Bạn đã bao giờ giao một việc cho AI, nhận lại một kết quả nghe có vẻ đúng nhưng vẫn phải sửa rất nhiều trước khi có thể sử dụng? Có thể là viết một bài, phân tích một tài liệu, tóm tắt một cuộc họp, nghiên cứu một chủ đề, xử lý dữ liệu hay chuẩn bị một báo cáo.
Vấn đề nhiều khi không nằm ở việc AI không đủ thông minh. Nó nằm ở chỗ AI chưa được giao việc đủ rõ: cần làm gì, dựa trên thông tin nào, đầu ra dùng để làm gì và thế nào được xem là đạt. Prompt Engineering là cách biến một công việc thành một yêu cầu đủ rõ để AI tạo ra đầu ra dùng được.
Vì vậy, Prompt Engineering không đơn giản là học cách viết những câu lệnh dài hay cao cấp. Nó bắt đầu từ một câu hỏi cơ bản hơn: Nếu giao việc này cho một người khác, tôi cần nói gì để họ có thể làm đúng ngay từ đầu?
Bài này sẽ dùng một công việc cụ thể — viết post Facebook giới thiệu một bài blog — để minh họa cách tư duy đó.
Vì sao cùng một việc, AI có lúc trả lời tốt, lúc không?
Một trong những nguyên nhân phổ biến khiến AI trả lời thiếu ổn định là yêu cầu chưa nói rõ công việc cần hoàn thành và tiêu chuẩn của đầu ra.
Viết bài Facebook cho bài blog này mới chỉ nói tên tác
vụ. AI vẫn phải tự đoán:
- Bài viết phục vụ mục đích gì?
- Người đọc cần nhận được điều gì?
- Nên lấy thông tin nào từ bài blog?
- Viết bao nhiêu chữ?
- Giọng văn như thế nào?
- Thế nào được xem là một bài đạt?
Với bài blog về 10 thuật ngữ AI, AI có thể chọn nhiều hướng đều hợp lý: tóm tắt cả 10 thuật ngữ, tập trung vào một thuật ngữ, kêu gọi người đọc bấm link hoặc viết như một quảng cáo.
Vấn đề là chỉ một trong những hướng đó phù hợp với công việc
bạn đang cần. Tương tự, khi bạn nói viết hay hơn,
AI cũng không có thước đo chung cho chữ hay.
Hay có thể là ngắn hơn, giàu cảm xúc hơn, nhiều thông tin hơn hoặc giống giọng của một thương hiệu cụ thể. Nếu không có tiêu chí, bạn đang yêu cầu AI tối ưu cho một kết quả mà chính mình chưa mô tả.
Vì vậy, nếu bạn liên tục phải sửa:
ngắn lại, bớt quảng cáo, thêm ví dụ, đừng nói như chuyên gia
thì mỗi câu sửa đang bổ sung một yêu cầu đáng lẽ có thể xác định từ
trước.
Sửa một vài lần là bình thường. Nhưng nếu lần nào cũng sửa cùng một loại lỗi, vấn đề có thể không nằm ở câu chữ của AI mà nằm ở cách bạn giao việc.
Và điều đó không có nghĩa prompt càng dài càng tốt. Rõ ràng quan trọng hơn dài dòng.
Bắt đầu từ công việc và đầu ra, không bắt đầu từ câu lệnh
Trước khi viết prompt, hãy mô tả công việc bằng ngôn ngữ đời thường: Bạn đang có gì → muốn biến nó thành gì → kết quả sẽ được sử dụng ở đâu?
Ví dụ với bài Facebook: Đầu vào: bài blog đã hoàn thiện + link website sẽ gắn sau.
Đầu ra: một post ngắn giúp người đọc nhận ra một vấn đề khi dùng AI, đưa ra một nguyên tắc thực hành và dẫn họ sang bài đầy đủ. Nó không phải bản tóm tắt bài blog.
Khi đã biết đầu ra, bạn mới quyết định thông tin nào cần đưa vào. Bài blog có thể rất dài, nhưng post Facebook không nhất thiết cần toàn bộ. Nếu mục tiêu là nói về cách giao việc cho AI, chỉ phần liên quan đến Prompt và ví dụ có thể đã đủ.
Đưa toàn bộ tài liệu vào nhưng không nói AI cần làm gì với nó có thể khiến đầu ra lan man hơn.
Bạn cũng nên phân biệt ba thứ:
- Thông tin nguồn: dữ liệu AI được phép sử dụng.
- Chỉ dẫn xử lý: AI cần làm gì với dữ liệu đó.
- Điều kiện đầu ra: kết quả cuối cùng phải có hình thức và đặc điểm gì.
Một yêu cầu tốt nên trả lời được bốn câu hỏi:
- Việc cần làm là gì?
- Kết quả sẽ được dùng ở đâu?
- Thông tin nguồn nào được phép sử dụng?
- Nhìn vào đâu để biết kết quả đạt?
Nếu chưa trả lời được, đừng vội thêm các tính từ như sáng tạo, cuốn hút, chuyên nghiệp. Những từ đó không thay thế cho mục tiêu và tiêu chí.
Bốn mảnh ghép của một yêu cầu dễ thực hiện
Một yêu cầu thường có bốn mảnh ghép: Bối cảnh → Vai trò → Đầu ra → Tiêu chí
Đây là framework để kiểm tra, không phải công thức bắt buộc phải viết thành bốn section trong mọi prompt.
| Mảnh ghép | Câu hỏi | Ví dụ với post Facebook |
|---|---|---|
| Bối cảnh | AI cần biết gì để không đoán sai? | Đây là bài 2 trong chuỗi, bài trước đã nói về thuật ngữ nền |
| Vai trò | AI cần đứng ở góc nhìn nào? | Người biên tập nội dung cho số đông, dễ hiểu, không dùng giọng guru |
| Đầu ra | Cần tạo sản phẩm gì? | Post Facebook 150–400 từ, một trục nội dung, có
[LINK-WEBSITE] |
| Tiêu chí | Kiểm tra kết quả theo điều kiện nào? | Ba câu đầu đứng độc lập, không emoji, không bịa số liệu |
1. Bối cảnh
Không cần đưa toàn bộ lịch sử cuộc trò chuyện. Chỉ đưa những thông tin có khả năng thay đổi cách AI xử lý công việc. Ví dụ: bài này thuộc một series, bài trước đã giải thích gì, hoặc tài liệu nào là nguồn được phép sử dụng.
2. Vai trò
Vai trò không phải cách gọi AI cho “oai”. Nó là góc nhìn mà AI cần ưu tiên.
Bạn là chuyên gia AI quá rộng. Trong khi:
Bạn là người biên tập nội dung, cần giải thích một vấn đề cho người đã dùng ChatGPT nhưng chưa có nền tảng kỹ thuật
cho AI nhiều thông tin hữu ích hơn về cách lựa chọn từ ngữ và mức độ
giải thích.
Role cũng không tạo ra năng lực mới cho model. Nó chủ yếu giúp định hướng cách model tiếp cận nhiệm vụ.
3. Đầu ra
Đừng chỉ nói viết một bài Facebook. Hãy mô tả sản phẩm
mà bạn thực sự cần:
- Độ dài
- Cấu trúc
- Ngôn ngữ
- Placeholder hoặc link
- Mục đích sử dụng
- Những nội dung không được xuất hiện
Ví dụ:
Một post Facebook 150–400 từ, tập trung vào một trục nội dung, có [LINK-WEBSITE].
4. Tiêu chí
Đây là phần biến chữ tốt thành thứ có thể kiểm tra. Thay vì:
Đừng lan man. Hãy nói:
Chỉ giữ một ý chính, không tóm tắt toàn bộ bài blog và kết thúc bằng lời mời đọc bài đầy đủ.
Tiêu chí càng gần với cách bạn thực sự duyệt kết quả, AI càng có cơ sở để tạo đầu ra phù hợp.
Các hướng dẫn prompting của Anthropic và OpenAI cũng tập trung vào những yếu tố như chỉ dẫn rõ ràng, context, output format, examples và cách định hướng nhiệm vụ. Nhưng đây là nguyên tắc thực hành, không phải công thức cố định cho mọi trường hợp.
Prompt Engineering thực chất là một vòng lặp
Đây là phần quan trọng nhất. Prompt Engineering không phải viết một prompt hoàn hảo ngay từ đầu. Nó là một vòng lặp: Xác định đầu ra → Giao việc → Nhận kết quả → Đánh giá → Xác định lỗi → Sửa yêu cầu → Lặp lại
Vì vậy, đừng chỉ đọc câu trả lời và sửa theo cảm giác. Hãy kiểm tra xem nó có hoàn thành đúng công việc hay không.
Với post Facebook, bạn có thể kiểm tra theo thứ tự:
- Ba câu đầu có nêu được vấn đề và hướng giải quyết?
- Bài có tập trung vào một ý hay đã thành bản tóm tắt cả blog?
- Độ dài, placeholder và giọng văn có đúng?
- Có chi tiết nào AI tự bịa không?
- Nếu người đọc chưa biết bài blog, họ có hiểu tại sao nên đọc tiếp?
Sau đó phân loại lỗi.
Lỗi mục tiêu
Post nói về 10 thuật ngữ trong khi mục tiêu là hướng dẫn cách giao việc cho AI.
→ Sửa mục tiêu hoặc thu hẹp trục nội dung.
Lỗi nguồn
AI thêm số liệu, tính năng hoặc trải nghiệm không có trong tài liệu.
→ Giới hạn nguồn được phép sử dụng.
Lỗi hình thức
Sai độ dài, thiếu placeholder hoặc phần mở đầu không đứng độc lập.
→ Bổ sung điều kiện đầu ra có thể kiểm tra.
Lỗi giọng
Quá khoa trương, quá kỹ thuật hoặc giống quảng cáo.
→ Mô tả cụ thể cách viết cần có thay vì chỉ nói “đừng viết như AI”.
Ví dụ, nếu AI biến post thành một bản tóm tắt dài, câu:
Viết ngắn hơn. có thể chưa giải quyết được vấn đề.
Tốt hơn:
Chọn một vấn đề duy nhất: yêu cầu mơ hồ khiến AI cho ra kết quả thiếu nhất quán. Giải thích bốn mảnh ghép ở mức khái quát. Không liệt kê lại 10 thuật ngữ.
Bạn không chỉ yêu cầu ít chữ hơn. Bạn đang sửa hướng xử lý.
Đây cũng là tư duy đứng sau các hệ thống evaluation trong AI: phải xác định thế nào là đạt trước khi so sánh các đầu ra.
Đừng chỉ lưu prompt. Hãy lưu cách làm việc đã được kiểm chứng.
Một prompt tốt không nên biến mất trong lịch sử chat. Nhưng thứ bạn nên lưu không chỉ là một đoạn prompt. Hãy lưu lại task specification hoặc brief đã giúp công việc đạt kết quả tốt:
- Mục tiêu
- Input cần có
- Cách xử lý
- Output cần tạo
- Tiêu chí đánh giá
- Ví dụ nếu cần
- Những lỗi thường gặp
Lần sau, bạn chỉ cần thay đổi chủ đề, nguồn và mục tiêu. Nếu bối cảnh thay đổi, hãy sửa brief trước khi chạy lại. Đừng biến prompt thành công thức bất biến. Bạn đang xây dựng một cách làm có thể lặp lại.
Và đây chính là điểm Prompt Engineering bắt đầu kết nối với Workflow và AI Automation: khi một cách giao việc đã được kiểm chứng, bạn có thể biến nó thành một bước ổn định trong quy trình.
Bắt đầu đơn giản
Bạn không cần học hàng chục kỹ thuật prompt. Hãy chọn một công việc bạn thường xuyên làm với AI.
Sau đó viết ra:
1. Input: AI có những dữ liệu gì?
2. Output: Tôi muốn nhận sản phẩm gì?
3. Criteria: Ba điều kiện quan trọng nhất để kết quả được xem là đạt?
Chạy thử. Nếu chưa đạt, đừng chỉ sửa câu chữ. Hãy hỏi: AI sai vì mục tiêu, nguồn, hình thức hay cách tiếp cận? Sửa đúng nguyên nhân. Khi kết quả đạt, lưu lại cách làm đó.
Kết luận
Prompt Engineering không phải viết được prompt dài nhất, cao cấp nhất. Nó cũng không phải thần chú khiến AI thông minh hơn. Đó là kỹ năng mô tả công việc đủ rõ để AI biết phải làm gì, dựa vào đâu và thế nào là hoàn thành.
Và quan trọng hơn, Prompt Engineering không kết thúc khi AI trả lời. Bạn giao việc → kiểm tra → xác định lỗi → điều chỉnh → lặp lại.
Khi một cách làm đã cho kết quả ổn định, hãy lưu nó thành một brief có thể tái sử dụng. Bởi thứ có giá trị không phải là một prompt hay mà là một prompt phù hợp. Hiểu công việc trước - Hiểu AI sau.