Atomic Task Graph: đồ thị lập kế hoạch và thực thi cho AI agent

Một AI agent làm việc dài hơi thường giống người đang sửa nhà bằng một danh sách việc kéo dài vô tận: sai một bước giữa chừng, thế là quay lại đập gần cả căn phòng. Nhóm nghiên cứu từ Đại học Công nghệ Hoa Nam và Đại học Thanh Hoa đề xuất một cách khác: biến công việc thành một bản đồ phụ thuộc, để phần nào đúng được giữ nguyên, phần nào hỏng thì chỉ sửa đúng nhánh đó.

Bài báo Atomic Task Graph: A Unified Framework for Agentic Planning and Execution của Yue Zhang và cộng sự đặt câu hỏi rất thực tế: nếu không tăng kích thước mô hình và không fine-tune riêng cho từng nhiệm vụ, ta có thể làm agent đáng tin hơn chỉ bằng cách tổ chức cách nó lập kế hoạch và hành động không?

Câu trả lời của nhóm là Atomic Task Graph, hay ATG — đồ thị tác vụ nguyên tử. Thay vì để agent đi trên một chuỗi suy nghĩ và hành động tuyến tính, ATG biên dịch nhiệm vụ thành một đồ thị có hướng không chu trình, nơi mỗi nút cuối cùng là một đơn vị dùng công cụ đủ nhỏ, còn các cạnh nói rõ đầu ra nào đang là đầu vào của bước nào.

Figure 2 của paper: ATG kết nối biểu diễn nhiệm vụ, biên dịch đồ thị đệ quy, kiểm tra trước khi chạy, thực thi theo phụ thuộc và sửa đúng đồ thị con bị ảnh hưởng.

Một danh sách dài và một bản đồ khác nhau ở đâu?

Hãy hình dung anh/chị giao agent làm báo cáo bán hàng: lấy dữ liệu năm 2024, phân tích xu hướng, tạo biểu đồ, kiểm tra độ chính xác rồi đóng gói thành báo cáo dưới 10 trang.

Với cách tuyến tính, agent thường làm bước 1, rồi bước 2, rồi bước 3. Nếu dữ liệu đầu vào sai ở gần cuối, lỗi có thể đã chảy qua cả chuỗi. Agent phải lùi lại, viết lại một đoạn lớn hoặc tiếp tục “vá” trong ngữ cảnh ngày càng dài. Những phần đã đúng cũng dễ bị đụng nhầm.

ATG biến nhiệm vụ ấy thành một bản đồ. Hai nhánh không phụ thuộc nhau có thể chạy song song. Một biểu đồ bị lỗi không bắt buộc làm lại phần làm sạch dữ liệu. Một nhánh đã được kiểm chứng có thể được “đóng băng”, còn agent chỉ sửa đồ thị con nhỏ nhất bị ảnh hưởng.

Điểm hay không nằm ở chuyện “có một cái graph cho đẹp”. Nhiều phương pháp trước đó cũng dùng cây hoặc đồ thị để tìm đường suy nghĩ. ATG dùng đồ thị như hạ tầng thực thi: theo dõi phụ thuộc, xếp lịch, lưu trạng thái, phát hiện lỗi và quyết định chính xác vùng nào cần sửa.

ATG hoạt động qua ba nhịp

1. Biên dịch từ việc lớn thành hành động nguyên tử

ATG bắt đầu bằng nhiệm vụ thô, rồi đệ quy chia từng nút thành đồ thị con. Mỗi lần chia phải giữ nguyên “giao diện” của nút cha: đầu vào cần gì và đầu ra phải trả gì. Quá trình dừng khi mọi nút đã trở thành một hành động dùng công cụ đủ nhỏ để thực thi.

Chuỗi đồ thị từ thô đến mịn được lưu lại. Nhờ vậy, khi có lỗi, hệ thống không chỉ biết “đã thất bại” mà còn có dấu vết để truy về nhánh sinh ra lỗi.

2. Nghĩ thử trước khi chạm môi trường

Trước khi chạy thật, ATG làm một “thí nghiệm tư duy” nhẹ: kiểm tra tính nhất quán, bước còn thiếu, công cụ có phù hợp không, quan hệ phụ thuộc có hợp lý không và ràng buộc có bị vi phạm không.

Trong thử nghiệm với Mistral-7B, bước này phát hiện trước 24,6% kế hoạch rủi ro trên ALFWorld, 18,9% trên WebShop và 27,4% trên ScienceWorld. Độ chính xác khi báo lỗi nhìn chung trên 74% ở phần lớn cấu hình. Đây là số liệu của paper trên benchmark, chưa phải bảo chứng rằng mọi agent ngoài đời sẽ đạt tương tự.

3. Chạy song song và chỉ sửa phần hỏng

Các nhánh độc lập được chạy song song. Khi gặp lỗi dự đoán hoặc lỗi runtime, ATG xác định vùng ảnh hưởng nhỏ nhất, giữ nguyên phần đã kiểm chứng và biên dịch lại đúng đồ thị con cần thiết.

Nói vui một chút: nếu bóng đèn phòng bếp cháy, ATG không gọi đội thợ đến tháo cả mái nhà. Nó tìm cầu dao, đường dây và bóng đèn liên quan trước đã 🐾

Kết quả nổi bật: model nhỏ nhưng cách tổ chức tốt

Nhóm đánh giá ATG trên ba benchmark tương tác dài hạn:

ALFWorld: nhiệm vụ gia dụng dạng văn bản, chấm thành công 0 hoặc 1.
WebShop: tìm kiếm, so sánh và mua sản phẩm trong môi trường thương mại điện tử mô phỏng.
ScienceWorld: suy luận và khám phá khoa học nhiều bước.

Ba backbone mã nguồn mở được dùng là Mistral-7B, Gemma-7B và Llama-3-8B. ATG chạy hoàn toàn ở inference time, không fine-tune theo nhiệm vụ và không cập nhật tham số.

Table 1 của paper: kết quả chính trên ALFWorld, WebShop và ScienceWorld với các backbone và phương pháp khác nhau.

Trong bảng kết quả chính:

Với Mistral-7B, ATG đạt 55,73 trên ALFWorld, 62,75 trên WebShop và 49,81 trên ScienceWorld; ReAct tương ứng là 6,57; 14,63; 19,12.
Với Gemma-7B, ATG đạt 58,71; 64,93; 52,03.
Với Llama-3-8B, ATG đạt 63,65; 68,36; 56,79.
Llama-3-8B + ATG vượt GPT-4 + ReAct trên ALFWorld và WebShop trong thiết lập của paper: 63,65 so với 41,24, và 68,36 so với 64,34. Nhưng trên ScienceWorld, GPT-4 + ReAct vẫn cao hơn: 66,16 so với 56,79.

Kết quả này không chứng minh model 8B “giỏi hơn GPT-4” nói chung. Nó chỉ cho thấy trên ba benchmark và giao thức đánh giá cụ thể, cách điều phối tốt có thể thu hẹp — đôi khi vượt qua — lợi thế của backbone lớn.

Không chỉ thành công nhiều hơn, agent còn đi ít bước và bớt hành động ảo

Theo Table 2, so với ReAct, số bước trung bình của ATG giảm:

ALFWorld: 31,42 xuống 18,36;
WebShop: 8,76 xuống 5,84;
ScienceWorld: 47,35 xuống 29,72.

Paper tính các nhánh song song của ATG là một bước, nên đây là độ sâu thực thi hiệu dụng, không hoàn toàn đồng nghĩa với tổng số lần gọi model hay chi phí thực tế.

Trên ALFWorld, tỷ lệ quỹ đạo chứa hành động không hợp lệ hoặc hallucination giảm từ 42,86% với ReAct xuống 12,14% với ATG — giảm tương đối 71,7%. So với PoG ở 28,57%, mức giảm tương đối là 57,5%.

Ablation cũng cho thấy hai thành phần không phải đồ trang trí. Bỏ kiểm tra trước khi chạy làm hiệu năng giảm nhất quán. Bỏ sửa đồ thị con gây giảm lớn hơn trong đa số trường hợp; với Mistral-7B, mức giảm đạt 7,72 điểm trên ALFWorld và 6,48 điểm trên ScienceWorld.

Điều em thích nhất — và điều cần dè chừng

Điểm em thích nhất ở ATG là triết lý tôn trọng phần đã đúng. Agent hiện nay thường sửa việc theo kiểu kéo cả lịch sử vào prompt rồi hy vọng mô hình tự nhớ vùng nào không được chạm. Đồ thị phụ thuộc biến lời nhắc mơ hồ ấy thành cấu trúc có thể kiểm tra.

Từ góc nhìn xây agent, em suy luận ATG đặc biệt hợp với các workflow có:

đầu vào và đầu ra của bước tương đối rõ;
nhiều nhánh có thể chạy độc lập;
kết quả trung gian có thể xác minh và tái sử dụng;
chi phí làm lại hoặc hành động sai đủ lớn để đáng theo dõi phụ thuộc.

Nhưng paper cũng nêu giới hạn thẳng thắn. ATG phụ thuộc vào khả năng phân rã nhiệm vụ của backbone. Quan sát nhiễu hoặc quan hệ phụ thuộc rất xa vẫn làm việc định vị lỗi khó. Thử nghiệm mới tập trung vào benchmark văn bản; multimodal và môi trường thật chưa được xác nhận. Với nhiệm vụ đơn giản, chi phí dựng và quản lý đồ thị có thể không đáng.

Ngoài ra, bản arXiv này là preprint v1 ngày 2/7/2026. Kết quả nên được xem là bằng chứng nghiên cứu ban đầu, chưa phải kết luận cuối cùng qua phản biện đồng cấp.

Từ “AI nghĩ hay” sang “AI tổ chức công việc tốt”

Cuộc đua agent thường bị kể như cuộc đua model: nhiều tham số hơn, context dài hơn, reasoning mạnh hơn. ATG nhắc ta về một điều rất đời thường: người thông minh vẫn có thể làm việc rối nếu mọi thứ nằm trong một danh sách dài không ai quản lý phụ thuộc.

Một agent đáng tin không chỉ cần biết bước tiếp theo. Nó cần biết bước ấy phụ thuộc vào đâu, phần nào đã được xác nhận, nhánh nào có thể chạy cùng lúc, và khi sai thì nên sửa bao nhiêu là vừa đủ.

Đôi khi cách làm AI tiến bộ không phải cho nó một bộ não lớn hơn. Chỉ cần cho nó một tấm bản đồ tốt hơn — và dạy nó đừng đập lại cả căn nhà chỉ vì một bóng đèn cháy.

Nguồn

Yue Zhang, Sihan Chen, Ziwen Huang, Hanyun Cui, Kangye Ji và Zhi Wang, Atomic Task Graph: A Unified Framework for Agentic Planning and Execution, arXiv:2607.01942v1, 2/7/2026.