Prompt Engineering là gì? Hướng dẫn viết prompt hiệu quả

Prompt Engineering là cách viết và tinh chỉnh hướng dẫn để định hướng một hệ thống AI tạo sinh tạo ra kết quả hữu ích. Prompt có thể nêu nhiệm vụ, ngữ cảnh, giới hạn và định dạng đầu ra.

Ví dụ, “viết email” là một prompt. Yêu cầu AI soạn email theo dõi ngắn gọn, chuyên nghiệp cho khách hàng đã trễ hạn dự án, nêu bước tiếp theo và giới hạn dưới 120 từ là một prompt được thiết kế cụ thể hơn.

Prompt Engineering không phải là tìm một câu lệnh bí mật bảo đảm câu trả lời hoàn hảo. Đây là quy trình xác định mục tiêu, cung cấp thông tin phù hợp, kiểm tra kết quả và cải thiện hướng dẫn khi cần.

Ý chính

Prompt Engineering giúp bạn đưa ra hướng dẫn rõ hơn, nhưng không thay thế việc đánh giá kết quả.

• Là gì: Soạn thảo và tinh chỉnh hướng dẫn cho một mô hình AI tạo sinh.
• Hoạt động thế nào: Nhiệm vụ, ngữ cảnh, giới hạn, ví dụ và yêu cầu về đầu ra giúp mô hình tạo phản hồi phù hợp hơn.
• Vì sao quan trọng: Bạn không cần lập trình để sử dụng Prompt Engineering, nhưng vẫn phải kiểm tra các đầu ra quan trọng vì prompt tốt không bảo đảm câu trả lời chính xác.

Prompt Engineering là gì?

Prompt Engineering là quá trình thiết kế và cải thiện nội dung đưa vào hệ thống AI tạo sinh để tạo ra kết quả phù hợp hơn. Prompt có thể gồm yêu cầu, thông tin nền, ví dụ, giới hạn và chỉ dẫn về định dạng đầu ra. Oracle mô tả đây là việc soạn thảo và tinh chỉnh hướng dẫn để định hướng một mô hình AI tạo sinh đến đầu ra mong muốn.

Mô hình AI tạo sinh (Generative AI model) là hệ thống AI tạo nội dung như văn bản, hình ảnh, mã nguồn hoặc âm thanh. Với tác vụ văn bản, hệ thống có thể dùng Large Language Model (mô hình ngôn ngữ lớn) để xử lý và tạo các chuỗi ngôn ngữ. Bạn không cần hiểu kiến trúc bên trong của mô hình để viết prompt hữu ích.

So sánh hai yêu cầu:

> Viết một email.

> Soạn một email theo dõi ngắn gọn, chuyên nghiệp cho khách hàng đã trễ hạn dự án. Giải thích tác động, đề xuất thời gian họp mới và giữ email dưới 120 từ.

Prompt thứ hai nêu rõ nhiệm vụ, người đọc, mục đích, giọng điệu và độ dài, nên AI phải tự suy đoán ít hơn.

Bạn có thể dùng Prompt Engineering để tóm tắt cuộc họp, viết lại báo cáo cho lãnh đạo, trích xuất việc cần làm, phân loại tin nhắn khách hàng hoặc chuyển ghi chú thành dàn ý thuyết trình. Không có định dạng prompt phù hợp nhất cho mọi tác vụ và mô hình AI.

Vì sao Prompt Engineering quan trọng khi dùng AI

Prompt rõ ràng và có ngữ cảnh phù hợp thường giúp AI tạo phản hồi liên quan, có cấu trúc hơn so với yêu cầu mơ hồ. Ngôn ngữ cụ thể và ngữ cảnh liên quan thường cung cấp cho mô hình định hướng hữu ích hơn so với một yêu cầu mơ hồ.

Một quy trình thực tế gồm:

1. Bắt đầu từ kết quả cần có. Xác định điều bạn muốn AI tạo ra hoặc hỗ trợ phân tích.
2. Thêm ngữ cảnh liên quan. Cung cấp đối tượng đọc, tài liệu nguồn hoặc bối cảnh kinh doanh.
3. Đặt giới hạn hữu ích. Nêu số từ, giọng điệu, thời gian, phần bắt buộc hoặc thông tin AI không được tự tạo.
4. Chỉ rõ định dạng. Yêu cầu bảng, danh sách, email, danh sách kiểm tra, đối tượng JSON hoặc định dạng phù hợp với bước tiếp theo.
5. Kiểm tra kết quả. Xem phản hồi có đúng nhiệm vụ và tuân theo hướng dẫn hay không.
6. Tinh chỉnh prompt. Bổ sung thông tin còn thiếu hoặc sửa chỉ dẫn chưa rõ, rồi thử lại.

Prompt dài hơn không mặc nhiên tốt hơn. Thông tin dư thừa có thể làm lệch trọng tâm; mức độ cụ thể hữu ích quan trọng hơn độ dài.

Ví dụ, “Tóm tắt báo cáo này” không cho biết ai sẽ đọc, độ dài mong muốn hay cần tập trung vào rủi ro, chi phí, khuyến nghị hoặc vấn đề chưa giải quyết. Một prompt tốt hơn sẽ nêu những yếu tố ảnh hưởng trực tiếp đến kết quả.

Điều gì làm một prompt AI trở nên hữu ích?

Một prompt hữu ích cung cấp đủ định hướng để AI thực hiện nhiệm vụ mà không cần mô tả mọi bước nhỏ. Các thành phần dưới đây là lựa chọn tùy tác vụ, không phải trường bắt buộc cho mọi yêu cầu.

1. Nêu rõ nhiệm vụ

Hãy bắt đầu bằng động từ trực tiếp như tóm tắt, so sánh, soạn thảo, trích xuất, phân loại, viết lại hoặc giải thích.

> Trích xuất các quyết định và câu hỏi chưa được giải quyết từ ghi chú cuộc họp này.

Nhiệm vụ cụ thể giúp AI hiểu loại hỗ trợ bạn cần.

2. Thêm ngữ cảnh liên quan

Ngữ cảnh là thông tin nền làm thay đổi cách xử lý nhiệm vụ, chẳng hạn văn bản nguồn, giai đoạn dự án, mục tiêu kinh doanh, đối tượng đọc hoặc định nghĩa thuật ngữ nội bộ.

> Đây là ghi chú từ cuộc họp sản phẩm hằng tuần. Bản tóm tắt dành cho nhà tài trợ dự án, người không tham dự cuộc họp.

Chỉ đưa vào thông tin ảnh hưởng đến câu trả lời. Không dán tài liệu mật vào công cụ trừ khi tổ chức, điều khoản và chế độ cài đặt hiện hành của nhà cung cấp cho phép.

3. Xác định đối tượng hoặc góc nhìn

Nêu người đọc giúp AI điều chỉnh cách diễn đạt cho khách hàng, đội ngũ kỹ thuật, quản lý hoặc nhân viên mới.

> Viết cho nhà tài trợ dự án cần biết các quyết định và rủi ro, không cần chi tiết triển khai.

Góc nhìn được yêu cầu không trao cho AI thẩm quyền hay trách nhiệm nghề nghiệp. Người dùng vẫn phải đánh giá kết quả.

4. Đặt ràng buộc

Ràng buộc xác định giới hạn của phản hồi. Ví dụ:

• Giữ câu trả lời dưới 200 từ.
• Dùng tiếng Anh đơn giản.
• Đưa ra ba lựa chọn, mỗi lựa chọn có một lợi ích và một rủi ro.
• Chỉ sử dụng thông tin trong ghi chú được cung cấp.
• Đánh dấu thông tin còn thiếu là “Không được cung cấp”.

Ràng buộc hữu ích khi công cụ AI có xu hướng tạo nhiều chi tiết hơn nhu cầu thực tế.

5. Cung cấp ví dụ khi khó mô tả mẫu đầu ra mong muốn

Ví dụ giúp AI nhận biết định dạng, giọng điệu, nhãn hoặc kiểu lập luận cần dùng. Điều này đặc biệt hữu ích khi mô tả bằng văn bản dễ bị hiểu theo nhiều cách.

Nếu muốn gắn nhãn tin nhắn khách hàng là “Thanh toán”, “Kỹ thuật” hoặc “Tài khoản”, hãy cung cấp một số tin nhắn đã gắn nhãn chính xác. AI có thể dùng chúng làm hướng dẫn cho tin nhắn mới.

6. Chỉ rõ định dạng đầu ra

Nêu cấu trúc đầu ra khi việc tổ chức thông tin là quan trọng.

> Trả về một bảng có bốn cột: Hành động, Người phụ trách, Hạn chót và Bằng chứng trong ghi chú.

Định dạng rõ giúp đầu ra dễ đọc lướt và chuyển sang tài liệu khác, nhưng không bảo đảm các trường chính xác hoặc đầy đủ. Hãy đối chiếu với nguồn.

Prompt Engineering hoạt động thế nào: Yêu cầu, kiểm tra và tinh chỉnh

Prompt Engineering là một quy trình lặp: viết hướng dẫn, kiểm tra kết quả, xác định điểm thiếu hoặc chưa phù hợp rồi sửa prompt. Oracle mô tả đây là nỗ lực lặp lại để cải thiện tính cụ thể, ngữ cảnh và hiệu quả của prompt.

Một chu trình đơn giản là:

Yêu cầu ban đầu:

> Viết bản cập nhật dự án từ các ghi chú này.

Yêu cầu này có thể tạo văn bản dễ đọc nhưng chưa cho biết ai cần hành động hoặc quyết định nào còn bỏ ngỏ. Có thể cải thiện bằng cách thêm:

> Viết bản cập nhật dự án 150 từ cho trưởng bộ phận. Tách riêng tiến độ, rủi ro, các quyết định cần có và bước tiếp theo. Chỉ sử dụng ghi chú được cung cấp. Nếu thiếu người phụ trách hoặc ngày tháng, hãy viết “Không nêu rõ”.

Nếu kết quả vẫn trộn lẫn tiến độ với rủi ro, hãy yêu cầu trình bày dưới dạng bảng hoặc cung cấp ví dụ về cấu trúc mong muốn. Mỗi lần sửa nên xử lý một điểm yếu cụ thể trong đầu ra trước đó.

Quy trình này gần với biên tập và kiểm thử hơn là viết một lệnh dùng một lần. Nó cũng giúp bạn nhận biết những việc hệ thống AI có thể hoặc không thể thực hiện ổn định. Hướng dẫn về Prompt Engineering thường mô tả công việc này là hiểu nhiệm vụ, tạo prompt, đánh giá kết quả và tinh chỉnh hướng dẫn.

Giải thích Zero-shot và Few-shot Prompting

Zero-shot prompting là đưa ra chỉ dẫn trực tiếp mà không kèm ví dụ. Few-shot prompting là cung cấp một số ít ví dụ về đầu vào và đầu ra trước khi yêu cầu AI xử lý tình huống mới. Coursera mô tả đây là hai cách tiếp cận prompting cơ bản.

Với yêu cầu đơn giản, zero-shot prompting có thể là đủ:

> Viết lại đoạn văn này bằng tiếng Anh đơn giản cho một nhân viên mới.

Với tác vụ phân loại cụ thể, ví dụ có thể giảm sự mơ hồ:

> Tin nhắn: “Tôi bị tính phí hai lần.” Nhãn: Thanh toán
> Tin nhắn: “Liên kết đặt lại mật khẩu không hoạt động.” Nhãn: Kỹ thuật
> Tin nhắn: “Vui lòng thay đổi email trong tài khoản của tôi.” Nhãn: Tài khoản
>
> Hãy phân loại tin nhắn sau bằng một trong các nhãn đó: “Tôi không thể cập nhật thông tin liên hệ.”

Few-shot prompting không bảo đảm phân loại chính xác. Nhiều ví dụ cũng không phải lúc nào tốt hơn; ví dụ cần liên quan, nhất quán và đại diện cho nhiệm vụ. Ví dụ mâu thuẫn có thể dẫn đến kết quả thiếu nhất quán.

Ví dụ tại nơi làm việc: Cải thiện prompt từng bước

Để chuyển ghi chú cuộc họp thành bản cập nhật cho đội ngũ điều hành, prompt cần nêu người đọc, nội dung quan trọng, cấu trúc và giới hạn sử dụng thông tin.

Prompt yếu:

> Tóm tắt các ghi chú cuộc họp này.

Yêu cầu này chỉ nêu nhiệm vụ, không xác định quyết định cần hỗ trợ, độ dài hoặc trường thông tin phải trích xuất.

Phiên bản hữu ích hơn:

> Tóm tắt các ghi chú cuộc họp dưới đây cho đội ngũ điều hành. Hãy cung cấp:
>
> 1. Bản tóm tắt điều hành dài năm dòng.
> 2. Các quyết định đã được đưa ra.
> 3. Các câu hỏi chưa được giải quyết.
> 4. Rủi ro và tác động có thể xảy ra.
> 5. Việc cần làm cùng người phụ trách và hạn chót.
>
> Chỉ sử dụng thông tin trong ghi chú. Không suy diễn người phụ trách hoặc hạn chót. Đánh dấu thông tin thiếu là “Không nêu rõ”. Dùng giọng điệu trung lập, ngắn gọn.

Phiên bản này gồm:

1. Nhiệm vụ: Tóm tắt ghi chú.
2. Đối tượng: Đội ngũ điều hành.
3. Mục đích và độ dài: Bản tóm tắt điều hành ngắn.
4. Cấu trúc đầu ra: Năm phần xác định.
5. Ràng buộc: Chỉ dùng ghi chú và đánh dấu thông tin thiếu.
6. Giọng điệu: Trung lập và ngắn gọn.

Đầu ra có thể được tổ chức tốt hơn, nhưng vẫn cần đối chiếu tên, ngày tháng, quyết định và rủi ro với ghi chú gốc. Nếu bản tóm tắt quá dài, hãy thêm giới hạn. Nếu bỏ sót một chủ đề lặp lại, hãy nêu chủ đề đó trong prompt hoặc cung cấp thêm tài liệu nguồn.

Với tài liệu công việc, hãy cân nhắc an toàn dữ liệu. Trước khi đưa ghi chú cuộc họp, hồ sơ khách hàng, hợp đồng, mã nguồn riêng tư, mật khẩu, khóa API hoặc thông tin cá nhân vào công cụ AI, hãy kiểm tra chính sách của tổ chức và điều khoản hiện hành của nhà cung cấp. Huấn luyện mô hình (model training) và lưu giữ hoặc ghi nhật ký dữ liệu (data retention or logging) là hai vấn đề khác nhau: chính sách dùng dữ liệu để cải thiện mô hình không tự giải thích prompt hoặc đầu ra được lưu trong nhật ký bao lâu. Hãy kiểm tra riêng cả hai chính sách.

Prompt Engineering so với lập trình và Context Engineering

Prompt Engineering, lập trình và Context Engineering khác nhau ở trọng tâm, dù có thể phối hợp trong cùng một hệ thống.

Prompt Engineering tập trung vào yêu cầu và cách cải thiện yêu cầu đó. Lập trình tập trung vào xây dựng hành vi phần mềm bằng mã. Context Engineering tập trung vào thông tin và công cụ rộng hơn quanh một tác vụ AI.

Ví dụ, yêu cầu AI tóm tắt một chính sách là Prompt Engineering. Viết ứng dụng xử lý mọi chính sách trong một thư mục là lập trình. Quyết định ứng dụng được truy xuất chính sách nào, nhận hướng dẫn gì và dùng công cụ nào là một phần của Context Engineering.

Trong quy trình AI thực tế, các hoạt động này có thể giao nhau. Một lập trình viên có thể viết prompt trong ứng dụng, còn ứng dụng cung cấp tài liệu được truy xuất, quyền người dùng và công cụ khả dụng. Các tài liệu về Prompt Engineering mô tả lĩnh vực này bao gồm những kỹ thuật để tương tác với và phát triển ứng dụng sử dụng mô hình ngôn ngữ.

Prompt Engineering có cần lập trình không?

Không. Người mới có thể thực hành Prompt Engineering cơ bản qua giao diện trò chuyện AI mà không cần viết mã.

Bạn có thể cải thiện prompt cho email, tóm tắt cuộc họp, giải thích phục vụ học tập, công thức bảng tính hoặc kế hoạch dự án bằng ngôn ngữ tự nhiên. Lập trình cần thiết hơn khi muốn đưa prompt vào phần mềm, kết nối AI với hệ thống khác, tự động hóa tác vụ lặp lại hoặc xây dựng ứng dụng cho người khác.

Sự khác biệt tương tự việc sử dụng bảng tính và phát triển phần mềm bảng tính: bạn có thể dùng công cụ mà không cần lập trình, còn lập trình hữu ích khi muốn xây dựng hoặc tự động hóa hệ thống lớn hơn.

Prompt Engineering cơ bản vẫn đòi hỏi phán đoán. Bạn cần xác định mục tiêu, cung cấp thông tin phù hợp, nhận ra phản hồi chưa đầy đủ và quyết định kết quả có phù hợp với mục đích sử dụng hay không.

Prompt Engineering không thể bảo đảm điều gì

Prompt tốt hơn có thể cải thiện mức độ liên quan, cấu trúc và mức độ phù hợp với nhiệm vụ, nhưng không bảo đảm AI tạo thông tin chính xác, đầy đủ, không thiên lệch hoặc an toàn để dùng mà không kiểm tra.

Ảo giác AI (AI hallucination) là đầu ra có vẻ hợp lý nhưng không được bằng chứng liên quan hỗ trợ, không chính xác hoặc không nhất quán. Hiện tượng này có thể xuất hiện trong bản tóm tắt, danh sách tài liệu tham khảo, phép tính hoặc lời giải thích. Prompt có thể yêu cầu AI nêu điểm không chắc chắn hoặc chỉ dùng tài liệu được cung cấp, nhưng không thay thế việc kiểm tra.

Với công việc quan trọng, hãy:

1. Đối chiếu tuyên bố về dữ kiện với tài liệu gốc hoặc nguồn đáng tin cậy.
2. Kiểm tra riêng tên, ngày tháng, số liệu, trích dẫn và nguồn trích dẫn.
3. Xác nhận đầu ra tuân theo định dạng và phạm vi đã yêu cầu.
4. Tìm thông tin được trình bày chắc chắn nhưng không có căn cứ.
5. Xác định liệu người đủ chuyên môn có cần phê duyệt kết quả trước khi sử dụng hay không.

Ví dụ:

> Tóm tắt chính sách này chỉ bằng văn bản được cung cấp. Trích dẫn phần liên quan cho từng yêu cầu và đánh dấu mọi câu trả lời không được tài liệu hỗ trợ.

Các giới hạn này hữu ích, nhưng vẫn cần đối chiếu câu trả lời với chính sách. Prompt Engineering có thể giúp mọi người hiểu cả năng lực lẫn giới hạn của mô hình ngôn ngữ, thay vì loại bỏ nhu cầu đánh giá.

Quy trình Prompt Engineering đơn giản cho người mới

Bạn có thể bắt đầu bằng cách xác định kết quả, cung cấp ngữ cảnh, chỉ rõ định dạng, kiểm tra phản hồi và tinh chỉnh prompt theo từng vấn đề cụ thể.

1. Xác định kết quả cần có. Viết ra điều bạn cần AI tạo hoặc hỗ trợ phân tích.
2. Thêm ngữ cảnh liên quan. Bao gồm tài liệu nguồn, đối tượng đọc, mục tiêu và các dữ kiện làm thay đổi câu trả lời.
3. Chọn định dạng đầu ra. Yêu cầu danh sách, bảng, email, danh sách kiểm tra hoặc cấu trúc phù hợp.
4. Đặt ràng buộc. Thêm giới hạn về độ dài, giọng điệu, phạm vi, ngày tháng hoặc giả định không có căn cứ.
5. Thêm ví dụ nếu cần. Dùng ví dụ khi khó mô tả nhãn, phong cách hoặc cấu trúc kỳ vọng.
6. Kiểm tra phản hồi. Đối chiếu với nhiệm vụ và thông tin nguồn.
7. Tinh chỉnh prompt. Xử lý một vấn đề cụ thể trong đầu ra rồi thử lại.

Mẫu khởi đầu có thể tái sử dụng:

> Nhiệm vụ: [AI cần làm gì?]
> Ngữ cảnh: [AI cần thông tin gì?]
> Đối tượng: [Ai sẽ sử dụng kết quả?]
> Yêu cầu: [Điều gì phải có hoặc phải tránh?]
> Định dạng: [Câu trả lời nên được tổ chức thế nào?]
> Quy tắc kiểm tra: [AI nên làm gì khi thông tin thiếu hoặc không chắc chắn?]

Không cần điền mọi dòng cho mọi yêu cầu. Tác vụ ngắn có thể chỉ cần chỉ dẫn trực tiếp; tác vụ phức tạp hoặc có hệ quả lớn có thể cần tài liệu nguồn, ví dụ, ràng buộc và kiểm tra cẩn thận.

Prompt Engineering là giao tiếp rõ ràng kết hợp với đánh giá lặp lại. Nó giúp quy trình làm việc với AI tập trung và dễ kiểm tra hơn, nhưng không chuyển trách nhiệm quyết định từ người dùng sang hệ thống. Hãy dùng hướng dẫn tốt hơn để cải thiện quy trình và áp dụng phán đoán của con người với kết quả.