Nguyên tắc cơ bản của Prompt Engineering Google: Rõ ràng, Cụ thể, Có Cấu trúc
Khi làm việc với mô hình ngôn ngữ lớn (LLM), nhiều người gặp phải tình huống tương tự: họ đặt câu hỏi chung chung, nhận lại câu trả lời không như mong đợi, rồi cho rằng AI "không hiểu". Thực tế, vấn đề nằm ở cách chúng ta yêu cầu, không phải ở khả năng của mô hình.
Google đã xây dựng một bộ khung nguyên tắc rõ ràng cho Prompt Engineering, dựa trên hàng năm nghiên cứu và thử nghiệm trong thực tế. Ba nguyên tắc cốt lõi—Rõ ràng, Cụ thể, Có Cấu trúc—là nền tảng để bạn có thể tận dụng tối đa sức mạnh của AI, dù bạn là lập trình viên, content creator, hay quản lý sản phẩm.
Rõ ràng: Nói rõ bạn muốn gì
Rõ ràng không chỉ là "viết đầy đủ" mà là loại bỏ mọi sự mơ hồ trong yêu cầu của bạn. Hãy so sánh hai ví dụ:
Yêu cầu mơ hồ: "Viết về tự động hóa AI"
Yêu cầu rõ ràng: "Viết một đoạn 200 từ giải thích cách doanh nghiệp SME có thể dùng AI để tự động hóa quy trình kiểm tra chất lượng sản phẩm. Tông giọng: chuyên nghiệp nhưng gần gũi. Bao gồm 2-3 ví dụ thực tế từ các ngành sản xuất."
Yêu cầu thứ hai cung cấp các chi tiết quan trọng: độ dài mong muốn, đối tượng mục tiêu, tông giọng, và định dạng. Khi AI biết chính xác bạn cần gì, nó không phải "đoán" và output sẽ ngay lập tức trở nên hữu ích hơn rất nhiều.
Theo phương pháp của Google, việc thiết lập rõ ràng bao gồm:
- Định nghĩa mục tiêu cuối cùng: Output sẽ được dùng để làm gì? Ai là người dùng?
- Chỉ định giới hạn: Bao nhiêu từ? Định dạng nào? Phong cách như thế nào?
- Nêu rõ những gì cần tránh: Không dùng từ kỹ thuật quá, không nhắc tới các sản phẩm cụ thể, v.v.
Cụ thể: Cung cấp ngữ cảnh và chi tiết
Cụ thể có nghĩa là bạn phải "cho AI biết" những gì bạn biết. Nếu bạn muốn AI viết bài về tự động hóa kho hàng bằng AI, hãy cho biết:
- Bạn đang làm việc với kho hàng nào? Quy mô bao nhiêu?
- Hiện tại các thách thức chính là gì?
- Bạn có dữ liệu cụ thể nào không? (số lượng sản phẩm, tần suất phát sinh lỗi, v.v.)
- Bạn muốn AI đề xuất công nghệ cụ thể hay chỉ những nguyên lý chung?
Trong thực hành tại 8i8gent, tôi thấy rằng những prompt có ngữ cảnh chi tiết—bao gồm dữ liệu thực, bối cảnh kinh doanh, hoặc các ràng buộc cụ thể—luôn cho ra kết quả chất lượng cao hơn gấp 3-5 lần so với yêu cầu chung chung.
Ví dụ thực tế: Một startup logistics ở Hà Nội muốn dùng AI để tối ưu hóa tuyến đường giao hàng. Thay vì hỏi "Tối ưu hóa tuyến đường như thế nào?", họ nên cung cấp: số địa chỉ giao hàng trung bình/ngày (150), bán kính hoạt động (quận Ba Đình, Hoàn Kiếm, Đống Đa), loại phương tiện (xe máy, ô tô nhỏ), và ràng buộc thời gian (phải giao xong trước 18h). Với những chi tiết này, AI có thể đề xuất giải pháp cụ thể, thực tế hơn rất nhiều.
Có Cấu trúc: Tổ chức thông tin hợp lý
Cấu trúc tốt giúp AI xử lý thông tin nhanh hơn và chính xác hơn. Google khuyến nghị sử dụng định dạng gồm các yếu tố sau:
Vai trò / Bối cảnh: Hãy gán một vai trò cho AI. Ví dụ: "Bạn là một kỹ sư phần mềm với 10 năm kinh nghiệm xây dựng hệ thống tự động hóa. Tôi sẽ hỏi bạn về cách thiết kế một quy trình xử lý đơn hàng tự động."
Nhiệm vụ cụ thể: Sử dụng các số thứ tự hoặc dấu gạch đầu dòng để liệt kê những gì AI cần làm.
Ví dụ: Cung cấp 2-3 mẫu đầu vào/đầu ra để AI hiểu được pattern bạn mong muốn. Kỹ thuật này gọi là "few-shot learning" và rất hiệu quả.
Ràng buộc hoặc định dạng: Nêu rõ yêu cầu về định dạng (JSON, markdown, bảng, v.v.), độ dài, hoặc bất kỳ quy tắc nào khác.
Để minh họa, dưới đây là cách viết một prompt có cấu trúc theo tiêu chuẩn Google:
"Vai trò: Bạn là một chuyên gia content marketing cho SaaS. Nhiệm vụ: 1. Viết một tiêu đề bài blog hấp dẫn 2. Viết 3 câu mở đầu thu hút 3. Tạo outline với 5 phần chính Ngữ cảnh: Bài viết hướng đến founder startup tech tại Việt Nam, muốn tìm hiểu cách dùng AI để tăng năng suất. Định dạng: Markdown Độ dài: Không quá 150 từ cho phần mở đầu. Tông giọng: Chuyên sâu nhưng gần gũi, tránh jargon không cần thiết." Khi bạn tổ chức prompt theo cấu trúc này, AI sẽ hiểu rõ ràng hơn và output sẽ tuân theo mong muốn của bạn với độ chính xác cao hơn.
Ba nguyên tắc—Rõ ràng, Cụ thể, Có Cấu trúc—không phức tạp, nhưng hiệu quả của chúng là thực sự lớn. Đây chính là lý do tại sao các đội kỹ sư hàng đầu tại các công ty AI lớn luôn nhấn mạnh: Prompt Engineering không phải về "mẹo nhỏ", mà về việc học cách giao tiếp hiệu quả với AI. Khi bạn nắm vững ba nguyên tắc này, bạn sẽ thấy rằng AI không "thiếu thông minh", mà chỉ cần được hướng dẫn đúng cách.
Hãy bắt đầu từ hôm nay: lấy một prompt cũ của bạn, áp dụng ba nguyên tắc này, và so sánh kết quả. Bạn sẽ ngạc nhiên về sự khác biệt. Hơn nữa, để hiểu sâu hơn về cách áp dụng các kỹ thuật nâng cao, bạn có thể khám phá các phương pháp Chain of Thought và Tree of Thought trong Prompt Engineering, những kỹ thuật được Google phát triển để cải thiện khả năng suy luận của AI.
Chain of Thought & Tree of Thought: Suy luận bước-từng-bước để kết quả chính xác hơn
Một trong những phát hiện quan trọng từ nghiên cứu của Google về prompt engineering là: cách chúng ta yêu cầu mô hình ngôn ngữ giải thích tư duy của nó sẽ quyết định độ chính xác của kết quả. Thay vì chỉ đưa ra đáp án cuối cùng, nếu chúng ta bắt mô hình "suy nghĩ" từng bước, kết quả sẽ tốt hơn đáng kể. Đây chính là ý tưởng cốt lõi của Chain of Thought (CoT) và Tree of Thought (ToT) – hai kỹ thuật prompt engineering mạnh mẽ được Google phát triển và chứng minh hiệu quả thông qua các nghiên cứu.
Tại sao suy luận bước-từng-bước lại quan trọng?
Hãy tưởng tượng bạn yêu cầu một nhân viên giải quyết bài toán phức tạp nhưng chỉ nói "cho tôi đáp án". Có khả năng anh ta sẽ vội vàng, bỏ qua bước, và cho ra kết quả sai. Nhưng nếu bạn yêu cầu: "hãy viết ra từng bước bạn làm, sau đó cho tôi đáp án", chất lượng kết quả sẽ tốt hơn rất nhiều. Điều tương tự xảy ra với mô hình ngôn ngữ lớn (LLM).
Khi bạn sử dụng Chain of Thought, bạn yêu cầu mô hình phải giải thích logic, lý do, và các bước trung gian trước khi đưa ra kết luận. Điều này giúp:
- Giảm lỗi logic và suy luận sai lầm.
- Tăng độ tin cậy của kết quả vì bạn có thể kiểm chứng từng bước.
- Cải thiện khả năng xử lý các vấn đề phức tạp đòi hỏi nhiều bước suy luận.
Tree of Thought đi xa hơn một bước. Thay vì chỉ đi theo một đường suy luận tuyến tính, nó khám phá nhiều con đường tư duy khác nhau cùng một lúc, sau đó chọn ra con đường tốt nhất. Giống như bạn cân nhắc nhiều giải pháp khác nhau trước khi quyết định.
Chain of Thought: Hướng dẫn từng bước thực hành
Để áp dụng Chain of Thought vào công việc thực tế, hãy tuân theo cấu trúc này:
Ví dụ 1: Phân tích dữ liệu kinh doanh
Thay vì prompt chung chung:
"Công ty X bán 10,000 sản phẩm năm ngoái. Năm nay họ bán 12,000. Doanh số tăng bao nhiêu?" Hãy viết prompt có Chain of Thought:
"Công ty X bán 10,000 sản phẩm năm ngoái. Năm nay họ bán 12,000. Hãy giải thích từng bước như sau: 1. Tính sự khác biệt số lượng bán hàng. 2. Tính tỷ lệ phần trăm tăng trưởng từ con số ban đầu. 3. Diễn giải ý nghĩa của mức tăng trưởng này. 4. Sau cùng, cho biết doanh số tăng bao nhiêu?" Với cách này, mô hình sẽ làm rõ tư duy, giảm thiểu sai sót, và bạn có thể kiểm tra logic ở mỗi bước.
Ví dụ 2: Viết nội dung cho marketer
Thay vì yêu cầu: "Viết một bài social media về sản phẩm A", hãy sử dụng Chain of Thought:
"Tôi muốn viết một bài social media cho sản phẩm A (ứng dụng quản lý thời gian). Hãy thực hiện theo trình tự: 1. Xác định vấn đề chính mà khách hàng thường gặp (ví dụ: lãng phí thời gian). 2. Giải thích cách sản phẩm giải quyết vấn đề này. 3. Đưa ra một ví dụ thực tế về lợi ích. 4. Viết call-to-action rõ ràng. 5. Ghép lại thành một bài post hoàn chỉnh, 150 ký tự, phù hợp tone của công ty." Kết quả sẽ có logic rõ ràng, nội dung liên kết và thuyết phục hơn.
Tree of Thought: Khi cần nhiều giải pháp
Tree of Thought phù hợp khi bạn đối mặt với vấn đề có nhiều cách tiếp cận. Cấu trúc prompt sẽ là:
"[Định nghĩa bài toán] Hãy khám phá ít nhất 3 cách tiếp cận khác nhau: 1. Cách A: [mô tả con đường suy luận thứ nhất] 2. Cách B: [mô tả con đường suy luận thứ hai] 3. Cách C: [mô tả con đường suy luận thứ ba] Sau đó, so sánh ba cách này và chỉ ra cách nào hiệu quả nhất và tại sao." Ví dụ 3: Chiến lược kinh doanh cho startup
Một founder muốn tìm chiến lược tăng trưởng có thể yêu cầu:
"Startup của tôi là một ứng dụng học ngoại ngữ. Chúng tôi muốn tăng số người dùng từ 5,000 lên 50,000 trong 6 tháng. Hãy phác thảo 3 con đường tăng trưởng khác nhau: 1. Thông qua tiếp thị nội dung (content marketing) trên blog và TikTok. 2. Thông qua kết hợp với các nền tảng giáo dục hiện có. 3. Thông qua tư vấn cộng đồng (community-driven growth). Với mỗi cách, tính toán chi phí, thời gian, và xác suất thành công dự kiến. Cuối cùng, đề xuất con đường nào tốt nhất cho startup vừa mới." Bằng cách này, bạn sẽ nhận được phân tích đa chiều thay vì chỉ một giải pháp duy nhất.
Áp dụng trong thực tiễn
Cả Chain of Thought và Tree of Thought đều đòi hỏi thêm tokens (từ) và thời gian xử lý, nhưng trường hợp nào nên dùng cái nào?
- Dùng Chain of Thought khi: bạn cần một câu trả lời chính xác, logic phải rõ ràng và kiểm chứng được, như phân tích dữ liệu, lập kế hoạch, hay giải quyết vấn đề có quy trình rõ ràng.
- Dùng Tree of Thought khi: bạn cần so sánh nhiều phương án, tìm giải pháp tối ưu trong bối cảnh phức tạp, hoặc muốn bộ não AI "suy tư" từ nhiều góc độ.
Kinh nghiệm từ các dự án AI mà tôi triển khai cho các doanh nghiệp Việt cho thấy: những công ty áp dụng Chain of Thought trong phân tích báo cáo hoặc tạo nội dung đều thấy kết quả chất lượng cao hơn 30-40% so với prompt đơn giản. Thời gian chuẩn bị prompt chi tiết hơn là đáng giá khi nó giảm thiểu công việc chỉnh sửa sau này.
Bản chất của hai kỹ thuật này là: bạn không phải đơn giản yêu cầu mô hình "hãy suy nghĩ giúp tôi", mà phải chỉ dẫn cụ thể cách nó nên suy nghĩ. Đó là sức mạnh thực sự của prompt engineering theo cách Google đã nghiên cứu và chứng minh.
PICTURE Method: Quy trình 7 bước cấu trúc hóa prompt để tối ưu kết quả
Khi làm việc với các mô hình ngôn ngữ lớn (LLM), nhiều người thường gặp phải một vấn đề: kết quả trả về không đáp ứng kỳ vọng. Lý do không phải vì mô hình kém, mà bởi cách chúng ta đặt câu hỏi chưa đủ rõ ràng và có hệ thống. Google đã phát triển PICTURE Method—một khung làm việc bao gồm 7 thành phần chính—giúp bạn xây dựng prompt một cách có phương pháp, từ đó nâng cao chất lượng output đáng kể.
PICTURE là viết tắt của: Purpose (Mục đích), Input (Dữ liệu đầu vào), Context (Bối cảnh), Task (Nhiệm vụ), Understanding (Sự hiểu biết), Result (Kết quả mong muốn), và Example (Ví dụ). Mỗi thành phần đều có vai trò quan trọng trong việc định hướng mô hình ngôn ngữ trả lời chính xác theo ý định của bạn.
Hiểu bản chất của PICTURE Method
Thay vì viết prompt ngẫu nhiên, PICTURE Method yêu cầu bạn suy nghĩ có cấu trúc về từng khía cạnh của yêu cầu. Điều này tương tự như cách bạn chuẩn bị cho một cuộc họp quan trọng: bạn cần biết mục đích gặp gỡ, thông tin cần chuẩn bị, bối cảnh dự án, nhiệm vụ cụ thể cần thảo luận, và kết quả mong đợi là gì. Khi mỗi yếu tố rõ ràng, cuộc họp sẽ hiệu quả hơn. Tương tự, khi mỗi thành phần của prompt được làm rõ, mô hình sẽ hiểu chính xác hơn và cho kết quả tốt hơn.
Ví dụ thực tế: bạn là content manager tại một startup công nghệ Việt Nam và cần viết bài blog giới thiệu về AI. Thay vì gõ: "Viết bài blog về AI", hãy cấu trúc hóa yêu cầu theo PICTURE Method.
Áp dụng PICTURE Method từng bước
Bước 1: Purpose (Mục đích)
Xác định tại sao bạn cần output này. Mục đích là gì? Ai sẽ sử dụng nó?
Ví dụ: "Mục đích là tạo bài blog giới thiệu cho đối tượng người mới học về AI, giúp họ hiểu khái niệm cơ bản và áp dụng được vào công việc hàng ngày."
Bước 2: Input (Dữ liệu đầu vào)
Qual những dữ liệu, thông tin có sẵn bạn muốn mô hình sử dụng?
Ví dụ: "Sử dụng dữ liệu từ các nghiên cứu của Google về prompt engineering, cộng với kinh nghiệm triển khai AI tại các công ty Việt Nam như Zalo, FPT Software."
Bước 3: Context (Bối cảnh)
Cung cấp thông tin nền tảng giúp mô hình hiểu tình huống rộng hơn.
Ví dụ: "Bài blog được viết cho trang web startup công nghệ, độc giả chủ yếu là lập trình viên junior, product manager, và những người muốn tìm hiểu AI. Tone là chuyên nghiệp nhưng gần gũi, không quá kỹ thuật."
Bước 4: Task (Nhiệm vụ)
Mô tả chính xác hành động bạn muốn mô hình thực hiện.
Ví dụ: "Viết một bài blog dài 1500 từ, bao gồm: (1) giới thiệu khái niệm AI và LLM, (2) giải thích 3 kỹ thuật prompt engineering cơ bản, (3) cung cấp 2 ví dụ thực tế từ ngành marketing và phát triển sản phẩm."
Bước 5: Understanding (Sự hiểu biết)
Chiếu ánh sáng những gì mô hình cần biết để trả lời chính xác.
Ví dụ: "Bạn cần hiểu rằng đối tượng này không có nền tảng sâu về AI, vì vậy tránh những thuật ngữ quá chuyên sâu. Giải thích bằng phép loại suy, ví dụ thực tế. Đồng thời, hãy nhấn mạnh giá trị thực tiễn thay vì lý thuyết thuần túy."
Bước 6: Result (Kết quả mong muốn)
Xác định format, độ dài, cấu trúc và định dạng của output.
Ví dụ: "Output phải có cấu trúc như sau: mở bài hấp dẫn (150 từ), ba section chính với tiêu đề rõ ràng, mỗi section 300 từ, kết luận 200 từ. Format HTML, có heading, bullet points, và code snippet mẫu nếu cần."
Bước 7: Example (Ví dụ)
Cung cấp 1-2 ví dụ về output mong muốn hoặc phần output tương tự để mô hình hiểu rõ phong cách.
Ví dụ: "Đây là đoạn mở bài mẫu: 'AI không còn là khoa học viễn tưởng. Ngày hôm nay, bạn đã sử dụng AI mà không biết: từ việc Netflix đề xuất phim yêu thích, đến cách Gmail tự động hoàn thành email. Bài viết này sẽ giải thích cách AI hoạt động và cách bạn có thể dùng nó để tăng hiệu suất công việc.'"
Khi bạn kết hợp cả 7 yếu tố này vào một prompt duy nhất, mô hình sẽ có một bức tranh toàn cảnh rõ ràng. Nó biết mục đích, nguồn dữ liệu, bối cảnh đối tượng, nhiệm vụ cụ thể, tiêu chí chất lượng, format mong muốn, và thậm chí có mẫu để bắt chước. Kết quả là output chính xác hơn, phù hợp hơn với nhu cầu thực tế.
PICTURE Method không chỉ áp dụng cho content creation. Lập trình viên có thể dùng nó để yêu cầu mô hình viết code, kỹ sư có thể dùng nó để phân tích dữ liệu kỹ thuật, và người quản lý dự án có thể dùng nó để tạo kế hoạch. Chìa khóa là sự rõ ràng và sự cấu trúc hóa. Trong một thế giới mà AI đang trở thành công cụ hàng ngày của chuyên gia, việc nắm vững PICTURE Method là kỹ năng thiết yếu để tối ưu hóa năng suất và chất lượng công việc.
Ứng dụng thực chiến Prompt Engineering: Từ Content Creation đến AI Agent tự hành
Hiểu rõ các nguyên tắc prompt engineering của Google chỉ có ý nghĩa khi bạn biết cách áp dụng chúng vào công việc thực tế. Phần này sẽ hướng dẫn bạn từng bước cách sử dụng các kỹ thuật này trong bốn lĩnh vực: tạo nội dung, phân tích dữ liệu, viết code, và xây dựng AI Agent tự hành.
Tạo nội dung chuyên sâu với prompt cấu trúc
Khi làm content creator hoặc marketer, bạn thường phải viết rất nhiều bài trong thời gian ngắn. Thay vì nhập lệnh mơ hồ như "viết bài về marketing digital", hãy áp dụng phương pháp PICTURE của Google:
Ví dụ thực tế: Một agency marketing Việt Nam cần viết bài blog cho khách hàng bán phần mềm quản lý bán hàng. Thay vì yêu cầu chung chung, họ sử dụng prompt cấu trúc:
**Mục đích**: Viết bài blog SEO-friendly giúp chủ cửa hàng nhỏ hiểu lợi ích của phần mềm POS. **Đối tượng**: Chủ cửa hàng bán lẻ ở Việt Nam, có 1-5 nhân viên, chưa pernah dùng phần mềm. **Bối cảnh**: Hiện nay họ đang quản lý bằng sổ sách giấy hoặc Excel, mất rất nhiều thời gian. **Yêu cầu cụ thể**: - Độ dài: 1500 từ - Cấu trúc: giới thiệu, 3 lợi ích chính, 1 ví dụ thực tế, kết luận - Tên: 3 khó khăn phổ biến của cửa hàng bán lẻ và cách phần mềm giải quyết - Tone: thân thiện, không bán hàng quá trang trọngKết quả: Mô hình AI hiểu rõ hơn và output chất lượng tăng 60-70% so với prompt chung chung. Bài viết không chỉ đủ từ khóa mà còn gây thiết thực, dễ thành lập quan cho đối tượng mục tiêu.
Kỹ thuật chain-of-thought cũng hữu ích ở đây. Nếu bạn yêu cầu mô hình "hãy giải thích tư duy của bạn trước khi viết bài", nó sẽ: 1. Xác định ý chính cần truyền tải 2. Lên kế hoạch cấu trúc bài 3. Viết dựa trên kế hoạch đó Quy trình này tạo ra bài viết mạch lạc hơn, không rời rạc hay nhảy cảnh.
Phân tích dữ liệu và tổng hợp insight với few-shot learning
Trong Data Analysis, prompt engineering giúp bạn trích xuất insight từ dữ liệu thô mà không cần viết code phức tạp. Kỹ thuật few-shot learning (cung cấp 2-3 ví dụ mẫu) đặc biệt hiệu quả ở đây.
Trường hợp thực tế: Một startup fintech muốn phân tích feedback từ 500 khách hàng về ứng dụng di động của họ. Thay vì đọc từng review, họ sử dụng prompt sau:
Bạn là chuyên gia phân tích trải nghiệm người dùng. Hãy phân loại các feedback sau thành các nhóm vấn đề: **Ví dụ mẫu đã phân loại:** Feedback: "App bị lag khi tôi chuyển tiền, mất 10 giây để xử lý" → Nhóm: Performance/Tốc độ ứng dụng Feedback: "Giao diện khó hiểu, nút thanh toán nằm ở chỗ lạ" → Nhóm: UX/Giao diện người dùng **Giờ hãy phân loại các feedback thực tế này:** [Danh sách 10-15 feedback từ người dùng]Mô hình không chỉ phân loại mà còn giúp bạn nhóm vấn đề chính, từ đó ưu tiên fix bug. Kết hợp với constraint-based prompting (yêu cầu output dạng bảng, hay JSON), bạn có dữ liệu sạch có thể import trực tiếp vào Excel hoặc BI tool.
Viết code tự động hóa với mô hình ngôn ngữ
Đối với lập trình viên, prompt engineering là cách để yêu cầu mô hình viết code đúng logic, không chỉ code chạy được. Kỹ thuật instruction hierarchy (xếp hạng lệnh) của Google rất quan trọng ở đây.
Ví dụ: Bạn cần code Python tự động hóa quy trình crawl dữ liệu sản phẩm từ website thương mại điện tử.
Viết Python script để crawl dữ liệu sản phẩm. YÊU CẦU QUAN TRỌNG NHẤT: 1. PHẢI handle exception và retry nếu request fail 2. PHẢI tôn trọng robots.txt và rate limit (1 request/2 giây) 3. PHẢI lưu dữ liệu vào CSV với cột: tên sản phẩm, giá, đánh giá, số review Context: Website sử dụng JavaScript render động, có anti-bot. Yêu cầu chi tiết: - Dùng Selenium hoặc Playwright (không BeautifulSoup đơn thuần) - Có logging để track tiến độ - Timeout 30 giây/sản phẩm Mẫu output CSV: Tên,Giá,Đánh giá,Số reviewBằng cách liệt kê yêu cầu quan trọng TRƯỚC, bạn đảm bảo mô hình ưu tiên chúng. Code sinh ra sẽ có exception handling và logging thay vì chỉ là script cơ bản.
Xây dựng AI Agent tự hành: từ prompt đến tự động hóa quy trình
Đây là ứng dụng cao cấp nhất. Một AI Agent là một hệ thống tự động không chỉ trả lời câu hỏi mà còn thực hiện hành động: gửi email, tạo task, cập nhật database.
Để tạo agent hiệu quả, bạn cần prompt rõ ràng về: 1. Vai trò (Role): "Bạn là trợ lý hỗ trợ khách hàng tự động của công ty X" 2. Công cụ khả dụng (Tools): Agent cần biết nó có thể gọi những hàm nào: - Tìm kiếm order trong database - Gửi email - Tạo ticket hỗ trợ - Tra cứu kho hàng 3. Hướng dẫn quyết định: Khi nào dùng công cụ nào: - Nếu khách hỏi "đơn hàng của tôi đâu rồi" → tìm order - Nếu khách muốn hoàn tiền → tạo ticket chờ human review - Nếu khách hỏi tổng quát → trả lời dựa trên kiến thức có sẵn 4. Quy tắc hành động: LUÔN ghi log mọi hành động, KHÔNG bao giờ xóa dữ liệu, PHẢI xác nhận với khách trước khi hoàn tiền.
Kết quả: Agent tự động xử lý 70-80% yêu cầu khách mà không cần human can thiệp, giảm chi phí support đáng kể. Khi gặp tình huống phức tạp vượt quá khả năng, agent tự động escalate đến human agent với thông tin đầy đủ.
Qua bốn ứng dụng trên, bạn thấy rằng prompt engineering không phải "mẹo nhỏ" mà là kỹ năng cốt lõi để tối ưu hóa AI cho bất kỳ tác vụ nào. Kỹ thuật chain-of-thought giúp mô hình suy luận từng bước còn constraint-based prompting đảm bảo output tuân theo quy tắc cụ thể. Điều chốt yếu là: prompts càng rõ ràng, cấu trúc càng tốt, kết quả càng đáng tin cậy. Thực hành lặp đi lặp lại, bạn sẽ phát triển intuition về cách "nói chuyện" với mô hình AI để đạt mục tiêu kinh doanh thực tế.
