Mở đầu — vì sao bài này quan trọng
Ở Bài 1, bạn đã nắm được nền tảng: prompt là gì, cấu trúc cơ bản, và cách viết một câu lệnh rõ ràng để AI hiểu bạn muốn gì. Nhưng nếu bạn đã từng thử dùng ChatGPT hay Claude trong công việc thật, bạn sẽ nhanh chóng chạm vào một bức tường: prompt cơ bản chỉ đưa bạn đi được khoảng 60% quãng đường. 40% còn lại — phần tạo ra khác biệt giữa một câu trả lời "tạm được" và một kết quả "dùng được ngay trong báo cáo gửi sếp" — nằm ở các kỹ thuật nâng cao.
Hãy hình dung thế này. Một nhân viên marketing gõ "viết cho tôi 5 tiêu đề quảng cáo cho sản phẩm sữa hạt" sẽ nhận về 5 tiêu đề chung chung, nhạt nhòa, giống hệt như đối thủ. Trong khi một người biết kỹ thuật nâng cao sẽ nhận về 5 tiêu đề đúng tông giọng thương hiệu, đúng phân khúc khách hàng, có cấu trúc A/B test sẵn sàng — chỉ khác nhau ở cách họ soạn prompt.
Bài học này là bước chuyển từ "biết ra lệnh" sang "biết điều khiển". Chúng ta sẽ đi vào bốn nhóm kỹ thuật nâng cao có tác động lớn nhất và dễ áp dụng nhất trong công việc kinh doanh: thiết lập vai trò và hành vi bền vững cho AI, kỹ thuật đưa ví dụ mẫu, kỹ thuật cho AI "suy nghĩ" trước khi trả lời, và kỹ thuật ép AI trả ra định dạng chuẩn. Đây là bộ công cụ mà bất kỳ ai muốn dùng AI ở mức chuyên nghiệp đều phải nắm.
Lưu ý: mỗi kỹ thuật trong bài này sẽ được đào sâu riêng ở các bài sau (few-shot ở Bài 6, Chain-of-Thought ở Bài 7, system prompt ở Bài 8, structured output ở Bài 9). Vai trò của Bài 2 là cho bạn cái nhìn tổng thể — hiểu được bức tranh lớn, biết khi nào dùng công cụ nào, để bạn bắt đầu áp dụng ngay lập tức mà không cần chờ học hết khóa.
Khái niệm cốt lõi
Kỹ thuật nâng cao khác kỹ thuật cơ bản ở một điểm mấu chốt: thay vì chỉ mô tả cái bạn muốn, bạn bắt đầu định hình cách AI xử lý yêu cầu. Bạn không chỉ đặt câu hỏi — bạn thiết kế bối cảnh, ràng buộc và lối tư duy cho mô hình.
1. Thiết lập vai trò và hành vi bền vững (Role & System behavior)
Khi bạn nói với AI "Bạn là một chuyên viên phân tích tài chính với 10 năm kinh nghiệm tại một quỹ đầu tư ở TP.HCM", bạn đang làm nhiều hơn là trang trí. Bạn kích hoạt một "vùng kiến thức" và một "giọng điệu" cụ thể trong mô hình. AI sẽ ưu tiên từ vựng chuyên ngành, cách lập luận thận trọng, và những giả định phù hợp với vai trò đó.
Mạnh hơn nữa là thiết lập hành vi bền vững — thường gọi là system prompt. Đây là những chỉ dẫn được áp dụng xuyên suốt toàn bộ cuộc hội thoại, chứ không chỉ một lần hỏi. Ví dụ:
System: Bạn là trợ lý phân tích kinh doanh cho một công ty Việt Nam. Luôn luôn:
- Trả lời bằng tiếng Việt
- Dùng đơn vị tiền tệ VNĐ, định dạng có dấu phẩy ngăn cách hàng nghìn
- Khi đưa ra nhận định, luôn nêu rõ giả định đi kèm
- Nếu thiếu dữ liệu, hỏi lại thay vì bịa số liệu
Điểm khác biệt: dù người dùng hỏi 20 câu tiếp theo về đủ chủ đề, mọi câu trả lời vẫn tuân theo bốn quy tắc trên. Đây chính là cách các doanh nghiệp "đóng khung" AI để nó hành xử nhất quán như một nhân viên đã được đào tạo.
2. Few-shot — dạy AI bằng ví dụ mẫu
Con người học nhanh nhất qua ví dụ, và AI cũng vậy. Thay vì mô tả dài dòng bạn muốn định dạng nào, bạn chỉ cần đưa 2–3 ví dụ mẫu (gọi là shots), rồi để AI suy ra khuôn mẫu.
So sánh nhanh:
- Zero-shot (không ví dụ): "Phân loại đánh giá khách hàng này là tích cực hay tiêu cực."
- Few-shot (có ví dụ): Bạn đưa trước 3 cặp mẫu "đánh giá → nhãn phân loại", rồi mới đưa đánh giá cần xử lý.
3. Chain-of-Thought — cho AI "suy nghĩ" trước khi trả lời
Với các bài toán cần lập luận (tính toán, ra quyết định, phân tích nhân quả), nếu bạn ép AI trả lời ngay, nó dễ đưa ra kết luận sai vì "nhảy cóc". Kỹ thuật Chain-of-Thought (CoT) đơn giản là yêu cầu AI trình bày từng bước suy nghĩ trước khi kết luận — ví dụ thêm câu "Hãy suy nghĩ từng bước một" vào cuối prompt.
Cơ chế đằng sau: khi mô hình phải viết ra các bước trung gian, nó "phân bổ" nhiều khả năng tính toán hơn cho bài toán, giảm sai sót đáng kể. Với các phép tính hay logic nghiệp vụ, CoT có thể nâng độ chính xác từ mức chấp nhận được lên mức đáng tin cậy.
4. Structured output — ép AI trả ra định dạng chuẩn
Trong công việc thật, bạn hiếm khi cần một đoạn văn xuôi. Bạn cần dữ liệu có thể đưa thẳng vào Excel, Google Sheets, hay hệ thống phần mềm. Bằng cách yêu cầu AI trả ra JSON, bảng biểu, hay danh sách theo khuôn mẫu cố định, bạn biến AI từ "người viết văn" thành "máy sản xuất dữ liệu" — đầu ra đồng nhất, dễ tự động hóa, dễ kiểm tra.
Bốn kỹ thuật này không tách rời. Sức mạnh thật sự đến khi bạn kết hợp chúng: một system prompt định hình vai trò + vài ví dụ few-shot + yêu cầu suy nghĩ từng bước + ép định dạng JSON. Đó là công thức của một prompt cấp doanh nghiệp.
Tình huống thực tế
Ví dụ 1 — Tiki và bài toán phân loại phản hồi khách hàng
Giả sử đội chăm sóc khách hàng của một sàn thương mại điện tử như Tiki nhận khoảng 3.000 phản hồi mỗi ngày qua chat và email. Việc phân loại thủ công thành các nhóm "khiếu nại giao hàng", "vấn đề sản phẩm", "hỏi khuyến mãi", "khen ngợi" tiêu tốn thời gian của cả một ê-kíp.
Ban đầu, nhân viên thử prompt zero-shot đơn giản: "Phân loại tin nhắn này." Kết quả lộn xộn — AI tự đặt tên nhóm khác nhau mỗi lần, lúc thì "giao hàng chậm", lúc thì "vận chuyển có vấn đề", không thể tổng hợp thành báo cáo.
Sau khi áp dụng few-shot kết hợp structured output, prompt được viết lại: đưa trước 4 ví dụ mẫu với đúng 5 nhãn cố định, và yêu cầu trả về JSON dạng {"nhan": "...", "do_khan": "cao/trung/thap"}. Kết quả: 92% tin nhắn được gán nhãn nhất quán, và vì đầu ra là JSON, nó được nạp thẳng vào dashboard mà không cần chỉnh tay.
Bài học: khi cần đầu ra nhất quán và tự động hóa được, few-shot cố định nhãn + structured output là cặp bài trùng. Đừng để AI tự do sáng tạo tên nhóm.
Ví dụ 2 — Startup fintech và bài toán thẩm định khoản vay
Một startup fintech giả định tại Singapore chuyên cho vay tiêu dùng cần tóm tắt hồ sơ tài chính khách hàng và đưa ra khuyến nghị sơ bộ "nên duyệt / cần xem thêm / từ chối". Đây là bài toán vừa cần lập luận, vừa cần thận trọng vì liên quan tiền bạc và rủi ro pháp lý.
Prompt đầu tiên cho AI trả lời thẳng khuyến nghị. Kết quả nguy hiểm: AI đôi khi kết luận "nên duyệt" nhưng khi hỏi lại lý do thì lập luận không vững, thậm chí mâu thuẫn với dữ liệu thu nhập.
Đội ngũ áp dụng Chain-of-Thought kết hợp system prompt: system prompt quy định "luôn nêu rõ giả định, không bao giờ đưa quyết định cuối mà chỉ đưa khuyến nghị sơ bộ kèm cảnh báo rủi ro", còn phần user prompt yêu cầu "phân tích từng bước: thu nhập, tỷ lệ nợ trên thu nhập, lịch sử trả nợ, rồi mới đưa khuyến nghị". Sau thay đổi, mỗi khuyến nghị đi kèm chuỗi lập luận rõ ràng mà chuyên viên thẩm định con người có thể kiểm tra và phản biện. Tỷ lệ khuyến nghị sai bị chuyên viên bác bỏ giảm rõ rệt.
Bài học: với quyết định có rủi ro cao, đừng bao giờ để AI "nhảy" thẳng tới kết luận. Buộc nó suy nghĩ từng bước và giữ vai trò "trợ lý đề xuất", không phải "người quyết định".
Ví dụ 3 — Agency marketing giữ nhất quán tông giọng cho nhiều thương hiệu
Một agency ở Hà Nội quản lý nội dung cho 8 thương hiệu khác nhau — từ một hãng cà phê trẻ trung đến một công ty bảo hiểm nghiêm túc. Vấn đề: khi copywriter dùng AI, mỗi người ra một tông giọng, làm loãng bản sắc thương hiệu.
Giải pháp là xây một system prompt riêng cho từng thương hiệu, mô tả persona ("Bạn là người viết nội dung cho thương hiệu cà phê X, giọng vui tươi, dùng từ trẻ, xưng 'mình – bạn', không dùng thuật ngữ hàn lâm"), kèm 2–3 ví dụ few-shot lấy từ các bài đăng thành công nhất của thương hiệu đó. Copywriter chỉ cần dán system prompt tương ứng vào đầu phiên làm việc, rồi ra yêu cầu ngắn.
Kết quả: nội dung do các thành viên khác nhau tạo ra đồng đều về tông giọng, thời gian biên tập lại giảm khoảng một nửa, và khách hàng của agency phản hồi tích cực về tính nhất quán.
Bài học: system prompt + few-shot chính là cách "đóng gói" tri thức thương hiệu thành một tài sản dùng lại được, thay vì phụ thuộc vào cảm hứng của từng người.
Hướng dẫn từng bước
Đây là quy trình thực hành để nâng cấp một prompt cơ bản lên cấp nâng cao:
- Xác định vai trò cần thiết. Tự hỏi: "Nếu giao việc này cho một người, người đó cần chuyên môn gì?" Viết vai trò đó vào đầu prompt hoặc system prompt. Ví dụ: "Bạn là chuyên viên tuyển dụng nhân sự cấp cao."
- Thiết lập hành vi bền vững nếu làm việc nhiều lượt. Nếu bạn sẽ hỏi nhiều câu liên tiếp, đưa các quy tắc cố định (ngôn ngữ, định dạng, tông giọng, ranh giới không được vượt) vào system prompt.
- Quyết định có cần ví dụ mẫu không. Nếu đầu ra cần đúng một định dạng hoặc phong cách cụ thể, chuẩn bị 2–3 ví dụ chất lượng cao. Chọn ví dụ đa dạng để AI hiểu được ranh giới, đừng chọn 3 ví dụ giống hệt nhau.
- Thêm yêu cầu suy nghĩ từng bước nếu là bài toán lập luận. Với tính toán, so sánh, ra quyết định, thêm câu "Hãy phân tích từng bước trước khi đưa kết luận."
- Chỉ định định dạng đầu ra rõ ràng. Nếu cần dữ liệu, yêu cầu JSON hoặc bảng với các trường cụ thể. Càng mô tả rõ khuôn mẫu, đầu ra càng ổn định.
- Chạy thử, quan sát, tinh chỉnh. Chạy prompt với 3–5 đầu vào khác nhau. Xem chỗ nào AI hiểu sai, bổ sung ví dụ hoặc siết ràng buộc. Lặp lại cho đến khi ổn định.
- Lưu lại prompt tốt. Khi có một prompt chạy ổn, hãy lưu nó như một tài sản (trong file, trong công cụ quản lý). Đây là nền tảng để tái sử dụng và mở rộng sau này.
Lỗi thường gặp & mẹo
Lỗi 1 — Nhồi quá nhiều vai trò cùng lúc. "Bạn vừa là luật sư, vừa là kế toán, vừa là chuyên gia marketing" khiến AI mất tập trung và trả lời hời hợt. Mẹo: mỗi prompt một vai trò rõ ràng. Nếu cần nhiều chuyên môn, hãy tách thành nhiều bước.
Lỗi 2 — Chọn ví dụ few-shot kém chất lượng hoặc thiên lệch. Nếu cả 3 ví dụ mẫu đều là trường hợp tích cực, AI sẽ có xu hướng luôn trả về "tích cực". Mẹo: đảm bảo bộ ví dụ cân bằng và bao phủ các trường hợp bạn thật sự gặp.
Lỗi 3 — Dùng Chain-of-Thought cho việc đơn giản. Bắt AI suy nghĩ từng bước để trả lời "Thủ đô Việt Nam là gì" chỉ làm tốn thời gian và token. Mẹo: chỉ dùng CoT khi bài toán thật sự cần lập luận nhiều bước.
Lỗi 4 — Yêu cầu JSON nhưng mô tả trường mập mờ. Nếu bạn không nêu rõ tên và kiểu dữ liệu của từng trường, AI sẽ tự chế, gây lỗi khi nạp vào hệ thống. Mẹo: đưa luôn một mẫu JSON ví dụ trong prompt để AI bắt chước chính xác.
Lỗi 5 — Quên rằng system prompt có thể bị "trôi". Trong hội thoại rất dài, ảnh hưởng của system prompt có thể yếu dần. Mẹo: với các phiên quan trọng, nhắc lại quy tắc cốt lõi định kỳ hoặc bắt đầu phiên mới.
Mẹo vàng — Kết hợp có chủ đích. Đừng dùng cả bốn kỹ thuật một cách máy móc cho mọi prompt. Hãy hỏi: bài toán này cần lập luận không? cần định dạng chuẩn không? cần nhất quán phong cách không? Chỉ thêm kỹ thuật khi nó giải quyết một nhu cầu thật.
Bài tập thực hành
- Nâng cấp một prompt cũ. Lấy một prompt cơ bản bạn từng dùng (hoặc "viết 3 email chào hàng"). Viết lại nó với: một vai trò rõ ràng + một system prompt gồm 3 quy tắc + yêu cầu định dạng đầu ra cụ thể. So sánh kết quả trước và sau.
- Thực hành few-shot. Chọn một tác vụ phân loại trong công việc của bạn (ví dụ: gắn nhãn phản hồi khách hàng thành "khen / chê / hỏi"). Chuẩn bị 3 ví dụ mẫu cân bằng, rồi thử phân loại 5 câu mới. Ghi lại tỷ lệ đúng.
- Thử Chain-of-Thought. Đưa cho AI một bài toán nghiệp vụ có tính toán (ví dụ: "Doanh thu tháng 3 là 850 triệu, tăng 12% so với tháng 2. Tháng 2 là bao nhiêu?"). Chạy hai lần: một lần yêu cầu trả lời ngay, một lần yêu cầu suy nghĩ từng bước. Quan sát khác biệt.
- Kết hợp toàn bộ. Thiết kế một prompt "cấp doanh nghiệp" cho một tác vụ thật của bạn, kết hợp cả bốn kỹ thuật. Viết ra lý do bạn chọn từng kỹ thuật. Đây là bài tập quan trọng nhất — nó rèn tư duy thiết kế prompt.
Tóm tắt
Bài học này đưa bạn từ "biết ra lệnh" sang "biết điều khiển" AI qua bốn kỹ thuật nâng cao cốt lõi:
- Thiết lập vai trò và hành vi bền vững (system prompt): định hình chuyên môn, tông giọng và ranh giới cho AI một cách nhất quán xuyên suốt cuộc hội thoại.
- Few-shot: dạy AI bằng 2–3 ví dụ mẫu chất lượng để nó bắt chước đúng định dạng và phong cách bạn cần.
- Chain-of-Thought: buộc AI suy nghĩ từng bước trước khi kết luận, tăng độ chính xác cho các bài toán lập luận và ra quyết định.
- Structured output: ép AI trả ra JSON, bảng, hay danh sách chuẩn để dữ liệu dùng được ngay và tự động hóa được.