Đây là một vấn đề mà bất kỳ ai từng gỡ lỗi mã đều có thể cảm nhận được: bạn thử một thứ gì đó, nó thất bại, bạn thử lại, nó thất bại theo một cách khác, và đến lần thử thứ bảy, bạn đã quên những gì mình đã loại bỏ rồi. Bây giờ hãy tưởng tượng chu trình này diễn ra bên trong một tác nhân AI, ngoại trừ việc không quên, thì tác nhân này đang chìm ngập trong hàng ngàn token nhật ký thực thi chi tiết từ mọi lần thử trước đó.
Các nhà nghiên cứu của Meta đã tìm ra một giải pháp đơn giản nhưng hiệu quả. Thay vì cung cấp cho các tác giả mã toàn bộ lịch sử thô, họ đã chứng minh rằng các bản tóm tắt ngắn gọn, có cấu trúc về các nỗ lực trước đó có thể hướng dẫn các lần thử nghiệm tương lai hiệu quả hơn nhiều.
Ít hơn thực sự là nhiều hơn
Kết quả chính gần như trái ngược với xu hướng hiện nay, khi “nhiều dữ liệu hơn” thường là câu trả lời mặc định. Một tóm tắt ngắn gọn hai dòng về những gì tác giả mã hóa đã thử và lý do tại sao nó thất bại có thể vượt trội hơn hàng ngàn token từ nhật ký thực thi thô khi hướng dẫn bước tiếp theo của tác giả.
Cơ chế này hoạt động trên hai phương diện. Trước hết, nó giảm nhiễu ngữ cảnh, tương đương với sự suy giảm tỷ lệ tín hiệu trên nhiễu trong AI. Khi cửa sổ ngữ cảnh của một tác nhân bị lấp đầy với dữ liệu nhật ký dài dòng và lặp lại, thông tin hữu ích sẽ bị chôn vùi. Nén thông qua tóm tắt sẽ loại bỏ nhiễu và giữ lại những gì thực sự quan trọng.
Thứ hai, và có lẽ quan trọng hơn, nó ngăn chặn việc lặp lại lỗi. Nếu không có bản ghi rõ ràng về những gì đã sai, các đại lý thường mắc cùng những sai lầm lặp đi lặp lại. Một bản tóm tắt có cấu trúc hoạt động như một danh sách kiểm tra “đừng làm lại điều này”, điều này tỏ ra cực kỳ hữu ích cho việc giải quyết vấn đề theo từng bước lặp lại.
Tiếp cận này đại diện cho một sự thay đổi triết lý trong cách các nhà nghiên cứu nghĩ về việc cải thiện tác nhân. Thay vì tăng số lần thử lại hoặc bổ sung thêm tài nguyên tính toán vào vấn đề, trọng tâm chuyển sang nén bộ nhớ và tái sử dụng kinh nghiệm.
Nơi đây phù hợp với nghiên cứu tác nhân rộng hơn của Meta
Công việc này không tồn tại trong một môi trường cô lập. Nó là một phần trong nỗ lực liên tục của Meta nhằm phát triển các hệ thống tác nhân tự cải thiện, một hướng nghiên cứu đã tạo ra các khung như HyperAgents và Meta-Harness vào đầu năm 2026.
Những khuôn khổ sớm hơn đã đặt nền móng cho các hệ thống AI tự chủ có thể tinh chỉnh logic vận hành của chính chúng theo thời gian. Thách thức mà chúng liên tục gặp phải là tải nhận thức, cụ thể là làm thế nào để ngăn các tác nhân bị quá tải bởi dữ liệu lịch sử của chính chúng khi tích lũy kinh nghiệm.
Tiếp cận tóm tắt trực tiếp giải quyết điểm nghẽn đó. Agent vẫn tích lũy kinh nghiệm, nhưng hiện tại nó xử lý kinh nghiệm đó thành một dạng súc tích và có thể hành động trước khi đưa trở lại quá trình ra quyết định trong tương lai.
Điều này có nghĩa gì đối với các nhà đầu tư và bức tranh trí tuệ nhân tạo
Hiện tại, hầu hết các công ty agent lập trình đều cải thiện sản phẩm bằng cách mở rộng quy mô: nhiều tính toán hơn, nhiều lần thử lại hơn, cửa sổ ngữ cảnh dài hơn. Tất cả những điều này đều tốn kém. Nếu cách tiếp cận của Meta duy trì hiệu quả trên các ứng dụng rộng hơn, điều này cho thấy một con đường để nâng cao hiệu suất mà không cần tăng chi phí theo tỷ lệ tuyến tính.
Rủi ro, như luôn luôn xảy ra với các bài báo nghiên cứu, là các kết quả được kiểm soát không phải lúc nào cũng chuyển hóa được vào môi trường sản xuất. Các bài kiểm tra mã hóa sạch sẽ hơn so với kỹ thuật phần mềm thực tế, và chất lượng của những tóm tắt hai dòng này cực kỳ quan trọng. Một bản tóm tắt kém có thể tệ hơn là không có tóm tắt nào, gây ra các tín hiệu sai lệch thay vì hữu ích.