# Xây dựng AI có trí nhớ để làm "chánh văn phòng"

Đăng ngày: 2026-09-08

Trong môi trường doanh nghiệp, công việc của chúng ta là một chuỗi liên tục các tin nhắn, quyết định, dự án và nghĩa vụ thay đổi không ngừng. Một AI agent khi mới bắt đầu thường thiếu đi bức tranh toàn cảnh này, phải tự mình thu thập và tái tạo ngữ cảnh trước khi có thể thực sự đóng góp. Đây là một thách thức lớn, và tôi thấy NVIDIA đã có một cách tiếp cận khá hay để giải quyết nó. Đội ngũ của họ đã sử dụng nền tảng NVIDIA NemoClaw để xây dựng một "Chief of Staff" AI — một chánh văn phòng ảo được trang bị trí nhớ. Điểm cốt lõi là AI này duy trì một lớp kiến thức có thể đọc được bởi con người, gọi là "self model". Đó là một kho lưu trữ thông tin về những người liên quan, các dự án, ưu tiên và cách thức làm việc. Các tác vụ định kỳ sẽ xem xét hoạt động mới, theo dõi nghĩa vụ và tiếp nhận các quyết định của người dùng theo thời gian. Kinh nghiệm họ rút ra là một bộ nhớ hữu ích cho AI cần có cấu trúc rõ ràng, khả năng truy xuất chọn lọc và một cơ chế quản trị, chứ không chỉ đơn thuần là nơi lưu trữ dữ liệu. Lịch sử hội thoại chỉ cung cấp tính liên tục trong ngắn hạn, dễ trộn lẫn các ưu tiên hiện tại với những quyết định trong quá khứ hay các yêu cầu tạm thời. Dù AI có thể truy xuất tài liệu gốc, nhưng vẫn cần khả năng xâu chuỗi thông tin theo thời gian. Chẳng hạn, một câu hỏi về trạng thái dự án có thể phụ thuộc vào một quyết định trước đó, một sửa đổi trong tin nhắn sau này, một nghĩa vụ chưa được giải quyết và việc hiểu rằng hai tên khác nhau lại đề cập đến cùng một dự án. Để giải quyết, "self model" lưu trữ các mối quan hệ này trong các trang Markdown có cấu trúc, tổ chức thông tin về người, dự án, ưu tiên, mục tiêu và các mô hình công việc định kỳ, với schema định nghĩa việc lập chỉ mục, tham chiếu chéo và giới hạn phát triển. Việc này tách biệt diễn giải của AI với bằng chứng gốc giúp nhà phát triển dễ dàng xác định lỗi nằm ở đâu nếu câu trả lời không chính xác. Hệ thống này có ba lớp điều chỉnh: "Bằng chứng Kiến thức Thực thi được quản trị". Bằng chứng hỗ trợ cập nhật "self model". Với mỗi tác vụ, agent truy xuất một tập hợp ngữ cảnh liên quan và sử dụng nó trong ví dụ NVIDIA NemoClaw. Hai loại thông tin được lưu trữ: các trang Markdown lưu trữ kiến thức, và một sổ cái SQLite ghi lại các nghĩa vụ, xếp hạng, sửa lỗi và sự kiện kiểm toán. Điều này giúp bảo toàn các phán đoán của agent mà không cần ghi đè lên các tin nhắn nguồn gốc. Một trang bộ nhớ có thể ghi rằng một cộng tác viên thích dùng Slack, agent có thể dựa vào đó để đề xuất Slack, nhưng việc gửi tin nhắn vẫn cần xác thực, quyền công cụ và sự chấp thuận của người dùng. Điều này nhấn mạnh rằng ngữ cảnh chỉ có thể cung cấp thông tin, chứ không thể tự mình ủy quyền hành động. Các yêu cầu đến thường tự mô tả là khẩn cấp, nhưng sự khẩn cấp đó chưa chắc phản ánh đúng ưu tiên của người dùng. Do đó, một "cổng ý định" (intent gate) sẽ ưu tiên những nghĩa vụ kết nối với các ưu tiên đã được người dùng nêu rõ. Một xác nhận chính sách chi tiêu khẩn cấp vẫn hiển thị nhưng xếp dưới một yêu cầu ít ồn ào hơn nhưng lại gắn với một ưu tiên đã định. NVIDIA NemoClaw có thể diễn giải mối quan hệ này, trong khi code sẽ thực thi kích thước tầng ưu tiên, hành vi tràn và thứ tự xếp hạng một cách cụ thể. Bộ nhớ liên tục cũng có thể lưu giữ một phán đoán sai lầm dễ dàng như một phán đoán đúng. Người dùng có thể di chuyển hoặc bỏ qua một nghĩa vụ, và các lần chạy agent sau vẫn sẽ duy trì quyết định đó. Mỗi thay đổi được ghi lại một lần duy nhất trong nhật ký kiểm toán chỉ cho phép thêm vào. Các mẫu sửa lỗi lặp đi lặp lại có thể cập nhật một chính sách ưu tiên nhỏ, dễ đọc. Thay vì để ưu tiên ẩn trong trạng thái mô hình, người dùng có thể kiểm tra, chỉnh sửa hoặc xóa chính sách này. Quy trình này là "Phán đoán của agent Sửa lỗi của người dùng Sự kiện kiểm toán Cập nhật ưu tiên".

Canonical: https://www.tungpham.vn/blog/xay-dung-ai-co-tri-nho-de-lam-chanh-van-phong