AutoMem: Bien Bo Nho Thanh Ky Nang Co The Huan Luyen

Trong khoa hoc nhan thuc, "metamemory" la kha nang hoc duoc cua con nguoi — biet nen ghi nho dieu gi, khi nao can truy xuat, va cach to chuc kien thuc. AutoMem, cong trinh tu Stanford (Wu, Zhu, Zhang, Wang, Yeung-Levy), dua goc nhin nay vao AI agent: bien viec quan ly bo nho thanh mot ky nang co the huan luyen doc lap.

認知科學中有個概念叫「後設記憶」（metamemory）——知道什麼該記、何時提取、如何組織。這是人類可以學會的能力。AutoMem 把這個想法帶進 AI agent：把記憶管理變成一項獨立可訓練的技能，而不是寫死的固定機制。

Diem dot pha: AutoMem thang cap thao tac he thong tap tin thanh hanh dong bo nho hang nhat (first-class memory actions), ngang hang voi cac hanh dong tac vu. Mo hinh tu quyet dinh khi nao doc/ghi tap tin bo nho, thay vi tuan theo quy tac co dinh do con nguoi thiet ke.

關鍵突破：AutoMem 把檔案系統操作提升為第一級記憶動作（和任務動作平起平坐），模型自己決定何時讀寫記憶檔案，不依賴人類預先設計的固定規則。

Kien Truc Hai Vong Lap

Vong lap cau truc (Structure Loop): Mot LLM manh xem xet toan bo quy dao thuc thi cua agent — hang nghin buoc trong cac tac vu dai han — va lap di lap lai viec sua doi cau truc bo nho. Cau truc nay bao gom prompt huong dan, schema tap tin, va tu vung hanh dong — dinh hinh cach agent tuong tac voi cac tap tin bo nho cua no.

迴圈一：結構迴圈。一個強 LLM 回顧 agent 完整執行軌跡（長任務可達數千步），迭代修正記憶結構——包括 prompt 指引、檔案格式 schema、以及記憶動作詞彙。這些結構決定了 agent 如何跟自己的記憶檔案互動。

Vong lap thuan thuc (Proficiency Loop): Tu nhieu tap thuc thi, nhung quyet dinh ghi nho dung dan cua agent duoc nhan dien va dung lam tin hieu huan luyen. Qua trinh nay tinh chinh truc tiep kha nang ghi nho cua mo hinh, khong thay doi hanh vi tac vu cua no.

迴圈二：熟練迴圈。從大量執行中，辨識出 agent 自己做對的記憶決策（何時寫入、寫什麼、何時讀取），把這些當作訓練訊號，直接精煉模型的記憶能力。過程中不碰模型的任務行為。

Hai vong lap giai quyet hai van de khac nhau: cau truc bo nho nen co hinh dang gi (vong 1), va mo hinh nen thuan thuc den dau trong viec su dung cau truc do (vong 2). Ca hai deu khong the toi uu thu cong — sai lam bo nho trong tac vu ngan buoc co the an rat lau truoc khi lo dien, khien viec con nguoi xem xet toan bo quy dao tro nen khong thuc te.

兩個迴圈解決不同問題：記憶結構該長什麼樣子（迴圈一），以及模型在使用這個結構時該有多熟練（迴圈二）。兩者都無法靠人工調優——千步任務中的一個記憶錯誤可能很久之後才浮現，人類根本無法逐軌跡審查。

Ket Qua Thuc Nghiem

AutoMem duoc kiem nghiem tren ba tro choi sinh thu tuc voi thoi gian dai: Crafter, MiniHack, va NetHack. Tat ca deu yeu cau agent duy tri muc tieu qua hang nghin buoc, dua ra quyet dinh tuan tu trong moi truong phuc tap — dieu kien ly tuong de kiem tra chien luoc bo nho.

AutoMem 在三個程序化生成的長時遊戲上測試：Crafter、MiniHack、NetHack。這些遊戲要求 agent 在數千步中維持目標、進行序列決策——正是檢驗記憶策略的理想環境。

Ket qua cot loi: Chi toi uu bo nho — khong dung den hanh vi tac vu cua mo hinh — da cai thien hieu suat agent co so tu 2 den 4 lan. Mot mo hinh mo 32B tham so, sau khi duoc huan luyen ky nang ghi nho, dat hieu suat canh tranh voi cac he thong frontier nhu Claude Opus 4.5 va Gemini 3.1 Pro Thinking.

核心結果：只最佳化記憶（不動模型任務行為），基礎 agent 效能提升 2 到 4 倍。一個 32B 參數的開源模型，在學會記憶技能後，效能可與 Claude Opus 4.5 和 Gemini 3.1 Pro Thinking 競爭。

Y Nghia Voi He Thong AI Agent Hien Tai

Hau het AI agent hien nay dung chien luoc bo nho co dinh: ghi moi thu vao ngu canh (context stuffing), hoac ghi theo quy tac cung do lap trinh vien dinh san. AutoMem chi ra rang day la lang phi co hoi: bo nho la mot chieu toi uu doc lap, va viec de mo hinh tu hoc cach quan ly no mang lai loi ich vuot troi so voi thiet ke thu cong.

目前大多數 AI agent 使用固定的記憶策略：把所有東西塞進 context，或照工程師寫死的規則記錄。AutoMem 指出這是浪費機會：記憶是一個獨立的最佳化維度，讓模型自己學怎麼管記憶，成效遠勝人工設計。

Bai hoc thuc tien cho cac he thong agent nhu Hermes, Claude Code, hay Codex: thay vi thiet ke cong cu memory voi quy tac co dinh, hay de agent quan sat quy dao cua chinh no va tu cai thien chien luoc ghi nho. Mot buoc don gian truoc mat: dinh ky xem xet cac muc memory hien co, hop nhat muc trung lap, xoa thong tin loi thoi, va tai cau truc cach to chuc.

對 Hermes、Claude Code、Codex 等 agent 系統的啟發：不要只設計固定的 memory 工具，而是讓 agent 觀察自身軌跡、自動改進記憶策略。短期內可先做的事：定期回顧現有 memory 條目、合併重複內容、刪除過時資訊、重新組織記憶結構。

Ket Luan

AutoMem chung minh mot luan diem quan trong: trong AI agent, bo nho khong phai la co so ha tang thu dong — no la mot ky nang chu dong, co the huan luyen, va la mot trong nhung don bay hieu qua nhat de cai thien hieu suat tac vu dai han. Khi cong dong dang tap trung vao mo hinh lon hon va suy luan manh hon, AutoMem nhac nho rang doi khi cau tra loi nam o cach agent ghi nho, chu khong phai cach no suy nghi.

AutoMem 證明了一個重要論點：在 AI agent 中，記憶不是被動的基礎設施——它是主動的、可訓練的技能，也是提升長時任務效能最有效的槓桿之一。當社群忙著追求更大的模型和更強的推理能力時，AutoMem 提醒我們：有時候答案在於 agent 怎麼記憶，而不是怎麼思考。