Prompt engineering là gì mà đang trở thành kỹ năng được săn đón nhất thời đại AI? Nói đơn giản, đây là nghệ thuật viết và tinh chỉnh câu lệnh (prompt) để AI tạo ra kết quả đúng ý bạn. Cùng một mô hình, một prompt kém cho câu trả lời chung chung, còn một prompt tốt cho ra kết quả chính xác đến bất ngờ. Bài viết này sẽ giải thích các kỹ thuật prompt engineering phổ biến và cách áp dụng ngay hôm nay.
Prompt engineering là gì?
Theo Wikipedia, prompt engineering là quá trình cấu trúc các đầu vào ngôn ngữ tự nhiên để tạo ra đầu ra mong muốn từ mô hình AI sinh (generative AI). OpenAI định nghĩa ngắn gọn hơn: đó là quá trình viết hướng dẫn hiệu quả để mô hình tạo ra nội dung đáp ứng yêu cầu của bạn. Vì đầu ra của AI không hoàn toàn xác định, prompt engineering vừa là nghệ thuật vừa là khoa học — và quy tắc cơ bản theo IBM là: prompt tốt cho kết quả tốt.
Các kỹ thuật prompt engineering cốt lõi
Zero-shot prompting
Đưa nhiệm vụ cho mô hình mà không kèm ví dụ nào, dựa hoàn toàn vào kiến thức mô hình đã học. Ví dụ: "Phân loại tiêu đề sau: 'Huấn luyện viên tự tin chấn thương không cản Warriors'. Chủ đề:". Cách này nhanh nhưng kết quả dễ sai định dạng.
Few-shot prompting
Kèm 3-5 cặp ví dụ đầu vào – đầu ra để mô hình học pattern trong ngữ cảnh, không cần fine-tune. Với cùng tiêu đề trên, thêm ba ví dụ phân loại thể thao (Baseball, Soccer, Football) trước khi hỏi, mô hình sẽ trả về "Basketball" chính xác dù “basketball” không xuất hiện trong ví dụ. Đây là kỹ thuật đáng tin cậy nhất để định hình định dạng, giọng văn và cấu trúc câu trả lời.
Chain-of-Thought (CoT) — chuỗi suy nghĩ
Được giới thiệu bởi nghiên cứu của Google Brain năm 2022 (arXiv:2201.11903), kỹ thuật này yêu cầu mô hình giải bài toán qua từng bước trung gian trước khi đưa ra đáp án cuối. Cụm từ kinh điển là “Hãy suy nghĩ từng bước một”. CoT giúp mô hình đạt kết quả tốt nhất trên benchmark toán GSM8K và hoạt động hiệu quả với các bài toán suy luận phức tạp.
Tree-of-Thoughts (ToT) — cây suy nghĩ
Mở rộng CoT bằng cách khám phá nhiều nhánh suy luận song song với khả năng quay lui và tự đánh giá, dùng thuật toán tìm kiếm BFS/DFS. Nghiên cứu của Princeton và Google DeepMind (arXiv:2305.10601) cho thấy ToT vượt trội ở các bài toán cần khám phá và chiến lược như Game of 24, viết sáng tạo và giải ô chữ.
Kỹ thuật nâng cao khác
- Self-consistency: lấy mẫu nhiều chuỗi suy luận khác nhau rồi chọn đáp án xuất hiện nhiều nhất (bỏ phiếu đa số).
- Least-to-most: chia bài toán phức tạp thành các bài toán con, giải tuần tự từ dễ đến khó.
- RAG: chèn tài liệu đã truy xuất vào prompt để câu trả lời có căn cứ, giảm ảo giác.
- Prompt chaining: chia nhiệm vụ thành nhiều bước, đầu ra bước này là đầu vào bước kia.
- Role prompting: gán vai trò cho mô hình, ví dụ “Bạn là trợ lý lập trình Python chuyên nghiệp”.
Prompt kém so với prompt tốt
| Prompt kém | Prompt tốt |
|---|---|
| “Viết phần giới thiệu cho bản tin tuần.” | “Viết phần giới thiệu bản tin tuần cho công ty tên Contoso, nhắc đến buổi họp toàn thể tuần trước và cảm ơn đội ngũ vì nỗ lực trong mấy tháng khó khăn.” |
| “Đừng dùng markdown trong câu trả lời.” | “Câu trả lời của bạn nên là các đoạn văn xuôi mượt mà.” |
| “Một bữa tiệc không có bánh” (prompt tạo ảnh) | Thêm negative prompt: “bánh, bánh ngọt, bánh kem” — vì mô hình tạo ảnh hiểu phủ định rất kém. |
Thực hành tốt khi viết prompt
- Rõ ràng và trực tiếp: nếu đồng nghiệp đọc prompt của bạn mà bối rối, mô hình cũng sẽ bối rối.
- Cung cấp ngữ cảnh: giải thích lý do đằng sau yêu cầu giúp câu trả lời đúng trọng tâm hơn.
- Dùng ví dụ: 3-5 ví dụ đa dạng, liên quan, đóng khung bằng thẻ XML như
<example>. - Cấu trúc prompt: dùng thẻ XML và tiêu đề Markdown để mô hình phân biệt ranh giới logic.
- Chỉ định định dạng đầu ra: JSON, bullet, độ dài cụ thể. Hướng dẫn điều NÊN làm thay vì điều KHÔNG nên làm.
- Lặp và kiểm thử: prompt engineering là quá trình lặp; xây dựng bộ đánh giá để theo dõi chất lượng theo thời gian.
Hướng dẫn chi tiết từ các nhà cung cấp lớn: OpenAI Prompt Engineering Guide, Anthropic Best Practices và Microsoft Prompt Engineering Concepts.
Ứng dụng thực tế của prompt engineering
Kỹ năng này được dùng rộng rãi trong: tạo nội dung (bài blog, bản tin, copy quảng cáo), lập trình (sinh code, gỡ lỗi, agentic coding), tạo ảnh (DALL-E, Midjourney, Stable Diffusion với negative prompt), phân loại văn bản, trích xuất dữ liệu JSON có cấu trúc, chăm sóc khách hàng và xây dựng hệ thống RAG trả lời có căn cứ trên tài liệu nội bộ. Với sự xuất hiện của các mô hình suy luận (reasoning models) như DeepSeek-R1 (arXiv:2501.12948), xu hướng mới là đưa hướng dẫn ở mức chiến lược thay vì ép mô hình làm từng bước.
Kết luận: prompt engineering không phải phép màu mà là kỹ năng có thể rèn luyện — bắt đầu từ việc viết rõ yêu cầu, thêm ngữ cảnh, kèm ví dụ rồi lặp lại. Nắm vững kỹ thuật này, bạn sẽ khai thác được sức mạnh thực sự của AI trong công việc hàng ngày.
