Prompt Engineering: Kỹ năng giao tiếp với AI hiệu quả

Prompt engineering là kỹ năng viết yêu cầu (prompt) cho các mô hình AI như ChatGPT, Gemini hay Claude sao cho chúng hiểu đúng ý và trả về kết quả dùng được ngay. Nguyên tắc cốt lõi khá giống cách giao việc cho một đồng nghiệp giỏi nhưng mới vào: nói rõ mục tiêu, cung cấp đủ bối cảnh, đưa ví dụ khi cần, chỉ định định dạng kết quả và chia việc lớn thành các bước. Bài viết tổng hợp những kỹ thuật thực dụng nhất, kèm ví dụ trước và sau khi cải thiện.

Vì sao cách hỏi quyết định chất lượng câu trả lời

Mô hình ngôn ngữ tạo câu trả lời dựa trên toàn bộ văn bản bạn đưa vào. Yêu cầu mơ hồ buộc mô hình phải đoán, và nó thường đoán theo hướng chung chung nhất. Yêu cầu cụ thể thu hẹp không gian câu trả lời về đúng thứ bạn cần. Hiểu cơ chế này, được giải thích trong bài LLM hoạt động như thế nào, giúp bạn thấy prompt engineering không phải "câu thần chú" mà là cung cấp thông tin đúng cách.

Cấu trúc một prompt tốt

Không phải prompt nào cũng cần đủ mọi thành phần, nhưng danh sách sau là khung kiểm tra hữu ích:

Ví dụ trước và sau

Trước: "Viết bài về cà phê."

Sau: "Viết bài blog khoảng 600 từ cho website của một quán cà phê nhỏ ở Đà Lạt, đối tượng là du khách trẻ lần đầu đến. Mục tiêu: giới thiệu sự khác nhau giữa cà phê Arabica trồng ở Cầu Đất và Robusta Tây Nguyên, giọng văn thân thiện, không quảng cáo lộ liễu. Gồm ba tiêu đề phụ và kết thúc bằng một gợi ý cách thưởng thức."

Prompt thứ hai dài hơn, nhưng tiết kiệm nhiều vòng sửa.

Bảy kỹ thuật thực dụng

1. Cung cấp tài liệu thay vì để AI đoán

Nếu cần AI viết dựa trên thông tin cụ thể như chính sách công ty, số liệu, nội dung cuộc họp, hãy dán tài liệu vào và yêu cầu chỉ dùng thông tin trong đó. Cách này giảm đáng kể nguy cơ AI bịa đặt.

2. Đưa ví dụ (few-shot)

Khi cần định dạng hoặc phong cách nhất quán, đưa một đến ba ví dụ đầu vào và đầu ra mẫu. Mô hình học khuôn mẫu từ ví dụ nhanh hơn nhiều so với mô tả bằng lời.

3. Chia nhỏ tác vụ phức tạp

Thay vì "viết kế hoạch marketing hoàn chỉnh", hãy đi từng bước: phân tích đối tượng khách hàng, rồi đề xuất thông điệp, rồi lên kênh triển khai. Kiểm tra kết quả từng bước trước khi đi tiếp. Kỹ thuật chuỗi prompt này cũng giúp bạn kiểm soát chất lượng tốt hơn.

4. Yêu cầu suy nghĩ từng bước

Với bài toán cần suy luận như tính toán, phân tích tình huống, đề nghị mô hình trình bày lập luận trước khi kết luận thường cho kết quả tốt hơn. Nhiều mô hình suy luận hiện đại đã tự làm điều này, nhưng chỉ dẫn rõ ràng vẫn hữu ích với mô hình thông thường.

5. Chỉ định định dạng đầu ra

Bảng, danh sách gạch đầu dòng, JSON, số từ cụ thể. Với ứng dụng lập trình, yêu cầu đầu ra có cấu trúc giúp xử lý tự động dễ dàng.

6. Cho phép nói "không biết"

Thêm câu "Nếu thông tin không có trong tài liệu, hãy nói rõ là không có" giúp giảm câu trả lời bịa. Mặc định, mô hình có xu hướng cố trả lời bằng mọi giá.

7. Lặp lại và phản hồi cụ thể

Kết quả đầu tiên hiếm khi hoàn hảo. Thay vì "viết lại hay hơn", hãy nói cụ thể: "đoạn mở đầu quá dài, rút còn hai câu; bỏ các tính từ phóng đại".

Lỗi thường gặp

• Quá mơ hồ: thiếu đối tượng, mục đích, độ dài.
• Nhồi quá nhiều yêu cầu mâu thuẫn: "ngắn gọn nhưng chi tiết đầy đủ".
• Chỉ nói điều không muốn: nói rõ điều bạn muốn thường hiệu quả hơn chỉ liệt kê điều cấm.
• Tin tuyệt đối vào kết quả: không kiểm tra số liệu, tên riêng, trích dẫn.
• Đưa dữ liệu nhạy cảm vào công cụ công cộng: thông tin khách hàng, mật khẩu, tài liệu mật.

Prompt cho AI tạo ảnh khác gì

Với công cụ tạo ảnh, prompt thiên về mô tả thị giác: chủ thể, bối cảnh, ánh sáng, góc máy, chất liệu, phong cách, tỷ lệ khung hình. Thuật ngữ nhiếp ảnh và mỹ thuật có tác dụng rõ rệt. Mỗi công cụ có cú pháp và tham số riêng, được so sánh trong bài Midjourney, DALL-E và Stable Diffusion.

Prompt trong ứng dụng thực tế: system prompt

Khi xây chatbot hoặc ứng dụng dùng API, nhà phát triển viết system prompt, chỉ dẫn nền định hình vai trò, giọng điệu, phạm vi trả lời và quy tắc an toàn cho mọi cuộc hội thoại. Một system prompt tốt cần:

• Nêu rõ vai trò và phạm vi: trả lời gì, từ chối gì.
• Chỉ dẫn cách xử lý khi không chắc chắn hoặc khi người dùng hỏi ngoài phạm vi.
• Quy định định dạng và độ dài.
• Được kiểm thử với nhiều câu hỏi thật, kể cả câu cố tình phá.

Cần lưu ý rủi ro prompt injection: người dùng hoặc nội dung bên ngoài như trang web, tài liệu có thể chứa chỉ dẫn nhằm khiến AI bỏ qua quy tắc ban đầu. Không nên chỉ dựa vào system prompt để bảo vệ dữ liệu nhạy cảm; cần kiểm soát quyền truy cập ở tầng hệ thống. Ví dụ ứng dụng cụ thể có trong bài xây dựng chatbot hỗ trợ khách hàng.

Prompt engineering có còn quan trọng khi AI ngày càng thông minh?

Mô hình mới hiểu yêu cầu mơ hồ tốt hơn, nên các "mẹo" kiểu đặt câu thần kỳ ít cần thiết hơn trước. Nhưng phần cốt lõi, gồm biết mình muốn gì, cung cấp đủ bối cảnh, đánh giá kết quả một cách phản biện, sẽ còn quan trọng lâu dài. Có thể nói prompt engineering đang chuyển từ "kỹ thuật" thành kỹ năng giao tiếp và tư duy rõ ràng, thứ cũng giúp bạn làm việc tốt hơn với con người.

Mẫu prompt dùng lại được

• Tóm tắt: "Tóm tắt tài liệu dưới đây thành 5 ý chính cho [đối tượng], mỗi ý tối đa 2 câu, kèm 3 việc cần làm tiếp theo."
• Phản biện: "Đóng vai người phản biện khó tính. Chỉ ra 5 điểm yếu lớn nhất của đề xuất sau và gợi ý cách khắc phục."
• Học tập: "Giải thích [khái niệm] cho người mới, dùng một ví dụ đời thường, sau đó đặt 3 câu hỏi để tôi tự kiểm tra."
• Viết lại: "Viết lại đoạn sau cho [đối tượng], giọng [trang trọng/thân thiện], giữ nguyên mọi số liệu."