# Agent làm xong là quên: biến trí nhớ của agent thành skill dùng lại được

[Will Lyon](https://homus.dev/speakers/will-lyon) · [Neo4j](https://homus.dev/orgs/neo4j)

> Vì sao cách lưu trí nhớ phổ biến chưa đủ, và cách Neo4j sắp xếp trí nhớ của agent thành mạng lưới rồi rút ra thành skill dùng lại được.

Topics: Agents, Context Engineering, Retrieval

Canonical: https://homus.dev/talks/turning-agent-memory-into-skills-that-work

## 1. Agent làm xong là quên

Will mở đầu bằng một nhận xét: suốt hội nghị, ai cũng nói về "loop", tức vòng lặp làm việc của agent: suy nghĩ, hành động, xem kết quả, rồi lặp lại. Anh đùa rằng thật ra agent đang mắc kẹt trong một "vòng lặp mất trí nhớ". Nó làm xong một việc rất tốt, nhưng sau đó quên sạch những gì vừa học được. Lần sau gặp việc tương tự, nó lại bắt đầu từ con số không.

![Slide 0050](https://homus.dev/photos/XPj3mIKEtI4-0050.jpg)

Slide mở đầu "Your agent is brilliant, and amnesiac": vòng lặp Task → Reason → Act → Forget, kinh nghiệm bay hơi sau mỗi lần chạy.
Phần lớn hệ thống trí nhớ hiện nay đang vận hành thế này: cắt các cuộc hội thoại thành nhiều đoạn nhỏ và lưu lại. Khi agent cần, hệ thống tìm những đoạn có nội dung giống câu hỏi nhất, đưa cho agent đọc, rồi hy vọng agent tự hiểu và làm được việc. Cách này gọi là retrieval (truy xuất lại thông tin).

## 2. Nhớ lại được chưa chắc đã dùng được

Vấn đề là tìm lại được thông tin không có nghĩa là dùng được thông tin đó.

![Slide 0095](https://homus.dev/photos/XPj3mIKEtI4-0095.jpg)

"Recall isn't knowledge an agent can act on": cùng một bác sĩ thành ba chuỗi rời rạc "Dr. Nguyen", "Robert N.", "the cardiologist".
Một ví dụ: trong các cuộc trò chuyện, cùng một bác sĩ tim mạch có lúc được gọi bằng họ tên đầy đủ, lúc gọi tắt, lúc chỉ là "bác sĩ tim mạch". Con người hiểu ngay đó là một người. Nhưng nếu hệ thống chỉ lưu các đoạn văn rời rạc, agent không biết ba cách gọi này cùng chỉ một người.
Agent cần kiến thức có ba đặc điểm:

- **Có liên kết:** biết thứ này liên quan tới thứ kia thế nào.

- **Có phân loại rõ:** biết đây là một người, một bệnh nhân hay một lần khám.

- **Truy được nguồn gốc:** biết thông tin này đến từ đâu.

Tìm lại được thông tin chỉ là một phần nhỏ của bài toán.

## 3. Ba loại trí nhớ của agent

![Slide 0130](https://homus.dev/photos/XPj3mIKEtI4-0130.jpg)

Ba loại trí nhớ trong một mạng lưới: ngắn hạn (xanh lá), dài hạn (vàng) và cách suy nghĩ (tím).
Neo4j xem trí nhớ của agent là một mạng lưới gồm ba loại:

- **Trí nhớ ngắn hạn:** các tin nhắn trong cuộc trò chuyện hiện tại.

- **Trí nhớ dài hạn:** những thứ được rút ra từ hội thoại và giữ lại lâu dài, như con người, địa điểm, sự việc.

- **Trí nhớ về cách suy nghĩ** (reasoning memory): agent đã quyết định thế nào, đã làm gì.

Họ gọi cả mạng lưới này là context graph, tức "bản đồ bối cảnh" của agent.

## 4. Biến hội thoại thành mạng lưới kiến thức

![Slide 0160](https://homus.dev/photos/XPj3mIKEtI4-0160.jpg)

"From conversation to graph": từ một tin nhắn, hệ thống tách ra bác sĩ, thuốc và sự kiện thành các điểm nối với nhau.
Bước đầu tiên là biến các cuộc hội thoại (văn bản tự do, không có cấu trúc) thành một mạng lưới kiến thức. Hệ thống đọc tin nhắn của cả người dùng lẫn agent, nhặt ra các đối tượng được nhắc tới, như người, bệnh, lần khám, rồi xác định chúng liên quan với nhau thế nào. Mỗi đường nối đều ghi rõ quan hệ, ví dụ "bác sĩ A khám cho bệnh nhân B".

![Slide 0195](https://homus.dev/photos/XPj3mIKEtI4-0195.jpg)

"Entity resolution": ba cách gọi được gộp về một đối tượng duy nhất (bác sĩ, tên, chuyên khoa tim mạch).
Bước quan trọng nhất là gộp trùng: nhận ra các cách gọi khác nhau cùng chỉ một đối tượng, và gộp lại thành một. Quay lại ví dụ bác sĩ: sau bước này, hệ thống biết đó là một người, là bác sĩ, tên gì, chuyên khoa gì, và mọi cách gọi đều trỏ về đúng người đó.
Phần còn lại là một bộ khung mô tả lĩnh vực, giới chuyên môn gọi là ontology. Đó là bản quy định trong lĩnh vực này có những loại đối tượng nào và chúng được phép liên quan với nhau ra sao. Ví dụ trong y tế có bệnh nhân, bác sĩ, lần khám. Có bộ khung này thì việc chuyển hội thoại thành mạng lưới mới nhất quán.

## 5. Ghi lại cả cách agent suy nghĩ

![Slide 0250](https://homus.dev/photos/XPj3mIKEtI4-0250.jpg)

"Reasoning as first-class structure": cách agent suy nghĩ được lưu như một phần chính của trí nhớ.
Đây là phần quan trọng nhất. Trí nhớ ngắn hạn và dài hạn mới chỉ lưu "chuyện gì đã được nói". Nhưng còn agent đã làm gì, và vì sao nó làm vậy? Vì vậy cần lưu cả cách agent suy nghĩ, không chỉ lưu dữ liệu.

![Slide 0290](https://homus.dev/photos/XPj3mIKEtI4-0290.jpg)

"A decision trace": mỗi quyết định nối với công cụ đã gọi và bằng chứng nó dựa vào.
Cách làm là ghi lại nhật ký quyết định (decision traces). Với mỗi quyết định của agent, hệ thống lưu:

- lý do agent quyết định như vậy, và bằng chứng nó dựa vào;

- quy định nào được áp dụng;

- agent đã dùng công cụ nào và công cụ trả về gì;

- tốn bao nhiêu token (đơn vị tính chi phí khi dùng AI) và mất bao lâu.

## 6. Một bộ nhớ chung cho cả đội agent

![Slide 0335](https://homus.dev/photos/XPj3mIKEtI4-0335.jpg)

"A trace isn't trapped in one run": nhật ký quyết định được lưu một lần, agent nào có quyền cũng đọc được.
Hãy hình dung một công ty có hàng trăm, hàng nghìn agent dùng chung một bộ công cụ. Nếu mọi lần chạy đều được lưu vào cùng một mạng lưới, các agent có thể học kinh nghiệm của nhau: agent này đã giải quyết một tình huống thế nào thì agent khác cũng biết.
Vì vậy một bộ nhớ chung không chỉ giúp một agent làm tốt hơn, mà giúp cả đội agent tốt dần lên sau mỗi lần chạy.

## 7. Từ trí nhớ sang skill

![Slide 0370](https://homus.dev/photos/XPj3mIKEtI4-0370.jpg)

"Memory tells you what happened. Skills tell you what to do": trí nhớ ghi chuyện đã xảy ra, skill chỉ cách làm.
Có trí nhớ rồi, câu hỏi tiếp theo là làm sao để agent dùng nó mà hành động. Will coi trí nhớ là bản ghi chép chuyện đã xảy ra: ai được nhắc tới, họ liên quan thế nào, agent đã quyết định gì. Bước tiếp theo thường là tạo skill.
Anh hỏi khán giả: ai đang dùng skill cho agent? Gần như cả phòng giơ tay. Ai từng tự viết skill? Phần lớn. Ai từng để chính agent viết skill? Cũng rất nhiều. Đó chính là chủ đề của talk: đi từ trí nhớ tới những skill bám vào dữ liệu thật và chạy được.

![Slide 0425](https://homus.dev/photos/XPj3mIKEtI4-0425.jpg)

Cấu trúc một skill: phần mô tả, file SKILL.md và tài liệu kèm theo, chỉ mở khi cần (progressive disclosure).
Skill là một chuẩn mở do Anthropic (công ty làm ra Claude) đưa ra. Mỗi skill có một phần mô tả ngắn cho biết skill dùng để làm gì. Phần chi tiết nằm trong các file đính kèm, và agent chỉ mở file nào khi thật sự cần. Cách "cần tới đâu mở tới đó" này gọi là progressive disclosure (mở dần thông tin), giúp agent không bị nhồi quá nhiều thứ một lúc. Nhờ đóng gói như vậy, một skill có thể chia sẻ và dùng lại cho nhiều agent khác nhau.

## 8. Skill viết bằng văn xuôi cũng có vấn đề

![Slide 0480](https://homus.dev/photos/XPj3mIKEtI4-0480.jpg)

"Prose tells; a graph runs": skill viết bằng văn xuôi so với skill viết dạng sơ đồ các bước.
Vấn đề là skill thường được viết bằng văn xuôi, giống như viết một bài hướng dẫn. Nên nó gặp lại đúng vấn đề của trí nhớ: không chắc thứ được nhắc tới là thứ nào, và khó kiểm tra từng bước xem agent làm đúng hay sai.

![Slide 0520](https://homus.dev/photos/XPj3mIKEtI4-0520.jpg)

Trang đầu paper AIP của Zach Blumenfeld và Jim Webber (Neo4j).
Để giải quyết, nhóm nghiên cứu của Neo4j (Zach Blumenfeld và Jim Webber) công bố một paper về AIP (Agent Instruction Protocol, tạm hiểu là "chuẩn viết hướng dẫn cho agent"). Ý tưởng là thay vì viết skill thành một đoạn văn, hãy viết nó thành sơ đồ các bước: mỗi bước là một ô, có quy định chặt về cách mô tả, để agent làm theo được và người kiểm tra được. AIP mở rộng thêm từ chuẩn skill của Anthropic chứ không thay thế.

![Slide 0580](https://homus.dev/photos/XPj3mIKEtI4-0580.jpg)

Kết quả trên SkillsBench: điểm trung bình tăng từ 0,60 lên 0,71, tỉ lệ thành công từ 53% lên 67%.
Khi thử trên bộ bài kiểm tra SkillsBench, việc chuyển các skill do người viết sang dạng AIP giúp agent hoàn thành nhiều việc hơn rõ rệt. Theo blog của Neo4j, tỉ lệ thành công là 67,4% với skill dạng sơ đồ, so với 53,3% với skill viết bằng văn xuôi.

## 9. Rút skill ra từ trí nhớ: ba phép kiểm tra

![Slide 0615](https://homus.dev/photos/XPj3mIKEtI4-0615.jpg)

Rút skill từ trí nhớ: từ mạng lưới trí nhớ, qua bước chưng cất, ra một gói skill có căn cứ.
Từ đây, Neo4j áp ý tưởng đó vào việc rút skill ra từ trí nhớ, tức là lấy mạng lưới trí nhớ của một nhóm làm việc hay một dự án rồi chắt lọc thành skill. Nhưng sản phẩm không chỉ là một file văn bản. Will đặt ra ba yêu cầu:

- Skill phải dựa trên những gì đã thực sự xảy ra, có trong dữ liệu.

- Các bước phải rõ ràng, chạy lần nào cũng ra cùng một cách.

- Phải theo dõi được theo thời gian: dữ liệu gốc thay đổi thì phải biết.

![Slide 0660](https://homus.dev/photos/XPj3mIKEtI4-0660.jpg)

Các "cổng kiểm tra" chất lượng: có căn cứ, đủ bao phủ, đúng một chủ đề, cùng hai bước lọc dữ liệu cá nhân và kiểm tra định dạng.
Trước khi tạo skill, hệ thống chạy ba phép kiểm tra:

- **Có căn cứ** (grounding): mỗi nội dung trong skill phải có dữ liệu thật làm chỗ dựa.

- **Đủ bao phủ** (coverage): mọi bước và mô tả trong skill đều có căn cứ, không chỉ vài chỗ.

- **Đúng một chủ đề** (coherence): nếu phần dữ liệu đưa vào bị lẫn nhiều chủ đề khác nhau, hệ thống gợi ý tách thành nhiều skill nhỏ. Will thấy đây là phần thú vị nhất.

## 10. Giữ cho skill luôn cập nhật

![Slide 0705](https://homus.dev/photos/XPj3mIKEtI4-0705.jpg)

Quản lý skill: nháp → chờ duyệt → phát hành, và tự báo skill nào đã lệch so với dữ liệu.
Skill tạo ra rồi còn phải được quản lý. Khi dữ liệu gốc thay đổi, skill có được cập nhật theo không? Will hình dung một kho skill có kiểm soát: agent nào cần thì vào lấy bản mới nhất, và kho sẽ báo khi một skill đã lỗi thời hoặc không còn khớp với dữ liệu thật.

## 11. Quy trình 7 bước rút skill từ trí nhớ

Neo4j đã làm ra cách này trong NAMS (Neo4j Agent Memory Service), dịch vụ lưu trí nhớ cho agent.

![Slide 0740](https://homus.dev/photos/XPj3mIKEtI4-0740.jpg)

NAMS, trí nhớ cho agent dạng dịch vụ: ứng dụng gọi qua API hoặc MCP, phần lưu trữ và xử lý do Neo4j lo.
Cách hoạt động:

- Mỗi nhóm làm việc có một mạng lưới trí nhớ riêng, đủ ba loại: ngắn hạn, dài hạn và cách suy nghĩ.

- Các tiến trình chạy ngầm lo việc rút skill ra từ trí nhớ.

- Một tiến trình khác thường xuyên rà soát, báo khi skill đã cũ so với dữ liệu.

![Slide 0795](https://homus.dev/photos/XPj3mIKEtI4-0795.jpg)

Quy trình 7 bước: phần lớn chạy theo quy tắc cố định, chỉ bước "Synthesis" dùng AI.
Theo blog Neo4j, 7 bước là: chọn phạm vi, chụp dữ liệu, gộp, dựng sơ đồ, viết mô tả, kiểm tra, lưu lại.
Điểm đáng chú ý là hầu hết các bước chạy theo quy tắc cố định. AI chỉ được dùng ở một chỗ: tổng hợp và viết phần mô tả cho skill. Nhờ vậy kết quả ổn định và dễ kiểm tra.
Bước đầu tiên là chọn phạm vi: rút skill từ đâu, ví dụ quanh một đối tượng cụ thể hay từ một cuộc hội thoại. Mỗi phần của skill đều gắn với dữ liệu gốc của nó. Đây là cách hệ thống biết khi nào skill đã cũ: dữ liệu gốc bị sửa, bị xoá, hoặc mâu thuẫn với nhau.

![Slide 0860](https://homus.dev/photos/XPj3mIKEtI4-0860.jpg)

Ghép skill: tách một quy trình con dùng chung ra thành skill riêng rồi gọi lại từ các skill khác.
Skill cũng có thể ghép với nhau. Đây là chỗ phép kiểm tra "đúng một chủ đề" phát huy tác dụng: hệ thống dùng thuật toán phát hiện các nhóm chủ đề trong mạng lưới. Nếu một skill trộn nội dung từ nhiều nhóm, đó là dấu hiệu nên tách nó ra, và bước rà soát sẽ phát hiện.

## 12. Demo: tạo skill tiếp nhận bệnh nhân

![Slide 0890](https://homus.dev/photos/XPj3mIKEtI4-0890.jpg)

Bảng điều khiển NAMS: số đối tượng, số skill, hàng đợi xử lý và tình trạng các dịch vụ.
Demo chạy trên NAMS, hiện miễn phí để dùng thử.

![Slide 0945](https://homus.dev/photos/XPj3mIKEtI4-0945.jpg)

Bộ khung lĩnh vực y tế trong NAMS: các loại đối tượng như lần khám, bác sĩ, bệnh nhân.
Demo dùng bộ khung lĩnh vực y tế, với các loại đối tượng như lần khám và bác sĩ. Will đã nạp sẵn nhiều cuộc hội thoại của một agent y tế.

![Slide 0965](https://homus.dev/photos/XPj3mIKEtI4-0965.jpg)

Hộp thoại "Distill a skill": chọn phạm vi rút skill (cả nhóm, vài hội thoại, quanh một đối tượng hoặc một loại đối tượng).
Bước đầu là chọn phạm vi. Có thể chọn cả nhóm làm việc, nhưng thường không cần rộng như vậy. Có thể chọn quanh một đối tượng, vài cuộc hội thoại, hoặc một loại đối tượng. Will chọn cuộc hội thoại gần nhất. Yêu cầu được đưa vào hàng đợi, chạy qua quy trình 7 bước, dựng skill thành sơ đồ rồi đóng gói lại.

![Slide 1020](https://homus.dev/photos/XPj3mIKEtI4-1020.jpg)

Skill tiếp nhận bệnh nhân: từng bước (kiểm tra bảo hiểm, xác minh, đặt lịch, tạo hồ sơ) gắn với công cụ đã gọi.
Trong lúc chờ, anh mở một skill đã tạo từ trước, rút ra từ một cuộc hội thoại tiếp nhận bệnh nhân. Skill liệt kê các bước từ lúc tiếp nhận bệnh nhân cho tới khi ghi hồ sơ bệnh án.

![Slide 1045](https://homus.dev/photos/XPj3mIKEtI4-1045.jpg)

File SKILL.md của skill vừa tạo, kèm giải thích vì sao hệ thống đề xuất skill này.
Điểm đáng chú ý: mỗi bước đều gắn với công cụ mà agent đã thực sự gọi và các đối tượng thật trong dữ liệu. Skill được đóng gói thành file SKILL.md, kèm các file tài liệu, đúng chuẩn skill của Anthropic, nên có thể tải về và đưa cho agent khác dùng.

## 13. Lời kết

Đó là cách xây trí nhớ của agent như một mạng lưới, rồi từ mạng lưới đó tạo ra skill. Thay vì để agent làm xong là quên, mỗi lần làm việc đều trở thành kinh nghiệm cho lần sau.

## Nguồn và liên kết

- Talk gốc: **Turning Agent Memory Into Skills That Work**, Will Lyon (Neo4j), AI Engineer World's Fair 2026, San Francisco · [Video gốc](https://www.youtube.com/watch?v=XPj3mIKEtI4)

- Bài blog của Will Lyon cùng chủ đề: [From Agent Memory to Portable Skills](https://neo4j.com/blog/genai/from-agent-memory-to-portable-skills/) (Neo4j, 06/08/2026)

- Neo4j Agent Memory Service (NAMS): [memory.neo4jlabs.com](https://memory.neo4jlabs.com) · [Tài liệu Agent Memory của Neo4j Labs](https://neo4j.com/labs/agent-memory/)

- Paper: [AIP: A Graph Representation for Learning and Governing Agent Skills](https://arxiv.org/abs/2606.04781) (arXiv 2606.04781)

- Chuẩn skill của Anthropic: [agentskills.io](https://agentskills.io)

- Speaker: [lyonwj.com](https://lyonwj.com)

Chưa tìm được nguồn: trang session chính thức của talk trên ai.engineer.

## Nguồn và liên kết

- Tên gốc: Turning Agent Memory Into Skills That Work
- Sự kiện: [AI Engineer World's Fair 2026](https://homus.dev/events/ai-engineer-worlds-fair-2026)
- Video gốc: [https://www.youtube.com/watch?v=XPj3mIKEtI4](https://www.youtube.com/watch?v=XPj3mIKEtI4)

Nguồn: https://homus.dev/talks/turning-agent-memory-into-skills-that-work · cập nhật 2026-10-13