# JitMem: Phương pháp tối ưu hóa bộ nhớ thích ứng theo tác vụ cho LLM Agent

- Nguồn: HuggingFace Daily Papers (bài nghiên cứu nổi bật của cộng đồng)
- Thời gian phát hành: 2026-09-23 07:00 (giờ Việt Nam)
- Điểm AI: 51/100
- Link AIHOT.vn: https://aihot.vn/items/40e377128c4af230
- Nguồn dữ liệu AI HOT: https://aihot.news/items/cmuf32nqp08h2rood3w41e0yv
- Link gốc: https://arxiv.org/abs/2609.27334

## Tóm tắt AI

JitMem trì hoãn việc xử lý bộ nhớ đến thời điểm truy xuất, cho phép hệ thống tổng hợp dữ liệu tinh gọn phù hợp với từng tác vụ cụ thể, giúp cải thiện đáng kể hiệu suất của các LLM Agent trên nhiều nền tảng thử nghiệm.

## Thân bài

[Xem PDF](https://arxiv.org/pdf/2609.27334) [HTML (thử nghiệm)](https://arxiv.org/html/2609.27334v1)

> Tóm tắt: Các hệ thống bộ nhớ tác tử (agentic memory systems) tái sử dụng kinh nghiệm quá khứ để cải thiện hiệu suất trong tương lai, tuy nhiên hầu hết các thiết kế hiện nay đều thực hiện quản lý bộ nhớ tại thời điểm ghi: khi một tác vụ hoàn thành, quỹ đạo của nó được chắt lọc thành một cấu trúc cố định, chẳng hạn như sự phản tư, quy trình làm việc, kỹ năng hoặc chiến lược suy luận, sau đó được truy xuất dựa trên độ tương đồng. Điều này buộc hệ thống phải quyết định điều gì đáng nhớ trước khi biết được truy vấn trong tương lai, dẫn đến việc loại bỏ thông tin không thể đảo ngược và tạo ra một bản tóm tắt độc lập với truy vấn, vốn phải phục vụ cho nhiều tác vụ hạ nguồn khác nhau. Việc học một bộ quản lý tại thời điểm ghi cũng rất khó khăn vì giá trị của quyết định lưu trữ có thể chỉ trở nên rõ ràng khi có một truy vấn liên quan xuất hiện, có khả năng là sau nhiều tác vụ, tạo ra vấn đề phân bổ tín dụng tầm xa. Thay vào đó, chúng tôi giữ lại các quỹ đạo thô và trì hoãn việc quản lý cho đến thời điểm đọc, khi tác vụ hiện tại đã được xác định. Với các dấu vết được truy xuất và tác vụ mới, một bộ quản lý bộ nhớ sẽ tổng hợp thành một gói dữ liệu nhỏ gọn, thích ứng với tác vụ và được tùy chỉnh cho nhu cầu tức thời. Vì gói dữ liệu này được sử dụng cho chính tác vụ đó, bộ quản lý có thể được huấn luyện trực tiếp từ sự thành công của tác vụ tức thời, tránh các tín hiệu tiện ích bị trì hoãn và nhu cầu phải nhóm các tác vụ liên quan một cách nhân tạo. Trên các nền tảng ALFWorld, WebShop và $\tau^2$-bench, Just-in-Time Memory (JitMem) của chúng tôi liên tục vượt trội hơn các tác tử không có bộ nhớ cũng như các phương pháp bộ nhớ tại thời điểm ghi dựa trên heuristic và học máy, cải thiện lần lượt 16,2, 16,3 và 3,9 điểm phần trăm tỷ lệ thành công tuyệt đối so với các baseline mạnh nhất. Đáng chú ý, ngay cả một bộ quản lý chưa qua huấn luyện cũng đã có khả năng cạnh tranh hoặc vượt qua các baseline này, cho thấy việc quản lý tại thời điểm đọc thích ứng với tác vụ tự thân nó đã là một nguồn cải thiện chính; việc huấn luyện bộ quản lý còn giúp gia tăng hiệu quả hơn nữa.

| Chủ đề: | Trí tuệ nhân tạo (cs.AI) |
| --- | --- |
| Trích dẫn là: | arXiv:2609.27334 [cs.AI] |
|  | (hoặc arXiv:2609.27334v1 [cs.AI] cho phiên bản này) |
|  | https://doi.org/10.48550/arXiv.2609.27334 DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) |

### Lịch sử gửi bài

Từ: Yang Li [xem email](https://arxiv.org/show-email/561ed0d5/2609.27334)] [v1] Thứ Tư, 23 tháng 9 năm 2026 04:14:53 UTC (3.223 KB)