Bài viết: Phương pháp tiếp cận có hệ thống đối với bộ nhớ, tri thức và ngữ cảnh trong các kiến trúc AI tác tử (Agentic AI)

Trang chủ InfoQ Bài viết Tiếp cận mang tính hệ thống đối với bộ nhớ, tri thức và ngữ cảnh trong các kiến trúc AI tác tử (Agentic AI) Kiến trúc & Thiết kế Tiếp cận mang tính hệ thống đối với bộ nhớ, tri thức và ngữ cảnh trong các kiến trúc AI tác tử (Agentic AI) Ngày 02/11/2026 Thời gian đọc: 16 phút Tác giả: Adi Polak Kiểm duyệt bởi: Rafał Gancarz Theo dõi chúng tôi trên Youtube: 232.000 người theo dõi Linkedin: 26.000 người theo dõi Instagram: Mới RSS: 19.000 độc giả X: 57.100 người theo dõi Facebook: 21.000 lượt thích Bluesky: Mới Nghe bài viết này - 0:00 Tệp âm thanh đã sẵn sàng phát Trình duyệt không hỗ trợ phát âm thanh. 0:00 0:00 Bình thường 1,25x 1,5x Thích Danh sách bài đọc Những nội dung cốt lõi Kỹ nghệ ngữ cảnh (context engineering) vượt trội hơn kỹ nghệ câu lệnh (prompt engineering) - hệ thống thiết lập ngữ cảnh đóng vai trò quan trọng hơn bản thân câu lệnh prompt. Tách biệt ngữ cảnh, bộ nhớ và tri thức - mỗi yếu tố phục vụ một mục đích riêng biệt và cần được quản trị độc lập. Cân bằng dữ liệu lịch sử với dữ liệu thời gian thực - các tác tử ưu việt kết hợp hiệu quả giữa kinh nghiệm tích lũy và tín hiệu trực tiếp. Hiện tượng ảo giác (hallucination) thường xuất phát từ sự thiếu hụt ngữ cảnh - ngữ cảnh được tối ưu hóa sẽ mang lại năng lực suy luận đáng tin cậy hơn. Tối ưu hóa ngữ cảnh, không mở rộng tối đa - ngữ cảnh tinh gọn, trúng đích đem lại hiệu quả cao hơn các câu lệnh prompt dài dòng, nhiều nhiễu hạt. Bài viết này nằm trong chuỗi chuyên đề "Kiến trúc AI tác tử" (Agentic AI Architecture). Trong chuỗi nội dung này, mục tiêu hướng tới là định hình kiến trúc AI tác tử như một phân nhánh kiến trúc phần mềm mới, có khả năng dẫn dắt toàn ngành công nghệ trong nhiều năm tới. Được biên soạn bởi các chuyên gia trong ngành, các bài viết bao hàm đa dạng khía cạnh và thành tố của kiến trúc AI tác tử, nhằm phản ánh những xu hướng và bước tiến mới nhất đang định hình loại hình kiến trúc này khi bước vào giai đoạn phổ quát hóa. Khi ngành công nghệ chuyển dịch từ các ứng dụng chatbot sang các tác tử tự vận hành (autonomous agents), điểm nghẽn kiến trúc cũng dịch chuyển theo. Bài toán phức tạp hiện nay không còn đơn thuần là truy xuất dữ liệu, mà nằm ở việc xác định tác tử cần biết điều gì, nắm bắt thông tin vào thời điểm nào, duy trì ghi nhớ trong bao lâu và những nội dung nào cần loại bỏ. Tương tự như con người, việc sở hữu tri thức và việc ghi nhớ để sử dụng là hai phương diện khác nhau; từ đó hình thành nên khái niệm bộ nhớ và tri thức. Khả năng quyết định thời điểm đưa một tri thức sẵn có vào bộ nhớ để sử dụng hoàn toàn phụ thuộc vào ngữ cảnh của tác vụ. Đơn cử, khi chế biến món trứng cuộn, người thực hiện không nhất thiết phải nhớ lại kỹ thuật nhào bột vào thời điểm đó. Dưới đây là nội dung phân tích chi tiết. Nhà tài trợ liên quan Các tác tử (agent) phải có khả năng suy luận trên nhiều công cụ, phiên làm việc, người dùng và các hệ thống vận hành thực tế, khi trong một hệ thống kỹ thuật, ngữ cảnh (context) có thể được định nghĩa như một mặt phẳng điều khiển (control plane). Ngữ cảnh với vai trò mặt phẳng điều khiển là một mô hình kiến trúc, trong đó dữ liệu tổ chức, hành vi và tình huống (ai, cái gì và tại sao) đóng vai trò là tầng quản trị tập trung cho các hoạt động của hệ thống, thay vì được mã hóa cứng trực tiếp vào từng ứng dụng, mô hình AI hay dịch vụ vi mô (microservice). Điều này sẽ quyết định khả năng hoạt động của một tác tử như một hệ thống phần mềm đáng tin cậy. Việc cung cấp sai ngữ cảnh sẽ làm tăng đáng kể nguy cơ xuất hiện ảo giác (hallucination) ở mô hình. Tri thức (knowledge) của hệ thống bao gồm các chính sách, quy chế quản trị và dữ liệu thực tế bất biến. Tri thức đóng vai trò như tài liệu chuẩn mực của hệ thống, chứa đựng logic nghiệp vụ cốt lõi, các quy định nghiêm ngặt và cơ sở dữ liệu. Trở lại ví dụ về món trứng tráng, tri thức bao gồm điều kiện tiên quyết là cần có trứng và chảo. Bộ nhớ (memory) là tầng then chốt kết nối dữ liệu lịch sử và các tín hiệu thời gian thực thành trạng thái sẵn sàng cho việc suy luận. Nội dung cần ghi nhớ cho nhiệm vụ hiện tại thường là thông tin được tổng hợp từ tri thức, dữ liệu lịch sử và các sự kiện đang diễn ra trong thời gian thực. Tóm tắt ba thành phần cốt lõi: Ngữ cảnh (Context) - thông tin tức thời, đang hoạt động và mang tính tạm thời mà tác tử sử dụng tại một thời điểm nhất định. Thành phần này nằm trực tiếp trong cửa sổ ngữ cảnh đang hoạt động của mô hình (tương tự như bộ nhớ RAM của máy tính). Bộ nhớ (Memory) - bảo đảm tính lưu trữ lâu dài. Bộ nhớ cho phép tác tử giữ lại thông tin sau một phiên tương tác đơn lẻ, từ đó có thể học hỏi từ các trải nghiệm trong quá khứ và thích ứng dần với người dùng theo thời gian. Tri thức (Knowledge) - nền tảng cơ sở của các sự thật, khái niệm và quy tắc mà tác tử vốn có trước khi tương tác với người dùng. Đây là dữ liệu chuyên ngành dùng để huấn luyện hoặc tinh chỉnh hệ thống, hoặc là thư viện tham chiếu được cấp quyền truy cập; bao gồm các nguồn dữ liệu được kiểm duyệt kỹ lưỡng. Mục tiêu trong các hệ thống tác tử là chuyển đổi dữ liệu thành trạng thái bộ nhớ phù hợp vào đúng thời điểm, dựa trên ngữ cảnh nhiệm vụ, tri thức hệ thống và bộ nhớ sẵn có. Bên cạnh đó, mô hình kiến trúc động này vẫn tồn tại những hạn chế nhất định; do đó, cần giải quyết một cách có hệ thống bài toán chi phí kinh tế phát sinh từ giới hạn của các mô hình ngôn ngữ lớn (LLM), cùng các nguyên nhân kỹ thuật và kiến trúc dẫn đến hiện tượng ảo giác. Đối với các kỹ sư phát triển và kiến trúc sư hệ thống, việc nhận diện để phòng tránh các sai sót phổ biến trong quản trị hệ thống tác tử là yêu cầu cấp thiết, nhằm thiết kế kiến trúc đa tầng tối ưu cho thế hệ AI tác tử tin cậy tiếp theo. Chuyển đổi sang Công cụ Ngữ cảnh (Context Engine) Hiệu quả của mô hình LLM phụ thuộc hoàn toàn vào phương thức ứng dụng. Trong khi mô hình thực hiện việc tạo nội dung, hệ thống xung quanh sẽ quyết định dữ liệu đầu vào. Nhằm ngăn ngừa hiện tượng ảo giác, cần xây dựng một hệ thống tin cậy bao quanh mô hình, tận dụng tối đa ngữ cảnh, tri thức và bộ nhớ. Để thiết kế kiến trúc hệ thống, mô hình sẽ được tách biệt khỏi các cơ chế phụ trợ xung quanh. Toàn bộ cơ chế vận hành này được gọi là công cụ ngữ cảnh (context engine). Công cụ ngữ cảnh là một phần của mặt phẳng điều khiển ngữ cảnh, đóng vai trò điều phối trong việc lựa chọn, lọc, xếp hạng, cấu trúc hóa, nén, bảo đảm an toàn và truyền tải thông tin trước khi dữ liệu được chuyển đến điểm cuối suy luận của LLM. Hệ thống này thu thập