Mở đầu — vì sao bài này quan trọng
Trong công việc, có hai loại câu hỏi bạn đặt cho AI. Loại thứ nhất: "Viết cho tôi một email cảm ơn khách hàng." Loại này AI làm rất tốt, vì nó chỉ cần ghép chữ. Loại thứ hai: "Nếu tôi giảm giá 15% cho đơn hàng trên 2 triệu, và chi phí vốn là 60% doanh thu, thì mức giảm giá nào khiến tôi lỗ?" Loại thứ hai đòi hỏi suy luận (reasoning) — nhiều bước tính toán, so sánh, và ra kết luận có logic. Và đây chính là chỗ mà rất nhiều người dùng AI vấp ngã: họ hỏi một câu cần suy luận nhưng viết prompt như thể chỉ cần một câu trả lời có sẵn.
Kết quả là AI đưa ra một con số nghe rất tự tin — nhưng sai. Sai một cách nguy hiểm, vì nó không hề "trông" như một lỗi. Nếu bạn dùng con số đó để quyết định chính sách giá, để duyệt một khoản vay, hay để chọn nhà cung cấp, cái sai đó biến thành tiền thật, mất mát thật.
Bài học này dạy bạn cách viết prompt cho những tác vụ cần suy luận: giải quyết bài toán logic, ra quyết định có nhiều ràng buộc, đánh giá tình huống có nhiều biến số. Bạn sẽ hiểu tại sao LLM lại yếu ở suy luận, và quan trọng hơn — kỹ thuật cụ thể để ép nó suy luận chắc chắn hơn, cùng cách kiểm chứng để bạn không bị lừa bởi một câu trả lời "nghe hợp lý".
Khái niệm cốt lõi
Vì sao suy luận lại khó với LLM
Điều đầu tiên bạn phải khắc cốt ghi tâm: LLM về bản chất là một máy dự đoán từ tiếp theo (next-token predictor), không phải một cỗ máy logic. Khi bạn hỏi "2 nhân 17 bằng bao nhiêu", nó không thực sự "tính" như máy tính bỏ túi. Nó dự đoán chuỗi ký tự nào có xác suất cao nhất xuất hiện sau câu hỏi đó, dựa trên hàng tỷ văn bản nó đã học. Với phép tính quen thuộc, xác suất cao nhất trùng với đáp án đúng. Nhưng với chuỗi suy luận dài, cơ chế này lộ ra ba điểm yếu chết người.
Điểm yếu 1 — Lỗi tích lũy (compounding errors). Một bài toán 5 bước, nếu mỗi bước có 90% khả năng đúng, thì xác suất cả 5 bước cùng đúng chỉ còn khoảng 0.9 mũ 5, tức khoảng 59%. Suy luận càng nhiều bước, sai sót càng dồn lại. Đây là lý do một bài toán "dễ với người nhưng nhiều bước" lại khiến AI trượt.
Điểm yếu 2 — Toán học và logic hình thức. Những phép tính chính xác, số lớn, hoặc logic đòi hỏi tính bắc cầu chặt chẽ (A > B, B > C, suy ra A > C, rồi kết hợp thêm 4 điều kiện nữa) là địa hình mà máy dự đoán từ dễ vấp. Nó có thể "nhớ mang máng" thay vì tính toán thật.
Điểm yếu 3 — Sự tự tin giả (confident hallucination). LLM không có cơ chế nói "tôi không chắc". Nó luôn đưa ra câu trả lời với giọng điệu quả quyết như nhau, dù đúng hay sai. Điều này khiến lỗi suy luận đặc biệt nguy hiểm trong môi trường kinh doanh.
Nguyên lý nền tảng: cho AI "chỗ để nghĩ"
Chìa khóa để cải thiện suy luận nằm ở một quan sát tinh tế: nếu bạn ép AI trả lời đáp án ngay lập tức, nó buộc phải "đoán" đáp án đó trong một token duy nhất — không có không gian để tính toán từng bước. Nhưng nếu bạn để nó viết ra quá trình suy nghĩ trước, đáp án sau, thì mỗi bước trung gian trở thành "văn bản" mà nó có thể dựa vào để dự đoán bước tiếp theo. Nói cách khác, quá trình suy luận được viết ra chính là "bộ nhớ tạm" của AI.
Đây là nền tảng cho toàn bộ kỹ thuật reasoning prompting. Bạn sẽ nghe kỹ thuật "cho AI suy nghĩ từng bước" ở nhiều nơi trong khóa học này (Bài 7 đi sâu về Chain-of-Thought). Ở bài này, ta tập trung vào cách áp dụng suy luận vào bài toán logic và ra quyết định thực tế — thứ mà người làm kinh doanh gặp mỗi ngày.
Ba trụ cột của một reasoning prompt tốt
- Buộc tách bước (decompose): Yêu cầu AI liệt kê rõ dữ kiện, ràng buộc, rồi xử lý từng bước một, không nhảy thẳng tới kết luận.
- Buộc hiện phép tính (show your work): Mọi con số phải kèm công thức. Điều này vừa cải thiện độ chính xác, vừa cho bạn khả năng kiểm tra.
- Buộc tự kiểm (verify): Sau khi có đáp án, yêu cầu AI kiểm tra lại đáp án có thỏa mãn mọi ràng buộc ban đầu không. Đây là bước mà 90% người dùng bỏ qua và cũng là bước cứu bạn khỏi những sai lầm đắt giá.
Tình huống thực tế
Ví dụ 1 — Bài toán phân bổ ca làm ở chuỗi cà phê The Coffee House
Một quản lý vận hành tại chuỗi cà phê giả định "Highland Bean" (mô phỏng theo mô hình The Coffee House) cần xếp ca cho 3 nhân viên bán thời gian với các ràng buộc: Lan chỉ rảnh buổi sáng, Minh không làm thứ Bảy, Tuấn phải làm ít nhất 3 ca/tuần, mỗi ca cần đúng 1 người, cửa hàng mở 2 ca/ngày (sáng và chiều) từ thứ Hai đến thứ Bảy.
Prompt sai (không có suy luận): "Xếp lịch làm việc cho Lan, Minh, Tuấn theo các điều kiện trên." — AI trả về một bảng lịch nhìn gọn gàng, nhưng khi kiểm tra thì Lan bị xếp một ca chiều, và Tuấn chỉ có 2 ca. Bảng đẹp nhưng vi phạm ràng buộc.
Prompt đúng (có suy luận): > "Đây là bài toán xếp ca có ràng buộc. Hãy làm theo thứ tự: (1) Liệt kê tất cả 12 ca cần lấp (6 ngày x 2 ca). (2) Với mỗi nhân viên, ghi rõ ca nào họ KHÔNG thể làm và vì sao. (3) Xếp từng ca một, ưu tiên ràng buộc cứng nhất trước. (4) Sau khi xếp xong, kiểm tra lại từng ràng buộc: Lan có bị ca chiều nào không? Minh có bị thứ Bảy không? Tuấn có đủ 3 ca không? Nếu vi phạm, xếp lại. Chỉ đưa bảng cuối cùng sau khi đã xác nhận không vi phạm."
Bài học rút ra: Khi có nhiều ràng buộc, hãy buộc AI liệt kê ràng buộc ra trước, rồi tự kiểm tra sau cùng. Việc yêu cầu "kiểm tra lại từng ràng buộc" biến AI từ máy tạo văn bản thành máy giải bài toán có kỷ luật.
Ví dụ 2 — Quyết định chọn nhà cung cấp ở một công ty logistics tại TP.HCM
Chị Hương, trưởng phòng mua hàng của một công ty logistics vừa (giả định "GreenShip"), cần chọn giữa 3 nhà cung cấp thùng carton. Nhà A: 12.000đ/thùng, giao trong 5 ngày, tối thiểu 5.000 thùng. Nhà B: 10.500đ/thùng, giao 10 ngày, tối thiểu 10.000 thùng. Nhà C: 13.500đ/thùng, giao 3 ngày, không giới hạn tối thiểu. Nhu cầu: 8.000 thùng, cần gấp trong 7 ngày.
Nếu chị chỉ hỏi "Nên chọn nhà nào?", AI dễ chọn Nhà B vì giá rẻ nhất mỗi thùng — mà bỏ qua rằng B giao 10 ngày (quá hạn 7 ngày) và tối thiểu 10.000 thùng (vượt nhu cầu, tồn kho thừa).
Prompt đúng: > "Tôi cần chọn nhà cung cấp. Hãy suy luận từng bước: (1) Với mỗi nhà, kiểm tra xem có thỏa 2 ràng buộc cứng không — giao trong 7 ngày và đáp ứng đúng nhu cầu 8.000 thùng. Loại ngay nhà nào vi phạm ràng buộc cứng. (2) Với những nhà còn lại, tính tổng chi phí thực tế (bao gồm cả phần phải mua thừa nếu có ràng buộc tối thiểu). (3) So sánh và đề xuất. (4) Cuối cùng nêu rõ giả định nào có thể làm đổi kết luận. Hiện toàn bộ phép tính."
Với prompt này, AI loại Nhà B ngay ở bước 1 (giao 10 ngày > 7 ngày), rồi so sánh A (12.000 x 8.000 = 96 triệu, nhưng tối thiểu 5.000 nên OK) với C (13.500 x 8.000 = 108 triệu). Kết luận: chọn A, rẻ hơn 12 triệu và vẫn kịp hạn.
Bài học rút ra: Tách rõ ràng buộc cứng (phải thỏa, nếu không thì loại) khỏi tiêu chí tối ưu (rẻ hơn, nhanh hơn). Bắt AI lọc ràng buộc cứng trước rồi mới so sánh — đúng cách con người ra quyết định, và tránh việc AI bị "hút" vào một con số hấp dẫn mà quên bối cảnh.
Ví dụ 3 — Câu đố logic trong bài kiểm tra tuyển dụng ở một startup fintech
Một startup fintech ở Singapore dùng câu đố logic để sàng lọc ứng viên phân tích dữ liệu. Đề: "Bốn người A, B, C, D nộp báo cáo vào 4 giờ khác nhau: 9h, 10h, 11h, 12h. A nộp trước B. C không nộp lúc 12h. D nộp ngay sau C. B không nộp lúc 10h. Ai nộp lúc mấy giờ?"
Nếu hỏi thẳng "Ai nộp lúc mấy giờ?", AI thường đưa một đáp án — đôi khi đúng, đôi khi sai — mà không cách nào biết nó suy luận thế nào.
Prompt đúng: > "Giải câu đố logic này bằng cách suy luận từng bước. Với mỗi manh mối, ghi rõ nó loại trừ khả năng nào. Lập bảng các khả năng còn lại sau mỗi bước. Khi ra đáp án, kiểm tra ngược lại từng manh mối xem đáp án có thỏa hết không rồi mới kết luận."
AI sẽ suy: "D nộp ngay sau C" nghĩa là C-D là cặp liên tiếp (9-10, 10-11, hoặc 11-12); "C không nộp 12h" loại cặp 11-12 cho C... và dần khóa được đáp án, rồi tự kiểm tra chéo.
Bài học rút ra: Với câu đố logic, sức mạnh nằm ở việc yêu cầu AI ghi rõ mỗi manh mối loại trừ điều gì và kiểm tra ngược. Đây cũng là cách bạn phát hiện AI đang "đoán" thay vì "suy": nếu nó không giải thích được vì sao loại một khả năng, nó đang bịa.
Hướng dẫn từng bước
Đây là quy trình viết một reasoning prompt cho bất kỳ bài toán logic hay quyết định nào:
Bước 1 — Khai báo rõ đây là bài toán suy luận. Mở đầu bằng câu như "Đây là bài toán cần suy luận nhiều bước" hoặc "Hãy suy luận cẩn thận trước khi trả lời". Câu này báo cho AI biết nó cần bật "chế độ chậm", không trả lời phản xạ.
Bước 2 — Liệt kê đầy đủ dữ kiện và ràng buộc. Ghi rõ mọi con số, mọi điều kiện. Phân biệt ràng buộc cứng (bắt buộc thỏa) và tiêu chí tối ưu (càng tốt càng hay). Đừng để AI phải đoán dữ kiện thiếu.
Bước 3 — Yêu cầu tách bước rõ ràng. Dùng cấu trúc đánh số: "(1)... (2)... (3)...". Ép AI xử lý tuần tự thay vì nhảy tới kết luận. Với bài toán số, thêm câu "hiện toàn bộ phép tính".
Bước 4 — Yêu cầu tự kiểm tra ở cuối. Đây là bước quan trọng nhất: "Sau khi có đáp án, kiểm tra lại xem nó có thỏa mọi ràng buộc ban đầu không. Nếu không, làm lại." Bước này bắt AI phát hiện lỗi của chính nó trước khi trả về cho bạn.
Bước 5 — Yêu cầu nêu giả định và điểm bất định. Thêm "Nêu rõ những giả định bạn đã dùng và yếu tố nào có thể làm đổi kết luận". Điều này chống lại sự "tự tin giả" — buộc AI bộc lộ chỗ nó không chắc.
Bước 6 — Kiểm chứng độc lập nếu quyết định quan trọng. Với những quyết định có giá trị lớn, hãy tự tay kiểm lại các phép tính then chốt, hoặc hỏi lại AI theo một cách khác ("Hãy giải lại bài này bằng phương pháp khác và xem có ra cùng đáp án không"). Nếu hai cách cho hai kết quả khác nhau, bạn biết có vấn đề.
Lỗi thường gặp & mẹo
Lỗi 1 — Hỏi đáp án ngay, không cho chỗ nghĩ. "Tổng chi phí là bao nhiêu?" thay vì "Tính từng khoản rồi cộng lại". Mẹo: luôn thêm "suy luận từng bước, hiện phép tính".
Lỗi 2 — Tin ngay con số AI đưa ra. Một con số trình bày đẹp không có nghĩa là đúng. Mẹo: với mọi con số quan trọng, kiểm lại phép tính bằng máy tính hoặc bảng tính. AI dở nhất ở đúng chỗ số học chính xác.
Lỗi 3 — Không tách ràng buộc cứng khỏi tiêu chí mềm. Đây là nguyên nhân số một khiến AI đưa quyết định sai trong bài toán lựa chọn. Mẹo: liệt kê rõ "điều kiện bắt buộc" và "điều kiện ưu tiên" thành hai nhóm riêng.
Lỗi 4 — Bài toán quá dài, quá nhiều bước trong một prompt. Lỗi tích lũy sẽ giết bạn. Mẹo: nếu bài toán rất phức tạp, chia thành nhiều prompt nối tiếp — giải một phần, kiểm tra, rồi đưa kết quả sang phần sau (kỹ thuật này được bàn kỹ ở Bài 10 về prompt chaining).
Lỗi 5 — Không yêu cầu tự kiểm. Mẹo vàng: câu "kiểm tra lại đáp án có thỏa mọi ràng buộc không" gần như miễn phí mà cải thiện độ chính xác rõ rệt. Đừng bao giờ bỏ.
Mẹo nâng cao — Yêu cầu nhiều lời giải rồi chọn. Với bài toán khó, thử: "Giải bài này theo 3 cách độc lập, rồi so sánh 3 kết quả. Nếu chúng khác nhau, tìm xem cách nào sai." Kỹ thuật "nhiều đường suy luận rồi lấy đa số" này thường cho kết quả ổn định hơn hẳn một lời giải đơn lẻ.
Bài tập thực hành
Bài 1 — Bài toán quyết định. Bạn có 20 triệu ngân sách marketing tháng. Kênh Facebook: 8.000đ/lượt click, tỷ lệ chuyển đổi 2%. Kênh Google: 12.000đ/click, chuyển đổi 3.5%. Kênh TikTok: 5.000đ/click, chuyển đổi 1%. Viết một prompt yêu cầu AI suy luận từng bước để tìm cách phân bổ ngân sách tối đa hóa số đơn hàng, có ràng buộc mỗi kênh nhận ít nhất 3 triệu. Nhớ bắt AI hiện phép tính và tự kiểm.
Bài 2 — Câu đố logic. Lấy câu đố ở Ví dụ 3, viết prompt của riêng bạn và chạy thử trên một công cụ AI. Sau đó cố tình bỏ câu "kiểm tra ngược từng manh mối" và chạy lại. So sánh chất lượng hai lần trả lời — bạn sẽ tự thấy sức mạnh của bước tự kiểm.
Bài 3 — Phát hiện lỗi. Đưa cho AI một bài toán mà bạn đã biết đáp án đúng, nhưng cài sẵn một dữ kiện gây nhiễu (ví dụ một ràng buộc mâu thuẫn). Viết prompt yêu cầu AI phát hiện xem bài toán có mâu thuẫn không trước khi giải. Quan sát xem nó có bắt được cái bẫy không.
Tóm tắt
LLM là máy dự đoán từ, không phải máy logic — nên với những tác vụ cần suy luận nhiều bước, nó dễ mắc lỗi tích lũy, yếu ở toán chính xác, và tệ nhất là sai một cách đầy tự tin. Chìa khóa để khắc phục là cho AI chỗ để nghĩ: buộc nó tách bước, hiện phép tính, và tự kiểm tra đáp án so với ràng buộc ban đầu.
Ba trụ cột cần nhớ: tách bước (decompose), hiện phép tính (show your work), tự kiểm (verify). Với bài toán quyết định, luôn tách ràng buộc cứng khỏi tiêu chí tối ưu và lọc ràng buộc cứng trước. Với bài toán quan trọng, đừng tin ngay — kiểm chứng độc lập bằng máy tính hoặc bằng cách yêu cầu AI giải lại theo phương pháp khác. Một câu "hãy kiểm tra lại đáp án" gần như miễn phí nhưng có thể cứu bạn khỏi một quyết định sai lầm trị giá hàng chục triệu đồng.