Bạn giao cho AI Agent một nhiệm vụ. Nó bắt đầu đọc Handbook, Prompt, Architecture, Memory, Documentation, API, Source Code, Release Notes và cả những tài liệu không liên quan. Kết quả là Agent mất rất nhiều thời gian, Context Window gần đầy, trong khi thông tin thực sự cần thiết chỉ chiếm vài phần trăm. Đây là một sai lầm rất phổ biến khi xây dựng AI Agent: càng nạp nhiều tài liệu, AI chưa chắc càng thông minh; đôi khi nó còn trả lời kém hơn.
AI không mạnh hơn khi đọc nhiều. AI mạnh hơn khi đọc đúng.
Knowledge Loader là gì?
Sau khi Navigation Engine xác định được tài liệu cần thiết, một câu hỏi tiếp theo xuất hiện: AI có cần đọc toàn bộ tài liệu không?
Câu trả lời là không.
Knowledge Loader là lớp chịu trách nhiệm:
- Chỉ nạp đúng lượng tri thức cần thiết.
- Chỉ lấy đúng phần liên quan đến nhiệm vụ.
- Chỉ đưa vào Context những dữ liệu thực sự có giá trị.
- Mở rộng lượng tri thức theo từng bước nếu thông tin ban đầu chưa đủ.
Nói ngắn gọn:
- Navigation Engine trả lời: Đọc tài liệu nào?
- Knowledge Loader trả lời: Đọc bao nhiêu là đủ?
Vì sao AI Agent đọc càng nhiều lại trả lời càng kém?
Hãy tưởng tượng bạn yêu cầu:
“Hãy review Release 0.1 của BrowserAct.”
Nếu Agent nạp vào Context toàn bộ:
- PRODUCT.md.
- PROJECT.md.
- README.md.
- Architecture.
- Source Code.
- Handbook hàng trăm trang.
- Prompt Library.
- Memory.
- Meeting Notes.
Context Window sẽ nhanh chóng bị lấp đầy. AI phải dành phần lớn khả năng xử lý để đọc, phân loại và giữ lại những dữ liệu không thật sự cần thiết, thay vì tập trung giải quyết nhiệm vụ.
Nhiều người thấy kết quả kém rồi kết luận rằng Model yếu. Thực tế, Model không yếu. Nó chỉ đang phải mang quá nhiều hành lý.
Context Window không phải ổ cứng
Context Window chỉ là “bàn làm việc” của AI. Nó không phải nơi lưu toàn bộ tri thức của hệ thống.
Bạn không mang cả thư viện lên bàn chỉ để đọc một chương sách. AI cũng vậy.
Kho tri thức càng lớn, nhu cầu chọn lọc càng quan trọng.
Knowledge Loader hoạt động như thế nào?
Với nhiệm vụ Review Release, Knowledge Loader có thể đi theo luồng:
Task → Navigation Engine → RELEASE.yaml → Capability Matrix → Sample Outputs → PRODUCT.md nếu cần → Architecture chỉ khi phát hiện vấn đề
Agent không cần đọc Handbook, Prompt hay Source Code ngay từ đầu nếu nhiệm vụ chưa yêu cầu.
Knowledge Loader ưu tiên tri thức gần nhất với mục tiêu, sau đó chỉ mở rộng khi phát hiện thiếu thông tin.
Progressive Loading: Nạp tri thức theo từng bước
Một nguyên tắc quan trọng của Knowledge Loader là Progressive Loading.
Thay vì:
Đọc 100 tài liệu → Bắt đầu làm việc
Agent sẽ:
Đọc 3 tài liệu → Kiểm tra đã đủ chưa → Nếu chưa, đọc thêm 2 tài liệu → Tiếp tục cho đến khi đủ
Cách tiếp cận này giống con người hơn. Không ai mở cả thư viện để trả lời một câu hỏi. Chúng ta bắt đầu từ nguồn gần nhất, rồi mở rộng dần khi cần.
Điều gì xảy ra khi không có Knowledge Loader?
AI thường làm theo quy trình:
Task → Search → Đọc hàng chục tài liệu → Context đầy → Mất tập trung → Trả lời thiếu chính xác
Khi có Knowledge Loader:
Task → Navigation → Knowledge Loader → Chỉ nạp tri thức cần thiết → Giải quyết nhiệm vụ
Ít dữ liệu hơn nhưng chính xác hơn, nhanh hơn và dễ kiểm soát hơn.
Knowledge Loader trong AI-OS
Trong AI-OS Framework, Knowledge Loader nằm sau Navigation Engine và trước Planning hoặc Reasoning.
Task → Navigation Engine → Knowledge Loader → Planning → Execution → Output
Navigation Engine giống người chỉ đường. Knowledge Loader giống người quyết định nên mang hành lý gì.
Không ai mang cả căn nhà khi đi công tác. AI cũng vậy.
Lợi ích của Knowledge Loader
- Giảm lượng Context tiêu thụ.
- Tăng tốc độ phản hồi.
- Giảm chi phí token.
- Hạn chế tài liệu không liên quan.
- Giảm nguy cơ sử dụng thông tin cũ.
- Tăng khả năng tập trung vào mục tiêu.
- Dễ mở rộng khi kho tri thức ngày càng lớn.
Knowledge Loader không thay thế RAG
Đây là hai thành phần có vai trò khác nhau:
- RAG: Tìm đúng thông tin hoặc đoạn văn liên quan.
- Knowledge Loader: Quyết định nên nạp bao nhiêu thông tin vào Context.
Một hệ thống AI Agent hiện đại có thể kết hợp:
- Navigation Engine để xác định đúng nguồn.
- RAG để tìm đúng đoạn.
- Knowledge Loader để nạp đúng lượng tri thức.
Ba lớp này bổ sung cho nhau để AI vừa tìm đúng, vừa đọc đủ.
Ví dụ thực tế với BrowserAct
Nếu người dùng yêu cầu:
“Giải thích Browser Pool.”
Knowledge Loader chỉ cần nạp các phần:
- Browser Pool.
- Session.
- Retry.
Không cần nạp OCR, Export, Dashboard hay Docker nếu những phần đó không liên quan.
Đây là khác biệt giữa đọc nhiều và đọc đúng.
Điểm yếu và thách thức
Knowledge Loader cũng cần được thiết kế cẩn thận.
- Nạp quá ít khiến AI thiếu thông tin.
- Nạp quá nhiều lại gây lãng phí Context.
- Nạp sai phiên bản khiến AI dùng dữ liệu cũ.
- Nạp thiếu liên kết khiến AI không hiểu toàn cảnh.
Điều khó nhất không phải tìm tài liệu, mà là biết “đủ” là bao nhiêu.
Kết luận
Một AI Agent thông minh không phải là AI đọc nhiều nhất.
Mà là AI biết:
- Đọc cái gì.
- Đọc khi nào.
- Đọc bao nhiêu.
Đó cũng là lý do trong AI-OS Framework, Navigation Engine và Knowledge Loader được tách thành hai lớp riêng biệt.
Navigation Engine giúp AI không lạc đường.
Knowledge Loader giúp AI không mang quá nhiều hành lý.
Khi AI biết đọc đúng và đọc đủ, nó mới có thể dành phần lớn năng lực cho việc quan trọng nhất: giải quyết bài toán của người dùng.
Theo dõi U50 Nghiên cứu AI
Ở bài tiếp theo, tôi sẽ chia sẻ về Execution Layer – vì sao nhiều AI Agent đã chọn đúng chiến lược, đúng tài liệu và đúng công cụ nhưng vẫn thất bại khi thực hiện nhiệm vụ.
Hãy Follow U50 Nghiên cứu AI để theo dõi toàn bộ series về AI Agent, BrowserAct, Hermes Agent và AI-OS.
