Tài liệu này tổng hợp các đột phá học thuật và mã nguồn mở mới nhất trong ngày 29 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. E-mem: Tái Thiết Lập Ngữ Cảnh Phân Tập Dựa Trên Đa Tác Tử Cho Bộ Nhớ LLM Agent (E-mem: Multi-Agent Based Episodic Context Reconstruction for LLM Agent Memory): Đề xuất khung E-mem dịch chuyển từ tiền xử lý bộ nhớ sang tái thiết lập ngữ cảnh phân tập, lấy cảm hứng từ cấu trúc engram sinh học nhằm ngăn ngừa tổn thất phân rã ngữ cảnh trong tư duy System 2 (arXiv:2601.21714). 2. LEGOMem: Bộ Nhớ Thủ Tục Mô-đun Cho Hệ Đa Tác Tử LLM Trong Tự Động Hóa Quy Trình (LEGOMem: Modular Procedural Memory for Multi-agent LLM Systems for Workflow Automation): Phân tách các quỹ đạo tác vụ thành các đơn vị bộ nhớ thủ tục tái sử dụng được, phân bổ linh hoạt giữa Orchestrator và Task Agents, giúp giảm tới 16.2% tỷ lệ lỗi thực thi (arXiv:2510.04851). 3. MIRIX: Hệ Thống Bộ Nhớ Đa Tác Tử Cho LLM Agent (MIRIX: Multi-Agent Memory System for LLM-Based Agents): Thiết lập kiến trúc gồm 6 dạng bộ nhớ chuyên biệt (Core, Episodic, Semantic, Procedural, Resource Memory, Knowledge Vault) với bộ điều phối đa tác tử định tuyến truy xuất và cập nhật linh hoạt (arXiv:2507.07957). 4. Nghiên Cứu Sâu Đa Tác Tử: Huấn Luyện Hệ Thống Đa Tác Tử Với M-GRPO (Multi-Agent Deep Research: Training Multi-Agent Systems with M-GRPO): Khung tối ưu hóa chính sách tương đối nhóm đa tác tử (Multi-Agent Group Relative Policy Optimization), huấn luyện chuyên biệt hóa các mô hình LLM riêng lẻ cho từng vai trò thay vì dùng mô hình đơn khối (arXiv:2511.13288). 5. Tác Tử Nghiên Cứu Sâu: Khảo Sát Hệ Thống và Lộ Trình Phát Triển (Deep Research Agents: A Systematic Examination and Roadmap): Phân loại toàn diện kiến trúc tác tử nghiên cứu sâu từ suy luận động, lập kế hoạch dài hạn, truy xuất đa chặng đến tổng hợp báo cáo (arXiv:2506.18096). 6. Khảo sát mã nguồn mở Microsoft LEGOMem (frederickhoffman/legomem): Triển khai tham chiếu bộ nhớ thủ tục mô đun phân tách giữa Core Orchestrator và Vector Store, được phân tích bằng công cụ Graft với hơn 10,000 token được tối ưu hóa.
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/2601.21714 • Ngày Công Bố: 2026-01-29 • Tác Giả: Kaixiang Wang, Yidan Lin, Zihan Wang, Bunyod Suvonov, Zhaojiacheng Zhou, Yuxiang Zheng, Jiaxi Cao, Zhiheng Dong, Chentao Wu, Jiong Lou, Jie Li (Shanghai Jiao Tong University) • Trích Dẫn Chuẩn APA 7: Wang, K., Lin, Y., Wang, Z., Suvonov, B., Zhou, Z., Zheng, Y., Cao, J., Dong, Z., Wu, C., Lou, J., & Li, J. (2026). E-mem: Multi-agent based episodic context reconstruction for LLM agent memory. arXiv preprint arXiv:2601.21714. https://doi.org/10.48550/arXiv.2601.21714 • Phân Tích Chi Tiết: Sự tiến hóa của tác tử LLM hướng tới tư duy System 2 (lập luận suy xét, độ chính xác cao) đòi hỏi duy trì tính toàn vẹn logic nghiêm ngặt trên chặng dài. Tuy nhiên, các mô hình tiền xử lý bộ nhớ hiện hành nén chuỗi tương tác vào các cấu trúc định sẵn làm mất mát ngữ cảnh nguyên bản (destructive de-contextualization). E-mem giải quyết bài toán này thông qua: 1. Kiến trúc phân tầng không đồng nhất (Heterogeneous hierarchical architecture): Các tác tử phụ trợ (assistant agents) duy trì ngữ cảnh phân tập không bị nén, trong khi tác tử chủ quản (master agent) thực thi lập kế hoạch toàn cục. 2. Tái tạo ngữ cảnh phân tập theo nhu cầu (Context Reconstruction): Lấy cảm hứng từ cơ chế engram sinh học, thông tin được tái cấu trúc nguyên bản tại thời điểm cần thiết thay vì nén sớm. • Ưu Điểm: 1. Bảo toàn nguyên vẹn tính logic và phụ thuộc thời gian giữa các bước suy luận chặng dài. 2. Phân tải hiệu quả việc quản lý ngữ cảnh cho các tác tử phụ trợ chuyên trách. • Nhược Điểm và Giới Hạn: 1. Duy trì ngữ cảnh không nén làm tăng lượng token tiêu thụ và đòi hỏi hạ tầng lưu trữ lớn. 2. Đồng bộ hóa giữa tác tử trung tâm và các tác tử phụ đòi hỏi giao thức kiểm soát trạng thái chặt chẽ.
• URL Gốc: https://arxiv.org/abs/2510.04851 • Ngày Công Bố: 2025-10-06 • Mã Nguồn: https://github.com/frederickhoffman/legomem • Tác Giả: Dongge Han, Frederick Hoffman, và cộng sự (Microsoft Research) • Trích Dẫn Chuẩn APA 7: Han, D., Hoffman, F., et al. (2025). LEGOMem: Modular procedural memory for multi-agent LLM systems for workflow automation. arXiv preprint arXiv:2510.04851. https://doi.org/10.48550/arXiv.2510.04851 • Phân Tích Chi Tiết: Tự động hóa quy trình làm việc thường gặp phải sự cố sai sót tích lũy trong các tác vụ nhiều bước. LEGOMem khắc phục điều này bằng cách xây dựng hệ thống bộ nhớ thủ tục có cấu trúc dạng khối (LEGO): 1. Phân rã quỹ đạo thành các đơn vị bộ nhớ độc lập: Trích xuất các quy trình thành công toàn phần (full-task) và từng phần (subtask) thành các đơn vị bộ nhớ độc lập. 2. Phân bổ bộ nhớ theo vai trò: Phân phối các đơn vị thủ tục phù hợp cho cả Orchestrator (để lập kế hoạch) và Task Agents (để thực thi chi tiết). 3. Đạt mức giảm 16.2% số bước thực thi thừa và cải thiện 12 đến 13 điểm tuyệt đối trên bộ kiểm chuẩn OfficeBench. • Ưu Điểm: 1. Cung cấp hướng dẫn thủ tục chính xác cho tác tử mà không cần sinh thêm các bước suy luận trung gian tốn kém. 2. Phù hợp cho việc chuẩn hóa các quy trình nghiên cứu có tính lặp lại cao. • Nhược Điểm và Giới Hạn: 1. Đòi hỏi giai đoạn quản lý và chọn lọc bộ nhớ ngoại tuyến (offline curation) chất lượng cao. 2. Nguy cơ gây nhiễu ngữ cảnh nếu truy xuất nhầm đơn vị thủ tục không phù hợp.
• URL Gốc: https://arxiv.org/abs/2507.07957 • Ngày Công Bố: 2025-07-10 • Tác Giả: Yu Wang, Xi Chen, Julian McAuley (UC San Diego) • Trích Dẫn Chuẩn APA 7: Wang, Y., Chen, X., & McAuley, J. (2025). MIRIX: Multi-agent memory system for LLM-based agents. arXiv preprint arXiv:2507.07957. https://doi.org/10.48550/arXiv.2507.07957 • Phân Tích Chi Tiết: Đa số các giải pháp bộ nhớ hiện nay dựa vào các thành phần phẳng, phạm vi hẹp khiến tác tử khó cá nhân hóa và hồi tưởng thông tin trừu tượng. MIRIX thiết lập khung phân loại toàn diện gồm 6 loại bộ nhớ: 1. Hệ thống 6 loại bộ nhớ: Core Memory (thông tin cốt lõi), Episodic Memory (ký ức sự kiện), Semantic Memory (tri thức ngữ nghĩa), Procedural Memory (kỹ năng, quy trình), Resource Memory (tài nguyên hệ thống), và Knowledge Vault (kho tri thức sâu). 2. Tác tử điều phối bộ nhớ (Memory Agent): Đảm nhiệm việc định tuyến truy xuất và cập nhật tự động giữa các khối bộ nhớ thay vì nhồi nhét vào một cửa sổ ngữ cảnh đơn lẻ. • Ưu Điểm: 1. Cung cấp kiến trúc tham chiếu hoàn chỉnh cho việc quản trị tri thức dài hạn của tác tử. 2. Tách bạch rõ ràng giữa tri thức tĩnh (Knowledge Vault) và ký ức động (Episodic/Semantic). • Nhược Điểm và Giới Hạn: 1. Độ phức tạp kỹ thuật cao khi phải duy trì và đồng bộ hóa 6 khối dữ liệu đồng thời. 2. Chi phí định tuyến truy xuất tăng khi kho dữ liệu mở rộng.
• URL Gốc: https://arxiv.org/abs/2511.13288 • Ngày Công Bố: 2025-11-17 • Tác Giả: Haoyang Hong, Jiajun Yin, Yuan Wang, Jingnan Liu, Zhe Chen, Ailing Yu, Ji Li, Zhiling Ye, Hansong Xiao, Yefei Chen, Hualei Zhou, Yun Yue, Minghui Yang, Chunxiao Guo, Junwei Liu, Peng Wei, Jinjie Gu • Trích Dẫn Chuẩn APA 7: Hong, H., Yin, J., Wang, Y., Liu, J., Chen, Z., Yu, A., Li, J., Ye, Z., Xiao, H., Chen, Y., Zhou, H., Yue, Y., Yang, M., Guo, C., Liu, J., Wei, P., & Gu, J. (2025). Multi-agent deep research: Training multi-agent systems with M-GRPO. arXiv preprint arXiv:2511.13288. https://doi.org/10.48550/arXiv.2511.13288 • Phân Tích Chi Tiết: Các phương pháp hiện nay thường sử dụng một mô hình nền tảng duy nhất cho mọi tác tử trong hệ thống, dẫn đến việc thiếu sự chuyên biệt hóa sâu cho các tác vụ nghiên cứu phức tạp. Nhóm tác giả đề xuất: 1. Thuật toán M-GRPO (Multi-Agent Group Relative Policy Optimization): Tối ưu hóa chính sách phân tán cho các hệ thống đa tác tử có cấu trúc phân tầng (vertical multi-agent systems). 2. Chuyên biệt hóa mô hình theo vai trò: Huấn luyện các mô hình LLM riêng biệt tương ứng với từng vai trò tác tử chuyên trách (Planner, Researcher, Verifier). • Ưu Điểm: 1. Nâng cao vượt bậc độ chính xác trong các tác vụ nghiên cứu sâu chuyên biệt. 2. Khắc phục sự bất ổn định khi tối ưu hóa đồng thời nhiều tác tử với các mục tiêu phân phối khác nhau. • Nhược Điểm và Giới Hạn: 1. Đòi hỏi tài nguyên tính toán lớn để lưu trữ và vận hành đồng thời nhiều mô hình chuyên biệt. 2. Quá trình gán nhãn phần thưởng cho từng tác tử trong chuỗi phối hợp rất phức tạp.
• URL Gốc: https://arxiv.org/abs/2506.18096 • Ngày Công Bố: 2025-06-22 (Cập nhật 2025-09-03) • Tác Giả: Yuxuan Huang, và cộng sự • Trích Dẫn Chuẩn APA 7: Huang, Y., et al. (2025). Deep research agents: A systematic examination and roadmap. arXiv preprint arXiv:2506.18096. https://doi.org/10.48550/arXiv.2506.18096 • Phân Tích Chi Tiết: Bài viết cung cấp bức tranh toàn cảnh và phân loại hệ thống về thế hệ tác tử nghiên cứu sâu (Deep Research Agents): 1. Bốn trụ cột chức năng: Suy luận động (Dynamic reasoning), lập kế hoạch thích ứng chặng dài (Long-horizon planning), truy xuất thông tin đa chặng (Multi-hop retrieval), và sinh báo cáo có cấu trúc phân tích chuyên sâu. 2. So sánh quy trình Tĩnh (Static Workflows) và Động (Dynamic Workflows): Phân tích sự chuyển dịch từ các đường ống cứng nhắc sang các mô hình tác tử tự sửa đổi hướng đi (self-correcting) và phân nhánh linh hoạt. • Ưu Điểm: 1. Cung cấp khung đánh giá và tiêu chuẩn hóa toàn diện cho việc thiết kế pipeline nghiên cứu. 2. Xác định rõ các điểm nghẽn hiện tại trong việc đánh giá báo cáo khoa học dài hạn. • Nhược Điểm và Giới Hạn: 1. Mang tính chất khảo sát tổng quan và định hướng, không đề xuất thuật toán mới trực tiếp. 2. Đòi hỏi cộng đồng thiết lập các bộ benchmark tiêu chuẩn hơn cho nghiên cứu sâu.
• URL Kho Lưu Trữ: https://github.com/frederickhoffman/legomem
• Mô Tả: Mã nguồn triển khai kiến trúc bộ nhớ thủ tục mô đun (Modular Procedural Memory) cho hệ thống đa tác tử theo công trình của Microsoft Research (arXiv:2510.04851). Dự án phân tách rõ ràng giữa lớp điều phối tác tử (Core), lớp quản lý vector (Memory), và hệ thống đánh giá tự động (Eval) tích hợp LangSmith và Weights & Biases.
• Công Cụ Khảo Sát: Graft phiên bản 0.16.0 (Phân tích tĩnh đồ thị cú pháp trừu tượng AST, 0 USD phí LLM).
• Ước Tính Token Tiết Kiệm: Hệ thống Graft đã loại trừ 10,668 token dư thừa (tiết kiệm 94% chi phí đọc trực tiếp) thông qua graft map (8,051 token) và graft callers (2,617 token).
Bản đồ phân tích xác định 21 tệp tin, 52 biểu tượng và 156 liên kết điều hướng: 1. Phân Vùng Quản Lý Bộ Nhớ (legomem/memory/): • 4 tệp tin, 16 biểu tượng. • Điểm tập trung cốt lõi (Hubs): • Lớp VectorStore (vector_store.py, 3 liên kết hướng vào): Lưu trữ và quản lý embedding cho các đơn vị bộ nhớ thủ tục. • Phương thức _get_embedding (vector_store.py, 2 liên kết hướng vào): Trích xuất vector đại diện cho ngữ cảnh tác vụ. • Phương thức load (vector_store.py, 2 liên kết hướng vào): Tải cơ sở dữ liệu bộ nhớ đã được chọn lọc sẵn. 2. Phân Vùng Lõi Điều Phối Tác Tử (legomem/core/): • 3 tệp tin, 13 biểu tượng. • Điểm tập trung cốt lõi: • Hàm create_legomem_graph (orchestrator.py, 3 liên kết hướng vào): Hàm khởi tạo đồ thị trạng thái kết nối Orchestrator với các Task Agents và kho bộ nhớ. • Lớp Orchestrator (orchestrator.py, 3 liên kết hướng vào): Tiếp nhận bài toán, truy xuất bộ nhớ thủ tục cấp cao và phân bổ nhiệm vụ con. • Lớp TaskAgent (agents.py, 1 liên kết hướng vào): Nhận hướng dẫn thủ tục chi tiết để thực thi các bước tác vụ cục bộ. 3. Phân Vùng Kiểm Định và Đánh Giá (legomem/eval/ & legomem/bench/): • 5 tệp tin, 11 biểu tượng. • Điểm tập trung cốt lõi: Phương thức _verify_success (evaluator.py, 2 liên kết hướng vào), EvaluationPipeline (evaluator.py, 2 liên kết hướng vào), load_level (datasets.py, 2 liên kết hướng vào) đánh giá độ chính xác thực thi trên OfficeBench. 4. Phân Vùng Giám Sát và Nhật Ký (legomem/monitoring/): • 2 tệp tin, 6 biểu tượng: Phương thức start_run, finish_run và log_metrics ghi nhận vết thực thi vào W&B.
Dựa trên năm công trình học thuật mới và kết quả khảo sát mã nguồn mở frederickhoffman/legomem, phòng R&D đề xuất các điểm cải tiến sau cho chuẩn ARS 4.0.0: 1. Ứng Dụng Cơ Chế Engram Tái Thiết Lập Ngữ Cảnh (E-mem Pattern): • Đối với các nghiên cứu học thuật phức tạp, hạn chế việc nén sớm ngữ cảnh qua tóm tắt; duy trì kho lưu trữ nguyên bản và sử dụng các tác tử phụ trợ truy xuất nguyên trạng khi cần phân tích sâu. 2. Chuẩn Hóa Bộ Nhớ Thủ Tục Thành Các Đơn Vị Mô-đun (LEGOMem Pattern): • Mã hóa các quy trình nghiên cứu chuẩn (thu thập ArXiv, phân tích APA 7, chạy Graft AST) thành các khối thủ tục tái sử dụng được, cung cấp trực tiếp vào ngữ cảnh của R&D mà không cần sinh thêm bước suy luận. 3. Phân Định Rõ 6 Vùng Bộ Nhớ Cho Toàn Bộ Vòng Đời Tác Tử (MIRIX Pattern): • Tách bạch dứt khoát giữa Knowledge Vault (tri thức tĩnh lưu trữ trong shared/intelligence/vault/) và Episodic Context (nhật ký thực thi từng task). 4. Huấn Luyện và Tinh Chỉnh Mô Hình Theo Hướng Chuyên Biệt Hóa Vai Trò (M-GRPO Direction): • Xem xét tinh chỉnh các prompt chuyên biệt hoặc các adapter nhỏ cho từng vai trò R&D (thu thập chứng cứ), Subc (tổng hợp kiến trúc), và Grill-QA (phản biện độc lập) thay vì sử dụng chung một hướng dẫn đồng nhất.
Phòng R&D bàn giao toàn bộ tài liệu nghiên cứu và dữ liệu bằng chứng ngày 2026-09-29 cho Subc để tiến hành Giai đoạn 2 (Soạn thảo Idea Contract V1): 1. Hồ Sơ Bàn Giao: • Báo cáo tổng hợp: shared/intelligence/tech_daily/2026-09-29.md • Bằng chứng thô có cấu trúc: profiles/r-and-d/raw_evidence/evidence_tech_ai_20260929.json • Bản đồ kiến trúc Graft của LEGOMem: profiles/r-and-d/raw_evidence/legomem_graft_map.txt 2. Trọng Tâm Soạn Thảo Idea Contract: • Tên đề xuất: IC-2026-09-29-TECH-LEGOMEM-EMEM-ARCHITECTURE • Domain: Group-B3-Tech (Research Infrastructure Upgrade) • Mục tiêu: Nâng cấp chuẩn nghiên cứu ARS 4.0.0 tích hợp bộ nhớ thủ tục mô đun (LEGOMem) và cơ chế tái cấu trúc ngữ cảnh phân tập (E-mem) nhằm tối ưu hóa độ chính xác và giảm thiểu tỷ lệ lỗi trong các chu trình nghiên cứu sâu dài hạn.