Kỹ thuật prompt engineering để khai thác LLM tốt hơn

Với doanh nghiệp, kỹ năng này đặc biệt hữu ích khi bạn dùng AI để hỗ trợ viết nội dung, phân tích thông tin, lập kế hoạch hoặc làm việc với mã nguồn. Khi hiểu ngữ cảnh, token và giới hạn của LLM, bạn sẽ nhận được kết quả sát yêu cầu hơn và giảm đáng kể thời gian chỉnh sửa.

LLM hoạt động thế nào và vì sao prompt quyết định chất lượng kết quả?

LLM là một dạng AI được huấn luyện trên lượng lớn dữ liệu văn bản để tạo ra ngôn ngữ gần với cách con người viết và giao tiếp. Có thể hình dung nó như một công cụ tự động hoàn thành cực kỳ thông minh: dựa vào những từ đã có, mô hình dự đoán phần tiếp theo phù hợp nhất.

Tuy nhiên, LLM không hiểu ngôn ngữ theo cách con người hiểu. Nó nhận diện các mẫu và xác suất từ dữ liệu đã học. Vì vậy, cùng một yêu cầu, các mô hình như GPT, Claude hay Gemini có thể cho ra kết quả khác nhau do được huấn luyện khác nhau.

Ba khái niệm cần nắm: ngữ cảnh, token và giới hạn

Khái niệm	Ý nghĩa thực tế khi viết prompt
Ngữ cảnh	Là thông tin xung quanh giúp LLM hiểu đúng nhiệm vụ, mục tiêu và tình huống của bạn.
Token	Là đơn vị văn bản mà mô hình xử lý. Một token có thể là từ, một phần của từ hoặc một ký tự.
Giới hạn	LLM có giới hạn về lượng token có thể tiếp nhận và tạo ra trong một lần xử lý.

Ngữ cảnh càng phù hợp, khả năng câu trả lời bám sát mục tiêu càng cao. Nhưng đưa vào quá ít thông tin khiến AI thiếu cơ sở, còn đưa vào quá nhiều chi tiết không cần thiết có thể làm mô hình bị quá tải hoặc mất trọng tâm.

Token cũng là lý do bạn không nên gửi toàn bộ tài liệu, toàn bộ mã nguồn hay yêu cầu quá nhiều đầu việc trong một prompt. Hãy chỉ cung cấp phần thông tin cần thiết cho nhiệm vụ hiện tại.

Đừng xem LLM là nguồn trả lời luôn đúng

LLM mạnh, nhưng không toàn năng. Mô hình có thể đưa ra câu trả lời sai, vô nghĩa hoặc nghe có vẻ hợp lý nhưng không có cơ sở. Hiện tượng này thường được gọi là hallucination, tức AI tự tạo ra thông tin không chính xác.

Prompt tốt không loại bỏ hoàn toàn rủi ro này, nhưng giúp giảm đáng kể khả năng mô hình hiểu sai. Bạn cần coi phản hồi từ AI là bản nháp cần được kiểm tra, đặc biệt khi nội dung liên quan đến quyết định kinh doanh, yêu cầu kỹ thuật hoặc thông tin quan trọng.

Prompt engineering là kỹ năng giao tiếp rõ ràng với AI

Prompt là yêu cầu bạn gửi cho LLM. Prompt engineering đơn giản là quá trình thiết kế, điều chỉnh và cải thiện yêu cầu đó để nhận về kết quả đúng ý hơn.

Hãy nghĩ như khi giao việc cho một đồng nghiệp. Nếu bạn chỉ nói “làm giúp tôi việc này”, kết quả có thể không giống mong đợi. Nhưng nếu bạn nêu rõ mục tiêu, phạm vi, tiêu chuẩn và đầu ra cần có, công việc sẽ dễ được hoàn thành chính xác hơn.

1.1 Viết prompt rõ, cụ thể và có đủ ngữ cảnh

1. Nêu chính xác nhiệm vụ cần thực hiện.
   • Tránh các yêu cầu mơ hồ khiến AI phải tự đoán ý định của bạn.
   • Cho biết bạn muốn tạo, sửa, phân tích hay tối ưu nội dung nào.
2. Xác định đầu ra mong muốn.
   • Nêu rõ ngôn ngữ, định dạng, độ dài hoặc cấu trúc bạn cần.
   • Đối với công việc kỹ thuật, hãy làm rõ dữ liệu đầu vào và kết quả cần trả về.
3. Đưa vào các ràng buộc cần thiết.
   • Chỉ bổ sung những điều thực sự ảnh hưởng đến kết quả.
   • Ví dụ: loại trừ dữ liệu không hợp lệ, ưu tiên hiệu năng, hoặc giữ nguyên dữ liệu gốc.

Từ yêu cầu mơ hồ đến prompt có thể thực thi

Một ví dụ đơn giản là yêu cầu AI “viết hàm bình phương các số trong danh sách”. Câu này nghe có vẻ đủ, nhưng vẫn để lại rất nhiều câu hỏi: dùng ngôn ngữ lập trình nào, có xử lý số âm không, danh sách có thể chứa dữ liệu không phải số không, và kết quả nên tạo danh sách mới hay sửa trực tiếp danh sách hiện có?

Một prompt tốt hơn sẽ xác định rõ: viết hàm Python nhận vào danh sách số nguyên, trả về một danh sách mới chứa bình phương của từng số và loại bỏ các số âm. Yêu cầu này đã nêu được ngôn ngữ, mục tiêu, ràng buộc và kiểu đầu vào kỳ vọng.

Điểm mấu chốt không nằm ở việc viết prompt dài hơn. Điều quan trọng là loại bỏ những điểm mà AI buộc phải tự giả định.

Ba lỗi phổ biến khiến LLM trả lời không như mong muốn

1.2 Tách các nhiệm vụ đang bị trộn lẫn

1. Không yêu cầu nhiều việc mơ hồ trong cùng một câu.
   • Ví dụ, “sửa lỗi và tối ưu mã này” khiến AI không biết nên ưu tiên việc nào trước.
   • Từ “tối ưu” cũng cần được làm rõ: tối ưu tốc độ, bộ nhớ hay khả năng đọc mã.
2. Chia công việc thành các bước tuần tự.
   • Trước tiên, yêu cầu sửa lỗi trong đoạn mã.
   • Sau đó, yêu cầu tối ưu phiên bản đã được sửa cho hiệu năng tốt hơn.
3. Đánh giá kết quả ở từng bước.
   • Cách làm lặp giúp bạn kiểm soát hướng xử lý thay vì chờ một đầu ra lớn nhưng thiếu chính xác.
   • Mỗi bước rõ ràng cũng giúp AI ít bỏ sót yêu cầu quan trọng hơn.

1.3 Kiểm soát giới hạn token bằng phạm vi vừa đủ

1. Giữ prompt ngắn gọn nhưng không thiếu thông tin thiết yếu.
   • Prompt quá dài hoặc đầu ra quá lớn có thể khiến LLM trả lời dở dang, thất bại hoặc tạo thông tin sai.
   • Hãy loại bỏ chi tiết không phục vụ trực tiếp cho tác vụ.
2. Chỉ cung cấp phần dữ liệu liên quan.
   • Khi sửa một hàm, thường không cần gửi toàn bộ tệp mã nguồn.
   • Một vài dòng mã tại đúng khu vực cần xử lý có thể đủ để mô hình làm việc chính xác.
3. Yêu cầu tạo từng thành phần thay vì toàn bộ hệ thống.
   • Thay vì yêu cầu AI xây dựng cả ứng dụng, hãy chia thành các thành phần nhỏ theo từng bước.
   • Cách này phù hợp hơn với giới hạn token và dễ kiểm tra hơn.

1.4 Không giả định AI biết những điều bạn chưa nói

1. Nêu rõ bối cảnh của sản phẩm hoặc công việc.
   • Yêu cầu “thêm xác thực vào ứng dụng” là chưa đủ nếu AI không biết ứng dụng của bạn làm gì.
   • Bạn cần nói rõ công nghệ đang dùng và nhu cầu cụ thể của hệ thống.
2. Liệt kê yêu cầu và thực hành cần tuân theo.
   • Nêu các ràng buộc, trường hợp biên và tiêu chuẩn bạn muốn áp dụng.
   • Điều này giúp LLM không bỏ qua các phần quan trọng khi tạo kết quả.
3. Tiếp tục tinh chỉnh khi phát hiện thiếu sót.
   • Prompt engineering là quá trình thực hành và điều chỉnh, không phải viết một câu lệnh duy nhất rồi dừng lại.
   • Phản hồi chưa đúng kỳ vọng là tín hiệu để bạn làm rõ yêu cầu tiếp theo.

Nguyên tắc ngắn gọn để làm việc hiệu quả với AI

• Dùng ngữ cảnh để định hướng AI: cung cấp thông tin cần thiết cho đúng nhiệm vụ.
• Viết rõ ràng, ngắn gọn và chính xác: tránh để mô hình phải tự đoán mục tiêu.
• Chia nhỏ công việc: xử lý từng bước khi có nhiều nhiệm vụ hoặc đầu ra phức tạp.
• Nêu cụ thể yêu cầu: nói rõ ràng buộc, tiêu chuẩn và kết quả bạn muốn nhận.
• Kiểm tra và lặp lại: luôn xem xét phản hồi trước khi dùng vào công việc thực tế.

FAQ

Prompt engineering có chỉ dành cho lập trình viên không?

Không. Bất kỳ ai dùng LLM để viết, phân tích, lập kế hoạch hoặc xử lý thông tin đều có thể áp dụng. Bản chất của kỹ năng này là truyền đạt yêu cầu rõ ràng để AI hiểu đúng việc cần làm.

Vì sao prompt dài chưa chắc cho kết quả tốt hơn?

Prompt dài có thể chứa nhiều thông tin, nhưng cũng có thể làm mô hình mất trọng tâm hoặc chạm giới hạn token. Điều cần thiết là đủ ngữ cảnh liên quan, không phải càng nhiều chi tiết càng tốt.

Có nên tin ngay vào câu trả lời của LLM không?

Không nên, vì LLM có thể tạo ra thông tin sai hoặc không hợp lý. Bạn cần kiểm tra kết quả, đặc biệt với nội dung quan trọng về kỹ thuật, kinh doanh hoặc dữ liệu.

Nếu bạn cần xây dựng quy trình ứng dụng AI gắn với nền tảng số vận hành ổn định, dịch vụ thiết kế website và SEO của MintStack có thể giúp bạn biến yêu cầu kinh doanh thành hệ thống rõ ràng, dễ quản lý.