Đừng săn prompt thần kỳ: Cách định nghĩa bài toán để làm việc tốt hơn với AI

Prompt engineering thường được nói như một trò chơi chọn đúng câu thần chú. Thêm một vai trò, đổi vài từ khóa, rồi hy vọng output sẽ tốt hơn.

Cách nhìn đó bỏ qua phần khó nhất: nhiều khi vấn đề không nằm ở câu prompt. Vấn đề nằm ở chỗ mình chưa định nghĩa đúng việc cần làm.

Một prompt tốt không biến bài toán mơ hồ thành bài toán rõ ràng bằng phép thuật. Nó giúp model nhìn thấy mục tiêu, bối cảnh, ràng buộc và tiêu chí thành công mà mình đã xác định.

Prompt là một dạng lập trình bằng ngôn ngữ

Prompt là đầu vào để điều hướng hệ thống AI. Nó có thể là một câu hỏi ngắn, một đoạn đặc tả hoặc một chuỗi trao đổi qua nhiều lượt.

Cách viết prompt ảnh hưởng đến việc model hiểu:

cần làm gì
đang xử lý bối cảnh nào
kết quả dành cho ai
nên trình bày ra sao
giới hạn nào phải tôn trọng

Có thể xem prompt như một dạng lập trình bằng ngôn ngữ tự nhiên. Mình không viết từng dòng thuật toán, nhưng vẫn đang định nghĩa input, behavior và output mong muốn.

Prompt dài không đồng nghĩa với prompt tốt. Context thừa, mục tiêu mơ hồ và các yêu cầu mâu thuẫn thường làm output kém hơn.

Từ ý định mơ hồ đến output đáng tin cậy

Prompt là một phần của vòng lặp: định nghĩa bài toán, tạo output, kiểm chứng rồi refine.

Ba nguyên tắc để viết prompt rõ hơn

1. Cung cấp đúng context

Model cần biết những thông tin có thể làm thay đổi câu trả lời. Context thường gồm tình huống, mục tiêu, audience, dữ liệu đầu vào, góc nhìn và ràng buộc.

Tôi đang xây pipeline đưa transcript TikTok vào knowledge graph.
Hãy giải thích knowledge graph cho một developer mới vào team,
ưu tiên ví dụ về entity, relationship và cách truy vấn.

Yêu cầu này giúp model chọn đúng mức độ giải thích, ví dụ và thuật ngữ.

2. Nói cụ thể

Một yêu cầu cụ thể nên có động từ hành động, phạm vi, ràng buộc và định dạng đầu ra.

Phân tích bài viết này thành:
- 5 ý chính
- 3 điều có thể áp dụng cho agent skill
- 1 checklist triển khai
Viết bằng tiếng Việt, cho kỹ sư phần mềm, mỗi bullet tối đa 30 từ.

Cụ thể không có nghĩa là micromanage từng câu. Mục tiêu là làm rõ những thứ quan trọng, để model có khoảng trống xử lý phần còn lại.

3. Xây dựng qua hội thoại

Không phải task nào cũng nên nhét vào một prompt duy nhất:

Đọc bài viết này
→ tóm tắt 5 ý chính
→ phân tích điểm liên quan đến agent skill
→ rút thành checklist
→ viết thành bài blog

Mỗi lượt có một mục tiêu rõ, giúp mình phát hiện sớm chỗ cần sửa. Khi chuyển sang chủ đề hoàn toàn khác, nên mở context mới để tránh dữ liệu cũ gây nhiễu.

Problem formulation quan trọng hơn prompt wording

Có sự khác biệt giữa hai việc thường bị gộp làm một:

Prompt engineering
= tìm cách diễn đạt để model hiểu yêu cầu tốt hơn

Problem formulation
= xác định đúng vấn đề, mục tiêu, phạm vi và ranh giới

Viết chiến lược marketing cho sản phẩm này.

Đây là một prompt, nhưng chưa phải một bài toán đủ rõ. Trước khi viết tiếp, cần biết sản phẩm là gì, khách hàng mục tiêu là ai, thị trường nào, mục tiêu cần đạt là gì, ngân sách và thời gian ra sao, output sẽ được dùng để quyết định việc gì.

Nhiều prompt thất bại không phải vì model không đủ thông minh. Nó thất bại vì người viết đang yêu cầu model giải một bài toán chưa được định nghĩa.

Chọn kiểu prompt theo task

Zero-shot: yêu cầu trực tiếp, phù hợp với task đơn giản.
Few-shot: đưa ví dụ để model bắt chước cấu trúc, tone hoặc pattern.
Role-based: chỉ định góc nhìn khi role thực sự thay đổi output.
Instructional: tập trung vào hành động cụ thể.
Contextual: bổ sung background, audience và ràng buộc.

Không có kiểu prompt luôn tốt nhất. Role cũng không phải câu thần chú bắt buộc. Một tiêu chí rõ ràng như “ưu tiên reliability và chi phí vận hành” thường hữu ích hơn lời giới thiệu “bạn là chuyên gia hàng đầu”.

Prompt tốt vẫn có thể tạo output sai

Prompt chỉ điều hướng cách model xử lý yêu cầu. Nó không đảm bảo mọi claim trong output đều đúng. AI vẫn có thể bịa nguồn, bỏ sót điều kiện, trình bày suy luận như sự thật hoặc phản ánh bias.

Một cách đơn giản là phân loại thông tin thành bốn nhóm:

fact       → có nguồn hoặc được kiểm tra
inference  → suy luận hợp lý từ dữ liệu
assumption → giả định tạm thời
unknown    → chưa đủ bằng chứng

Nếu chưa biết, nên nói là chưa biết. Đừng lấp chỗ trống bằng một câu trả lời nghe chắc chắn.

Template prompt thực dụng

Bối cảnh:
[Đang xảy ra chuyện gì? Dữ liệu nào liên quan?]

Mục tiêu:
[Muốn tạo ra kết quả gì?]

Đối tượng sử dụng:
[Ai sẽ đọc hoặc dùng kết quả?]

Task:
[Động từ hành động + việc cụ thể cần làm]

Ràng buộc:
[Phạm vi, điều kiện, điều không được làm]

Đầu ra:
[Định dạng, độ dài, cấu trúc, ngôn ngữ]

Kiểm chứng:
[Tiêu chí để biết output đã đạt]

Không phải prompt nào cũng cần đủ bảy phần. Hãy dùng phần nào thực sự làm thay đổi chất lượng kết quả.

Các thành phần của một prompt hiệu quả

Một prompt thực dụng nối context, task và constraints với output cùng tiêu chí kiểm chứng.

Từ prompt đến agent skill

Một agent skill tốt cũng đi theo logic tương tự, nhưng bền vững hơn một prompt đơn lẻ:

problem formulation
→ context
→ input contract
→ procedure
→ output contract
→ verification
→ refinement

Skill cần ghi rõ nó giải quyết vấn đề lặp lại nào, khi nào được kích hoạt, đầu vào và mặc định là gì, các bước phải thực hiện, output thành công trông ra sao, khi nào cần hỏi lại hoặc dừng, và làm sao kiểm tra kết quả.

Skill không chỉ là một prompt dài. Nó là một workflow có ranh giới và completion criteria.

Checklist trước khi gửi prompt

[ ] Mục tiêu cuối cùng đã rõ chưa?
[ ] Tôi đang giải quyết đúng problem hay chỉ yêu cầu một output đẹp?
[ ] Model có đủ context cần thiết chưa?
[ ] Audience đã được xác định chưa?
[ ] Constraint hoặc dữ liệu nào phải nêu rõ không?
[ ] Đầu ra có thể kiểm tra được không?
[ ] Tôi có đang thêm role hoặc ví dụ không cần thiết không?
[ ] Các claim quan trọng sẽ được verify thế nào?
[ ] Nếu output chưa đúng, tôi biết sẽ refine phần nào chưa?

Kết luận

Prompt engineering không phải cuộc thi viết câu lệnh cầu kỳ. Nó là kỹ năng biến một ý định mơ hồ thành một bài toán mà cả người và máy đều có thể hiểu.

Hãy bắt đầu từ vấn đề, không phải từ prompt. Sau đó cung cấp đủ context, nói rõ output mong muốn, làm việc theo từng lượt và kiểm chứng kết quả.

Khi quy trình lặp lại nhiều lần, hãy đóng gói nó thành một agent skill có input contract, procedure, output contract và eval rõ ràng.

Tham khảo: Effective Prompts for AI: The Essentials của MIT Sloan Teaching & Learning Technologies.