Trong khi cuộc đua AI vẫn xoay quanh mô hình ngày càng lớn và chi phí huấn luyện ngày càng cao, một nghiên cứu mới lại đặt ra câu hỏi khác: liệu AI có thể tự cải thiện hiệu năng mà không cần huấn luyện lại hay không? Công bố vào cuối tháng 10/2025, nghiên cứu về Agentic Context Engineering cho thấy việc tổ chức và “tiến hóa” ngữ cảnh có thể giúp AI học từ chính kinh nghiệm vận hành của mình, mở ra một hướng tiếp cận mới cho cả giới công nghệ lẫn doanh nghiệp.
1. Bài toán lớn của ngành AI: Càng dùng nhiều, càng tốn kém
Trong hơn một thập kỷ qua, sự phát triển của trí tuệ nhân tạo (AI) chủ yếu được thúc đẩy bởi một công thức quen thuộc: mô hình lớn hơn, dữ liệu nhiều hơn và chi phí huấn luyện ngày càng cao. Các mô hình ngôn ngữ lớn (LLMs) như GPT, Claude hay Gemini có thể xử lý nhiều tác vụ phức tạp, nhưng để cải thiện hiệu năng cho những nhiệm vụ mới, các nhà phát triển thường phải huấn luyện lại hoặc fine-tune mô hình.
Vấn đề là, quá trình này không chỉ đắt đỏ mà còn thiếu linh hoạt. Với nhiều doanh nghiệp, đặc biệt là các công ty không sở hữu hạ tầng AI lõi, việc can thiệp trực tiếp vào trọng số mô hình gần như là bất khả thi. Trong bối cảnh đó, câu hỏi được đặt ra là: liệu có cách nào để AI “học tốt hơn” theo thời gian mà không cần huấn luyện lại hay không?
Một nghiên cứu mới công bố bởi nhóm nghiên cứu đến từ Đại học Stanford, Đại học Đại học California, Berkeley (UC Berkeley) kết hợp cùng công ty SambaNova Systems đã đem đến một phát hiện thú vị. Với nội dung Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models, bài nghiên cứu đang thu hút sự chú ý khi đưa ra câu trả lời đáng suy ngẫm.
2. Khi “ngữ cảnh” trở thành nút thắt hiệu năng
Trong các hệ thống AI hiện nay, ngữ cảnh đóng vai trò như bộ nhớ làm việc của mô hình. Nó bao gồm hướng dẫn, dữ liệu đầu vào, ví dụ và lịch sử tương tác. Nhiều nhóm phát triển đã cố gắng cải thiện hiệu suất AI bằng cách tối ưu hoặc tóm tắt ngữ cảnh này.
Tuy nhiên, nhóm nghiên cứu chỉ ra rằng cách làm phổ biến này đang gặp hai vấn đề lớn.
Thứ nhất là xu hướng rút gọn quá mức. Khi được yêu cầu tối ưu ngữ cảnh, AI thường loại bỏ các chi tiết phức tạp để giữ nội dung ngắn gọn, dẫn đến mất đi những chiến lược quan trọng đã từng giúp nó hoạt động tốt.
Thứ hai là hiện tượng “sụp đổ ngữ cảnh”. Khi ngữ cảnh liên tục được viết lại và tái cấu trúc, thông tin tích lũy theo thời gian dần bị bào mòn, khiến AI khó duy trì hiệu năng ổn định trong các nhiệm vụ dài hạn hoặc nhiều bước.
Nói cách khác, AI có kinh nghiệm, nhưng lại không có trí nhớ bền vững về kinh nghiệm đó.
3. ACE: Một cách tiếp cận khác về việc “dạy AI học”
Thay vì tiếp tục tối ưu ngữ cảnh theo hướng rút gọn, nghiên cứu này đề xuất một khuôn khổ mới mang tên Agentic Context Engineering (ACE). Cốt lõi của ACE là thay đổi cách nhìn về ngữ cảnh: không coi ngữ cảnh là một khối văn bản tạm thời, mà là một hệ thống có thể tiến hóa theo thời gian.
Điểm khác biệt quan trọng là ACE không can thiệp vào trọng số mô hình. Thay vào đó, nó cho phép AI tự xây dựng một “sổ tay chiến lược” (playbook) – nơi lưu trữ các bài học rút ra từ chính quá trình thực thi nhiệm vụ.
Playbook này không ghi lại từng kết quả cụ thể, mà tập trung vào những gì mang tính chiến lược: cách tiếp cận hiệu quả, các bước cần tránh, hoặc những quy tắc kinh nghiệm đã chứng minh giá trị trong thực tế.
4. Cơ chế học từ kinh nghiệm của ACE
ACE tổ chức quá trình tự cải thiện của AI theo ba bước.
Ở bước đầu tiên, AI thực hiện nhiệm vụ như bình thường, đồng thời ghi nhận lại quá trình suy luận và các hành động đã thực hiện.
Tiếp theo là giai đoạn phản tư. Sau khi hoàn thành nhiệm vụ, AI phân tích lại chính mình để xác định đâu là chiến lược hiệu quả, đâu là điểm yếu hoặc sai sót.
Cuối cùng, các bài học có giá trị được chọn lọc và đưa vào playbook theo cách có cấu trúc, tránh việc ghi đè hoặc làm mất thông tin cũ. Chính bước này giúp ACE duy trì được chiều sâu tri thức, thay vì chỉ tạo ra những bản tóm tắt ngày càng nghèo nàn.
Nếu so sánh với con người, ACE giống như cách một chuyên gia tích lũy kinh nghiệm qua nhiều năm làm việc: không nhớ từng dự án chi tiết, nhưng nhớ rất rõ “cách làm đúng”.
5. Kết quả thử nghiệm cho thấy điều gì?
Để kiểm chứng tính khả thi, nhóm nghiên cứu đã áp dụng ACE trong nhiều kịch bản khác nhau.
Trong các môi trường agent đa nhiệm – nơi AI phải hoàn thành chuỗi hành động phức tạp – các hệ thống sử dụng ACE đạt tỷ lệ hoàn thành nhiệm vụ cao hơn rõ rệt so với các phương pháp tối ưu ngữ cảnh truyền thống.
Đáng chú ý, một số mô hình mã nguồn mở quy mô nhỏ khi áp dụng ACE có thể đạt hiệu năng tương đương, thậm chí vượt qua các hệ thống lớn hơn nhưng không có cơ chế học từ ngữ cảnh. Điều này cho thấy tiềm năng giảm phụ thuộc vào kích thước mô hình – yếu tố vốn được xem là lợi thế cạnh tranh lớn nhất trong ngành AI.
ACE cũng cho thấy hiệu quả trong các bài toán phân tích tài liệu chuyên môn, chẳng hạn như tài chính, nơi AI cần xử lý chuỗi thông tin dài và nhiều ràng buộc logic..
6. Ý nghĩa đối với doanh nghiệp và thị trường công nghệ
Từ góc độ kinh tế – công nghệ, ACE mang lại ba hàm ý quan trọng.
Thứ nhất, nó mở ra khả năng giảm chi phí vận hành AI. Khi không cần huấn luyện lại mô hình, doanh nghiệp có thể cải thiện hiệu suất hệ thống chỉ bằng cách thiết kế tốt hơn vòng phản hồi và quản lý ngữ cảnh.
Thứ hai, ACE giúp AI thích nghi nhanh hơn với nghiệp vụ thực tế, đặc biệt trong các lĩnh vực như tài chính, pháp lý hay chăm sóc khách hàng. Đây được cho là những lĩnh vực kiến thức thay đổi liên tục và khó chuẩn hóa dữ liệu huấn luyện.
Thứ ba, cách tiếp cận này làm thay đổi tư duy về lợi thế cạnh tranh trong AI. Thay vì chỉ tập trung vào mô hình lớn và dữ liệu nhiều, doanh nghiệp có thể tạo khác biệt bằng cách tổ chức trí nhớ và kinh nghiệm cho AI.
7. Một góc nhìn rộng hơn: Tương lai của AI không chỉ nằm ở mô hình
Nghiên cứu về Agentic Context Engineering không hứa hẹn tạo ra một bước nhảy vọt tức thì, nhưng nó đặt ra một hướng đi đáng chú ý: tương lai của AI có thể không chỉ nằm ở việc xây dựng mô hình ngày càng lớn, mà ở cách chúng ta giúp AI học hỏi từ chính những gì nó đã làm.
Trong bối cảnh AI ngày càng được triển khai vào các hệ thống dài hạn, tự chủ và gắn chặt với hoạt động kinh doanh, khả năng tích lũy kinh nghiệm mà không cần huấn luyện lại có thể trở thành một lợi thế chiến lược. Và đó là điều khiến ACE trở thành một nghiên cứu đáng để giới công nghệ và doanh nghiệp theo dõi sát trong thời gian tới.
Đọc chi tiết: Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models
