Prompt engineering là gì? 20 kỹ thuật viết prompt hiệu quả cho ChatGPT, Claude và Gemini

Prompt engineering là kỹ thuật thiết kế và tối ưu câu lệnh đầu vào để mô hình ngôn ngữ lớn như ChatGPT, Claude hay Gemini tạo ra kết quả chính xác, hữu ích và đúng định dạng bạn cần. Nói ngắn gọn, prompt tốt không làm AI thông minh hơn, mà giúp AI hiểu đúng việc bạn muốn và dùng đúng phần kiến thức của nó để trả lời.

Nếu bạn từng gõ một câu hỏi vào ChatGPT và nhận về câu trả lời chung chung, lan man hoặc sai trọng tâm, vấn đề thường không nằm ở mô hình mà nằm ở prompt. Cùng một mô hình, cùng một câu hỏi, chỉ cần thay đổi cách diễn đạt, bổ sung vai trò, ngữ cảnh và định dạng đầu ra, chất lượng kết quả có thể khác nhau hoàn toàn. Bài viết này giải thích bản chất của prompt engineering, trình bày 20 kỹ thuật cụ thể với ví dụ prompt trước và sau, chỉ ra lỗi thường gặp và cung cấp mẫu prompt sẵn dùng cho công việc văn phòng, marketing, học tập và lập trình.

Prompt engineering là gì?

Prompt engineering là quá trình thiết kế, thử nghiệm và tinh chỉnh câu lệnh (prompt) mà người dùng gửi cho mô hình trí tuệ nhân tạo để đạt được đầu ra mong muốn. Thuật ngữ này xuất hiện cùng với sự phổ biến của các mô hình ngôn ngữ lớn (large language model, viết tắt là LLM) như GPT của OpenAI, Claude của Anthropic và Gemini của Google. Trong đó, “prompt” là toàn bộ văn bản đầu vào bạn cung cấp cho mô hình, bao gồm câu hỏi, yêu cầu, ngữ cảnh, ví dụ và các ràng buộc. “Engineering” ở đây không có nghĩa là lập trình theo nghĩa truyền thống, mà là tư duy có hệ thống: đặt giả thuyết, thử nghiệm, đo lường kết quả và cải tiến dần.

Để hiểu vì sao prompt lại quan trọng, cần hiểu cách mô hình ngôn ngữ hoạt động ở mức cơ bản. Một mô hình ngôn ngữ lớn được huấn luyện trên lượng văn bản khổng lồ để học xác suất của từ tiếp theo trong một chuỗi văn bản. Khi bạn gửi prompt, mô hình không “hiểu” theo cách con người hiểu, mà dự đoán chuỗi từ có khả năng cao nhất tiếp nối văn bản bạn đã cho, dựa trên các mẫu ngôn ngữ nó đã học. Điều này có hai hệ quả quan trọng. Thứ nhất, prompt càng rõ ràng và càng chứa nhiều tín hiệu định hướng, mô hình càng có cơ sở để chọn ra chuỗi từ phù hợp thay vì chuỗi từ chung chung nhất. Thứ hai, mô hình không có ý định hay mục tiêu riêng, nên mọi định hướng đều phải đến từ prompt: bạn muốn câu trả lời ngắn hay dài, trang trọng hay thân mật, dạng bảng hay dạng văn xuôi, tất cả đều phải được nói ra.

Một cách hình dung đơn giản là coi mô hình ngôn ngữ như một cộng sự cực kỳ giỏi nhưng không biết bạn đang nghĩ gì. Nếu bạn nói “viết giúp tôi một bài về AI”, cộng sự đó sẽ viết một bài chung chung vì không biết bạn cần bài cho ai đọc, dài bao nhiêu, giọng điệu ra sao và mục đích là gì. Nhưng nếu bạn nói “viết một bài 800 từ cho chủ doanh nghiệp nhỏ chưa biết gì về AI, giọng điệu thực tế, có ba ví dụ ứng dụng cụ thể và kết thúc bằng checklist hành động”, cộng sự đó có đủ thông tin để làm đúng việc ngay từ lần đầu. Prompt engineering chính là kỹ năng biến yêu cầu mơ hồ trong đầu bạn thành chỉ dẫn đầy đủ mà mô hình có thể thực thi.

Cần phân biệt prompt engineering với hai khái niệm hay bị nhầm lẫn. Thứ nhất là fine-tuning, tức huấn luyện thêm mô hình trên dữ liệu riêng để thay đổi hành vi của nó một cách bền vững. Fine-tuning cần dữ liệu, chi phí tính toán và kỹ thuật chuyên sâu, trong khi prompt engineering chỉ thay đổi văn bản đầu vào và ai cũng làm được ngay. Thứ hai là việc “trò chuyện” thông thường với chatbot. Trò chuyện là dùng AI theo bản năng, còn prompt engineering là dùng AI có phương pháp: có cấu trúc, có kiểm chứng và có thể lặp lại kết quả. Một prompt tốt có thể được lưu lại, chia sẻ cho đồng nghiệp và dùng lại nhiều lần như một quy trình làm việc.

Prompt engineering áp dụng cho nhiều loại mô hình khác nhau, không chỉ chatbot văn bản. Người dùng viết prompt cho mô hình tạo ảnh như Midjourney hay DALL-E, cho mô hình tạo video, tạo nhạc và tạo mã nguồn. Tuy nhiên, bài viết này tập trung vào prompt cho mô hình ngôn ngữ, cụ thể là ChatGPT, Claude và Gemini, vì đây là nhóm công cụ được dùng phổ biến nhất trong công việc hằng ngày. Các nguyên tắc cốt lõi trình bày ở đây vẫn đúng cho hầu hết các mô hình ngôn ngữ khác, chỉ khác ở một số chi tiết về cú pháp và tính năng riêng của từng nền tảng.

Vì sao prompt quyết định chất lượng đầu ra của AI?

Có một nguyên tắc cũ trong ngành máy tính là “garbage in, garbage out”, nghĩa là đầu vào kém thì đầu ra kém. Với mô hình ngôn ngữ, nguyên tắc này càng đúng vì mô hình không thể tự hỏi lại bạn khi yêu cầu chưa rõ, trừ khi bạn chủ động yêu cầu nó làm vậy. Khi prompt mơ hồ, mô hình buộc phải tự lấp đầy những chỗ trống bằng phỏng đoán, và phỏng đoán đó thường đi theo hướng phổ biến nhất trong dữ liệu huấn luyện chứ không phải hướng bạn cần. Kết quả là câu trả lời đúng về mặt ngữ pháp nhưng sai về mặt nhu cầu.

Một prompt tốt tác động đến chất lượng đầu ra theo bốn cơ chế. Cơ chế thứ nhất là thu hẹp không gian đáp án. Mỗi prompt mở ra một tập hợp các câu trả lời có thể, và prompt càng cụ thể thì tập hợp đó càng nhỏ, càng gần với đáp án bạn muốn. Cơ chế thứ hai là kích hoạt kiến thức phù hợp. Khi bạn giao vai trò “chuyên gia tài chính” hay cung cấp thuật ngữ chuyên ngành, mô hình sẽ ưu tiên các mẫu ngôn ngữ và kiến thức liên quan đến lĩnh vực đó. Cơ chế thứ ba là định hình cấu trúc suy luận. Các kỹ thuật như yêu cầu mô hình trình bày từng bước suy nghĩ, hay chia nhiệm vụ lớn thành các bước nhỏ, giúp mô hình xử lý bài toán phức tạp một cách có trật tự thay vì nhảy thẳng đến kết luận. Cơ chế thứ tư là kiểm soát định dạng, độ dài và giọng điệu, giúp đầu ra dùng được ngay mà không cần chỉnh sửa nhiều.

Trong thực tế công việc, sự khác biệt giữa prompt kém và prompt tốt thường thể hiện ở ba điểm: số lần phải hỏi lại, mức độ phải chỉnh sửa và độ tin cậy của nội dung. Một nhân viên marketing dùng prompt tốt có thể nhận được bản nháp bài đăng gần như dùng được ngay, trong khi prompt kém cho ra bản nháp phải viết lại gần như toàn bộ. Một lập trình viên dùng prompt tốt nhận được đoạn mã chạy được và có giải thích rõ ràng, trong khi prompt kém cho ra mã thiếu thư viện, sai phiên bản hoặc không xử lý trường hợp biên. Thời gian tiết kiệm được từ việc viết prompt tốt thường lớn hơn nhiều so với thời gian bỏ ra để viết prompt đó.

Cũng cần nói rõ giới hạn của prompt engineering. Prompt tốt không thể biến mô hình thành nguồn chân lý, không thể giúp mô hình biết những sự kiện sau thời điểm dữ liệu huấn luyện của nó, và không thể loại bỏ hoàn toàn hiện tượng “ảo giác” (hallucination), tức mô hình tự tin đưa ra thông tin sai. Prompt tốt giúp giảm rủi ro, nhưng không thay thế việc kiểm chứng thông tin quan trọng bằng nguồn đáng tin cậy. Người dùng prompt giỏi là người biết kết hợp prompt tốt với kiểm tra độc lập, đặc biệt với các nội dung liên quan đến pháp luật, y tế, tài chính và số liệu.

Năm nguyên tắc vàng khi viết prompt

Trước khi đi vào 20 kỹ thuật cụ thể, cần nắm năm nguyên tắc nền tảng. Mọi kỹ thuật trong bài đều là cách vận dụng một hoặc nhiều nguyên tắc này vào từng tình huống. Nếu chỉ nhớ được một phần của bài viết, hãy nhớ năm nguyên tắc sau.

Rõ ràng hơn dài dòng: prompt tốt nêu rõ việc cần làm, đối tượng, mục đích và tiêu chí thành công, thay vì dùng nhiều từ nhưng không nói rõ yêu cầu. Một prompt 50 từ rõ ràng thường hiệu quả hơn prompt 200 từ lan man.
Cung cấp ngữ cảnh: mô hình không biết bạn là ai, làm việc trong lĩnh vực nào và dùng kết quả để làm gì, trừ khi bạn nói ra. Ngữ cảnh giúp mô hình chọn đúng góc nhìn, đúng mức độ chuyên sâu và đúng thuật ngữ.
Cho ví dụ: một ví dụ đầu vào và đầu ra mẫu thường có giá trị hơn nhiều câu mô tả trừu tượng. Ví dụ giúp mô hình hiểu chính xác định dạng, độ dài và phong cách bạn mong đợi.
Chia nhỏ nhiệm vụ phức tạp: thay vì yêu cầu mô hình làm một việc lớn trong một lần, hãy tách thành các bước nhỏ và xử lý lần lượt. Mỗi bước có đầu ra rõ ràng thì bước sau mới có cơ sở tốt để thực hiện.
Lặp lại và cải tiến: prompt đầu tiên hiếm khi là prompt tốt nhất. Hãy coi lần trả lời đầu tiên là bản nháp, đánh giá xem thiếu sót ở đâu, rồi bổ sung hoặc sửa prompt và thử lại. Người viết prompt giỏi là người kiên nhẫn lặp lại quy trình này.

20 kỹ thuật viết prompt hiệu quả

Hai mươi kỹ thuật dưới đây được sắp xếp từ nền tảng đến nâng cao. Mỗi kỹ thuật gồm phần giải thích ngắn và một ví dụ so sánh giữa prompt chưa tốt và prompt đã cải thiện. Bạn không cần áp dụng cả 20 kỹ thuật trong một prompt. Hãy chọn 3 đến 5 kỹ thuật phù hợp nhất với từng nhiệm vụ. Với nhiệm vụ đơn giản, chỉ cần kỹ thuật 1, 2 và 5 là đủ. Với nhiệm vụ phức tạp như phân tích dữ liệu hay viết báo cáo dài, hãy kết hợp thêm các kỹ thuật về vai trò, ví dụ mẫu và chia nhỏ nhiệm vụ.

1. Giao vai trò cụ thể cho AI

Bắt đầu prompt bằng việc giao cho mô hình một vai trò rõ ràng giúp nó chọn đúng góc nhìn, thuật ngữ và mức độ chuyên sâu. Vai trò càng cụ thể thì kết quả càng sát với nhu cầu. “Chuyên gia marketing” là vai trò chung chung, còn “chuyên gia marketing B2B cho phần mềm quản lý kho, có 10 năm kinh nghiệm thị trường Việt Nam” là vai trò đủ cụ thể để mô hình định hướng tốt.

Prompt chưa tốt: “Viết về xu hướng AI trong giáo dục.”

Prompt đã cải thiện: “Bạn là chuyên gia tư vấn chuyển đổi số cho trường đại học, có 10 năm kinh nghiệm triển khai AI trong giảng dạy. Hãy phân tích 5 xu hướng AI đang thay đổi giáo dục đại học tại Việt Nam, mỗi xu hướng kèm một ví dụ thực tế và một rủi ro cần lưu ý.”

2. Nêu rõ nhiệm vụ, đối tượng và mục đích

Một nhiệm vụ trong prompt nên trả lời ba câu hỏi: làm gì, cho ai và để làm gì. Thiếu một trong ba yếu tố này, mô hình sẽ tự đoán và thường đoán sai. Ví dụ, yêu cầu “viết email” không cho biết email gửi cho ai và nhằm mục đích gì, nên kết quả khó dùng được ngay.

Prompt chưa tốt: “Viết email giới thiệu sản phẩm mới.”

Prompt đã cải thiện: “Viết email giới thiệu phần mềm quản lý kho mới cho giám đốc vận hành của các doanh nghiệp logistics vừa và nhỏ. Mục đích là mời họ đăng ký dùng thử miễn phí 14 ngày. Email dài khoảng 150 từ, giọng điệu chuyên nghiệp nhưng thân thiện, có một câu kêu gọi hành động rõ ràng ở cuối.”

3. Cung cấp ngữ cảnh và thông tin nền

Ngữ cảnh là mọi thông tin giúp mô hình hiểu tình huống của bạn: bạn là ai, dữ liệu đầu vào là gì, ràng buộc nào đang tồn tại và kết quả sẽ được dùng ở đâu. Khi thiếu ngữ cảnh, mô hình phải đoán và thường đoán theo hướng chung nhất. Khi có ngữ cảnh, mô hình có thể đưa ra câu trả lời sát với thực tế của bạn.

Prompt chưa tốt: “Tóm tắt văn bản này.”

Prompt đã cải thiện: “Tôi là trưởng phòng nhân sự, cần tóm tắt báo cáo khảo sát mức độ hài lòng nhân viên dài 20 trang dưới đây để trình bày với ban giám đốc trong cuộc họp 15 phút. Hãy tóm tắt thành 5 điểm chính, mỗi điểm một câu, nêu rõ con số nổi bật nhất và đề xuất một hành động cụ thể. Văn bản báo cáo: [dán văn bản vào đây].”

4. Đưa ra ví dụ mẫu (few-shot prompting)

Thay vì mô tả bằng lời định dạng bạn muốn, hãy cho mô hình một hoặc vài ví dụ đầu vào và đầu ra. Kỹ thuật này gọi là few-shot prompting, và nó đặc biệt hiệu quả với các nhiệm vụ có định dạng cố định như phân loại, đặt tên, viết mô tả sản phẩm hay chuyển đổi dữ liệu. Mô hình sẽ bắt chước mẫu bạn đưa ra một cách khá chính xác.

Prompt chưa tốt: “Viết mô tả ngắn cho các sản phẩm sau.”

Prompt đã cải thiện: “Hãy viết mô tả sản phẩm theo đúng mẫu sau. Ví dụ 1: Sản phẩm: Cốc giữ nhiệt inox 500ml. Mô tả: Giữ nóng 8 giờ, giữ lạnh 12 giờ, nắp chống tràn, phù hợp mang đi làm và tập gym. Ví dụ 2: Sản phẩm: Ba lô laptop 15,6 inch. Mô tả: Ngăn chống sốc, cổng sạc USB ngoài, vải chống thấm, đeo êm cả ngày dài. Bây giờ viết mô tả cho: Sản phẩm: Đèn bàn LED chống cận.”

5. Quy định định dạng và độ dài đầu ra

Mô hình không tự biết bạn muốn câu trả lời dài bao nhiêu và trình bày như thế nào. Hãy nói rõ: dạng bảng hay danh sách, bao nhiêu mục, mỗi mục bao nhiêu từ, có cần tiêu đề phụ hay không. Việc quy định định dạng ngay từ đầu giúp đầu ra dùng được ngay mà không cần định dạng lại.

Prompt chưa tốt: “Liệt kê lợi ích của AI trong y tế.”

Prompt đã cải thiện: “Liệt kê 5 lợi ích lớn nhất của AI trong y tế dưới dạng bảng có 3 cột: Lợi ích, Ví dụ thực tế, Mức độ tác động (Cao/Trung bình/Thấp). Mỗi ô ví dụ không quá 20 từ.”

6. Yêu cầu trình bày từng bước suy luận (chain-of-thought)

Với bài toán cần suy luận, chẳng hạn tính toán, phân tích số liệu hay lập kế hoạch nhiều bước, hãy yêu cầu mô hình trình bày từng bước trước khi đưa ra kết luận. Kỹ thuật này gọi là chain-of-thought, giúp mô hình xử lý lần lượt từng phần của bài toán thay vì đoán kết quả cuối cùng, từ đó giảm sai sót và giúp bạn kiểm tra được chỗ nào sai nếu kết quả chưa đúng.

Prompt chưa tốt: “Một cửa hàng bán 120 sản phẩm ngày đầu, mỗi ngày sau tăng 15%, hỏi sau 5 ngày bán được tổng cộng bao nhiêu?”

Prompt đã cải thiện: “Một cửa hàng bán 120 sản phẩm ngày đầu, mỗi ngày sau tăng 15% so với ngày trước. Hãy tính tổng số sản phẩm bán được sau 5 ngày. Trình bày từng bước: số sản phẩm mỗi ngày, công thức tính, rồi mới đưa ra đáp án cuối cùng.”

7. Đặt ràng buộc và giới hạn rõ ràng

Ràng buộc giúp mô hình tránh những điều bạn không muốn: không dùng thuật ngữ chuyên ngành khó hiểu, không đưa ra lời khuyên y tế, không vượt quá ngân sách từ, không nhắc đến đối thủ cạnh tranh. Hãy liệt kê ràng buộc một cách cụ thể thay vì nói chung chung “hãy cẩn thận”.

Prompt chưa tốt: “Viết bài quảng cáo cho khóa học tiếng Anh.”

Prompt đã cải thiện: “Viết bài quảng cáo cho khóa học tiếng Anh giao tiếp dành cho người đi làm. Bài dài 200 từ, không dùng từ ngữ quá chuyên môn, không cam kết kết quả tuyệt đối như ‘chắc chắn giỏi sau 1 tháng’, không nhắc đến các trung tâm khác, kết thúc bằng lời mời đăng ký học thử miễn phí.”

8. Chia nhỏ nhiệm vụ phức tạp thành nhiều bước

Khi nhiệm vụ gồm nhiều giai đoạn, đừng yêu cầu mô hình làm tất cả trong một lần. Hãy tách thành các bước và xử lý lần lượt, dùng kết quả bước trước làm đầu vào cho bước sau. Cách này giúp bạn kiểm soát chất lượng từng khâu và dễ dàng sửa sai ở đúng chỗ.

Prompt chưa tốt: “Lập kế hoạch marketing hoàn chỉnh cho sản phẩm mới của tôi.”

Prompt đã cải thiện: “Chúng ta sẽ lập kế hoạch marketing cho sản phẩm mới theo 3 bước. Bước 1: Dựa trên thông tin sản phẩm sau đây, hãy xác định 3 nhóm khách hàng mục tiêu và mô tả ngắn gọn từng nhóm. [thông tin sản phẩm]. Sau khi tôi xác nhận, chúng ta sẽ làm bước 2 là xây dựng thông điệp chính cho từng nhóm, rồi bước 3 là lên lịch nội dung 4 tuần.”

9. Yêu cầu AI tự kiểm tra và sửa lỗi

Sau khi mô hình đưa ra đáp án, bạn có thể yêu cầu nó kiểm tra lại tính nhất quán, tìm lỗi sai và đề xuất bản sửa. Kỹ thuật này đặc biệt hữu ích với các bài toán tính toán, đoạn mã và bản dịch, nơi lỗi nhỏ khó phát hiện bằng mắt thường. Lưu ý rằng mô hình tự kiểm tra không đảm bảo đúng hoàn toàn, nhưng thường phát hiện được những lỗi rõ ràng.

Prompt chưa tốt: “Viết hàm tính lãi kép trong Python.”

Prompt đã cải thiện: “Viết hàm Python tính lãi kép theo công thức A = P(1 + r/n)^(nt). Sau đó, tự kiểm tra lại hàm bằng cách chạy thử với P = 100, r = 0,05, n = 12, t = 5, so sánh kết quả với tính toán tay, và sửa lại nếu có sai sót. Trình bày cả mã nguồn và kết quả kiểm tra.”

10. Đặt câu hỏi làm rõ trước khi trả lời

Khi yêu cầu của bạn chưa đủ thông tin, hãy cho phép hoặc yêu cầu mô hình hỏi lại trước khi trả lời. Cách này tránh tình trạng mô hình tự đoán sai rồi bạn phải sửa lại từ đầu. Kỹ thuật này phù hợp với các yêu cầu mở, nơi có nhiều cách hiểu khác nhau.

Prompt chưa tốt: “Giúp tôi lên kế hoạch học tiếng Anh.”

Prompt đã cải thiện: “Tôi muốn lên kế hoạch học tiếng Anh trong 3 tháng. Trước khi lập kế hoạch, hãy hỏi tôi 5 câu hỏi quan trọng nhất về trình độ hiện tại, mục tiêu, thời gian rảnh mỗi ngày, kỹ năng cần ưu tiên và ngân sách. Sau khi tôi trả lời, hãy lập kế hoạch chi tiết theo tuần.”

11. Yêu cầu nhiều phương án để lựa chọn

Thay vì nhận một đáp án duy nhất, hãy yêu cầu mô hình đưa ra nhiều phương án khác nhau. Cách này đặc biệt hiệu quả với các nhiệm vụ sáng tạo như đặt tiêu đề, viết slogan hay nghĩ ý tưởng nội dung, vì bạn có thể chọn phương án tốt nhất hoặc kết hợp các phương án với nhau.

Prompt chưa tốt: “Đặt tiêu đề cho bài viết về AI trong giáo dục.”

Prompt đã cải thiện: “Đặt 10 tiêu đề cho bài viết về AI trong giáo dục đại học, chia thành 3 nhóm phong cách: 4 tiêu đề trực tiếp nêu lợi ích, 3 tiêu đề gây tò mò bằng câu hỏi, 3 tiêu đề dùng số liệu cụ thể. Mỗi tiêu đề dài dưới 12 từ.”

12. Chỉ định giọng điệu và phong cách viết

Giọng điệu quyết định cảm nhận của người đọc về nội dung. Một bài viết cho chuyên gia khác hẳn một bài viết cho người mới bắt đầu, dù cùng một chủ đề. Hãy nêu rõ giọng điệu mong muốn: trang trọng, thân thiện, hài hước, ngắn gọn hay chi tiết, và đối tượng người đọc là ai.

Prompt chưa tốt: “Giải thích blockchain là gì.”

Prompt đã cải thiện: “Giải thích blockchain cho một chủ cửa hàng tạp hóa 50 tuổi chưa từng nghe về công nghệ này. Dùng ngôn ngữ đời thường, ví dụ với sổ ghi chép bán hàng, không dùng thuật ngữ tiếng Anh nếu chưa giải thích, giọng điệu thân thiện như đang trò chuyện. Bài giải thích dài khoảng 200 từ.”

13. Cung cấp dữ liệu đầu vào có cấu trúc

Khi làm việc với dữ liệu, hãy trình bày dữ liệu đầu vào một cách có cấu trúc, chẳng hạn dạng bảng, danh sách hoặc định dạng JSON. Dữ liệu có cấu trúc giúp mô hình phân tích chính xác hơn và giảm nguy cơ hiểu nhầm. Với dữ liệu dài, hãy tách rõ phần dữ liệu khỏi phần yêu cầu bằng dấu phân cách như ba dấu gạch ngang hoặc thẻ XML.

Prompt chưa tốt: “Phân tích doanh số: tháng 1 bán 120, tháng 2 bán 150, tháng 3 bán 130, tháng 4 bán 180.”

Prompt đã cải thiện: “Phân tích dữ liệu doanh số dưới đây và trình bày kết quả dưới dạng 3 điểm chính kèm 1 đề xuất hành động. Dữ liệu: Tháng 1: 120 sản phẩm, doanh thu 240 triệu. Tháng 2: 150 sản phẩm, doanh thu 300 triệu. Tháng 3: 130 sản phẩm, doanh thu 260 triệu. Tháng 4: 180 sản phẩm, doanh thu 360 triệu. Hãy tính tốc độ tăng trưởng theo tháng và chỉ ra tháng có hiệu suất tốt nhất.”

14. Yêu cầu trích dẫn nguồn và mức độ tin cậy

Khi cần thông tin thực tế, hãy yêu cầu mô hình nêu rõ mức độ tin cậy của từng ý và phân biệt đâu là sự thật đã được xác minh, đâu là suy luận hay phỏng đoán. Kỹ thuật này không loại bỏ hoàn toàn ảo giác, nhưng giúp bạn biết chỗ nào cần kiểm chứng thêm thay vì tin tưởng mù quáng.

Prompt chưa tốt: “Quy định mới nhất về thuế thu nhập doanh nghiệp là gì?”

Prompt đã cải thiện: “Tóm tắt quy định mới nhất về thuế thu nhập doanh nghiệp tại Việt Nam mà bạn biết. Với mỗi điểm, hãy ghi rõ mức độ tin cậy (cao/trung bình/thấp) và ghi chú ‘cần kiểm chứng với văn bản pháp luật hiện hành’ nếu thông tin có thể đã thay đổi. Không bịa ra số hiệu văn bản nếu bạn không chắc chắn.”

15. Dùng khung mẫu và cấu trúc cố định

Với các nhiệm vụ lặp lại, hãy xây dựng một khung prompt mẫu với các phần cố định: vai trò, nhiệm vụ, ngữ cảnh, định dạng đầu ra và ràng buộc. Mỗi lần dùng, bạn chỉ cần thay phần thông tin biến đổi. Khung mẫu giúp kết quả ổn định, dễ kiểm soát và dễ chia sẻ cho người khác trong nhóm.

Prompt chưa tốt: “Tóm tắt bài báo này giúp tôi.”

Prompt đã cải thiện: “Vai trò: Trợ lý nghiên cứu. Nhiệm vụ: Tóm tắt bài báo khoa học dưới đây. Đối tượng đọc: sinh viên năm hai. Định dạng: 3 đoạn, mỗi đoạn không quá 80 từ, đoạn 1 nêu vấn đề, đoạn 2 nêu phương pháp và kết quả, đoạn 3 nêu ý nghĩa thực tiễn. Ràng buộc: không dùng thuật ngữ chưa giải thích, không thêm thông tin ngoài bài báo. Bài báo: [dán bài báo vào đây].”

16. Tận dụng khả năng của từng mô hình

ChatGPT, Claude và Gemini có điểm mạnh khác nhau, và prompt nên tận dụng đúng điểm mạnh đó. Claude xử lý tốt văn bản dài và tuân thủ chỉ dẫn phức tạp, nên phù hợp với nhiệm vụ phân tích tài liệu dài và viết theo cấu trúc chặt chẽ. ChatGPT có hệ sinh thái công cụ phong phú và khả năng tương tác linh hoạt, phù hợp với brainstorm và nhiệm vụ đa dạng. Gemini tích hợp sâu với hệ sinh thái Google và xử lý tốt dữ liệu đa phương tiện. Khi viết prompt, hãy lưu ý giới hạn của từng mô hình, chẳng hạn giới hạn độ dài ngữ cảnh hay khả năng truy cập internet, và điều chỉnh kỳ vọng cho phù hợp.

Prompt chưa tốt: “Phân tích tài liệu 200 trang này và viết báo cáo.” (gửi cho mô hình có giới hạn ngữ cảnh ngắn)

Prompt đã cải thiện: “Tôi sẽ gửi tài liệu dài thành 4 phần. Với mỗi phần, hãy tóm tắt các ý chính thành 5 gạch đầu dòng. Sau khi nhận đủ 4 phần, hãy tổng hợp thành báo cáo 800 từ theo cấu trúc: tổng quan, phát hiện chính, khuyến nghị. Phần 1: [dán phần 1 vào đây].”

17. Sử dụng ngôn ngữ tích cực thay vì phủ định

Mô hình ngôn ngữ phản ứng tốt hơn với chỉ dẫn tích cực (“hãy làm X”) so với chỉ dẫn phủ định (“đừng làm Y”). Khi bạn nói “đừng viết dài”, mô hình vẫn tập trung vào khái niệm “viết dài”. Thay vào đó, hãy nói rõ điều bạn muốn: “viết trong 150 từ”.

Prompt chưa tốt: “Đừng viết lan man, đừng dùng từ khó hiểu.”

Prompt đã cải thiện: “Viết đoạn giới thiệu 100 từ, câu ngắn, từ ngữ đơn giản mà học sinh lớp 9 cũng hiểu được.”

18. Lặp lại và tinh chỉnh prompt theo kết quả

Prompt engineering là một quá trình lặp. Sau mỗi lần nhận kết quả, hãy xác định cụ thể điểm nào chưa đạt: quá dài, sai đối tượng, thiếu ví dụ hay sai định dạng. Sau đó sửa đúng điểm đó trong prompt và thử lại. Tránh viết lại toàn bộ prompt mỗi lần, vì như vậy bạn không biết thay đổi nào đã tạo ra cải thiện.

Prompt chưa tốt: “Viết lại bài này cho hay hơn.”

Prompt đã cải thiện: “Bản nháp trên khá tốt nhưng còn hai vấn đề: phần mở đầu quá dài và thiếu ví dụ cụ thể. Hãy viết lại với phần mở đầu tối đa 80 từ và thêm 2 ví dụ thực tế từ thị trường Việt Nam. Giữ nguyên phần kết luận.”

19. Tạo persona chi tiết cho AI

Persona là chân dung chi tiết của vai trò mà mô hình sẽ đóng: không chỉ nghề nghiệp mà cả kinh nghiệm, phong cách làm việc, đối tượng phục vụ và cách ra quyết định. Persona càng chi tiết thì câu trả lời càng nhất quán và có chiều sâu. Kỹ thuật này đặc biệt hữu ích khi bạn cần mô hình đóng vai tư vấn viên, biên tập viên hay giảng viên trong một chuỗi hội thoại dài.

Prompt chưa tốt: “Bạn là chuyên gia tài chính, tư vấn giúp tôi.”

Prompt đã cải thiện: “Bạn là cố vấn tài chính cá nhân với 15 năm kinh nghiệm, chuyên giúp các gia đình trẻ tại Việt Nam lập kế hoạch tài chính. Phong cách của bạn: thực tế, thận trọng, luôn giải thích rủi ro trước lợi nhuận, đưa ra con số cụ thể và không bao giờ khuyên đầu tư vào thứ bạn không giải thích được. Khách hàng của bạn là cặp vợ chồng 30 tuổi, thu nhập 40 triệu đồng mỗi tháng, đang có khoản tiết kiệm 200 triệu đồng.”

20. Kết hợp nhiều kỹ thuật trong một prompt

Các kỹ thuật trên không loại trừ nhau mà bổ sung cho nhau. Một prompt tốt thường kết hợp vai trò, ngữ cảnh, ví dụ mẫu, định dạng đầu ra và ràng buộc trong cùng một câu lệnh. Tuy nhiên, đừng nhồi nhét quá nhiều yêu cầu vào một prompt đến mức mô hình khó theo dõi. Hãy sắp xếp prompt theo thứ tự logic: vai trò trước, ngữ cảnh sau, nhiệm vụ chính, rồi đến định dạng và ràng buộc.

Prompt chưa tốt: “Viết bài về AI.”

Prompt đã cải thiện: “Vai trò: Bạn là biên tập viên công nghệ cho tạp chí dành cho doanh nghiệp nhỏ. Ngữ cảnh: Độc giả là chủ doanh nghiệp chưa dùng AI, cần hiểu AI có thể giúp gì cho công việc hằng ngày. Nhiệm vụ: Viết bài giới thiệu 5 ứng dụng AI thực tế nhất cho doanh nghiệp nhỏ. Định dạng: mỗi ứng dụng một mục riêng, gồm tên ứng dụng, mô tả 2 câu, chi phí ước tính và thời gian triển khai. Ràng buộc: không dùng thuật ngữ chưa giải thích, giọng điệu thực tế, không thổi phồng.”

Bảng so sánh các kỹ thuật prompt

Bảng dưới đây tóm tắt 20 kỹ thuật theo ba tiêu chí: độ khó khi áp dụng, trường hợp dùng phù hợp nhất và tác động đến chất lượng đầu ra. Bạn có thể dùng bảng này như tài liệu tham khảo nhanh khi viết prompt cho một nhiệm vụ cụ thể.

Kỹ thuật	Độ khó	Dùng khi nào	Tác động chính
Giao vai trò cụ thể	Dễ	Mọi nhiệm vụ cần góc nhìn chuyên môn	Tăng độ chính xác về thuật ngữ và góc nhìn
Nêu rõ nhiệm vụ, đối tượng, mục đích	Dễ	Mọi nhiệm vụ	Giảm phải hỏi lại và chỉnh sửa
Cung cấp ngữ cảnh	Dễ	Nhiệm vụ gắn với tình huống cụ thể	Tăng tính phù hợp với thực tế
Đưa ví dụ mẫu	Trung bình	Nhiệm vụ có định dạng cố định	Chuẩn hóa định dạng đầu ra
Quy định định dạng và độ dài	Dễ	Cần đầu ra dùng được ngay	Tiết kiệm thời gian định dạng lại
Trình bày từng bước suy luận	Trung bình	Bài toán tính toán, phân tích	Giảm sai sót suy luận
Đặt ràng buộc rõ ràng	Dễ	Cần tránh nội dung không mong muốn	Kiểm soát rủi ro nội dung
Chia nhỏ nhiệm vụ phức tạp	Trung bình	Dự án nhiều giai đoạn	Tăng khả năng kiểm soát từng khâu
Yêu cầu tự kiểm tra và sửa lỗi	Trung bình	Mã nguồn, tính toán, bản dịch	Phát hiện lỗi sớm
Đặt câu hỏi làm rõ	Dễ	Yêu cầu mở, nhiều cách hiểu	Tránh làm sai hướng ngay từ đầu
Yêu cầu nhiều phương án	Dễ	Nhiệm vụ sáng tạo	Tăng lựa chọn, dễ chọn phương án tốt
Chỉ định giọng điệu, phong cách	Dễ	Nội dung hướng đến đối tượng cụ thể	Tăng mức độ phù hợp với người đọc
Cung cấp dữ liệu có cấu trúc	Trung bình	Phân tích số liệu, dữ liệu dài	Tăng độ chính xác của phân tích
Yêu cầu trích dẫn nguồn, mức tin cậy	Trung bình	Thông tin thực tế cần kiểm chứng	Giảm rủi ro tin vào thông tin sai
Dùng khung mẫu cố định	Trung bình	Nhiệm vụ lặp lại thường xuyên	Ổn định chất lượng, dễ chia sẻ
Tận dụng khả năng từng mô hình	Khó	Tài liệu dài, nhiệm vụ đặc thù	Tối ưu hiệu quả theo từng công cụ
Dùng ngôn ngữ tích cực	Dễ	Mọi nhiệm vụ	Giúp mô hình tập trung đúng yêu cầu
Lặp lại và tinh chỉnh	Dễ	Mọi nhiệm vụ quan trọng	Cải thiện dần chất lượng
Tạo persona chi tiết	Khó	Chuỗi hội thoại dài, tư vấn chuyên sâu	Tăng tính nhất quán và chiều sâu
Kết hợp nhiều kỹ thuật	Khó	Nhiệm vụ phức tạp, quan trọng	Tối đa hóa chất lượng đầu ra

8 lỗi thường gặp khi viết prompt

Ngay cả người dùng AI thường xuyên cũng mắc những lỗi dưới đây. Nhận biết chúng giúp bạn tránh được phần lớn các trường hợp AI trả lời kém chất lượng.

Lỗi 1: Prompt quá chung chung. Yêu cầu như “viết về marketing” hay “giúp tôi với bài tập” không cho mô hình đủ thông tin để làm việc. Cách sửa: bổ sung nhiệm vụ cụ thể, đối tượng và mục đích như kỹ thuật 2 đã trình bày.

Lỗi 2: Thiếu ngữ cảnh. Mô hình không biết bạn đang ở bước nào của dự án, dữ liệu đầu vào là gì hay kết quả sẽ dùng ở đâu. Cách sửa: cung cấp thông tin nền ngắn gọn trước khi nêu yêu cầu chính.

Lỗi 3: Không quy định định dạng đầu ra. Kết quả trả về là một khối văn bản dài khó dùng, trong khi bạn cần bảng hay danh sách. Cách sửa: nêu rõ định dạng ngay trong prompt.

Lỗi 4: Nhồi nhét quá nhiều yêu cầu vào một prompt. Khi một prompt chứa 10 yêu cầu cùng lúc, mô hình thường bỏ sót một vài yêu cầu hoặc làm qua loa. Cách sửa: chia nhỏ thành nhiều bước như kỹ thuật 8.

Lỗi 5: Tin tưởng tuyệt đối vào câu trả lời. Mô hình có thể tự tin đưa ra thông tin sai, đặc biệt với số liệu, ngày tháng và trích dẫn. Cách sửa: kiểm chứng thông tin quan trọng bằng nguồn độc lập, đặc biệt với nội dung pháp lý, y tế và tài chính.

Lỗi 6: Không thử lại khi kết quả chưa tốt. Nhiều người chấp nhận câu trả lời đầu tiên dù chưa hài lòng, hoặc bỏ cuộc và cho rằng AI “không làm được”. Cách sửa: xem lần trả lời đầu là bản nháp và tinh chỉnh prompt như kỹ thuật 18.

Lỗi 7: Dùng cùng một prompt cho mọi mô hình. Mỗi mô hình có điểm mạnh và giới hạn riêng. Một prompt hoạt động tốt trên Claude chưa chắc đã tốt trên ChatGPT hay Gemini. Cách sửa: điều chỉnh prompt theo đặc điểm từng mô hình như kỹ thuật 16.

Lỗi 8: Đưa thông tin nhạy cảm vào prompt. Nhiều người vô tình dán dữ liệu cá nhân, bí mật kinh doanh hay thông tin khách hàng vào chatbot. Cách sửa: ẩn danh dữ liệu trước khi gửi, không đưa mật khẩu, số tài khoản hay thông tin định danh cá nhân vào prompt.

Mẫu prompt sẵn dùng theo từng lĩnh vực

Dưới đây là các mẫu prompt đã áp dụng các kỹ thuật trong bài. Bạn có thể sao chép, thay phần trong dấu ngoặc vuông bằng thông tin của mình và dùng ngay.

Mẫu prompt cho công việc văn phòng

Mẫu 1: Tóm tắt cuộc họp. “Bạn là trợ lý hành chính. Dưới đây là biên bản cuộc họp của tôi. Hãy tóm tắt thành 3 phần: quyết định đã thống nhất, hành động cần làm (kèm người phụ trách và hạn chót), vấn đề chưa giải quyết. Mỗi phần dùng gạch đầu dòng, ngôn ngữ ngắn gọn. Biên bản: [dán biên bản vào đây].”

Mẫu 2: Soạn email chuyên nghiệp. “Viết email gửi cho [đối tượng] về [chủ đề]. Mục đích: [mục đích]. Giọng điệu: [trang trọng/thân thiện]. Email gồm 3 đoạn: mở đầu nêu lý do liên hệ, đoạn giữa trình bày nội dung chính, đoạn cuối kêu gọi hành động cụ thể trước ngày [ngày]. Độ dài khoảng 150 từ.”

Mẫu 3: Chuẩn bị bài thuyết trình. “Tôi cần chuẩn bị bài thuyết trình 10 phút về [chủ đề] cho [đối tượng nghe]. Hãy lập dàn ý gồm phần mở đầu gây chú ý, 3 luận điểm chính (mỗi luận điểm kèm 1 ví dụ và 1 số liệu minh họa), và phần kết luận kêu gọi hành động. Gợi ý thêm 2 câu hỏi khán giả có thể hỏi và cách trả lời ngắn gọn.”

Mẫu prompt cho marketing

Mẫu 1: Lên ý tưởng nội dung mạng xã hội. “Bạn là chuyên gia nội dung mạng xã hội cho thương hiệu [tên thương hiệu] trong lĩnh vực [lĩnh vực]. Đối tượng khách hàng là [mô tả khách hàng]. Hãy đề xuất 10 ý tưởng bài đăng Facebook cho tuần tới, mỗi ý tưởng gồm tiêu đề, nội dung chính trong 2 câu và dạng bài (hình ảnh/video/bài viết). Phân bổ đều 3 nhóm: giáo dục, giải trí và bán hàng.”

Mẫu 2: Viết mô tả sản phẩm. “Viết mô tả sản phẩm cho [tên sản phẩm] với các đặc điểm sau: [liệt kê đặc điểm]. Đối tượng mua hàng: [mô tả]. Định dạng: 1 đoạn mở đầu nêu lợi ích lớn nhất, 5 gạch đầu dòng về tính năng, 1 đoạn kết thúc kêu gọi mua hàng. Giọng điệu thân thiện, nhấn mạnh lợi ích thay vì chỉ liệt kê tính năng. Độ dài khoảng 200 từ.”

Mẫu prompt cho học tập

Mẫu 1: Học một khái niệm mới. “Giải thích khái niệm [tên khái niệm] cho sinh viên năm nhất ngành [ngành học]. Bắt đầu bằng định nghĩa ngắn gọn trong 2 câu, sau đó đưa ra 1 ví dụ đời thường, 1 ví dụ trong chuyên ngành, và kết thúc bằng 3 câu hỏi tự kiểm tra kèm đáp án. Ngôn ngữ đơn giản, tránh thuật ngữ chưa giải thích.”

Mẫu 2: Luyện tập và kiểm tra kiến thức. “Tôi đang ôn thi môn [tên môn]. Hãy đóng vai trò giám khảo và ra 10 câu hỏi trắc nghiệm theo mức độ từ dễ đến khó, mỗi câu có 4 đáp án. Sau khi tôi trả lời, hãy chấm điểm, giải thích vì sao đáp án đúng và gợi ý phần kiến thức tôi cần ôn lại. Bắt đầu bằng 3 câu hỏi đầu tiên.”

Mẫu prompt cho lập trình

Mẫu 1: Viết mã nguồn mới. “Viết hàm [tên hàm] bằng ngôn ngữ [ngôn ngữ lập trình] để thực hiện [mô tả chức năng]. Yêu cầu: xử lý trường hợp đầu vào không hợp lệ, thêm chú thích giải thích từng bước quan trọng, tuân thủ quy ước đặt tên [quy ước]. Sau phần mã nguồn, giải thích ngắn gọn cách hàm hoạt động và đưa ra 2 ví dụ gọi hàm.”

Mẫu 2: Gỡ lỗi. “Đoạn mã dưới đây gặp lỗi [mô tả lỗi]. Hãy phân tích nguyên nhân có thể gây ra lỗi, đề xuất cách sửa cụ thể và giải thích vì sao cách sửa đó hiệu quả. Nếu có nhiều nguyên nhân khả thi, hãy liệt kê theo thứ tự khả năng từ cao đến thấp. Mã nguồn: [dán mã nguồn vào đây].”

Mẫu 3: Giải thích mã nguồn có sẵn. “Giải thích đoạn mã dưới đây cho lập trình viên mới vào nghề. Trình bày theo từng khối logic, nêu rõ mục đích của từng khối, chỉ ra các điểm cần lưu ý về hiệu năng và bảo mật, và gợi ý 1 cách cải tiến nếu có. Mã nguồn: [dán mã nguồn vào đây].”

Quy trình luyện tập viết prompt trong 4 tuần

Kỹ năng viết prompt cải thiện nhanh nhất khi luyện tập có hệ thống. Dưới đây là lộ trình 4 tuần giúp bạn từ người mới bắt đầu trở thành người dùng AI thành thạo. Mỗi tuần tập trung vào một nhóm kỹ năng, với bài tập cụ thể và tiêu chí đánh giá rõ ràng.

Tuần 1: Nắm vững nền tảng. Thực hành kỹ thuật 1, 2, 3 và 5 với các nhiệm vụ hằng ngày như viết email, tóm tắt văn bản và lên ý tưởng. Mỗi ngày viết ít nhất 3 prompt có cấu trúc đầy đủ: vai trò, nhiệm vụ, đối tượng, định dạng. Ghi lại prompt nào cho kết quả tốt và vì sao.
Tuần 2: Áp dụng ví dụ mẫu và chia nhỏ nhiệm vụ. Chọn một nhiệm vụ phức tạp trong công việc của bạn, chẳng hạn lập kế hoạch nội dung tháng hoặc phân tích báo cáo dài. Áp dụng kỹ thuật 4 và 8: chuẩn bị ví dụ mẫu và chia nhiệm vụ thành các bước. So sánh kết quả với cách làm cũ và ghi lại thời gian tiết kiệm được.
Tuần 3: Rèn luyện suy luận và kiểm chứng. Thực hành kỹ thuật 6, 9 và 14 với các nhiệm vụ cần tính toán hoặc thông tin thực tế. Yêu cầu mô hình trình bày từng bước, tự kiểm tra và nêu mức độ tin cậy. Kiểm chứng độc lập ít nhất một thông tin quan trọng trong mỗi lần sử dụng.
Tuần 4: Xây dựng thư viện prompt cá nhân. Tổng hợp các prompt đã dùng hiệu quả thành một thư viện riêng, phân loại theo lĩnh vực và nhiệm vụ. Viết khung mẫu cho các nhiệm vụ lặp lại theo kỹ thuật 15 và 20. Chia sẻ thư viện này với đồng nghiệp và thu thập phản hồi để cải tiến.

Sau 4 tuần, bạn sẽ có một bộ prompt mẫu dùng được ngay cho công việc hằng ngày và thói quen đánh giá, cải tiến prompt sau mỗi lần sử dụng. Kỹ năng này càng luyện càng nhanh, vì mỗi lần thử nghiệm đều cho bạn thêm hiểu biết về cách mô hình phản ứng với từng dạng chỉ dẫn.

Checklist trước khi gửi prompt quan trọng:

Đã giao vai trò cụ thể cho AI chưa?
Đã nêu rõ nhiệm vụ, đối tượng và mục đích chưa?
Đã cung cấp đủ ngữ cảnh và dữ liệu cần thiết chưa?
Đã quy định định dạng và độ dài đầu ra chưa?
Đã liệt kê ràng buộc cần tránh chưa?
Đã kiểm tra xem prompt có thông tin nhạy cảm không?
Đã chuẩn bị cách kiểm chứng kết quả chưa?

Câu hỏi thường gặp về prompt engineering

Prompt engineering là gì và ai cần học nó?

Prompt engineering là kỹ năng thiết kế câu lệnh cho mô hình AI để nhận được kết quả chính xác và hữu ích. Bất kỳ ai dùng ChatGPT, Claude hay Gemini trong công việc đều cần kỹ năng này, từ nhân viên văn phòng, giáo viên, lập trình viên đến chủ doanh nghiệp. Bạn không cần biết lập trình để học prompt engineering, chỉ cần hiểu rõ công việc của mình và luyện tập viết prompt có cấu trúc.

Prompt dài có luôn tốt hơn prompt ngắn không?

Không. Prompt tốt là prompt cung cấp đủ thông tin cần thiết, không phải prompt dài nhất. Một prompt ngắn nhưng nêu rõ vai trò, nhiệm vụ, đối tượng và định dạng thường hiệu quả hơn prompt dài lan man. Tuy nhiên, với nhiệm vụ phức tạp, prompt dài là cần thiết vì phải chứa đủ ngữ cảnh, ví dụ và ràng buộc. Hãy đánh giá prompt theo mức độ đầy đủ thông tin, không theo độ dài.

Có cần học prompt khác nhau cho ChatGPT, Claude và Gemini không?

Các nguyên tắc cốt lõi giống nhau trên mọi mô hình, vì vậy một prompt tốt thường hoạt động tốt trên cả ba nền tảng. Tuy nhiên, mỗi mô hình có điểm mạnh riêng và một số khác biệt về tính năng, chẳng hạn Claude xử lý văn bản dài tốt hơn, Gemini tích hợp với Google Workspace, ChatGPT có nhiều công cụ mở rộng. Bạn nên thử cùng một prompt trên nhiều mô hình để biết mô hình nào phù hợp nhất với từng nhiệm vụ.

Làm sao biết prompt của mình đã tốt chưa?

Đánh giá prompt bằng kết quả nó tạo ra: kết quả có đúng yêu cầu không, có cần chỉnh sửa nhiều không, có phải hỏi lại không. Một prompt tốt cho ra kết quả dùng được ngay hoặc chỉ cần chỉnh sửa nhỏ. Hãy lưu lại các prompt hiệu quả, so sánh phiên bản trước và sau khi cải tiến, và dùng checklist ở phần trên để tự đánh giá trước khi gửi prompt quan trọng.

Có nên dùng prompt mẫu có sẵn trên mạng không?

Prompt mẫu là điểm khởi đầu tốt, đặc biệt khi bạn chưa quen với việc viết prompt. Tuy nhiên, đừng sao chép nguyên si mà hãy điều chỉnh cho phù hợp với tình huống cụ thể của bạn: thay đổi vai trò, ngữ cảnh, đối tượng và định dạng đầu ra. Một prompt mẫu tốt nhất là prompt bạn tự cải tiến qua nhiều lần sử dụng và lưu lại trong thư viện cá nhân của mình.

Prompt engineering có bị thay thế khi AI ngày càng thông minh hơn không?

Các mô hình mới ngày càng hiểu yêu cầu mơ hồ tốt hơn, nhưng prompt engineering không biến mất mà chuyển sang cấp độ cao hơn. Khi mô hình mạnh hơn, người dùng có thể giao cho nó nhiệm vụ phức tạp hơn, và việc diễn đạt nhiệm vụ đó một cách chính xác vẫn cần kỹ năng. Ngoài ra, các kỹ thuật như cung cấp ngữ cảnh, chia nhỏ nhiệm vụ và kiểm chứng kết quả vẫn cần thiết dù mô hình có thông minh đến đâu.

Mất bao lâu để viết prompt thành thạo?

Với việc luyện tập đều đặn theo lộ trình 4 tuần trong bài, hầu hết người dùng sẽ thấy sự cải thiện rõ rệt chỉ sau 2 tuần. Bạn không cần thành thạo cả 20 kỹ thuật ngay lập tức. Hãy bắt đầu với 5 kỹ thuật nền tảng, áp dụng chúng trong công việc hằng ngày, rồi bổ sung dần các kỹ thuật nâng cao khi gặp nhiệm vụ phức tạp hơn. Kỹ năng viết prompt giống như kỹ năng viết nói chung: càng viết nhiều, càng viết tốt.

Kết luận

Prompt engineering không phải là kỹ năng bí mật dành riêng cho chuyên gia công nghệ, mà là kỹ năng làm việc cơ bản trong thời đại AI, giống như kỹ năng tìm kiếm trên Google hay soạn thảo văn bản. Điểm khác biệt giữa người dùng AI hiệu quả và người dùng AI trung bình thường không nằm ở công cụ họ dùng, mà nằm ở cách họ diễn đạt yêu cầu. Một prompt rõ ràng, có ngữ cảnh, có ví dụ và có định dạng cụ thể sẽ cho ra kết quả tốt hơn nhiều so với một câu hỏi chung chung, dù cả hai đều gửi đến cùng một mô hình.

Hãy bắt đầu ngay hôm nay bằng cách áp dụng 5 kỹ thuật nền tảng vào nhiệm vụ tiếp theo bạn làm với ChatGPT, Claude hoặc Gemini. Lưu lại những prompt cho kết quả tốt, cải tiến dần sau mỗi lần dùng, và xây dựng thư viện prompt của riêng bạn theo lộ trình 4 tuần trong bài viết này. Khi AI ngày càng trở thành một phần không thể thiếu trong công việc, người biết cách giao tiếp hiệu quả với AI sẽ là người làm việc hiệu quả nhất.