Mở đầu — vì sao bài này quan trọng
Hãy tưởng tượng bạn giao cho một nhân viên mới nhiệm vụ: "Đọc 200 phản hồi khách hàng, phân loại chúng, tìm ra 3 vấn đề nghiêm trọng nhất, viết một báo cáo ngắn cho ban giám đốc, rồi soạn luôn email xin lỗi cho những khách hàng bức xúc nhất." Nếu bạn nói tất cả những điều đó trong một hơi thở, người mới sẽ hoảng, làm hời hợt mỗi thứ một chút, và kết quả cuối cùng là một mớ hỗn độn.
Với AI cũng vậy. Ở những bài trước, bạn đã học cách viết một prompt tốt, cách dùng few-shot, cách cho AI "suy nghĩ" bằng Chain-of-Thought. Nhưng tất cả đều xoay quanh một lượt hỏi — một lượt trả lời. Vấn đề là công việc thật trong doanh nghiệp hiếm khi gọn gàng trong một lượt. Một quy trình marketing, một pipeline xử lý hồ sơ, một luồng chăm sóc khách hàng — chúng gồm nhiều bước nối tiếp nhau.
Đó chính là lý do prompt chaining ra đời. Nó là kỹ thuật giúp bạn chia một nhiệm vụ lớn, phức tạp thành chuỗi các bước nhỏ, trong đó kết quả của bước trước trở thành nguyên liệu đầu vào cho bước sau. Nắm được kỹ thuật này, bạn không còn dừng ở mức "chat với AI" mà bắt đầu thiết kế quy trình tự động bằng AI — nền tảng cho mọi thứ bạn sẽ xây dựng ở các bài về workflow và agent sau này.
Khái niệm cốt lõi
Prompt chaining là gì?
Prompt chaining (tạm dịch: nối chuỗi prompt) là kỹ thuật chia một tác vụ lớn thành nhiều bước (step), mỗi bước là một prompt riêng biệt, và output của bước N được đưa vào làm input cho bước N+1.
Thay vì viết:
> "Hãy đọc bài blog này, tóm tắt nó, dịch bản tóm tắt sang tiếng Anh, rồi viết 5 dòng tiêu đề đăng LinkedIn từ bản dịch đó."
Bạn tách thành:
- Bước 1 — Tóm tắt bài blog thành 5 gạch đầu dòng.
- Bước 2 — Lấy 5 gạch đầu dòng đó, dịch sang tiếng Anh.
- Bước 3 — Lấy bản dịch, viết 5 tiêu đề LinkedIn hấp dẫn.
Vì sao phải chain thay vì gộp vào một prompt?
Có bốn lý do rất thực tế:
1. Độ chính xác cao hơn. Khi bạn nhồi quá nhiều yêu cầu vào một prompt, AI phải "chia trí" và thường bỏ sót hoặc làm ẩu một vài phần. Tách nhỏ giúp mỗi lượt gọi có mục tiêu rõ ràng, chất lượng đầu ra tăng rõ rệt. Đây là nguyên tắc "chia để trị" (divide and conquer) áp dụng vào prompt.
2. Kiểm soát và sửa lỗi được. Nếu quy trình gộp một cục và kết quả sai, bạn không biết sai ở đâu. Khi tách chuỗi, bạn nhìn thấy output từng bước, phát hiện chính xác bước nào lệch và chỉ cần sửa bước đó — giống như debug từng dòng code thay vì đoán mò cả chương trình.
3. Tái sử dụng được. Bước "tóm tắt bài blog" có thể dùng lại cho hàng trăm bài khác nhau. Khi mỗi bước là một khối độc lập, bạn lắp ghép chúng thành nhiều quy trình khác nhau như xếp Lego.
4. Vượt giới hạn của một lượt gọi. Một số nhiệm vụ đơn giản là quá phức tạp cho một prompt: cần dữ liệu trung gian, cần con người duyệt giữa chừng, cần điều kiện rẽ nhánh. Chaining là cách duy nhất để làm được.
Các dạng chuỗi phổ biến
Không phải chuỗi nào cũng là "một hàng thẳng". Có ba dạng bạn cần phân biệt:
Chuỗi tuyến tính (linear chain): A → B → C. Đơn giản nhất, mỗi bước nối tiếp bước trước. Ví dụ: trích xuất dữ liệu → phân tích → viết báo cáo.
Chuỗi rẽ nhánh (branching / conditional chain): Sau bước A, tuỳ kết quả mà đi hướng B hoặc C. Ví dụ: phân loại email khách hàng, nếu là "khiếu nại" thì chuyển sang luồng xử lý gấp, nếu là "hỏi thông tin" thì chuyển sang luồng trả lời tự động.
Chuỗi gom (fan-out / fan-in): Một đầu vào được xử lý song song theo nhiều nhánh, rồi gom kết quả lại. Ví dụ: một hợp đồng được ba prompt cùng soi (rủi ro pháp lý, rủi ro tài chính, điều khoản thanh toán), sau đó một prompt tổng hợp thành một bản đánh giá duy nhất.
Trong bài này ta tập trung nắm chắc nền tảng — chuỗi tuyến tính và rẽ nhánh cơ bản. Những dạng agent phức tạp hơn (vòng lặp plan-act-observe) sẽ để dành cho bài về agent.
Tình huống thực tế
Ví dụ 1 — Đội nội dung của một startup edtech ở TP.HCM
Công ty Marathon Education (giả định dựa trên mô hình dạy học trực tuyến) có đội content 4 người, mỗi tuần phải sản xuất khoảng 30 bài viết chuẩn SEO cho blog. Ban đầu họ dùng một prompt khổng lồ: "Nghiên cứu từ khoá X, viết dàn ý, viết bài 1500 từ chuẩn SEO, thêm meta description, gợi ý ảnh." Kết quả bài ra đều đều nhưng nhạt, dàn ý lệch với từ khoá, meta description thường bị AI quên.
Họ chuyển sang chuỗi 4 bước:
- Bước 1 — Cho AI danh sách từ khoá, yêu cầu trả về ý định tìm kiếm (search intent) và 8 câu hỏi liên quan mà người đọc quan tâm.
- Bước 2 — Lấy 8 câu hỏi đó làm đầu vào, dựng dàn ý bài viết theo cấu trúc H2/H3.
- Bước 3 — Lấy dàn ý, viết nội dung đầy đủ, mỗi H2 một lần gọi riêng để giữ độ sâu.
- Bước 4 — Lấy bài hoàn chỉnh, sinh meta description, tiêu đề SEO và 3 gợi ý ảnh.
Ví dụ 2 — Phòng chăm sóc khách hàng của một sàn TMĐT
Một sàn thương mại điện tử tại Việt Nam nhận mỗi ngày hàng nghìn tin nhắn qua fanpage. Đội CSKH muốn AI hỗ trợ, nhưng nếu chỉ dùng một prompt "trả lời tin nhắn này" thì AI hay trả lời sai giọng điệu, có khi trả lời cả những tin cần con người xử lý (như khiếu nại hoàn tiền).
Họ thiết kế chuỗi rẽ nhánh:
- Bước 1 — Phân loại: AI đọc tin nhắn, gán nhãn:
hỏi thông tin sản phẩm,theo dõi đơn hàng,khiếu nại, hoặckhác. - Bước 2 — Rẽ nhánh: Nếu nhãn là
khiếu nại, chuỗi dừng và chuyển ngay cho nhân viên thật kèm một bản tóm tắt tình huống do AI viết. Nếu làhỏi thông tinhoặctheo dõi đơn hàng, chuỗi đi tiếp. - Bước 3 — Soạn phản hồi: AI dùng thông tin đơn hàng (được nối vào từ hệ thống) để soạn câu trả lời đúng ngữ cảnh, giọng thân thiện.
- Bước 4 — Kiểm duyệt: Một prompt cuối kiểm tra câu trả lời có chứa cam kết rủi ro nào không (ví dụ hứa hoàn tiền), nếu có thì đánh dấu cần người duyệt.
Ví dụ 3 — Nhà sáng lập đơn độc phân tích thị trường
Chị Lan, một solo founder chuẩn bị ra mắt ứng dụng quản lý chi tiêu cá nhân, cần một báo cáo cạnh tranh nhưng không có ngân sách thuê agency. Chị dựng một chuỗi đơn giản trên công cụ AI:
- Bước 1 — Với mỗi đối thủ (MoMo, Money Lover, Sổ Thu Chi Misa), yêu cầu AI liệt kê tính năng chính, mô hình giá, và nhóm khách hàng mục tiêu.
- Bước 2 — Gom ba bảng đó lại, yêu cầu AI lập bảng so sánh và chỉ ra khoảng trống thị trường (gap) chưa ai phục vụ tốt.
- Bước 3 — Từ các gap đó, đề xuất 3 hướng định vị sản phẩm cho ứng dụng của chị.
Hướng dẫn từng bước
Đây là quy trình để bạn tự thiết kế một chuỗi prompt cho công việc của mình.
Bước 1 — Vẽ ra quy trình như một con người sẽ làm. Trước khi nghĩ tới AI, hãy hình dung nếu một trợ lý giỏi làm việc này, họ sẽ đi qua những bước nào? Viết chúng ra dạng gạch đầu dòng. Đây là "bản thiết kế" chuỗi của bạn.
Bước 2 — Xác định input và output của từng bước. Với mỗi bước, hỏi: bước này cần nhận gì và phải trả ra cái gì? Điểm quan trọng: output của bước trước phải khớp định dạng với input của bước sau. Nếu bước sau cần một danh sách, thì bước trước nên trả ra danh sách rõ ràng, không phải một đoạn văn dài.
Bước 3 — Chuẩn hoá định dạng nối giữa các bước. Đây là bí quyết làm chuỗi chạy mượt. Hãy yêu cầu các bước trung gian trả về dữ liệu có cấu trúc — ví dụ danh sách đánh số, hoặc các trường rõ ràng — để bước sau "đọc" được dễ dàng. Định dạng có cấu trúc (như JSON, bảng) sẽ được học kỹ ở bài riêng, nhưng nguyên tắc ở đây đơn giản: đầu ra của một bước là dữ liệu, không phải lời văn hoa mỹ.
Bước 4 — Viết và test từng prompt riêng lẻ trước. Đừng ghép cả chuỗi ngay. Viết prompt bước 1, chạy thử với dữ liệu thật, chỉnh cho tới khi ổn. Rồi mới lấy output của nó làm input cho bước 2 và test tiếp. Cách này giúp bạn biết chắc mỗi mắt xích đều chắc.
Bước 5 — Thêm điểm kiểm tra và rẽ nhánh nếu cần. Ở những bước nhạy cảm, chèn một bước "gác cổng": AI tự kiểm tra kết quả, hoặc dừng lại chờ con người duyệt. Với quy trình có khiếu nại, tiền bạc, pháp lý — luôn giữ một điểm dừng có người.
Bước 6 — Ghép chuỗi và chạy đầu-cuối. Khi từng bước đã ổn, nối chúng lại. Ban đầu bạn có thể làm thủ công (copy output bước này dán vào bước kia), sau đó tự động hoá bằng công cụ như n8n, Make, hoặc code khi cần chạy quy mô lớn.
Lỗi thường gặp & mẹo
Lỗi 1 — Chia quá nhỏ, thành ra rườm rà. Người mới hào hứng thường tách ra 10 bước cho việc mà 3 bước là đủ. Mỗi bước là một lượt gọi, tốn thời gian và chi phí. Mẹo: chỉ tách khi một bước có mục tiêu độc lập rõ ràng, hoặc khi gộp lại làm giảm chất lượng.
Lỗi 2 — Không kiểm soát định dạng nối. Bước 1 trả ra một đoạn văn lê thê, bước 2 không biết đâu là dữ liệu cần dùng, kết quả nhiễu loạn. Mẹo: luôn yêu cầu bước trung gian trả về dạng có cấu trúc và chỉ ra rõ "hãy trả về đúng danh sách, không thêm lời dẫn".
Lỗi 3 — Lỗi tích luỹ (error propagation). Nếu bước 1 sai một chút, bước 2 nhận cái sai đó và làm sai thêm, tới bước 4 thì lệch hẳn. Đây là rủi ro lớn nhất của chaining. Mẹo: đặt bước kiểm tra sau những mắt xích quan trọng, và ưu tiên đầu tư chất lượng cho bước đầu tiên.
Lỗi 4 — Đưa quá nhiều dữ liệu qua từng bước. Có người dán nguyên toàn bộ nội dung gốc vào mọi bước, khiến chuỗi vừa tốn token vừa loãng. Mẹo: mỗi bước chỉ nhận đúng dữ liệu nó cần. Bước viết tiêu đề không cần cả bài, chỉ cần bản tóm tắt.
Lỗi 5 — Quên rằng con người vẫn là một mắt xích. Chaining không có nghĩa loại bỏ con người. Với quyết định quan trọng, một điểm dừng để người duyệt vừa an toàn vừa tăng lòng tin. Mẹo: thiết kế chuỗi theo tư duy "AI làm phần nặng, người quyết phần rủi ro".
Bài tập thực hành
Hãy chọn một trong hai bài dưới đây và thực hiện đầy đủ trên công cụ AI bạn đang dùng.
Bài A — Chuỗi tạo bài đăng mạng xã hội. Thiết kế chuỗi 3 bước: (1) Cho AI một chủ đề, yêu cầu trả về 5 góc nhìn (angle) khác nhau để khai thác. (2) Chọn một góc nhìn, yêu cầu AI dựng dàn ý bài đăng gồm hook mở đầu, thân bài, lời kêu gọi hành động. (3) Từ dàn ý, viết bài đăng hoàn chỉnh cho Facebook. Hãy chạy từng bước riêng, quan sát output, rồi ghi lại: chất lượng có tốt hơn so với khi bạn hỏi tất cả trong một prompt không?
Bài B — Chuỗi phân loại và phản hồi. Lấy 10 phản hồi khách hàng thật (hoặc tự nghĩ ra). Bước 1: yêu cầu AI phân loại từng phản hồi thành tích cực, tiêu cực, hoặc góp ý. Bước 2: với những phản hồi tiêu cực, yêu cầu AI soạn email xin lỗi ngắn. Bước 3: viết một prompt kiểm tra xem email có hứa hẹn gì rủi ro (hoàn tiền, đền bù) không. Hãy thử cố ý làm bước 1 sai một nhãn và quan sát lỗi lan xuống bước sau như thế nào.
Câu hỏi tự vấn sau khi làm: Bước nào là bước quan trọng nhất trong chuỗi của bạn? Nếu chỉ được kiểm tra kỹ một bước, bạn sẽ chọn bước nào và vì sao?
Tóm tắt
- Prompt chaining là chia một nhiệm vụ lớn thành chuỗi các bước nhỏ, trong đó output của bước trước là input của bước sau.
- Ta chain thay vì gộp một prompt vì bốn lý do: độ chính xác cao hơn, kiểm soát và sửa lỗi được, tái sử dụng được, và vượt giới hạn của một lượt gọi.
- Có ba dạng chuỗi: tuyến tính (A→B→C), rẽ nhánh (tuỳ điều kiện đi hướng khác nhau), và fan-out/fan-in (xử lý song song rồi gom lại).
- Bí quyết làm chuỗi chạy mượt là chuẩn hoá định dạng nối giữa các bước: mỗi bước trả về dữ liệu có cấu trúc, không phải văn hoa mỹ.
- Rủi ro lớn nhất là lỗi tích luỹ — hãy đầu tư chất lượng cho bước đầu và đặt điểm kiểm tra sau các mắt xích quan trọng.
- Chaining không loại bỏ con người; hãy thiết kế theo hướng "AI làm phần nặng, người quyết phần rủi ro".