Mở đầu — vì sao bài này quan trọng
Ở bài trước, bạn đã học cách "hỏi thẳng" AI mà không cần đưa ví dụ — đó là zero-shot prompting. Nó nhanh, gọn, và phù hợp với những task đơn giản. Nhưng bạn có để ý không: khi task bắt đầu phức tạp, khi bạn cần AI trả về đúng một định dạng cụ thể, hay khi bạn muốn nó "bắt chước" một phong cách riêng của công ty mình, thì zero-shot bắt đầu chệch hướng. AI trả lời đúng nghĩa nhưng sai form. Đúng ý nhưng sai giọng. Bạn phải sửa tay hoài, và cái cảm giác "gần đúng mà không đúng" khiến bạn nản.
Đây chính là lúc few-shot prompting bước vào. Đây là một trong những kỹ thuật có tỷ lệ "chi phí thấp — lợi ích cao" cao nhất trong toàn bộ prompt engineering. Bạn chỉ cần thêm vài ví dụ vào prompt, và chất lượng đầu ra thường nhảy vọt một cách bất ngờ. Trong thực tế công việc — đặc biệt ở các nhóm marketing, chăm sóc khách hàng, hay vận hành tại Việt Nam — few-shot là kỹ thuật bạn sẽ dùng đi dùng lại mỗi ngày. Nó là chiếc cầu nối giữa "AI biết làm" và "AI làm đúng theo cách mình muốn".
Bài này sẽ giúp bạn hiểu bản chất vì sao vài ví dụ lại có sức mạnh lớn đến vậy, khi nào nên dùng, và quan trọng nhất: cách chọn và viết ví dụ sao cho hiệu quả thật sự chứ không phải làm cho có.
Khái niệm cốt lõi
Few-shot prompting là gì?
Few-shot prompting nghĩa là bạn cung cấp cho AI một vài ví dụ mẫu (thường 2 đến 10 cặp input/output) ngay trong prompt, trước khi giao task thật. AI sẽ "học" pattern từ những ví dụ đó và áp dụng cùng khuôn mẫu để xử lý input mới của bạn.
Từ "shot" ở đây có thể hiểu là "lần ví dụ". Zero-shot là không có ví dụ nào. One-shot là một ví dụ. Few-shot là "một vài" ví dụ. Bản chất chung: bạn dạy AI bằng cách cho nó xem trước, thay vì mô tả bằng lời.
Hãy hình dung như thế này. Bạn thuê một bạn cộng tác viên mới. Cách thứ nhất: bạn mô tả bằng lời rất chi tiết công việc cần làm (đó là zero-shot với hướng dẫn kỹ). Cách thứ hai: bạn đưa cho bạn ấy 3 sản phẩm mẫu đã làm xong và nói "làm giống vầy nè" (đó là few-shot). Trong đa số trường hợp, cách thứ hai nhanh và chính xác hơn — vì con người, và cả AI, học pattern qua ví dụ cụ thể tốt hơn qua mô tả trừu tượng.
Cấu trúc của một prompt few-shot
Một prompt few-shot điển hình có ba phần:
- Phần chỉ dẫn ngắn (tùy chọn): nói cho AI biết nhiệm vụ tổng quát.
- Các ví dụ mẫu: mỗi ví dụ gồm một input và output tương ứng, trình bày nhất quán.
- Input thật cần xử lý: đặt cuối cùng, để trống phần output cho AI điền vào.
Phân loại cảm xúc của bình luận thành: Tích cực / Trung tính / Tiêu cực.Bình luận: "Giao hàng nhanh, đóng gói kỹ, rất hài lòng."
Cảm xúc: Tích cực
Bình luận: "Sản phẩm ổn nhưng ship hơi lâu."
Cảm xúc: Trung tính
Bình luận: "Hàng lỗi, nhắn tin không ai trả lời."
Cảm xúc: Tiêu cực
Bình luận: "Đóng gói đẹp mà giao thiếu một món."
Cảm xúc:
AI sẽ nhìn ba ví dụ đầu, hiểu ngay bạn muốn gì — không chỉ về nội dung phân loại, mà cả về định dạng đầu ra (một từ, không giải thích dài dòng) — rồi trả về "Tiêu cực" hoặc "Trung tính" theo đúng khuôn.
Vì sao few-shot lại hiệu quả?
Có ba lý do cốt lõi khiến few-shot mạnh đến vậy:
Thứ nhất, ví dụ truyền tải điều mà lời nói khó diễn đạt. Bạn thử tưởng tượng phải mô tả bằng lời "giọng văn thân thiện nhưng chuyên nghiệp của thương hiệu chúng tôi" — rất khó và mơ hồ. Nhưng chỉ cần đưa 3 email mẫu, AI nắm ngay được nhịp câu, mức độ trang trọng, cách xưng hô. Ví dụ nén được rất nhiều thông tin ngầm.
Thứ hai, ví dụ khóa chặt định dạng đầu ra. Đây là lợi ích thực tế nhất. Khi bạn cần output ra đúng dạng bảng, dạng bullet, hay dạng "Tên — Số điện thoại — Ghi chú", vài ví dụ sẽ khiến AI bám sát khuôn mẫu chính xác hơn bất kỳ câu mô tả nào.
Thứ ba, ví dụ giúp AI hiểu ranh giới của quyết định. Nếu bạn phân loại và có những trường hợp mập mờ, việc đưa một ví dụ "trường hợp khó" cho thấy bạn quyết định thế nào sẽ định hình cách AI xử lý các case tương tự. Ví dụ dạy cả "quy tắc" lẫn "ngoại lệ".
Few-shot khác zero-shot ở đâu?
Bài 5 đã dạy zero-shot: hỏi thẳng, không ví dụ. Điểm khác biệt cần nhớ:
- Zero-shot phù hợp với task phổ biến, đơn giản, không đòi hỏi định dạng đặc thù. Prompt ngắn, tốn ít token.
- Few-shot phù hợp khi bạn cần định dạng nhất quán, giọng văn riêng, hoặc task có "quy tắc ngầm" khó mô tả. Prompt dài hơn, tốn token hơn, nhưng đổi lại độ chính xác và tính ổn định cao hơn nhiều.
Tình huống thực tế
Tình huống 1: Tiki và bài toán chuẩn hóa tiêu đề sản phẩm
Hãy hình dung một đội vận hành sàn thương mại điện tử kiểu Tiki. Người bán tự đăng sản phẩm, và tiêu đề thì loạn xạ: "ÁO THUN NAM ĐẸP GIÁ RẺ SALE SỐC", "ao thun co tay dai form rong", "Áo Thun Nam - Cotton 100% - Freeship". Đội cần chuẩn hóa toàn bộ về một khuôn nhất quán để hiển thị đẹp và tối ưu tìm kiếm.
Ban đầu họ thử zero-shot: "Hãy viết lại tiêu đề sản phẩm cho chuẩn." Kết quả rất lung tung — mỗi lần một kiểu, chỗ thì viết hoa toàn bộ, chỗ thì thêm emoji, chỗ thì bỏ mất thông tin quan trọng. Không dùng được ở quy mô hàng nghìn sản phẩm.
Họ chuyển sang few-shot, đưa 4 ví dụ mẫu theo đúng chuẩn mong muốn:
Chuẩn hóa tiêu đề theo mẫu: [Loại sản phẩm] [Đặc điểm chính] - [Chất liệu/Thông số]Gốc: "ÁO THUN NAM ĐẸP GIÁ RẺ SALE SỐC"
Chuẩn: Áo thun nam basic - Cotton co giãn
Gốc: "ao thun co tay dai form rong"
Chuẩn: Áo thun tay dài form rộng - Unisex
Gốc: "Giày Sneaker Nữ Trắng Hot Trend 2026"
Chuẩn: Giày sneaker nữ - Màu trắng
Sau khi thêm ví dụ, đầu ra bám khuôn gần như tuyệt đối: bỏ chữ hoa vô nghĩa, loại từ giật gân như "SALE SỐC", "Hot Trend", giữ đúng thông tin cốt lõi. Đội xử lý được cả nghìn tiêu đề một cách nhất quán.
Bài học rút ra: Với các task lặp lại ở quy mô lớn cần tính nhất quán, few-shot gần như là bắt buộc. Vài ví dụ đóng vai trò như một "bản mô tả tiêu chuẩn" mà không câu chữ nào diễn đạt nổi.
Tình huống 2: Một agency marketing và giọng văn thương hiệu
Một agency nhỏ ở TP.HCM quản lý fanpage cho khoảng 15 khách hàng, mỗi khách một ngành, một giọng riêng. Khách A là quán cà phê trẻ trung, hay chêm tiếng lóng. Khách B là phòng khám nha khoa, cần trang trọng, tin cậy. Nhân viên content ban đầu dùng AI với zero-shot và kết quả là mọi bài đều "na ná AI" — trơn tru nhưng vô hồn, không ra chất của thương hiệu nào cả.
Họ xây cho mỗi khách một bộ few-shot riêng. Với quán cà phê, họ đưa 3 caption cũ đã đăng và được engagement tốt làm ví dụ mẫu:
Viết caption Facebook theo đúng giọng dưới đây.Chủ đề: Món mới mùa mưa
Caption: "Mưa Sài Gòn mà không có ly cacao nóng thì hơi phí á nghen 🌧️ Ghé làm một ly cho ấm bụng nào các bồ ơi!"
Chủ đề: Khung giờ vắng khách
Caption: "2-4h chiều quán vắng như chùa bà đanh luôn á. Ai cần góc yên tĩnh làm việc thì đây là giờ vàng nha!"
Chủ đề: Khai trương chi nhánh mới
Caption:
Kết quả: AI viết ra caption đúng chất "trẻ, tếu, gần gũi", dùng đúng cách xưng hô "các bồ", đúng nhịp câu ngắn. Điều mà không câu lệnh "hãy viết trẻ trung, thân thiện" nào làm được, vì "trẻ trung" của mỗi thương hiệu một khác.
Bài học rút ra: Few-shot là công cụ số một để clone giọng văn. Hãy chọn ví dụ từ chính những nội dung đã thành công thật của thương hiệu — đó là dữ liệu quý giá nhất bạn có.
Tình huống 3: Đội chăm sóc khách hàng và trích xuất thông tin từ tin nhắn
Một công ty giao đồ ăn nhận hàng trăm tin nhắn khiếu nại mỗi ngày qua Zalo và Messenger. Đội vận hành muốn tự động bóc tách mỗi tin thành dữ liệu có cấu trúc để đưa vào hệ thống: mã đơn, loại vấn đề, mức độ khẩn. Tin khách viết thì lộn xộn, đủ kiểu chính tả.
Zero-shot cho ra kết quả không ổn định — lúc thì AI trả JSON, lúc trả đoạn văn, lúc bịa thêm field. Với few-shot và 3 ví dụ, mọi thứ vào khuôn:
Trích xuất thông tin từ tin nhắn khách thành 3 trường: ma_don, van_de, muc_do (thap/trung/cao).Tin: "đơn TK8823 giao thiếu 1 phần cơm gà, bực quá"
Kết quả: ma_don=TK8823 | van_de=giao thiếu món | muc_do=trung
Tin: "shipper hủy đơn của mình mà tiền vẫn bị trừ nha, đơn 99201"
Kết quả: ma_don=99201 | van_de=trừ tiền sai | muc_do=cao
Tin: "cho hỏi quán mở tới mấy giờ vậy"
Kết quả: ma_don=không có | van_de=hỏi thông tin | muc_do=thap
Tin: "đơn AB4410 đồ ăn nguội ngắt luôn ăn không nổi"
Kết quả:
Nhờ ba ví dụ, AI hiểu cả cách xử lý trường hợp không có mã đơn (ghi "không có" thay vì bịa), và cả cách đánh giá mức độ khẩn. Đầu ra ổn định đủ để đưa thẳng vào pipeline tự động.
Bài học rút ra: Khi cần đầu ra máy đọc được (trích xuất, phân loại), ví dụ vừa khóa định dạng vừa dạy cách xử lý ngoại lệ. Hãy cố tình đưa vào ít nhất một ví dụ "trường hợp khó" để định hình hành vi.
Hướng dẫn từng bước
Đây là quy trình thực dụng để xây một prompt few-shot tốt:
Bước 1 — Thử zero-shot trước. Đừng nhảy ngay vào few-shot. Viết prompt hỏi thẳng và xem kết quả. Nếu đã đủ tốt thì dừng lại, tiết kiệm token. Chỉ nâng cấp khi thấy đầu ra chệch về định dạng, giọng văn, hoặc thiếu nhất quán.
Bước 2 — Xác định đúng cái bạn muốn AI học từ ví dụ. Bạn muốn nó bắt chước định dạng? Giọng văn? Cách ra quyết định? Trả lời câu này giúp bạn chọn ví dụ đúng trọng tâm, thay vì đưa ví dụ ngẫu nhiên.
Bước 3 — Chọn 2 đến 5 ví dụ đại diện. Ưu tiên ví dụ đa dạng, phủ được các tình huống khác nhau. Nếu task có phân loại, cố gắng mỗi nhóm có ít nhất một ví dụ. Đừng đưa 5 ví dụ giống hệt nhau — đó là lãng phí.
Bước 4 — Trình bày ví dụ thật nhất quán. Dùng cùng một cấu trúc nhãn (ví dụ "Input:" / "Output:", hoặc "Bình luận:" / "Cảm xúc:") cho mọi ví dụ. Sự nhất quán của bạn chính là pattern mà AI sẽ sao chép. Nếu ví dụ của bạn lộn xộn, đầu ra cũng lộn xộn theo.
Bước 5 — Đặt input thật ở cuối, để trống output. Kết thúc prompt bằng đúng nhãn mà bạn muốn AI điền tiếp, ví dụ dừng ở dòng "Cảm xúc:". Điều này ra tín hiệu rõ ràng cho AI biết nó cần tiếp tục ở đâu.
Bước 6 — Kiểm thử và tinh chỉnh ví dụ. Chạy thử với vài input mới. Nếu AI sai kiểu nào, nhiều khả năng bạn cần thêm hoặc sửa một ví dụ minh họa đúng kiểu đó. Ví dụ là "nút điều chỉnh" mạnh nhất của bạn.
Lỗi thường gặp & mẹo
Lỗi 1 — Ví dụ không nhất quán với nhau. Nếu ví dụ 1 bạn viết output dài, ví dụ 2 viết ngắn, ví dụ 3 lại thêm emoji, thì AI không biết theo kiểu nào. Hãy đảm bảo mọi ví dụ tuân theo đúng một khuôn. Đây là lỗi phổ biến nhất và cũng dễ sửa nhất.
Lỗi 2 — Ví dụ thiên lệch (bias) làm AI học sai. Nếu bạn phân loại 3 nhóm mà cả 4 ví dụ đều rơi vào nhóm "Tích cực", AI sẽ có xu hướng gán "Tích cực" cho mọi thứ. Hãy cân bằng ví dụ giữa các nhóm để tránh dẫn dắt AI theo hướng lệch.
Lỗi 3 — Đưa quá nhiều ví dụ. Nhiều người nghĩ càng nhiều ví dụ càng tốt. Không hẳn. Sau một ngưỡng nhất định (thường 3-5 ví dụ với task đơn giản), thêm ví dụ chỉ tốn token mà lợi ích tăng không đáng kể, thậm chí làm loãng chỉ dẫn. Bắt đầu ít, tăng dần khi thật cần.
Lỗi 4 — Ví dụ có lỗi mà không để ý. AI bắt chước cả lỗi của bạn. Nếu ví dụ mẫu có lỗi chính tả hay format sai, đầu ra sẽ lặp lại lỗi đó. Hãy soi kỹ ví dụ — chúng là "khuôn đúc", khuôn sai thì sản phẩm sai.
Mẹo 1 — Dùng dữ liệu thật làm ví dụ. Với clone giọng văn, ví dụ tốt nhất là nội dung thật đã thành công của bạn, không phải ví dụ bịa. Chúng mang theo đúng "chất" bạn muốn.
Mẹo 2 — Chèn một ví dụ "ca khó". Cố tình đưa một trường hợp mập mờ hoặc ngoại lệ vào ví dụ, cho AI thấy bạn quyết định thế nào. Điều này định hình hành vi ở các case biên tốt hơn bất kỳ câu mô tả nào.
Mẹo 3 — Giữ input thật cùng dạng với ví dụ. Nếu ví dụ của bạn là câu ngắn mà input thật là đoạn văn dài, AI có thể bối rối. Ví dụ càng giống input thật càng tốt.
Bài tập thực hành
Hãy thực hành để biến kiến thức thành kỹ năng. Làm cả ba bài dưới đây bằng công cụ AI bạn đang dùng (ChatGPT, Claude, Gemini...).
Bài 1 — Cơ bản: Viết một prompt few-shot với 3 ví dụ để phân loại bình luận trên fanpage thành ba nhóm: "Khen", "Chê", "Hỏi thông tin". Sau đó test với 5 bình luận mới. Đếm xem AI phân loại đúng bao nhiêu.
Bài 2 — Clone giọng văn: Chọn một thương hiệu bạn thích (hoặc chính trang cá nhân của bạn). Lấy 3 bài viết/caption cũ làm ví dụ few-shot, rồi yêu cầu AI viết một caption mới về chủ đề bất kỳ. So sánh với kết quả khi bạn chỉ hỏi zero-shot "viết caption trẻ trung". Bạn thấy khác biệt ở đâu?
Bài 3 — Nâng cao, trích xuất dữ liệu: Tự tạo 5 tin nhắn khách hàng giả định (lộn xộn, đủ kiểu). Viết prompt few-shot với 3 ví dụ để trích xuất thành các trường có cấu trúc (tên, nhu cầu, mức độ khẩn). Cố tình thêm một tin không có đủ thông tin, và thiết kế ví dụ để AI xử lý đúng trường hợp thiếu dữ liệu đó thay vì bịa.
Với mỗi bài, hãy thử bớt đi một ví dụ rồi thêm vào một ví dụ, quan sát đầu ra thay đổi thế nào. Chính việc "nghịch" với ví dụ này sẽ dạy bạn nhiều hơn mọi lý thuyết.
Tóm tắt
Few-shot prompting là kỹ thuật cung cấp cho AI 2-10 ví dụ input/output ngay trong prompt, để AI học pattern và áp dụng cho input mới. Nó mạnh vì ba lý do: ví dụ truyền tải được điều lời nói khó diễn đạt, khóa chặt định dạng đầu ra, và dạy AI cách ra quyết định ở các trường hợp mập mờ.
Những điều cần nhớ:
- Thử zero-shot trước, chỉ nâng cấp lên few-shot khi cần định dạng nhất quán, giọng văn riêng, hoặc task có quy tắc ngầm.
- Chọn 2-5 ví dụ đại diện, đa dạng, cân bằng giữa các nhóm để tránh làm AI thiên lệch.
- Trình bày ví dụ thật nhất quán — sự nhất quán của bạn chính là pattern AI sao chép.
- Dùng dữ liệu thật để clone giọng văn, và chèn một ca khó để định hình cách xử lý ngoại lệ.
- Soi kỹ ví dụ vì AI bắt chước cả lỗi của bạn.