Chương C: Cơ Bản Về Kỹ Thuật Prompt
1. Kỹ Thuật Prompt Là Gì?
Kỹ thuật prompt là cách bạn “nói chuyện với AI” để AI thực sự hiểu bạn.
- Đối với sinh viên hoặc người mới vào nghề, hãy nghĩ về nó như việc trình bày câu hỏi cho một giáo viên một cách rõ ràng để nhận được câu trả lời tốt nhất.
- Đối với người lãnh đạo doanh nghiệp, điều này liên quan đến việc cung cấp cho "trợ lý" AI các hướng dẫn chính xác mà không cần phải đoán, chỉ cần thực hiện.
2. Tại Sao Kỹ Thuật Prompt Quan Trọng
- Độ chính xác — Bạn nhận được phản hồi liên quan và sắc nét, không phải là những "huyền thoại".
- Tính nhất quán — AI hiểu điều bạn muốn, mỗi lần.
- Hiệu quả — Ít phải viết lại, kết quả nhanh hơn.
- Kiểm soát — Bạn định hướng tông, cấu trúc và phong cách.
3. Các Kỹ Thuật Prompt Cơ Bản
(a) Zero-Shot Prompting
- Hỏi trực tiếp; không cần thiết lập.
- Ví dụ:
Thủ đô của Brazil là gì?
- Rất tốt cho những câu hỏi đơn giản.
- Không phải lúc nào cũng đáng tin cậy nếu prompt không rõ ràng.
(b) Few-Shot Prompting
- Hiển thị một vài ví dụ, sau đó hỏi.
- Ví dụ:
Dịch sang tiếng Pháp:
- Tôi yêu lập trình. → J'adore la programmation.
- Món ăn này rất ngon. → Cette nourriture est délicieuse. Bây giờ dịch: “Ga tàu gần nhất ở đâu?”
- Xuất sắc để thiết lập định dạng.
- Xây dựng hiểu biết về mẫu nhanh chóng.
(c) Role Prompting
- Gán một nhân cách hoặc chuyên môn.
- Ví dụ:
Bạn là một tư vấn viên doanh nghiệp chuyên nghiệp.
Đề xuất ba chiến lược tiết kiệm chi phí cho một cửa hàng bán lẻ nhỏ.
- Định hướng tông và miền; mạnh mẽ cho các đầu ra kinh doanh.
(d) Chain-of-Thought (CoT) Prompting
- Khuyến khích lý luận từng bước.
- Ví dụ:
Một chuyến tàu khởi hành lúc 3 giờ chiều đi với tốc độ 60 km/h. Một chuyến khác khởi hành lúc 4 giờ chiều với tốc độ 80 km/h.
Khi nào chuyến thứ hai bắt kịp? Hãy nghĩ từng bước một.
- Tuyệt vời cho các bài toán và logic.
- Các mô hình nhỏ có thể gặp khó khăn trong việc duy trì tính nhất quán.
(e) Instruction-Tuning so với Prompting
- Các mô hình được điều chỉnh theo hướng dẫn (vd: Mistral-Instruct, Falcon-Instruct, Gemini Flash) tuân theo các prompt ngắn gọn tốt hơn.
- Cách bạn hỏi vẫn quan trọng; ngay cả các mô hình đã được điều chỉnh cũng có thể hiểu sai các hướng dẫn không rõ ràng.
4. Phương Pháp PROMPT — Khung Làm Việc Thực Tế
- P — Cung cấp ngữ cảnh (ai, cái gì, tại sao)
- R — Vai trò (nhân cách hoặc trình độ chuyên môn)
- O — Định dạng đầu ra (danh sách bullet, bài luận, JSON, v.v.)
- M — Mô hình/ví dụ (few-shot nếu cần)
- P — Nêu ra ràng buộc (độ dài, phong cách, tông)
- T — Kiểm tra & điều chỉnh lặp đi lặp lại
Ví dụ về Prompt Kinh Doanh (sử dụng PROMPT):
Bạn là một chiến lược gia tiếp thị. Viết một bài đăng trên LinkedIn (tối đa 100 từ, tông chuyên nghiệp) về lý do tại sao các doanh nghiệp nhỏ nên bắt đầu sử dụng chatbot AI. Bao gồm 3 điểm chính với lợi ích ở cuối.
5. Trường Hợp Sử Dụng — Ai Được Lợi và Thế Nào?
| Khán giả | Trường hợp sử dụng |
|---|---|
| Doanh nghiệp | Đề xuất khách hàng, nội dung tiếp thị, tóm tắt thị trường, phát triển ý tưởng |
| Sinh viên | Tóm tắt bài giảng, tạo câu hỏi thực hành, gỡ lỗi mã, dịch và đơn giản hóa khái niệm |
6. Những Sai Lầm Thường Gặp Khi Sử Dụng Prompt (và Cách Khắc Phục)
-
Quá mơ hồ:
“Viết một cái gì đó về AI.”
→ Tốt hơn: “Viết một bài giới thiệu 200 từ về AI cho học sinh trung học, có ba ví dụ thực tế.” -
Không có cấu trúc:
“Tóm tắt bài viết này.”
→ Tốt hơn: “Tóm tắt bài viết này trong năm điểm, mỗi điểm dưới 15 từ.” -
Prompt quá tải:
Yêu cầu nhiều nhiệm vụ không liên quan cùng một lúc
→ Tốt hơn: Phân chia chúng thành các prompt riêng biệt để giữ rõ ràng.
Giới Hạn Của Kỹ Thuật Prompt (Với Các Mô Hình)
| Vấn đề | Ví dụ | Điều gì xảy ra |
|---|---|---|
| Huyền thoại | LLaMA-2-7B, Mistral-7B | AI tự tin nêu "sự thật" không chính xác. |
| Lý luận yếu | DistilGPT-2, GPT4All | Chain-of-Thought thất bại; logic sụp đổ. |
| Theo dõi hướng dẫn kém | Falcon-7B, LLaMA-2-Base | Phớt lờ hướng dẫn về vai trò hoặc tông. |
| Cửa sổ ngữ cảnh nhỏ | GPT-NeoX-20B, DistilGPT2 | Không thể tóm tắt tài liệu dài. |
| Vấn đề thiên lệch / tông | RedPajama-INCITE, Pythia | Các mô hình không lọc có thể tạo ra phản hồi không thích hợp. |
| Giới hạn tầng miễn phí | Google AI Studio miễn phí, Hugging Face Spaces | Giới hạn tốc độ thấp hơn hoặc thời gian phản hồi chậm trong giờ cao điểm. |
Đó là lý do tại sao kỹ thuật prompt không phải là tùy chọn — nó giúp bạn tận dụng tối đa các mô hình nhỏ hoặc hạn chế.
7. Xâu Chuỗi Prompt — Phân Tích Các Nhiệm Vụ Phức Tạp
Đôi khi một prompt đơn lẻ không đủ. Đó là lúc Xâu Chuỗi Prompt xuất hiện — phân chia một yêu cầu phức tạp thành các bước nhỏ hơn, đưa đầu ra từ một bước vào bước tiếp theo.
Hãy coi nó như xây dựng một quy trình: Prompt → Phản hồi → Prompt Được Tinh Chỉnh → Đầu Ra Cuối Cùng.
- Ví dụ 1 — Trường Hợp Kinh Doanh
Nhiệm vụ: “Viết một chiến lược kinh doanh cho việc ra mắt thương hiệu thời trang thân thiện với môi trường.”
Cách Tiếp Cận Xâu Chuỗi:
- Prompt 1 → “Liệt kê 5 thách thức mà các startup thời trang thân thiện với môi trường phải đối mặt.”
- Prompt 2 → “Đề xuất 3 chiến lược để vượt qua từng thách thức.”
- Prompt 3 → “Kết hợp thành một báo cáo chiến lược 500 từ đã được tinh chỉnh.” Thay vì đổ ra một prompt lớn, bạn dẫn dắt mô hình từng bước, đảm bảo chất lượng ở mỗi giai đoạn.
- Ví dụ 2 — Trường Hợp Sinh Viên
Nhiệm vụ: “Viết một bài luận về biến đổi khí hậu.”
Cách Tiếp Cận Xâu Chuỗi:
- Prompt 1 → “Liệt kê 5 nguyên nhân hàng đầu của biến đổi khí hậu.”
- Prompt 2 → “Giải thích chi tiết từng nguyên nhân.”
- Prompt 3 → “Tóm tắt thành một bài luận 1000 từ với phần mở đầu và kết luận.” Phương pháp mô-đun này giảm thiểu huyền thoại, cải thiện cấu trúc và cung cấp các điểm kiểm tra để xác minh độ chính xác.
Khi Nào Sử Dụng Xâu Chuỗi Prompt
- Các báo cáo nghiên cứu dài
- Lý luận đa bước (dự báo tài chính, tóm tắt pháp lý)
- Quy trình làm việc có cấu trúc (lập bản đồ hành trình khách hàng, hướng dẫn giáo dục)
Giới Hạn: Các mô hình có cửa sổ ngữ cảnh ngắn (như DistilGPT2, GPT-NeoX-20B) có thể "quên" các bước trước đó nếu chuỗi quá dài. Các mô hình lớn hơn (như GPT-4, Gemini 1.5 Pro, Claude 3.5) xử lý điều này tốt hơn rất nhiều.
Ví Dụ Đơn Giản (Phong Cách LangChain):
python
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langchain.llms import OpenAI
llm = OpenAI()
# Bước 1: Tạo dàn ý
outline_prompt = PromptTemplate.from_template("Cho tôi 3 điểm nổi bật về biến đổi khí hậu.")
outline_chain = LLMChain(llm=llm, prompt=outline_prompt)
# Bước 2: Mở rộng dàn ý thành bài luận
essay_prompt = PromptTemplate.from_template("Mở rộng điều này thành một bài luận 300 từ:\n{outline}")
essay_chain = LLMChain(llm=llm, prompt=essay_prompt)
outline = outline_chain.run({})
essay = essay_chain.run({"outline": outline})
print(essay)- Prompt đầu tiên tạo dàn ý, prompt thứ hai mở rộng thành bài luận. Đây là Xâu Chuỗi Prompt — và nó đặc biệt mạnh mẽ cho quy trình làm việc kinh doanh (vd: đầu tiên tạo ghi chú cuộc họp → sau đó biến thành các mục hành động → sau đó soạn thảo email).
Liên kết demo notebook với mô hình Gemini:
Google Colab Demo Notebook
Chương trước (Chương B: Giới thiệu về LLM và Tài nguyên LLM miễn phí)
Giờ đây, bạn đã biết cách làm việc với các prompt để có thể mở khóa toàn bộ khả năng. Chúng ta bắt đầu chuyển đổi cơ bản từ GenAi sang AI có tác động.
Chương tiếp theo Chương D: Chuyển đổi từ Gen AI sang AI có tác động
Có câu hỏi hoặc ý tưởng nào không? Để lại bình luận bên dưới — tôi rất muốn nghe ý kiến của bạn.
Hãy kết nối: 🔗 LinkedIn của tôi
