Mở đầu — vì sao bài này quan trọng
Bạn đã bao giờ yêu cầu ChatGPT viết một email chuyên nghiệp, rồi nhận về một đoạn văn mở đầu bằng câu "Tuyệt vời, đây là một câu hỏi rất hay!" chưa? Hoặc nhờ AI phân tích một quyết định kinh doanh, và nó trả lời bằng ba đoạn dài "còn tùy vào tình huống", "có nhiều yếu tố cần cân nhắc", để rồi cuối cùng không đưa ra được kết luận nào? Đó chính là lúc bạn cần đến negative prompting — kỹ thuật nói cho AI biết những gì nó không được làm.
Trong các bài trước, chúng ta đã học cách hướng dẫn AI làm điều mình muốn: đưa ví dụ (few-shot), cho AI suy nghĩ từng bước (chain-of-thought), gán vai trò (role prompting). Nhưng có một sự thật ít người nói ra: phần lớn sự thất vọng khi làm việc với AI không đến từ việc nó không biết làm gì, mà đến từ việc nó làm thừa những thứ bạn không cần. Mô hình ngôn ngữ lớn (LLM) được huấn luyện trên hàng nghìn tỷ từ trên internet, và trong quá trình đó chúng học được vô số "thói quen" — nhiều thói quen trong số đó không phù hợp với môi trường công việc nghiêm túc.
Negative prompting là công cụ để bạn "cắt tỉa" những thói quen ấy. Nó là ranh giới ngăn AI đi lạc, là bộ lọc để đầu ra sạch sẽ, đúng trọng tâm và dùng được ngay mà không cần chỉnh sửa thủ công. Với người làm kinh doanh — nơi thời gian là tiền bạc và một email gửi nhầm giọng điệu có thể mất khách — kỹ năng này không phải là "tùy chọn nâng cao" mà là kỹ năng sinh tồn hằng ngày.
Khái niệm cốt lõi
Negative prompting (tạm dịch: "chỉ dẫn phủ định" hoặc "hướng dẫn loại trừ") là việc đưa vào prompt những chỉ thị rõ ràng về điều AI không được làm, không được nói, hoặc không được bao gồm trong câu trả lời. Nếu prompt thông thường trả lời câu hỏi "Hãy làm X", thì negative prompt bổ sung thêm câu hỏi "Nhưng đừng làm Y, Z".
Vì sao LLM cần bị "cấm"?
Mô hình ngôn ngữ được tối ưu để làm hài lòng người dùng và tỏ ra hữu ích. Chính mục tiêu này lại sinh ra ba nhóm thói quen phiền toái mà bạn sẽ gặp đi gặp lại:
1. Nịnh nọt quá đà (excessive flattery). AI hay mở đầu bằng "Câu hỏi tuyệt vời!", "Đây là một ý tưởng thông minh!", "Tôi rất vui được giúp bạn!". Trong một cuộc trò chuyện thông thường thì vô hại, nhưng khi bạn cần copy đoạn văn để gửi cho sếp hoặc khách hàng, những câu này khiến văn bản trở nên rườm rà và thiếu chuyên nghiệp.
2. Rào trước đón sau thái quá (excessive hedging). AI rất sợ sai, nên nó thường trả lời kiểu "Điều này còn tùy...", "Tôi không phải chuyên gia nhưng...", "Có nhiều cách nhìn khác nhau...". Kết quả là bạn hỏi một câu cần câu trả lời dứt khoát mà nhận về một đống điều kiện. Với người ra quyết định, đây là kiểu trả lời vô dụng nhất.
3. Cảnh báo và tuyên bố miễn trừ chung chung (generic disclaimers). "Hãy tham khảo ý kiến chuyên gia", "Kết quả có thể thay đổi", "Đây chỉ là thông tin tham khảo"... Những dòng này lặp lại ở cuối gần như mọi câu trả lời, chiếm chỗ và làm loãng nội dung chính.
Ba cách diễn đạt negative prompt
Điều quan trọng cần nhớ: có nhiều cách để "cấm" AI, và không phải cách nào cũng hiệu quả như nhau.
- Cấm trực tiếp: "Đừng dùng lời khen mở đầu." "Không thêm disclaimer ở cuối." Đây là cách phổ biến nhất, dễ viết nhất.
- Định hướng lại bằng khẳng định: Thay vì chỉ nói "đừng dài dòng", bạn nói "Đi thẳng vào câu trả lời trong câu đầu tiên." Cách này thường mạnh hơn vì nó cho AI biết nên làm gì thay vì để nó tự đoán.
- Đặt điều kiện loại trừ có phạm vi: "Không đề cập đến giá cả trừ khi tôi hỏi." Cách này chính xác nhất vì nó giới hạn rõ khi nào lệnh cấm có hiệu lực.
Một lưu ý kỹ thuật quan trọng
Có một điểm khiến nhiều người mới nhầm lẫn: LLM xử lý phủ định (negation) kém hơn khẳng định. Khi bạn viết "Đừng nghĩ đến con voi màu hồng", não bộ — và cả mô hình — vẫn kích hoạt khái niệm "con voi màu hồng". Vì vậy, một nguyên tắc vàng của negative prompting là: bất cứ khi nào có thể, hãy chuyển lệnh cấm thành lệnh khẳng định tương đương. "Đừng viết trang trọng" nên đổi thành "Viết giọng thân mật, gần gũi". Chúng ta sẽ nói kỹ hơn về nguyên tắc này trong phần Lỗi thường gặp.
Tình huống thực tế
Ví dụ 1 — Đội chăm sóc khách hàng của Tiki xử lý phản hồi tiêu cực
Giả sử một team CSKH tại một sàn thương mại điện tử lớn như Tiki dùng AI để soạn phản hồi cho khách hàng khiếu nại giao hàng trễ. Prompt ban đầu chỉ ghi: "Viết email xin lỗi khách vì đơn hàng giao trễ 3 ngày."
Kết quả AI trả về thường mắc ba lỗi cùng lúc: mở đầu bằng "Cảm ơn quý khách đã tin tưởng và ủng hộ Tiki trong suốt thời gian qua!" (nịnh nọt, không đúng ngữ cảnh vì khách đang tức giận), rồi hứa hẹn mơ hồ "Chúng tôi sẽ cố gắng cải thiện" (hedging), và đôi khi tự ý đề nghị hoàn tiền — điều mà team không được phép cam kết trong email tự động.
Team bổ sung negative prompt:
> "Viết email xin lỗi khách vì đơn hàng giao trễ 3 ngày. Yêu cầu: > - KHÔNG mở đầu bằng lời cảm ơn hay khen ngợi; vào thẳng lời xin lỗi ở câu đầu. > - KHÔNG cam kết hoàn tiền, giảm giá, hay bồi thường dưới bất kỳ hình thức nào. > - KHÔNG dùng cụm mơ hồ như 'chúng tôi sẽ cố gắng'; thay bằng hành động cụ thể đã thực hiện. > - Giọng chân thành, ngắn gọn, tối đa 100 từ."
Kết quả: email đi thẳng vào vấn đề, không hứa hão, không vượt quyền hạn. Tỷ lệ email phải chỉnh sửa thủ công trước khi gửi giảm rõ rệt, vì phần lớn công sức chỉnh sửa trước đây chính là để xóa những thứ AI tự thêm vào.
Bài học: Trong CSKH, cái AI không nói quan trọng ngang cái nó nói. Một cam kết vượt quyền hạn có thể trở thành nghĩa vụ pháp lý.
Ví dụ 2 — Một founder startup fintech tại Singapore viết mô tả sản phẩm
Một nhà sáng lập ứng dụng quản lý chi tiêu cá nhân tại Singapore dùng AI viết mô tả tính năng cho landing page. Prompt đầu tiên: "Viết đoạn giới thiệu tính năng phân tích chi tiêu bằng AI của ứng dụng."
AI trả về một đoạn đầy từ hoa mỹ: "cách mạng hóa", "thay đổi cuộc chơi", "giải pháp đột phá số một", kèm theo disclaimer "kết quả đầu tư có thể thay đổi, hãy tham khảo chuyên gia tài chính" — dù ứng dụng này không hề đưa lời khuyên đầu tư.
Anh viết lại với negative prompt cụ thể:
> "Viết đoạn giới thiệu tính năng phân tích chi tiêu. Yêu cầu: > - Tránh mọi từ sáo rỗng: 'cách mạng', 'đột phá', 'thay đổi cuộc chơi', 'số một'. > - KHÔNG thêm cảnh báo về đầu tư — sản phẩm chỉ phân tích chi tiêu, không tư vấn tài chính. > - Không dùng dấu chấm than. > - Mỗi câu nêu một lợi ích cụ thể, có thể kiểm chứng."
Kết quả là đoạn văn tỉnh táo, đáng tin, đúng với bản chất sản phẩm — điều cực kỳ quan trọng với một startup fintech, nơi sự cường điệu có thể khiến người dùng mất niềm tin hoặc thậm chí vi phạm quy định quảng cáo tài chính.
Bài học: Negative prompting giúp bảo vệ giọng nói thương hiệu (brand voice) và tránh những tuyên bố mà pháp lý không cho phép.
Ví dụ 3 — Bộ phận tuyển dụng của một công ty outsourcing sàng lọc CV
Một công ty gia công phần mềm ở TP.HCM dùng AI tóm tắt CV ứng viên để hỗ trợ nhà tuyển dụng đọc nhanh. Vấn đề: AI liên tục "phỏng đoán" — nó suy diễn giới tính, tuổi tác, hoàn cảnh gia đình từ tên và trường học của ứng viên, rồi đưa những phỏng đoán này vào bản tóm tắt. Điều này vừa thiếu chính xác, vừa tiềm ẩn rủi ro phân biệt đối xử.
Nhóm HR đưa vào negative prompt:
> "Tóm tắt CV thành 5 gạch đầu dòng: kỹ năng, kinh nghiệm, dự án nổi bật. Ràng buộc: > - CHỈ dùng thông tin có trong CV; KHÔNG suy diễn giới tính, tuổi, tình trạng hôn nhân, quê quán. > - KHÔNG đưa nhận xét chủ quan như 'ứng viên tiềm năng' hay 'phù hợp văn hóa'. > - Nếu một thông tin không có trong CV, ghi 'không đề cập', không tự bịa."
Bài học: Với dữ liệu nhạy cảm, negative prompting là hàng rào chống lại "ảo giác" (hallucination) và thiên kiến (bias) — hai vấn đề có thể gây hậu quả pháp lý và đạo đức nghiêm trọng.
Hướng dẫn từng bước
Dưới đây là quy trình bạn có thể áp dụng ngay khi thấy AI trả về kết quả "gần đúng nhưng phiền".
Bước 1 — Chạy prompt thường trước, quan sát thói quen xấu. Đừng vội cấm ngay từ đầu. Hãy để AI trả lời tự nhiên một hai lần, rồi liệt kê ra những gì bạn không thích: nó nịnh à? Dài dòng à? Tự thêm disclaimer à? Bạn không thể cấm thứ mình chưa nhìn thấy.
Bước 2 — Gom các thói quen xấu thành danh sách "cấm" ngắn gọn. Đừng viết một đoạn văn dài lê thê. Dùng gạch đầu dòng, mỗi dòng một lệnh cấm rõ ràng. AI đọc danh sách tốt hơn đọc văn xuôi.
Bước 3 — Chuyển lệnh cấm thành lệnh khẳng định khi có thể. Đây là bước quan trọng nhất. Với mỗi "đừng làm X", hãy tự hỏi: "Vậy tôi muốn nó làm gì thay thế?" Ví dụ: "Đừng dùng thuật ngữ kỹ thuật" → "Giải thích như đang nói với người 15 tuổi." Lệnh khẳng định luôn dễ tuân thủ hơn.
Bước 4 — Với lệnh cấm không thể khẳng định hóa, hãy làm nó thật cụ thể. Có những thứ buộc phải cấm thẳng (ví dụ: "không nhắc tên đối thủ cạnh tranh"). Khi đó, hãy nêu đích danh thứ bị cấm thay vì nói chung chung. "Đừng dùng từ sáo rỗng" yếu hơn "Không dùng các từ: đột phá, cách mạng, tối ưu, giải pháp".
Bước 5 — Đặt lệnh cấm ở vị trí nổi bật. Gom chúng vào một mục có tiêu đề rõ ràng như "Ràng buộc:" hoặc "KHÔNG được:", đặt gần cuối prompt. Những chỉ thị ở gần cuối thường được mô hình "chú ý" hơn.
Bước 6 — Kiểm tra và tinh chỉnh. Chạy lại, xem lệnh cấm nào bị bỏ qua. Nếu AI vẫn tái phạm, hãy viết đậm (in hoa), thêm ví dụ về cái sai, hoặc nếu bạn dùng system prompt, chuyển các lệnh cấm cốt lõi lên đó để chúng có hiệu lực trong suốt cuộc trò chuyện.
Lỗi thường gặp & mẹo
Lỗi 1 — Cấm bằng phủ định thuần túy. Viết "Đừng viết dài" mà không nói dài là bao nhiêu. AI không biết ngưỡng của bạn. Mẹo: luôn kèm con số hoặc tiêu chuẩn đo được — "tối đa 3 câu", "dưới 50 từ".
Lỗi 2 — Nhồi quá nhiều lệnh cấm. Một prompt với 15 dòng "không được" sẽ khiến AI bối rối và bỏ sót. Mẹo: giữ tối đa 4–6 lệnh cấm quan trọng nhất. Nếu cần nhiều hơn, chia thành nhiều bước xử lý.
Lỗi 3 — Cấm những thứ mâu thuẫn nhau. "Hãy đầy đủ chi tiết" nhưng "đừng viết quá 30 từ" là hai yêu cầu đá nhau. Mẹo: đọc lại danh sách cấm và tự hỏi liệu có lệnh nào triệt tiêu lệnh nào không.
Lỗi 4 — Quên rằng phủ định có thể "gợi ý" điều xấu. Nếu bạn viết "Đừng nhắc đến vụ bê bối năm ngoái", đôi khi bạn vô tình khiến AI liên tưởng đến chủ đề đó. Mẹo: với thông tin nhạy cảm, hãy định hướng bằng cách nói AI nên tập trung vào gì thay vì nhắc đến thứ cần tránh.
Mẹo nâng cao — Tách "danh sách đen" ra system prompt. Nếu bạn có những lệnh cấm áp dụng cho mọi câu trả lời (ví dụ: không bao giờ nịnh, không bao giờ tự thêm disclaimer), hãy đặt chúng trong system prompt một lần, thay vì lặp lại trong từng user prompt. Điều này tiết kiệm token và đảm bảo tính nhất quán.
Mẹo nâng cao — Dùng ví dụ tiêu cực. Đôi khi cách hiệu quả nhất để AI hiểu điều bạn không muốn là cho nó xem một ví dụ về câu trả lời tồi kèm ghi chú "ĐỪNG viết như thế này". Đây là sự kết hợp giữa few-shot và negative prompting.
Bài tập thực hành
Bài 1 — Săn thói quen xấu. Lấy một prompt bạn dùng thường xuyên (viết email, tóm tắt, trả lời khách). Chạy 3 lần, ghi ra tất cả những gì AI tự thêm mà bạn không cần. Bạn sẽ ngạc nhiên vì số lượng.
Bài 2 — Chuyển đổi phủ định thành khẳng định. Viết 5 lệnh cấm dạng "Đừng làm X", rồi viết lại từng lệnh thành dạng khẳng định "Hãy làm Y". So sánh chất lượng đầu ra của hai phiên bản.
Bài 3 — Xây dựng bộ ràng buộc chuẩn cho công việc của bạn. Tưởng tượng bạn là trưởng nhóm CSKH của một shop online. Viết một khối "Ràng buộc:" gồm tối đa 5 lệnh cấm để mọi phản hồi khách hàng đều nhất quán về giọng điệu và không vượt quyền hạn. Thử áp nó vào 3 tình huống khách khác nhau.
Bài 4 — Kiểm tra sức bền. Cố tình cho AI một câu hỏi "cám dỗ" nó vi phạm lệnh cấm (ví dụ: hỏi giá trong khi bạn đã cấm nhắc giá). Xem AI có giữ vững ràng buộc không, và tinh chỉnh cho đến khi nó tuân thủ chắc chắn.
Tóm tắt
Negative prompting là nghệ thuật nói cho AI biết những gì không được làm — một mặt của đồng xu mà nhiều người bỏ quên khi chỉ chăm chăm hướng dẫn AI làm điều mình muốn. LLM mang sẵn những thói quen phiền toái từ quá trình huấn luyện: nịnh nọt quá đà, rào trước đón sau, và tự thêm disclaimer chung chung. Chúng ta dùng negative prompting để cắt bỏ những thói quen ấy.
Nguyên tắc cốt lõi cần nhớ: (1) bất cứ khi nào có thể, hãy chuyển lệnh cấm thành lệnh khẳng định tương đương, vì mô hình xử lý khẳng định tốt hơn phủ định; (2) khi buộc phải cấm thẳng, hãy nêu đích danh và cụ thể; (3) giữ danh sách cấm ngắn gọn (4–6 mục), không mâu thuẫn, và đặt ở vị trí nổi bật; (4) với những lệnh cấm áp dụng cho mọi câu trả lời, hãy đưa lên system prompt.
Ba tình huống thực tế — từ email CSKH của sàn thương mại điện tử, mô tả sản phẩm fintech, đến sàng lọc CV — cho thấy một điểm chung: trong môi trường kinh doanh, cái AI không nói thường quan trọng ngang, thậm chí hơn, cái nó nói. Một lời hứa vượt quyền, một tuyên bố cường điệu, hay một phỏng đoán thiên kiến đều có thể gây hậu quả thật. Negative prompting chính là hàng rào bảo vệ bạn khỏi những rủi ro đó, đồng thời giúp mỗi đầu ra của AI sạch sẽ, đúng trọng tâm và dùng được ngay.