Prompt engineering là kỹ thuật viết lệnh giao tiếp với AI để nhận kết quả chính xác và hữu ích nhất. Thay vì hỏi một câu hỏi mơ hồ, người dùng biết cách viết prompt sẽ khai thác tối đa năng lực của ChatGPT và các model AI hiện đại.
System Prompt và Role Prompting
System prompt (hay instructions) là lớp ưu tiên cao nhất trong cấu trúc tin nhắn. Bạn đặt ra “vai trò” cho AI: “Bạn là chuyên gia tài chính với 10 năm kinh nghiệm” — từ đó model điều chỉnh giọng văn, kiến thức và góc nhìn phù hợp.
Trong OpenAI API, field instructions hoặc role developer có quyền ưu tiên hơn role user. Đây là lớp bảo vệ cơ bản chống prompt injection, vì model ưu tiên tuân theo system prompt trước.
Chain-of-Thought — Để AI Tự Suy Luận
Chain-of-Thought (CoT) yêu cầu model lập luận từng bước trước khi đưa ra kết quả cuối cùng. Thay vì hỏi “15 × 17 = bao nhiêu?”, hãy viết: “Tính 15 × 17. Giải thích từng bước.”
Với các reasoning model như GPT-o series, CoT hoạt động tự nhiên bên trong model. Bạn nên đưa hướng dẫn cấp cao thay vì ép model viết ra từng bước — model tự quyết định khi nào cần suy luận sâu.
Few-Shot Learning — Cho AI Thấy Mẫu
Few-shot learning là kỹ thuật đưa 3–5 ví dụ đầu vào / đầu ra mẫu trực tiếp vào prompt. AI sẽ nhận diện pattern và áp dụng cho dữ liệu thực tế.
Ví dụ: muốn phân loại sentiment, hãy viết:
- “Tuyệt vời!” → Tích cực
- “Tệ hơn mong đợi” → Tiêu cực
- “Bình thường” → Trung tính
Sau đó đưa câu cần phân loại. Kỹ thuật này thay thế fine-tuning cho hầu hết tác vụ phổ thông, tiết kiệm chi phí và thời gian.
Temperature Control — Sáng tạo Hay Chính xác?
Temperature là tham số ẩn quyết định mức độ “sáng tạo” của model:
- Thấp (0–0.3): Kết quả xác định, ổn định. Phù hợp cho code, toán, phân loại, trích xuất dữ liệu.
- Cao (0.7–1.0): Kết quả đa dạng, sáng tạo. Hợp cho viết nội dung, brainstorm, tạo ý tưởng.
Sai lầm phổ biến: dùng temperature cao cho tác vụ logic → kết quả lộn xộn. Dùng temperature thấp cho viết sáng tạo → nội dung khô khan.
Structured Output — JSON Schema Cho Dữ Liệu
Khi cần xuất dữ liệu có cấu trúc (JSON, CSV), hãy yêu cầu model xuất theo schema cụ thể. ChatGPT hỗ trợ JSON mode, giúp tích hợp trực tiếp vào ứng dụng mà không cần parse text tự do.
Đây là kỹ thuật không thể thiếu cho AI agent, chatbot hỗ trợ khách hàng, và bất kỳ workflow nào cần dữ liệu có định dạng chuẩn.
Prompt Chaining — Chia Nhỏ Tác Vụ Lớn
Thay vì giao một prompt khổng lồ, hãy chia thành chuỗi prompt liên tiếp. Mỗi prompt xử lý một bước nhỏ, output bước trước trở thành input bước sau.
Anthropic khuyến nghị cách tiếp cận này cho các hệ thống agentic: workflow có predefined steps ổn định hơn agent hoàn toàn tự do.
RAG — Đưa Context Thực Tế Vào Prompt
Retrieval-Augmented Generation (RAG) trích xuất thông tin liên quan từ cơ sở dữ liệu vector, tài liệu, hoặc API rồi đưa vào prompt. Model trả lời dựa trên dữ liệu thực tế thay vì nhớ sai (hallucination).
Đây là giải pháp cho vấn đề “AI bịa thông tin” — đặc biệt quan trọng khi ứng dụng vào dịch vụ khách hàng, y tế, tài chính.
Sai Lầm Thường Gặp Cần Tránh
- Prompt mơ hồ: Model phải đoán ý bạn → kết quả sai. Viết rõ ràng, cụ thể.
- Nhồi quá nhiều: Prompt dài dòng tốn context window và chi phí.
- Không phòng prompt injection: User có thể nhúng lệnh override system prompt của bạn.
- Đặt system prompt sau user prompt: Mất ưu tiên, dễ bị ghi đè.
- Không test khi đổi model: Prompt chạy ổn trên GPT-4 có thể hỏng trên model mới.
- Tin kết quả không kiểm chứng: AI vẫn có thể hallucination — đặc biệt không có RAG.
Ứng Dụng Thực Tế
- Tóm tắt tài liệu: RAG + prompt chaining để trích xuất và tổng hợp thông tin.
- Phân loại email/ticket: Few-shot + temperature thấp + structured output.
- Sinh code, sửa bug: CoT + system prompt vai trò lập trình viên.
- Chatbot CSKH: System prompt + few-shot giữ giọng văn, chặn lệnh ngoài phạm vi.
- Agent tự động hóa: Prompt chaining + tool calling để xử lý đơn hàng, lịch hẹn.
Prompt engineering không phải “nghệ thuật bí ẩn” — đây là kỹ năng thực hành. Bắt đầu với system prompt rõ ràng, thêm few-shot khi cần, control temperature theo tác vụ, và luôn verify kết quả. Càng thực hành nhiều, bạn càng hiểu model nào cần gì.
Nguồn tham khảo:
