (MemWeaver: Weaving Hybrid Memories for Traceable Long-Horizon Agentic Reasoning): Hợp nhất đồ thị tri thức neo thời gian tuyệt đối (Temporally Grounded Knowledge Graph), tầng trừu tượng hóa trải nghiệm lặp lại (Experience Abstraction) và tầng neo vết chứng cứ nguyên bản (Passage Grounding), giúp giảm hơn 95% độ dài ngữ cảnh đầu vào mà vẫn gia tăng độ chính xác lập luận đa chặng (arXiv:2601.18204). 4. Cơ Tầng Bộ Nhớ Đa Độ Phân Giải Cho Tác Tử Tồn Tại Kéo Dài (MRMS: A Multi-Resolution Memory Substrate for Long-Lived AI Agents): Định hình bộ nhớ tác tử trên hai trục trực giao: trục biểu diễn (bản ghi có cấu trúc, vector, đồ thị quan hệ) và trục thời gian (vết ngắn hạn, trừu tượng trung hạn, cam kết ngữ nghĩa dài hạn), kiểm soát ranh giới dữ liệu và loại bỏ triệt để tri thức lỗi thời (arXiv:2607.04617). 5. Tái Thiết Lập Bộ Nhớ Thay Vì Truy Xuất Thụ Động (Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents): Đề xuất khung MRAgent vận hành trên đồ thị Cue-Tag-Content, tích hợp trực tiếp năng lực suy luận của mô hình vào quá trình truy cập bộ nhớ để cắt tỉa các nhánh tìm kiếm không hiệu quả, đạt mức cải thiện tới 23% trên LoCoMo và LongMemEval (arXiv:2606.06036). 6. Khảo sát mã nguồn mở Alibaba-NLP/DeepResearch: Hệ sinh thái tác tử nghiên cứu sâu toàn diện của Alibaba Tongyi Lab (bao gồm WebWatcher, WebWeaver, WebDancer, WebSailor, ParallelMuse, NestBrowse) được phân tích cấu trúc chi tiết bằng công cụ Graft.
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/2606.07299 • Ngày Công Bố: 2026-06-05 • Tác Giả: Lingyong Yan, Can Xu, Yukun Zhao, Wenxuan Li, Qingyang Chen, Jiulong Wu, Wenli Song, Xiangnan Li, Weixian Shi, Yiqun Chen, Xuchen Ma, Yuchen Li, Jiashu Zhao, Shuaiqiang Wang, Jianmin Wu, Dawei Yin (Baidu Inc.) • Trích Dẫn Chuẩn APA 7: Yan, L., Xu, C., Zhao, Y., Li, W., Chen, Q., Wu, J., Song, W., Li, X., Shi, W., Chen, Y., Ma, X., Li, Y., Zhao, J., Wang, S., Wu, J., & Yin, D. (2026). DuMate-DeepResearch: An auditable multi-agent system with recursive search and rubric-grounded reasoning. arXiv preprint arXiv:2606.07299. https://doi.org/10.48550/arXiv.2606.07299 • Phân Tích Chi Tiết: Các hệ thống nghiên cứu sâu (Deep Research - DR) hiện nay đối mặt với bốn thách thức lớn: lập kế hoạch tầm xa trong phạm vi mơ hồ, nghẽn cổ chai khi phân rã nhiệm vụ trên một tác tử đơn lẻ, nguy cơ ảo giác khi tổng hợp báo cáo dài, và khả năng kiểm toán quy trình bị hạn chế. DuMate-DeepResearch giải quyết triệt để các rào cản này bằng kiến trúc phân tách rõ ràng giữa Lõi Tác Tử (Agent Core: phụ trách hiểu nhiệm vụ, lập kế hoạch, điều phối) và Hệ Sinh Thái Công Cụ mở rộng. Hệ thống tích hợp ba cơ chế đột phá: 1. Quy hoạch động dựa trên đồ thị: Mở rộng lộ trình nghiên cứu từ khái quát đến chi tiết và liên tục hiệu chỉnh thông qua phản tư, tái lập kế hoạch, quay lui (backtracking) và phân nhánh song song. 2. Tìm kiếm đệ quy hai tầng: Ủy quyền từng nhiệm vụ tìm kiếm phức tạp cho một tác tử tìm kiếm nội bộ (Inner Search Agent) có vòng lặp kế hoạch riêng, cô lập nhiễu từ web và ổn định việc thực thi dài hạn. 3. Tối ưu hóa thời gian kiểm thử dựa trên tiêu chí chấm điểm (Rubric-based test-time optimization): Tự động sinh ra bộ tiêu chí chất lượng đặc thù cho từng nhiệm vụ và sử dụng chúng làm giàn giáo suy luận thời gian thực để tổng hợp báo cáo dựa trên chứng cứ và tự động dừng đúng lúc. Kết quả đạt kỷ lục 58.03% trên DeepResearch Bench và 61.95% trên DeepResearch Bench II. • Ưu Điểm: 1. Khả năng kiểm toán toàn diện: Mọi quyết định trung gian và lời gọi công cụ đều có vết rõ ràng, hỗ trợ truy xuất nguồn gốc báo cáo. 2. Cô lập nhiễu hiệu quả: Cơ chế tìm kiếm đệ quy ngăn chặn việc dữ liệu web rác làm ô nhiễm ngữ cảnh lập luận cấp cao. • Nhược Điểm và Giới Hạn: 1. Độ phức tạp điều phối tăng cao khi phải quản lý đồ thị kế hoạch động kết hợp các tác tử con đệ quy. 2. Tiêu tốn thêm tài nguyên suy luận cho việc tự động sinh và đánh giá tiêu chí chấm điểm (rubrics) tại mỗi vòng lặp.
• URL Gốc: https://arxiv.org/abs/2510.04935 • Ngày Công Bố: 2025-10-06 (Phiên bản cập nhật: 2026-02-01) • Tác Giả: Guoxin Chen, Zile Qiao, Wenqing Wang, Donglei Yu, Xuanzhong Chen, Hao Sun, Minpeng Liao, Kai Fan, Yong Jiang, Pengjun Xie, Wayne Xin Zhao, Ruihua Song, Fei Huang (Renmin University of China & Tongyi Lab, Alibaba Group) • Trích Dẫn Chuẩn APA 7: Chen, G., Qiao, Z., Wang, W., Yu, D., Chen, X., Sun, H., Liao, M., Fan, K., Jiang, Y., Xie, P., Zhao, W. X., Song, R., & Huang, F. (2026). MARS: Co-evolving dual-system deep research via multi-agent reinforcement learning. arXiv preprint arXiv:2510.04935. https://doi.org/10.48550/arXiv.2510.04935 • Phân Tích Chi Tiết: Các mô hình suy luận lớn (LRM) thường tiêu tốn quá mức token khi phân tích các tác vụ xử lý thông tin đơn giản nhưng lại thiếu khả năng cập nhật tri thức mới ngoài dữ liệu huấn luyện. Lấy cảm hứng từ lý thuyết tiến trình kép trong nhận thức học (Hệ 1 và Hệ 2), MARS đề xuất khung đồng tiến hóa giữa Hệ 1 (xử lý trực giác, tốc độ cao) và Hệ 2 (lập luận có chủ đích) thông qua học tăng cường đa tác tử. Hệ 1 học cách chắt lọc các mẩu thông tin có ích cụ thể cho lập luận của Hệ 2 thay vì tóm tắt thụ động. MARS mở rộng thuật toán Group Relative Policy Optimization (GRPO) với ba cải tiến then chốt: tính toán gradient phân tách (decoupled gradient computation) đảm bảo gán tín chỉ chuẩn xác dù chia sẻ phần thưởng quỹ đạo; tối ưu hóa đóng gói thùng (bin-packing optimization) để xử lý song song nội dung độ dài biến đổi; và lấy mẫu cân bằng có trọng số ưu thế. Dưới thiết lập Zero RL không cần dữ liệu tinh chỉnh giám sát (SFT), mô hình MARS 8B đạt 8.17% trên Humanity's Last Exam (HLE), vượt trội so với WebThinker 32B (6.87% có SFT) và tiệm cận Claude 3.7 Sonnet (7.89%). • Ưu Điểm: 1. Phân tách rõ ràng giữa đọc lướt diện rộng và lập luận sâu sắc, ngăn chặn hiện tượng loãng ngữ cảnh (context dilution). 2. Hiệu năng vượt trội trong môi trường tài nguyên hạn chế (mô hình 8B cạnh tranh trực tiếp với các mô hình độc quyền hàng đầu). • Nhược Điểm và Giới Hạn: 1. Đòi hỏi quy trình huấn luyện đa tác tử phức tạp để đạt được điểm cân bằng đồng tiến hóa mà không bị lệch pha giữa hai hệ thống. 2. Phụ thuộc vào chất lượng dữ liệu môi trường kiểm thử tương tác trong giai đoạn huấn luyện Zero RL.
• URL Gốc: https://arxiv.org/abs/2601.18204 • Ngày Công Bố: 2026-01-26 • Tác Giả: Juexiang Ye, Xue Li, Xinyu Yang, Chengkai Huang, Lanshun Nie, Lina Yao, Dechen Zhan (Harbin Institute of Technology & CSIRO) • Trích Dẫn Chuẩn APA 7: Ye, J., Li, X., Yang, X., Huang, C., Nie, L., Yao, L., & Zhan, D. (2026). MemWeaver: Weaving hybrid memories for traceable long-horizon agentic reasoning. arXiv preprint arXiv:2601.18204. https://doi.org/10.48550/arXiv.2601.18204 • Phân Tích Chi Tiết: Các phương pháp bộ nhớ truyền thống dựa trên truy xuất phi cấu trúc hoặc tóm tắt thô thường dẫn đến xung đột mốc thời gian, suy luận giòn gãy và khả năng truy vết chứng cứ kém. MemWeaver giải quyết bài toán này thông qua mô hình bộ nhớ ba tầng hợp nhất: 1. Đồ thị tri thức neo thời gian (Temporally Grounded Knowledge Graph): Mã hóa thực thể và quan hệ kèm nhãn thời gian chuẩn hóa tuyệt đối, phục vụ lập luận đa chặng và hòa giải xung đột theo phiên tương tác. 2. Tầng trừu tượng trải nghiệm (Experience Abstraction Layer): Gom cụm các chuỗi tương tác và chắt lọc các bài học kinh nghiệm có thể tái sử dụng khi có bằng chứng nhất quán xuyên suốt nhiều tương tác. 3. Tầng neo chứng cứ nguyên bản (Passage Grounding Layer): Lưu trữ các đoạn văn bản gốc và liên kết chúng với các thực thể trong đồ thị để bảo đảm tính khả kiểm. MemWeaver sử dụng chiến lược truy xuất kênh đôi (dual-channel retrieval), đồng thời kéo về tri thức cấu trúc và chứng cứ bổ trợ để tạo nên ngữ cảnh cô đọng nhưng giàu thông tin. Trên benchmark LoCoMo, MemWeaver giảm hơn 95% độ dài ngữ cảnh đầu vào so với các mô hình baseline ngữ cảnh dài mà vẫn nâng cao đáng kể độ chính xác lập luận. • Ưu Điểm: 1. Cắt giảm 95% chi phí ngữ cảnh đầu vào, tiết kiệm chi phí gọi API và tăng tốc độ suy luận của tác tử. 2. Bảo toàn tính khả kiểm và mốc thời gian của từng dữ kiện, loại bỏ hiện tượng mâu thuẫn thời gian trong nghiên cứu dài hạn. • Nhược Điểm và Giới Hạn: 1. Chi phí duy trì và đồng bộ hóa ba tầng dữ liệu (đồ thị, trải nghiệm, đoạn trích) đòi hỏi logic quản lý phức tạp. 2. Việc chắt lọc bài học kinh nghiệm cần ngưỡng chứng cứ khắt khe để tránh đưa định kiến sai lệch vào tầng trải nghiệm.
• URL Gốc: https://arxiv.org/abs/2607.04617 • Ngày Công Bố: 2026-07-06 • Tác Giả: Jizhizi Li, Amy Shi-Nash • Trích Dẫn Chuẩn APA 7: Li, J., & Shi-Nash, A. (2026). MRMS: A multi-resolution memory substrate for long-lived AI agents. arXiv preprint arXiv:2607.04617. https://doi.org/10.48550/arXiv.2607.04617 • Phân Tích Chi Tiết: Tác tử tồn tại lâu dài đòi hỏi sự liên tục nhận thức mà không thể giải quyết bằng việc mở rộng cửa sổ ngữ cảnh đơn thuần. Bài toán cốt lõi là mâu thuẫn giữa tính ổn định và tính mềm dẻo (stability-plasticity tension): tác tử phải đủ linh hoạt để tiếp thu chứng cứ mới nhưng cũng phải đủ vững chãi để không viết lại toàn bộ tri thức sau mỗi phiên làm việc. MRMS đề xuất một cơ tầng kiến trúc tổ chức bộ nhớ trên hai trục trực giao: 1. Trục biểu diễn (Representational axis): Xác định cách mã hóa bộ nhớ dưới dạng bản ghi có cấu trúc (quản lý tính hợp lệ và thẩm quyền), biểu diễn vector (hỗ trợ gợi nhớ ngữ nghĩa), và đồ thị quan hệ (xét xử tính tương thích, mâu thuẫn và thay thế trước khi chiếu vào ngữ cảnh). 2. Trục thời gian (Temporal axis): Điều phối mức độ ảnh hưởng của bộ nhớ từ vết tương tác ngắn hạn, trừu tượng hóa phiên trung hạn, đến các cam kết ngữ nghĩa dài hạn. MRMS thiết lập cơ chế đồng bộ hóa bất biến và chiếu ngữ cảnh có nhận biết ranh giới (boundary-aware context projection), phân tách rõ ràng giữa tri thức cá nhân hóa của người dùng và chứng cứ bên ngoài. • Ưu Điểm: 1. Giải quyết triệt để vấn đề xung đột thông tin và ngăn ngừa hiện tượng tri thức cũ lấn át chứng cứ mới cập nhật. 2. Kiểm soát chặt chẽ thẩm quyền truy cập và ranh giới thông tin giữa các tác tử và người dùng khác nhau. • Nhược Điểm và Giới Hạn: 1. Cơ chế đối soát ba tầng (bản ghi, vector, đồ thị) làm tăng độ trễ truy xuất trước mỗi chu kỳ tạo sinh. 2. Cần cấu hình chính sách thời gian (temporal policy) tỉ mỉ cho từng loại dữ liệu để tránh xóa nhầm thông tin quan trọng.
• URL Gốc: https://arxiv.org/abs/2606.06036 • Ngày Công Bố: 2026-06-04 • Tác Giả: Shuo Ji, Yibo Li, Bryan Hooi (National University of Singapore) • Trích Dẫn Chuẩn APA 7: Ji, S., Li, Y., & Hooi, B. (2026). Memory is reconstructed, not retrieved: Graph memory for LLM agents. arXiv preprint arXiv:2606.06036. https://doi.org/10.48550/arXiv.2606.06036 • Phân Tích Chi Tiết: Mặc dù các mô hình LLM có năng lực suy luận mạnh mẽ, chúng gặp khó khăn lớn trong việc xử lý lịch sử tương tác dài hạn do mô hình truy xuất truyền thống bám chặt vào quy trình cứng nhắc: "truy xuất trước rồi mới lập luận" (retrieve-then-reason). Quy trình này ngăn cản tác tử điều chỉnh chiến lược tìm kiếm dựa trên các manh mối trung gian tìm thấy trong quá trình suy luận. Công trình đề xuất khung MRAgent, chuyển đổi mô hình từ truy xuất tĩnh sang tái thiết lập bộ nhớ chủ động và liên tưởng. MRAgent xây dựng đồ thị bộ nhớ Manh mối - Nhãn - Nội dung (Cue-Tag-Content graph), trong đó các nhãn liên tưởng đóng vai trò cầu nối ngữ nghĩa giữa manh mối chi tiết và nội dung bộ nhớ. Cơ chế tái thiết lập chủ động tích hợp trực tiếp khả năng suy luận của LLM vào khâu duyệt bộ nhớ, cho phép tác tử duyệt qua nhiều đường dẫn ứng viên, cắt tỉa các nhánh không liên quan dựa trên chứng cứ trung gian và chỉ mở rộng các nút có lượng thông tin gia tăng cao nhất. Kết quả thử nghiệm trên LoCoMo và LongMemEval ghi nhận mức tăng độ chính xác lên tới 23% đồng thời giảm thiểu đáng kể chi phí token và thời gian chạy. • Ưu Điểm: 1. Tối ưu hóa đường dẫn tìm kiếm tri thức: Tránh bùng nổ tổ hợp khi duyệt đồ thị nhờ cắt tỉa thông minh bằng LLM. 2. Cho phép tác tử linh hoạt xoay chuyển hướng điều tra khi phát hiện dữ kiện bất ngờ trong quá trình nghiên cứu. • Nhược Điểm và Giới Hạn: 1. Đòi hỏi việc gán nhãn liên tưởng (tags) chuẩn xác ngay từ khâu lưu trữ ban đầu để làm cầu nối dẫn đường. 2. Việc gọi LLM để đánh giá thông tin gia tăng ở mỗi bước cắt tỉa có thể tạo ra chi phí phụ trợ nếu không được quản lý tốt.
• URL Kho Lưu Trữ: https://github.com/Alibaba-NLP/DeepResearch • Mô Tả: Hệ sinh thái tác tử nghiên cứu sâu toàn diện của Alibaba Tongyi Lab, quy tụ các mô hình và framework hàng đầu về duyệt web tự trị, tương tác đa phương thức, lập luận tăng cường và tổng hợp báo cáo chuyên sâu. • Công Cụ Khảo Sát: Graft phiên bản 0.16.0 (Phân tích AST). • Ước Tính Token Tiết Kiệm: Hệ thống Graft đã loại trừ 269,918 token rác (tiết kiệm 100%) bằng cách lập bản đồ 174 tệp mã nguồn chuyên sâu chỉ với 799 token đầu ra.
Bản đồ phân tích xác định 174 tệp tin, 1091 biểu tượng và 3293 liên kết điều hướng: 1. Phân Vùng Tác Tử Thị Giác và Tìm Kiếm Đa Phương Thức (WebAgent/WebWatcher: 68 tệp, 495 biểu tượng): • Điểm tập trung cốt lõi (Hubs): Lớp Message trong schema.py (42 liên kết hướng vào), lớp BaseTool trong base.py (30 liên kết hướng vào), và hàm đăng ký công cụ register_tool (28 liên kết). • Chức năng: Đảm nhiệm việc tiếp nhận hình ảnh màn hình, trang web, chuyển đổi các phần tử DOM thành cấu trúc dữ liệu thị giác cho mô hình ngôn ngữ thị giác (VLM) phục vụ tra cứu giao diện web thực tế. 2. Phân Vùng Dàn Ý và Sinh Báo Cáo Chuyên Sâu (WebAgent/WebWeaver: 43 tệp, 244 biểu tượng): • Điểm tập trung cốt lõi (Hubs): Lớp BaseRequest trong client.py (16 liên kết), phương thức get_api_name (16 liên kết), và get_file_param_dict (16 liên kết). • Chức năng: Điều phối luồng lập dàn ý (react_agent_outline_write.py), tìm kiếm đa chặng theo định danh (react_agent_search_id.py) và tạo sinh bài viết nghiên cứu hoàn chỉnh dựa trên nguồn dữ liệu trích xuất. 3. Phân Vùng Khung Thực Thi và Phân Tích Tệp Đa Định Dạng (inference/: 13 tệp, 144 biểu tượng): • Điểm tập trung cốt lõi (Hubs): Hàm làm sạch văn bản clean_text trong file_parser.py, lấy tên tệp get_basename_from_url và in vết lỗi print_traceback trong utils.py. • Chức năng: Hỗ trợ phân tích tài liệu PDF, phân tích video (video_agent.py, video_analysis.py), thực thi mã Python (tool_python.py) và truy vấn học thuật học giả (tool_scholar.py). 4. Phân Vùng Duyệt Web Tự Trị và Giao Diện Trực Quan (WebAgent/WebDancer: 17 tệp, 65 biểu tượng): • Cung cấp giao diện web UI và hệ thống công cụ duyệt web độc lập phục vụ tìm kiếm thông tin tự trị. 5. Phân Vùng Điều Hướng Lập Luận và RAG Cấu Trúc (WebAgent/WebWalker & WebAgent/WebSailor: 12 tệp, 57 biểu tượng): • WebWalker phụ trách duyệt đồ thị trang web và hệ thống RAG cấu trúc. • WebSailor dẫn đường lập luận vượt bậc qua quy trình multi-react (run_multi_react.py). 6. Phân Vùng Phân Nhánh Độ Bất Định và Nén Lập Luận (WebAgent/ParallelMuse & WebAgent/WebResummer: 10 tệp, 41 biểu tượng): • ParallelMuse chứa hàm branch_high_uncertainty_steps cho phép phân nhánh khám phá khi gặp các bước có độ không chắc chắn cao và tổng hợp lập luận nén qua call_converge. • WebResummer thực hiện cô đọng và tóm tắt hội thoại nhiều vòng, chống tràn ngữ cảnh. 7. Phân Vùng Duyệt Web Lồng Nhau và MCP (WebAgent/NestBrowse & WebAgent/AgentFold: 8 tệp, 23 biểu tượng): • NestBrowse hỗ trợ duyệt web lồng nhau đa cấp qua giao thức Model Context Protocol (mcp_client.py).
Dựa trên năm công trình học thuật mới nhất và khảo sát mã nguồn mở Alibaba DeepResearch, phòng R&D đề xuất các định hướng nâng cấp sau cho chuẩn ARS 4.0.0: 1. Tích Hợp Đồ Thị Bộ Nhớ Ba Tầng MemWeaver Vào Kho Lưu Trữ Tri Thức: • Tổ chức lại tri thức trong shared/intelligence/vault theo ba tầng rõ rệt: Đồ thị tri thức có gắn mốc thời gian tuyệt đối (Temporally Grounded Graph), sổ cái bài học kinh nghiệm (Experience Ledger) và vết chứng cứ nguyên bản (Passage Store). • Giảm thiểu việc đưa toàn bộ văn bản thô vào ngữ cảnh, thay thế bằng truy xuất kênh đôi để cắt giảm 90% token tiêu thụ. 2. Áp Dụng Cơ Tầng Đa Độ Phân Giải MRMS Để Chống Xung Đột Trạng Thái: • Thiết lập chính sách kiểm soát ranh giới dữ liệu giữa các phiên làm việc của tác tử. • Sử dụng đồ thị quan hệ để tự động phát hiện và đánh dấu các tri thức bị thay thế (superseded) hoặc mâu thuẫn (contradicted). 3. Đưa Cơ Chế Tái Thiết Lập Chủ Động (MRAgent) Vào Quy Trình Truy Vết Bằng Chứng: • Thay thế việc tìm kiếm tương đồng vector đơn thuần bằng cơ chế duyệt đồ thị Cue-Tag-Content có sự dẫn đường của suy luận LLM. • Cho phép tác tử chủ động cắt tỉa các nhánh tìm kiếm không hiệu quả trước khi đi sâu vào chi tiết tài liệu. 4. Chuẩn Hóa Kiểm Toán Quy Trình Và Tiêu Chí Chấm Điểm Động (DuMate Pattern): • Bổ sung module sinh tiêu chí chấm điểm tự động (Rubric Generator) vào khâu phản biện Grill-QA để đánh giá độ sâu của báo cáo nghiên cứu trước khi chuyển giao cho CEO. • Bắt buộc ghi nhận vết thực thi đệ quy cho mọi phiên tìm kiếm sâu. 5. Mô Hình Đồng Tiến Hóa Nhận Thức Kép (MARS Pattern): • Phân công rõ vai trò giữa tác tử đọc nhanh chắt lọc bằng chứng (Evidence Collector) và tác tử lập luận cấu trúc (Synthesizer / Idea Contract Drafter), ngăn chặn hiện tượng quá tải nhận thức.
Phòng R&D bàn giao toàn bộ tài liệu và dữ liệu bằng chứng ngày 2026-09-25 cho Subc để triển khai Giai đoạn 2 (Soạn thảo Idea Contract V1): 1. Hồ Sơ Bàn Giao: • Tệp báo cáo công nghệ: shared/intelligence/tech_daily/2026-09-25.md • Dữ liệu bằng chứng thô: profiles/r-and-d/raw_evidence/evidence_tech_20260925.json • Bản đồ kiến trúc Alibaba DeepResearch bằng Graft: profiles/r-and-d/raw_evidence/alibaba_deepresearch_map.txt 2. Trọng Tâm Soạn Thảo Idea Contract: • Tên đề xuất: IC-2026-09-25-TECH-MEMWEAVER-MRMS-INTEGRATION • Domain: Group-B3-Tech (Research Infrastructure Upgrade) • Mục tiêu: Nâng cấp kiến trúc bộ nhớ và cơ chế kiểm toán quy trình nghiên cứu sâu ARS 4.0.0 kết hợp các mô hình MemWeaver, MRMS và DuMate.