Quy trình và mẹo viết prompt engineering điều khiển AI.

1. Tại sao cấu trúc là chìa khóa để AI hiểu và thực hiện chính xác

Cấu trúc đóng vai trò then chốt trong việc tạo ra các prompt hiệu quả vì nó giúp AI hiểu rõ ràng và chính xác những gì bạn mong muốn. Cũng giống như việc bạn cần một bản thiết kế chi tiết để xây một ngôi nhà, AI cũng cần một cấu trúc prompt rõ ràng để “xây dựng” câu trả lời hoặc thực hiện tác vụ một cách chính xác. Một prompt được cấu trúc tốt sẽ giảm thiểu sự mơ hồ, loại bỏ nhiễu và hướng dẫn AI tập trung vào những thông tin quan trọng nhất.

2. Sáu yếu tố cốt lõi: Role, Task, Context, Format, Constraints, Examples

Để tạo ra một prompt có cấu trúc tốt, bạn cần chú ý đến sáu yếu tố cốt lõi sau:

• Role (Vai trò): Gán cho AI một vai trò cụ thể để định hướng giọng điệu và chuyên môn.
• Task (Nhiệm vụ): Mô tả rõ ràng công việc bạn muốn AI thực hiện.
• Context (Ngữ cảnh): Cung cấp thông tin nền cần thiết để AI hiểu rõ yêu cầu.
• Format (Định dạng): Chỉ định cấu trúc đầu ra mong muốn (ví dụ: danh sách, bảng, JSON).
• Constraints (Ràng buộc/Giới hạn): Đặt ra các quy tắc và giới hạn để đảm bảo đầu ra phù hợp.
• Examples (Ví dụ): Cung cấp các ví dụ để AI học hỏi và tái tạo phong cách/định dạng.

1. Role (Vai trò): Gán cho AI một persona cụ thể (VD: “Bạn là chuyên gia marketing…”, “Bạn là nhà khoa học dữ liệu…”)

Khi bạn giao cho AI một vai trò cụ thể, bạn đang định hình “tính cách” và “giọng điệu” của nó. Điều này giúp AI đưa ra các câu trả lời phù hợp với ngữ cảnh và chuyên môn mong muốn. Ví dụ:

• Prompt không có Role: “Hãy viết một bài viết về biến đổi khí hậu.”
• Prompt có Role: “Bạn là một nhà khoa học khí hậu hàng đầu. Hãy viết một bài viết khoa học, dễ hiểu về những tác động của biến đổi khí hậu đối với Việt Nam.”

Trong ví dụ trên, việc gán vai trò “nhà khoa học khí hậu hàng đầu” giúp AI tập trung vào các khía cạnh khoa học của vấn đề và sử dụng ngôn ngữ phù hợp với đối tượng độc giả là những người không chuyên.

Tầm quan trọng của việc định hướng giọng điệu, phong cách và chuyên môn: Việc chỉ định vai trò cho AI không chỉ giúp định hướng nội dung mà còn cả giọng văn, phong cách và mức độ chuyên môn. Điều này đặc biệt quan trọng khi bạn muốn AI tạo ra các nội dung mang tính chuyên biệt hoặc cần tuân thủ một phong cách nhất định.

2. Task (Nhiệm vụ): Mô tả rõ ràng công việc cần AI thực hiện

Mô tả nhiệm vụ một cách rõ ràng là yếu tố then chốt để AI hiểu chính xác những gì bạn muốn nó làm. Hãy sử dụng các động từ mạnh và cụ thể, tránh các формулировка mơ hồ hoặc chung chung. Ví dụ:

• Prompt Task mơ hồ: “Hãy nói về du lịch Hạ Long.”
• Prompt Task rõ ràng: “Hãy tạo một lịch trình du lịch 3 ngày 2 đêm tại Hạ Long, bao gồm các điểm tham quan chính, gợi ý nhà hàng và khách sạn, và chi phí dự kiến.”

Sử dụng động từ mạnh, rõ ràng, tránh mơ hồ: Thay vì sử dụng các động từ chung chung như “nói”, “viết”, “làm”, hãy sử dụng các động từ mạnh và cụ thể hơn như “tạo”, “tóm tắt”, “phân tích”, “dịch”, “thiết kế”, v.v. Điều này giúp AI hiểu rõ hơn về hành động bạn muốn nó thực hiện.

3. Context (Ngữ cảnh): Cung cấp thông tin nền, dữ liệu liên quan mà AI cần để thực hiện nhiệm vụ

Cung cấp ngữ cảnh đầy đủ giúp AI hiểu rõ hơn về yêu cầu của bạn và đưa ra các câu trả lời phù hợp. Ngữ cảnh có thể bao gồm thông tin nền, dữ liệu liên quan, các ràng buộc hoặc bất kỳ thông tin nào khác mà AI cần để hoàn thành nhiệm vụ. Ví dụ:

• Prompt thiếu Context: “Viết một bài đánh giá về một chiếc điện thoại thông minh.”
• Prompt có Context: “Viết một bài đánh giá chi tiết về chiếc điện thoại Samsung Galaxy S24 Ultra, tập trung vào camera, hiệu năng và thời lượng pin. So sánh nó với iPhone 15 Pro Max và đưa ra nhận xét về ưu và nhược điểm của sản phẩm.”

Đảm bảo đầy đủ thông tin nhưng không quá tải: Cung cấp đầy đủ thông tin cần thiết để AI hiểu rõ yêu cầu, nhưng tránh cung cấp quá nhiều thông tin không liên quan, vì điều này có thể gây nhiễu và làm giảm hiệu quả của prompt. Hãy tập trung vào những thông tin quan trọng nhất và trình bày chúng một cách rõ ràng và súc tích.

4. Format (Định dạng): Yêu cầu cấu trúc đầu ra cụ thể (VD: “Liệt kê dưới dạng bullet points”, “Viết thành bảng”, “Định dạng JSON”)

Chỉ định định dạng đầu ra mong muốn giúp AI trình bày kết quả một cách dễ đọc, dễ sử dụng và phù hợp với mục đích của bạn. Bạn có thể yêu cầu AI trả về kết quả dưới dạng danh sách, bảng, đoạn văn, JSON, hoặc bất kỳ định dạng nào khác. Ví dụ:

• Prompt không có Format: “Liệt kê 5 điểm du lịch hàng đầu ở Hà Nội.”
• Prompt có Format: “Liệt kê 5 điểm du lịch hàng đầu ở Hà Nội dưới dạng danh sách có dấu đầu dòng, bao gồm tên địa điểm, địa chỉ và mô tả ngắn gọn.”

Giúp AI trình bày kết quả dễ đọc, dễ sử dụng: Việc chỉ định định dạng giúp bạn dễ dàng đọc, hiểu và sử dụng kết quả do AI tạo ra. Nó cũng giúp bạn tích hợp kết quả vào các ứng dụng hoặc quy trình làm việc khác một cách dễ dàng hơn.

5. Constraints (Ràng buộc/Giới hạn): Đặt ra các quy tắc, giới hạn về độ dài, từ ngữ, hoặc phong cách (VD: “Dưới 200 từ”, “Không sử dụng thuật ngữ chuyên ngành”, “Viết theo văn phong hài hước”)

Đặt ra các ràng buộc và giới hạn giúp đảm bảo rằng kết quả đầu ra của AI đáp ứng các yêu cầu cụ thể của bạn. Bạn có thể giới hạn độ dài của văn bản, yêu cầu AI sử dụng hoặc tránh sử dụng các từ ngữ nhất định, hoặc chỉ định một phong cách viết cụ thể. Ví dụ:

• Prompt không có Constraints: “Viết một đoạn giới thiệu về Prompt Engineering.”
• Prompt có Constraints: “Viết một đoạn giới thiệu ngắn gọn (dưới 150 từ) về Prompt Engineering, sử dụng ngôn ngữ đơn giản, dễ hiểu, tránh sử dụng thuật ngữ chuyên ngành.”

Đảm bảo đầu ra đáp ứng yêu cầu cụ thể: Việc đặt ra các ràng buộc giúp bạn kiểm soát kết quả đầu ra của AI và đảm bảo rằng nó phù hợp với mục đích sử dụng của bạn. Nó cũng giúp bạn tiết kiệm thời gian và công sức chỉnh sửa kết quả sau này.

6. Examples (Ví dụ): Cung cấp các ví dụ về đầu vào và đầu ra mong muốn

Cung cấp các ví dụ là một cách cực kỳ hiệu quả để hướng dẫn AI học hỏi và tái tạo phong cách hoặc định dạng mong muốn. Bạn có thể cung cấp một hoặc nhiều ví dụ về đầu vào và đầu ra tương ứng để AI hiểu rõ hơn về những gì bạn mong đợi. Kỹ thuật này đặc biệt hữu ích trong few-shot learning. Ví dụ:

Prompt không có Examples: “Dịch câu sau sang tiếng Pháp: ‘Tôi yêu Việt Nam’.”

Prompt có Examples:

Dịch các câu sau sang tiếng Pháp:

• “Tôi yêu Việt Nam” -> “J’aime le Vietnam.”
• “Hà Nội là thủ đô của Việt Nam” -> “Hanoi est la capitale du Vietnam.”
• “Việt Nam là một đất nước xinh đẹp” -> “Le Vietnam est un beau pays.”

Dịch câu sau sang tiếng Pháp: “Tôi muốn đi du lịch Hạ Long.”

Trong ví dụ này, việc cung cấp các ví dụ giúp AI hiểu rõ hơn về cách dịch các câu tiếng Việt sang tiếng Pháp, bao gồm cả cách sử dụng các từ ngữ và cấu trúc câu phù hợp.

1. Quy trình từ ý tưởng đến Prompt: Phân rã vấn đề, xác định thông tin cần thiết

Để xây dựng một prompt hiệu quả, bạn cần bắt đầu bằng việc phân rã vấn đề thành các phần nhỏ hơn và xác định những thông tin cần thiết để AI có thể giải quyết vấn đề đó. Hãy tự hỏi:

• Tôi muốn AI làm gì? (Task)
• AI cần biết gì để hoàn thành nhiệm vụ này? (Context)
• Tôi muốn kết quả đầu ra có định dạng như thế nào? (Format)
• Có những ràng buộc hoặc giới hạn nào cần tuân thủ? (Constraints)
• Tôi có thể cung cấp ví dụ nào để giúp AI hiểu rõ hơn? (Examples)

Bằng cách trả lời những câu hỏi này, bạn sẽ có một cái nhìn tổng quan về những yếu tố cần thiết để xây dựng một prompt hiệu quả.

2. Sử dụng ngôn ngữ tự nhiên nhưng chính xác và tường minh

Mặc dù bạn đang “lập trình” AI bằng ngôn ngữ tự nhiên, nhưng điều quan trọng là phải sử dụng ngôn ngữ một cách chính xác và tường minh. Tránh sử dụng các từ ngữ mơ hồ, двусмысленность hoặc сложно để hiểu. Hãy viết các câu ngắn gọn, rõ ràng và tập trung vào những thông tin quan trọng nhất.

1. Khi nào nên dùng: Đối với các tác vụ đơn giản, AI đã có kiến thức rộng

Zero-shot prompting là kỹ thuật mà bạn yêu cầu AI thực hiện một tác vụ mà không cung cấp bất kỳ ví dụ nào. Kỹ thuật này phù hợp với các tác vụ đơn giản mà AI đã có kiến thức nền tảng vững chắc. Ví dụ:

• “Viết một đoạn tóm tắt về cuốn sách ‘Đắc Nhân Tâm’.”
• “Liệt kê 5 ngọn núi cao nhất Việt Nam.”

Trong những trường hợp này, AI có thể sử dụng kiến thức đã được huấn luyện để hoàn thành nhiệm vụ mà không cần bất kỳ hướng dẫn cụ thể nào.

2. Giới hạn và thách thức: Độ chính xác có thể không cao

Mặc dù zero-shot prompting rất đơn giản và dễ sử dụng, nhưng nó cũng có những hạn chế nhất định. Độ chính xác của kết quả có thể không cao, đặc biệt là đối với các tác vụ phức tạp hoặc đòi hỏi kiến thức chuyên sâu. Trong nhiều trường hợp, AI có thể đưa ra các câu trả lời chung chung, không chính xác hoặc không phù hợp với ngữ cảnh.

1. Cách hoạt động: Cung cấp một vài cặp input-output mẫu trong Prompt

Few-shot prompting là kỹ thuật mà bạn cung cấp một vài ví dụ về đầu vào và đầu ra mong muốn trong prompt. Các ví dụ này giúp AI hiểu rõ hơn về những gì bạn mong đợi và tạo ra các kết quả chính xác và phù hợp hơn. Ví dụ:

Prompt:

Dịch các câu sau sang tiếng Anh:

• “Xin chào” -> “Hello”
• “Cảm ơn” -> “Thank you”

Dịch câu sau sang tiếng Anh: “Bạn khỏe không?”

Trong ví dụ này, việc cung cấp hai ví dụ về cách dịch các câu tiếng Việt sang tiếng Anh giúp AI hiểu rõ hơn về quy tắc dịch thuật và tạo ra bản dịch chính xác cho câu hỏi “Bạn khỏe không?”.

2. Lợi ích: Cải thiện đáng kể hiệu suất và khả năng theo dõi định dạng

Few-shot prompting có nhiều lợi ích so với zero-shot prompting. Nó giúp cải thiện đáng kể hiệu suất của AI, đặc biệt là đối với các tác vụ phức tạp hoặc đòi hỏi kiến thức chuyên sâu. Nó cũng giúp AI dễ dàng theo dõi định dạng và phong cách mong muốn, tạo ra các kết quả nhất quán và phù hợp với yêu cầu của bạn.

3. Ví dụ ứng dụng trong tạo nội dung, phân loại

Few-shot prompting có thể được áp dụng trong nhiều lĩnh vực khác nhau, bao gồm tạo nội dung, phân loại văn bản, dịch thuật, và nhiều tác vụ khác. Ví dụ:

• Tạo nội dung: Cung cấp một vài ví dụ về phong cách viết bạn muốn AI tái tạo (ví dụ: viết theo phong cách báo chí, viết theo phong cách hài hước, v.v.).
• Phân loại văn bản: Cung cấp một vài ví dụ về các loại văn bản khác nhau và nhãn tương ứng (ví dụ: email spam, email không spam).

1. Khái niệm: Yêu cầu AI trình bày các bước suy luận trước khi đưa ra câu trả lời cuối cùng

Chain-of-Thought (CoT) prompting là một kỹ thuật mạnh mẽ giúp AI giải quyết các vấn đề phức tạp bằng cách yêu cầu nó trình bày các bước suy luận trước khi đưa ra câu trả lời cuối cùng. Thay vì chỉ đơn giản là đưa ra kết quả, AI sẽ giải thích quá trình suy nghĩ của nó, giúp bạn hiểu rõ hơn về cách nó đưa ra quyết định.

2. Lợi ích: Giúp AI giải quyết các vấn đề phức tạp, tăng cường tính minh bạch và độ chính xác của lập luận

CoT prompting có nhiều lợi ích so với các kỹ thuật prompting khác. Nó giúp AI giải quyết các vấn đề phức tạp bằng cách chia nhỏ chúng thành các bước nhỏ hơn và dễ quản lý hơn. Nó cũng tăng cường tính minh bạch và độ chính xác của lập luận, giúp bạn tin tưởng hơn vào kết quả do AI tạo ra. Bằng cách này, chúng ta có thể kết nối AI một cách bền vững hơn.

3. Ứng dụng: Toán học, phân tích dữ liệu, ra quyết định

CoT prompting có thể được áp dụng trong nhiều lĩnh vực khác nhau, bao gồm toán học, phân tích dữ liệu, ra quyết định, và nhiều lĩnh vực khác. Ví dụ:

Prompt:

Bài toán: Một người đàn ông mua 10 quả táo với giá 2 đô la mỗi quả. Anh ta bán 6 quả táo với giá 3 đô la mỗi quả và 4 quả táo còn lại với giá 1 đô la mỗi quả. Anh ta lãi hay lỗ bao nhiêu?

Hãy giải bài toán này từng bước một.

AI (với CoT):

Bước 1: Tính tổng chi phí mua táo: 10 quả táo * 2 đô la/quả = 20 đô la.

Bước 2: Tính tổng doanh thu từ việc bán 6 quả táo: 6 quả táo * 3 đô la/quả = 18 đô la.

Bước 3: Tính tổng doanh thu từ việc bán 4 quả táo còn lại: 4 quả táo * 1 đô la/quả = 4 đô la.

Bước 4: Tính tổng doanh thu: 18 đô la + 4 đô la = 22 đô la.

Bước 5: Tính lợi nhuận: 22 đô la – 20 đô la = 2 đô la.

Vậy, người đàn ông lãi 2 đô la.

1. Khái niệm: Mở rộng CoT, cho phép AI khám phá nhiều đường suy luận song song, đánh giá và lựa chọn con đường tốt nhất

Tree-of-Thought (ToT) prompting là một kỹ thuật tiên tiến hơn CoT prompting, cho phép AI khám phá nhiều đường suy luận song song, đánh giá và lựa chọn con đường tốt nhất để giải quyết vấn đề. Thay vì chỉ đi theo một chuỗi suy luận duy nhất, AI có thể “nhìn” vấn đề từ nhiều góc độ khác nhau và đưa ra các giải pháp sáng tạo hơn.

2. Tiềm năng: Giải quyết các vấn vụ cực kỳ phức tạp, tạo ra các giải pháp sáng tạo hơn

ToT prompting có tiềm năng giải quyết các vấn đề cực kỳ phức tạp mà các kỹ thuật prompting khác không thể xử lý được. Nó cũng có thể giúp AI tạo ra các giải pháp sáng tạo hơn bằng cách khám phá nhiều khả năng khác nhau và kết hợp chúng lại với nhau.

3. Triển vọng 2025: ToT được kỳ vọng sẽ là bước tiến lớn trong khả năng lập luận của AI Agents

ToT prompting được kỳ vọng sẽ là một bước tiến lớn trong khả năng lập luận của AI Agents vào năm 2025. Các AI Agents sử dụng ToT prompting có thể tự động giải quyết các vấn đề phức tạp, đưa ra các quyết định thông minh và tương tác với thế giới một cách linh hoạt hơn. Điều này có thể mở ra những cơ hội mới trong nhiều lĩnh vực khác nhau, từ робот học đến sáng tạo nội dung AI.

1. Persona Prompting: Định hình cá tính, giọng điệu cho AI

Persona prompting là kỹ thuật gán cho AI một “tính cách” hoặc “vai trò” cụ thể để định hình giọng điệu và phong cách của nó. Ví dụ, bạn có thể yêu cầu AI đóng vai một nhà văn hài hước, một nhà khoa học nghiêm túc, hoặc một chuyên gia tư vấn tài chính. Kỹ thuật này giúp tạo ra các nội dung mang tính cá nhân hóa và phù hợp với đối tượng mục tiêu.

2. Negative Prompting (đặc biệt trong Text-to-Image): Chỉ rõ điều không muốn xuất hiện

Negative prompting là kỹ thuật chỉ định những điều bạn không muốn xuất hiện trong kết quả đầu ra của AI. Kỹ thuật này đặc biệt hữu ích trong các mô hình Text-to-Image, giúp bạn loại bỏ các yếu tố không mong muốn và tạo ra các hình ảnh chất lượng cao hơn. Ví dụ, bạn có thể sử dụng negative prompting để loại bỏ các chi tiết thừa, các hiệu ứng không mong muốn, hoặc các đối tượng không phù hợp với ngữ cảnh.

3. Iterative Prompting: Tinh chỉnh Prompt qua nhiều vòng lặp

Iterative prompting là kỹ thuật tinh chỉnh prompt qua nhiều vòng lặp để đạt được kết quả mong muốn. Bạn bắt đầu bằng một prompt cơ bản, sau đó đánh giá kết quả đầu ra và điều chỉnh prompt để cải thiện kết quả. Quá trình này được lặp lại cho đến khi bạn đạt được kết quả ưng ý. Kỹ thuật này đặc biệt hữu ích khi bạn chưa chắc chắn về prompt nào sẽ tạo ra kết quả tốt nhất.

Ứng dụng tâm lý học vào Prompt Engineering giúp bạn hiểu rõ hơn về cách người dùng tương tác với AI.