Mở đầu — vì sao bài này quan trọng
Trong suốt khóa học, chúng ta đã học rất nhiều kỹ thuật đơn lẻ: zero-shot, few-shot, chain-of-thought, structured output, role prompting… Mỗi kỹ thuật giống như một công cụ trong hộp đồ nghề. Nhưng trong thực tế công việc, hiếm khi một vấn đề kinh doanh được giải quyết chỉ bằng một prompt duy nhất. Một email marketing hoàn chỉnh không chỉ cần "viết email" — nó cần phân tích khách hàng, chọn góc tiếp cận, viết bản nháp, kiểm tra tone, và định dạng đầu ra. Đó là một workflow nhiều bước (multi-step workflow).
Bài này là nơi mọi thứ ghép lại thành một bức tranh hoàn chỉnh. Nếu bạn đã từng thử dùng AI cho công việc thật và thấy kết quả "gần đúng nhưng chưa dùng được", rất có thể vấn đề không nằm ở prompt của bạn, mà ở chỗ bạn đang cố nhồi cả một quy trình phức tạp vào một prompt duy nhất. Giống như bảo một nhân viên mới "làm xong báo cáo tài chính quý đi" thay vì chia thành các bước: lấy số liệu, kiểm tra, phân tích, viết nhận xét, trình bày.
Multi-step workflow là bản lề giữa "chơi với AI" và "vận hành AI trong doanh nghiệp". Đây là kỹ năng phân biệt người dùng ChatGPT thông thường với người thực sự tạo ra giá trị kinh doanh có thể đo đếm được. Bài này sẽ cho bạn khung tư duy thiết kế quy trình, ba ví dụ thực tế đầy đủ, và một quy trình từng bước để bạn tự xây workflow cho đội của mình.
Khái niệm cốt lõi
Workflow là gì và khác gì so với một prompt đơn lẻ
Một multi-step business workflow là một chuỗi các bước được sắp xếp có chủ đích, trong đó mỗi bước nhận đầu vào, xử lý (bằng LLM hoặc công cụ khác), và tạo ra đầu ra làm đầu vào cho bước tiếp theo. Cấu trúc tổng quát:
[Trigger] → [Bước 1: LLM] → [Bước 2: LLM hoặc Tool] → ... → [Hành động / Kết quả]
- Trigger (kích hoạt): sự kiện khởi động workflow — một email mới đến, một dòng mới trong Google Sheet, một form được gửi, hoặc đơn giản là một người bấm nút.
- Các bước xử lý: mỗi bước làm đúng một việc. Có bước là LLM (phân loại, viết, tóm tắt), có bước là tool (gọi API, truy vấn database, gửi email).
- Hành động cuối: kết quả được đưa vào thế giới thật — lưu vào CRM, gửi tin nhắn, tạo ticket, cập nhật dashboard.
Vì sao chia nhỏ lại tốt hơn nhồi tất cả vào một prompt
Có ba lý do kỹ thuật rất thực tế:
- Độ tin cậy (reliability): Mỗi lần LLM sinh output đều có xác suất sai nhất định. Nếu bạn yêu cầu nó làm 5 việc trong một lần, xác suất có ít nhất một việc sai tăng lên đáng kể. Chia thành 5 bước, mỗi bước đơn giản, giúp mỗi bước đạt độ chính xác cao hơn nhiều.
- Khả năng kiểm tra và sửa (debuggability): Khi output cuối cùng sai, một prompt monolithic khiến bạn mù mờ không biết lỗi ở đâu. Workflow có checkpoint rõ ràng ở mỗi bước — bạn xem được đầu ra trung gian.
- Tối ưu chi phí: Không phải bước nào cũng cần model mạnh nhất. Bước phân loại đơn giản có thể dùng model nhỏ, rẻ; chỉ bước viết nội dung sáng tạo mới cần model cao cấp. Việc này chúng ta sẽ đào sâu ở Bài 38, nhưng workflow là nơi bạn thực sự áp dụng nó.
Ba kiểu ghép nối bước phổ biến
- Tuần tự (sequential): A → B → C. Đơn giản nhất, mỗi bước phụ thuộc bước trước.
- Rẽ nhánh (conditional / routing): Bước phân loại quyết định đi nhánh nào. Ví dụ: phân loại email khách hàng thành "khiếu nại / hỏi giá / hỗ trợ kỹ thuật", rồi mỗi loại đi một quy trình riêng.
- Song song rồi gộp (parallel + aggregate): Chạy nhiều bước độc lập cùng lúc rồi tổng hợp kết quả. Ví dụ: phân tích một hợp đồng theo 3 góc độ (pháp lý, tài chính, rủi ro) song song, rồi gộp thành một bản tóm tắt.
Nguyên tắc "một bước, một trách nhiệm"
Hãy nhớ nguyên tắc vàng: mỗi bước chỉ nên có một trách nhiệm rõ ràng, giống nguyên tắc single-responsibility trong lập trình. Nếu bạn thấy một prompt trong workflow đang làm quá nhiều việc, đó là tín hiệu cần tách nó ra. Ranh giới giữa các bước thường là nơi bạn muốn "nhìn thấy" và kiểm soát dữ liệu.
Tình huống thực tế
Ví dụ 1 — The Coffee House: Tự động xử lý phản hồi khách hàng từ fanpage
Bối cảnh: Một chuỗi cà phê giả định lấy cảm hứng từ The Coffee House có khoảng 150 cửa hàng, mỗi ngày nhận trung bình 400–600 tin nhắn và bình luận trên fanpage. Đội chăm sóc khách hàng 6 người bị quá tải, thời gian phản hồi trung bình lên tới 4 giờ, và nhiều khiếu nại nghiêm trọng (đồ uống có dị vật, thái độ nhân viên) bị chìm trong biển tin nhắn.
Workflow họ xây:
[Tin nhắn mới]
→ [Bước 1: Phân loại] khiếu nại / hỏi thông tin / khen ngợi / spam
→ [Bước 2: Đánh giá mức độ nghiêm trọng] (chỉ với khiếu nại) thang 1-5
→ [Bước 3: Trích xuất thông tin] cửa hàng nào, sản phẩm nào, vấn đề gì
→ [Bước 4a: Soạn phản hồi nháp] (nếu mức 1-3)
→ [Bước 4b: Cảnh báo quản lý vùng] (nếu mức 4-5)
→ [Bước 5: Nhân viên duyệt & gửi]
Diễn giải: Bước 1 dùng một model nhỏ, rẻ với prompt phân loại đơn giản (đã học ở Bài 16). Chỉ những tin được phân loại là "khiếu nại" mới đi tiếp qua bước đánh giá nghiêm trọng — tiết kiệm chi phí. Bước 3 trích xuất dữ liệu có cấu trúc dạng JSON (Bài 17) để hệ thống biết định tuyến khiếu nại về đúng cửa hàng. Điểm tinh tế nhất là bước rẽ nhánh 4a/4b: những khiếu nại nhẹ được AI soạn nháp phản hồi để nhân viên chỉ cần duyệt, còn những vụ nghiêm trọng lập tức đẩy cảnh báo tới quản lý vùng qua Telegram thay vì nằm chờ trong hàng đợi.
Kết quả (giả định hợp lý): Thời gian phản hồi trung bình giảm từ 4 giờ xuống 25 phút. Không còn khiếu nại nghiêm trọng nào bị bỏ sót quá 15 phút. Đội 6 người xử lý được lượng tin nhắn trước đây cần 10 người.
Bài học: Sức mạnh không nằm ở việc AI "trả lời khách hàng", mà ở bước định tuyến thông minh — đảm bảo đúng việc đến đúng người vào đúng lúc. Con người vẫn là người bấm nút gửi ở bước cuối.
Ví dụ 2 — Một agency marketing ở TP.HCM: Sản xuất content hàng loạt
Bối cảnh: Một agency 12 người phục vụ 8 khách hàng B2C. Mỗi tháng họ phải sản xuất khoảng 200 bài social post. Trước đây mỗi bài mất trung bình 40 phút từ lên ý tưởng đến bản hoàn chỉnh, nghĩa là hơn 130 giờ công mỗi tháng chỉ cho việc viết.
Workflow họ xây:
[Brief khách hàng + brand guideline]
→ [Bước 1: Nghiên cứu góc độ] sinh 5 angle nội dung khác nhau
→ [Bước 2: Con người chọn angle] (checkpoint duyệt)
→ [Bước 3: Viết bản nháp] theo angle đã chọn + giọng thương hiệu
→ [Bước 4: Kiểm tra tuân thủ] đối chiếu brand guideline & từ cấm
→ [Bước 5: Sinh biến thể] 3 phiên bản caption dài/ngắn/có emoji
→ [Bước 6: Định dạng đầu ra] JSON cho công cụ đăng bài
Diễn giải: Đây là ví dụ điển hình của workflow có checkpoint con người ở giữa (bước 2). Agency học được rằng để AI tự chọn angle rồi viết luôn thì kết quả trôi tuột khỏi định hướng chiến lược. Bằng cách chèn một điểm duyệt của con người sau bước sinh ý tưởng, họ giữ được quyền kiểm soát chiến lược mà vẫn tự động hóa phần lao động nặng nhọc là viết. Bước 4 là một prompt đánh giá riêng biệt (Bài 21) đối chiếu bản nháp với brand guideline — đây chính là một "guardrail" nội dung (Bài 39) được nhúng vào quy trình.
Kết quả (giả định hợp lý): Thời gian mỗi bài giảm từ 40 xuống 12 phút, tiết kiệm khoảng 90 giờ công/tháng. Quan trọng hơn, chất lượng đồng đều hơn vì bước kiểm tra tuân thủ chạy tự động 100% số bài, thay vì phụ thuộc vào việc người viết có nhớ đọc lại guideline hay không.
Bài học: Đặt checkpoint con người ở đúng điểm quyết định chiến lược, không phải ở mọi bước. Tự động hóa lao động, giữ lại phán đoán.
Ví dụ 3 — Startup fintech: Onboarding và phân tích hồ sơ vay
Bối cảnh: Một startup cho vay tiêu dùng ở Đông Nam Á nhận hàng nghìn hồ sơ vay/tuần. Nhân viên thẩm định phải đọc thủ công bảng sao kê ngân hàng, giấy tờ thu nhập, và mô tả mục đích vay — trung bình 20 phút/hồ sơ chỉ để tổng hợp thông tin trước khi ra quyết định.
Workflow họ xây (song song rồi gộp):
[Hồ sơ nộp]
→ chạy song song:
[Nhánh A: Trích xuất dữ liệu sao kê] số dư, dòng tiền
[Nhánh B: Phân tích mục đích vay] phân loại rủi ro mục đích
[Nhánh C: Kiểm tra tính nhất quán] thông tin có mâu thuẫn không
→ [Bước gộp: Tổng hợp thành hồ sơ tóm tắt 1 trang]
→ [Bước cuối: Con người ra quyết định tín dụng]
Diễn giải: Ba nhánh chạy độc lập nên có thể xử lý song song, giảm thời gian trễ. Nhánh C rất quan trọng: một prompt reasoning (Bài 23) dò tìm mâu thuẫn, ví dụ khách khai thu nhập 30 triệu/tháng nhưng sao kê chỉ cho thấy dòng tiền vào 8 triệu. Bước gộp tạo ra một bản tóm tắt chuẩn hóa để người thẩm định đọc trong 3 phút thay vì 20 phút. Điều tối quan trọng — và là ranh giới đạo đức lẫn pháp lý — là AI không bao giờ ra quyết định cho vay; nó chỉ chuẩn bị thông tin, con người quyết định.
Kết quả (giả định hợp lý): Thời gian chuẩn bị mỗi hồ sơ giảm từ 20 xuống 4 phút, năng suất thẩm định tăng gấp đôi, và tỷ lệ phát hiện mâu thuẫn thông tin tăng lên vì nhánh C chạy đồng đều mọi hồ sơ.
Bài học: Với các quyết định có rủi ro cao (tài chính, pháp lý, y tế), workflow nên dừng ở việc hỗ trợ ra quyết định chứ không thay thế con người. Song song hóa các bước độc lập để tăng tốc.
Hướng dẫn từng bước
Đây là quy trình sáu bước để bạn tự thiết kế một workflow cho công việc của mình.
Bước 1 — Vẽ ra quy trình thủ công hiện tại. Trước khi tự động hóa bất cứ thứ gì, hãy viết ra bằng lời cách một con người đang làm việc đó. Nếu bạn không mô tả được quy trình thủ công rõ ràng, bạn chưa sẵn sàng để tự động hóa nó. Ghi rõ: đầu vào là gì, những bước xử lý nào, quyết định gì được đưa ra, đầu ra là gì.
Bước 2 — Xác định trigger và output cuối. Cái gì khởi động quy trình? Kết quả cuối cùng đi về đâu? Hai đầu mút này định hình toàn bộ workflow.
Bước 3 — Cắt quy trình thành các bước nguyên tử. Áp dụng nguyên tắc "một bước, một trách nhiệm". Với mỗi bước, hỏi: bước này dùng LLM hay tool? Đầu vào nó cần là gì? Đầu ra nó tạo ra có định dạng gì (văn bản tự do hay JSON có cấu trúc)?
Bước 4 — Xác định điểm rẽ nhánh và checkpoint con người. Ở đâu cần quyết định "đi hướng nào"? Ở đâu con người bắt buộc phải duyệt trước khi đi tiếp? Nguyên tắc: chèn checkpoint con người ở những điểm rủi ro cao hoặc quyết định chiến lược, không phải ở mọi bước.
Bước 5 — Viết prompt cho từng bước và test độc lập. Đây là chỗ mọi kỹ thuật trong khóa học phát huy tác dụng. Test riêng từng bước với 5–10 đầu vào mẫu trước khi ghép chuỗi. Một bước hỏng sẽ kéo cả workflow sập.
Bước 6 — Ghép chuỗi, chạy thử end-to-end, và giám sát. Chạy toàn bộ workflow với dữ liệu thật (nhưng ở chế độ thử, chưa gửi ra ngoài). Ghi log đầu ra trung gian ở mỗi bước để khi có lỗi bạn biết bước nào hỏng. Bắt đầu nhỏ, rồi mở rộng dần.
Về công cụ: bạn không nhất thiết phải code. Với người không lập trình, các nền tảng như Make, n8n, hay Zapier cho phép nối các bước bằng giao diện kéo-thả, gọi API LLM ở mỗi node. Với đội kỹ thuật, các framework orchestration cho phép kiểm soát sâu hơn. Nhưng dù dùng công cụ nào, tư duy thiết kế workflow ở trên vẫn không đổi.
Lỗi thường gặp & mẹo
Lỗi 1 — Prompt monolithic (nhồi tất cả vào một bước). Đây là lỗi phổ biến nhất. Dấu hiệu: prompt của bạn dài cả trang, yêu cầu AI làm 4-5 việc cùng lúc, và kết quả lúc đúng lúc sai không đoán trước được. Mẹo: khi thấy chữ "và sau đó" hoặc "đồng thời" trong yêu cầu, đó là ranh giới để tách bước.
Lỗi 2 — Không xử lý trường hợp lỗi giữa chừng. Nếu bước 2 trả về output sai định dạng, bước 3 sẽ nhận rác và cả chuỗi đổ vỡ âm thầm. Mẹo: thêm một bước validation nhẹ giữa các mắt xích quan trọng — kiểm tra output có đúng cấu trúc mong đợi không trước khi chuyển tiếp.
Lỗi 3 — Lỗi lan truyền (error propagation). Một lỗi nhỏ ở bước đầu bị khuếch đại qua các bước sau. Ví dụ phân loại sai ở bước 1 khiến toàn bộ nhánh phía sau đi sai hướng. Mẹo: đầu tư nhiều nhất vào độ chính xác của các bước đầu chuỗi, đặc biệt là bước phân loại/routing.
Lỗi 4 — Tự động hóa cả những khâu cần phán đoán con người. Vì hào hứng, nhiều người bỏ luôn checkpoint con người ở khâu quyết định quan trọng. Mẹo: hỏi "nếu bước này sai, hậu quả tệ nhất là gì?". Hậu quả càng nghiêm trọng, càng cần con người duyệt.
Lỗi 5 — Không log đầu ra trung gian. Khi workflow chạy được nhưng kết quả cuối kém, bạn mù thông tin vì không thấy dữ liệu giữa các bước. Mẹo: luôn ghi lại input/output của từng bước trong giai đoạn đầu — đây là "hộp đen máy bay" của workflow.
Mẹo tối ưu chi phí: Dùng model nhỏ/rẻ cho các bước đơn giản (phân loại, trích xuất, kiểm tra định dạng) và chỉ dùng model cao cấp cho các bước cần sáng tạo hoặc suy luận phức tạp. Trong nhiều workflow thực tế, chỉ 1-2 bước thực sự cần model mạnh nhất.
Bài tập thực hành
- Vẽ workflow thủ công: Chọn một tác vụ lặp lại trong công việc của bạn (xử lý email, viết báo cáo tuần, phản hồi khách hàng…). Viết ra quy trình thủ công hiện tại bằng lời, ghi rõ đầu vào, các bước xử lý, quyết định, và đầu ra.
- Cắt thành các bước nguyên tử: Chia quy trình ở bài 1 thành các bước "một trách nhiệm". Đánh dấu mỗi bước là LLM hay tool, và định dạng đầu ra của nó.
- Xác định checkpoint: Chỉ ra ít nhất một điểm rẽ nhánh (conditional) và một điểm bắt buộc con người duyệt trong workflow của bạn. Giải thích vì sao bạn đặt checkpoint con người ở đó.
- Viết và test bước phân loại: Viết prompt cho bước đầu tiên (thường là phân loại hoặc trích xuất). Test nó với 5 đầu vào mẫu khác nhau và ghi lại tỷ lệ đúng. Nếu dưới 90%, hãy tinh chỉnh prompt trước khi đi tiếp.
- (Nâng cao) Ghép chuỗi 2 bước: Nối bước 1 và bước 2 của workflow, cho đầu ra bước 1 làm đầu vào bước 2. Quan sát: điều gì xảy ra khi bước 1 sai? Chuỗi có hỏng theo không?
Tóm tắt
- Hầu hết vấn đề kinh doanh thực tế không giải được bằng một prompt duy nhất mà cần một workflow nhiều bước: Trigger → các bước LLM/tool → hành động cuối.
- Chia nhỏ tốt hơn nhồi tất cả vì ba lý do: độ tin cậy cao hơn, dễ debug hơn, và tối ưu chi phí (dùng model rẻ cho bước đơn giản).
- Nguyên tắc vàng: một bước, một trách nhiệm. Khi thấy "và sau đó" trong yêu cầu, đó là chỗ để tách bước.
- Ba kiểu ghép nối: tuần tự, rẽ nhánh (routing), và song song rồi gộp.
- Checkpoint con người nên đặt ở điểm quyết định chiến lược hoặc rủi ro cao — không phải ở mọi bước. Với quyết định tài chính/pháp lý/y tế, AI hỗ trợ chứ không thay thế con người.
- Quy trình thiết kế: vẽ quy trình thủ công → xác định trigger/output → cắt bước nguyên tử → xác định rẽ nhánh/checkpoint → viết & test từng bước độc lập → ghép chuỗi & giám sát.
- Ba ví dụ cho thấy giá trị thật không nằm ở việc "AI trả lời", mà ở định tuyến thông minh, kiểm soát chất lượng tự động, và giải phóng con người khỏi lao động lặp lại để tập trung vào phán đoán.