Raven: Khung điều phối đa tác nhân AI tự cải tiến chính mình

EverMind AI vừa công bố Raven, một khung điều phối (harness) mã nguồn mở cho phép nhiều tác nhân AI chuyên biệt phối hợp với nhau để xử lý các tác vụ phức tạp. Điểm khác biệt của Raven so với các giải pháp hiện có là khả năng tự cải tiến đệ quy (Recursive Self-Improvement — RSI): hệ thống có thể đề xuất, đánh giá và áp dụng những thay đổi vào chính bộ khung vận hành của nó.

Dự án hiện đang ở giai đoạn tiền alpha, được phát hành dưới giấy phép Apache 2.0, với cảnh báo rằng giao diện và cấu hình có thể thay đổi nhanh chóng trong thời gian tới.

Raven - Khung điều phối đa tác nhân AI

Kiến trúc "một bề mặt, mọi tác nhân"

Raven tự định vị là "khung điều phối của mọi khung điều phối" (harness of harnesses). Thay vì chỉ chạy một tác nhân đơn lẻ, Raven đóng vai trò Host Agent — tập hợp các tác nhân nội bộ lẫn bên thứ ba, tạo ra các đồ thị có hướng không chu trình (DAG) để tổ chức công việc và điều phối song song.

Nền tảng EverOS đóng vai trò hệ thống bộ nhớ, giúp Raven lưu giữ ngữ cảnh và ký ức xuyên suốt các phiên làm việc — yếu tố then chốt để hỗ trợ quá trình tự cải tiến liên tục.

Bốn tác nhân tích hợp sẵn bao gồm:

• Raven-Research: nghiên cứu chuyên sâu tự động, tổng quan tài liệu, phân tích kỹ thuật với trích dẫn nguồn rõ ràng
• Raven-Code: phát triển phần mềm dạng tác nhân, từ triển khai tính năng, gỡ lỗi đến tái cấu trúc mã nguồn
• Raven-Design: thiết kế trực quan, tạo slide PowerPoint, tài sản thương hiệu, biểu đồ và giao diện web
• Raven-Oncall: tự động hóa quy trình không cần giám sát, vận hành thí nghiệm và giám sát liên tục qua nhiều giờ hoặc qua đêm

Ba dự án minh chứng đáng chú ý

Điểm gây ấn tượng nhất trong tài liệu của Raven là ba dự án hoàn chỉnh do chính hệ thống này thực hiện từ đầu đến cuối.

Thứ nhất, Raven tự vận hành trong khoảng 4 ngày để hoàn thành 42 vòng lập kế hoạch, phát triển và kiểm thử, tạo ra một game bắn súng góc nhìn thứ nhất chơi được trên Godot 4, kèm theo poster, bài thuyết trình và website.

Thứ hai, dự án Raven RSI — minh chứng cho tự cải tiến đệ quy trong thực tế. Hệ thống thực hiện 172 lượt huấn luyện qua 7 vòng trong thí nghiệm tiền huấn luyện nanochat, không gặp sự cố nào, và giảm val_bpb 5,8% trong cùng ngân sách 20 phút trên một GPU duy nhất. Quy trình tương tự cũng giảm hiện tượng vượt ngưỡng trong mô phỏng vỡ đập xuống ba bậc độ lớn.

Thứ ba, một bộ công cụ ra mắt sản phẩm hoàn chỉnh gồm game vật lý trên trình duyệt, bài thuyết trình 16 slide và poster song ngữ Anh - Trung.

Cơ chế tự tiến hóa trong lúc vận hành

Đây là phần kỹ thuật thú vị nhất của Raven. Vòng lặp tác nhân được chia thành bốn mô-đun chiến lược tách rời:

• Memory — quyết định một lượt được nhìn thấy những gì
• Planning — cách tác nhân tiếp cận công việc
• Capability — những công cụ nào được phơi bày trong mỗi vòng lặp
• Action — làm gì tiếp theo và đánh giá trước khi thực thi

Một thành phần gọi là Curator liên tục viết lại bốn "ghế" này. Điểm đáng lưu ý: Curator có thể thay đổi không chỉ prompt mà còn cả công cụ, dịch vụ bên ngoài, kỹ năng, quy trình và phán đoán của tác nhân tại từng thời điểm.

Hai cơ chế đảm bảo chất lượng được nhấn mạnh:

Không có gì được cài đặt trước khi được kiểm chứng, và một lần kiểm tra thất bại sẽ đẩy nó trở lại. Tín hiệu của mỗi vòng thường đến với Curator sau khi đã được gỡ bỏ đáp án tham chiếu — điều này giới hạn mức độ phơi bày trực tiếp của đáp án.

Curator vẫn là tính năng thử nghiệm, đi kèm kho mã nguồn chứ không nằm trong gói cài đặt chính thức.

Kết nối tác nhân bên thứ ba và cài đặt

Raven hỗ trợ kết nối và điều phối tác nhân qua ACP, CLI hoặc API tương thích OpenAI, với cấu hình sẵn cho 13 tác nhân bên thứ ba. Người dùng Việt Nam có thể cài đặt nhanh trên Linux, macOS hoặc WSL2 bằng một dòng lệnh:

curl -fsSL https://raven.evermind.ai/install.sh | bash

Với Windows, có thể dùng PowerShell gốc. Ngoài ra, dự án cũng hỗ trợ chạy trong container Docker mà không cần cài gì trên máy chủ ngoài Git và Docker:

git clone https://github.com/EverMind-AI/Raven.git
cd Raven
docker compose -f docker/docker-compose.yml up

Sau đó truy cập http://localhost:18793 trên trình duyệt. Lưu ý rằng các lệnh cài đặt từ xa kiểu curl | bash cần được cân nhắc kỹ về mặt bảo mật, đặc biệt trong môi trường doanh nghiệp.

Giao diện WebUI của Raven

Hệ sinh thái EverMind và các hệ thống lõi

Raven không đứng độc lập mà là một phần của hệ sinh thái EverMind, kết nối nghiên cứu bộ nhớ với sản phẩm và tích hợp thực tiễn:

• EverOS — runtime bộ nhớ dài hạn, ưu tiên cục bộ, gốc Markdown cho tác nhân và người dùng
• SkillForge — truy xuất kỹ năng từ thư viện cục bộ, bộ nhớ EverOS và danh mục 114.190 kỹ năng của SkillHub
• Evolver — thúc đẩy tự tiến hóa khung điều phối bằng cách chẩn đoán lỗi và kiểm thử các cải tiến tiềm năng
• EverMemBench và EvoAgentBench — bộ đánh giá khả năng ghi nhớ sự kiện và tự tiến hóa của tác nhân

Các tích hợp hiện có bao gồm OpenClaw, Hermes Agent, DeepSeek Harness và Dify.

Góc nhìn cho cộng đồng công nghệ Việt Nam

Sự xuất hiện của Raven phản ánh một xu hướng rõ rệt trong năm 2026: chuyển từ tác nhân đơn lẻ sang hệ thống đa tác nhân tự tổ chức. Với các đội phát triển phần mềm tại Việt Nam — đặc biệt những nhóm đang tìm cách tự động hóa quy trình kiểm thử, nghiên cứu thị trường hoặc vận hành hạ tầng — mô hình điều phối DAG kết hợp bộ nhớ dài hạn là hướng tiếp cận đáng tham khảo.

Tuy nhiên, cần lưu ý ba điểm thực tế:

• Dự án đang ở giai đoạn tiền alpha, chưa phù hợp cho môi trường sản xuất
• Cơ chế Curator tự viết lại công cụ và quy trình đặt ra câu hỏi lớn về kiểm soát và an toàn
• Việc phụ thuộc vào LLM bên ngoài đồng nghĩa chi phí vận hành có thể tăng nhanh với các tác vụ dài hơi

Raven là một thử nghiệm táo bạo về tự cải tiến đệ quy trong thực tế — một chủ đề mà giới nghiên cứu AI vẫn còn nhiều tranh luận về mức độ an toàn và khả năng kiểm soát. Dù vậy, mã nguồn mở và giấy phép Apache 2.0 khiến đây trở thành nền tảng đáng theo dõi cho bất kỳ ai quan tâm đến kiến trúc tác nhân AI thế hệ tiếp theo.