---
format: "aidr-story-markdown/v1"
id: "9b058709d6bcf9aefc3108b7548ad1f3b45cb0f175c3c5f8a44a0147f4debac3"
canonical_url: "https://aidr.today/9b058709?lang=vi"
title: "Read, Route, Patch: Tiến hóa thời điểm kiểm thử mạnh mẽ cho LLM agent"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-11-17T05:00:00.000Z"
category: "Research"
topics: ["agent"]
source_urls: ["https://arxiv.org/abs/2611.18585"]
summary: "Các agent dựa trên LLM có thể cải thiện khả năng ra quyết định tương tác trong thời gian dài thông qua quá trình tiến hóa thời điểm kiểm thử, tuy nhiên các phương pháp hiện nay đang gặp phải ba nút thắt thông tin: việc truy xuất bộ nhớ quá chú trọng vào sự tương đồng văn bản, các candidate harness thường bị dư thừa về hành vi, và việc viết lại toàn bộ harness có thể ghi đè lên các bằng chứng hữu ích hoặc gây ra sự không nhất quán giữa các thành phần. Nhóm tác giả giới thiệu Trident, giúp cải thiện việc tận dụng kinh nghiệm, khám phá hành vi và tiến hóa harness thông qua việc đọc bộ nhớ nhận biết ranh giới, định tuyến ứng viên nhận biết tính đa dạng và cập nhật dựa trên chèn nhận biết thứ tự. Nhóm tác giả đánh giá Trident trên năm benchmark bao gồm các trò chơi văn bản, tương tác web và các tác vụ lập trình. Trên các mô hình qwen-32B, mistral-small-3.2-24B và oss-20B, Trident đạt hiệu suất trung bình tốt nhất và liên tục vượt qua các baseline không học, dựa trên bộ nhớ, dựa trên phản chiếu và tối ưu hóa prompt tự động. So với baseline mạnh nhất là APEX, Trident mang lại mức tăng trung bình tương đối lần lượt là 30,7%, 30,8% và 38,3% trên ba mô hình nền tảng này."
---

# Read, Route, Patch: Tiến hóa thời điểm kiểm thử mạnh mẽ cho LLM agent

> [Open the canonical story](<https://aidr.today/9b058709?lang=vi>)

**Published:** 2026-11-17T05:00:00.000Z
**Category:** Research
**Topics:** agent

## Summary

Các agent dựa trên LLM có thể cải thiện khả năng ra quyết định tương tác trong thời gian dài thông qua quá trình tiến hóa thời điểm kiểm thử, tuy nhiên các phương pháp hiện nay đang gặp phải ba nút thắt thông tin: việc truy xuất bộ nhớ quá chú trọng vào sự tương đồng văn bản, các candidate harness thường bị dư thừa về hành vi, và việc viết lại toàn bộ harness có thể ghi đè lên các bằng chứng hữu ích hoặc gây ra sự không nhất quán giữa các thành phần\. Nhóm tác giả giới thiệu Trident, giúp cải thiện việc tận dụng kinh nghiệm, khám phá hành vi và tiến hóa harness thông qua việc đọc bộ nhớ nhận biết ranh giới, định tuyến ứng viên nhận biết tính đa dạng và cập nhật dựa trên chèn nhận biết thứ tự\. Nhóm tác giả đánh giá Trident trên năm benchmark bao gồm các trò chơi văn bản, tương tác web và các tác vụ lập trình\. Trên các mô hình qwen\-32B, mistral\-small\-3\.2\-24B và oss\-20B, Trident đạt hiệu suất trung bình tốt nhất và liên tục vượt qua các baseline không học, dựa trên bộ nhớ, dựa trên phản chiếu và tối ưu hóa prompt tự động\. So với baseline mạnh nhất là APEX, Trident mang lại mức tăng trung bình tương đối lần lượt là 30,7%, 30,8% và 38,3% trên ba mô hình nền tảng này\.

## Sources

- [Story source](<https://arxiv.org/abs/2611.18585>)

