Mở đầu — vì sao bài này quan trọng
Ở hai bài trước, bạn đã học cách viết một prompt tốt và những kỹ thuật nâng cao để "nói chuyện" với AI sao cho ra kết quả chất lượng. Nhưng có một sự thật mà rất nhiều người mới học prompt engineering không nhận ra: một prompt đơn lẻ, dù hay đến đâu, cũng hiếm khi giải quyết trọn vẹn một bài toán kinh doanh thực tế.
Hãy nghĩ về công việc hàng ngày của bạn. Một quy trình thật sự — ví dụ "xử lý phản hồi khách hàng" — không bao giờ chỉ là một bước. Nó gồm: thu thập dữ liệu, phân loại, phân tích, tổng hợp, rồi ra quyết định hành động. Nếu bạn cố nhồi toàn bộ chuỗi công việc đó vào một prompt duy nhất, kết quả thường mơ hồ, thiếu nhất quán và cực khó kiểm soát.
Đây chính là lý do bài học này quan trọng. Bài 3 không dạy bạn viết prompt "đẹp hơn" — mà dạy bạn ghép nhiều prompt lại thành một quy trình tự động (AI workflow) có đầu vào, đầu ra rõ ràng, chạy được lặp đi lặp lại, và tạo ra giá trị kinh doanh thật sự. Đây là bước chuyển từ "người biết dùng ChatGPT" sang "người biết xây hệ thống tự động bằng AI". Đó là khác biệt giữa một mẹo vặt và một tài sản cho doanh nghiệp.
Trong bài này, chúng ta sẽ tập trung vào tư duy thiết kế workflow và cách lắp ghép các mảnh prompt lại với nhau. Những kỹ thuật chi tiết cho từng mảnh — như prompt chaining kỹ thuật (Bài 10), structured output (Bài 9), hay tool use (Bài 24) — sẽ được đào sâu ở các bài riêng. Ở đây, bạn học cách nhìn tổng thể bức tranh.
Khái niệm cốt lõi
Workflow là gì trong bối cảnh AI?
Một AI workflow (quy trình AI) là một chuỗi các bước xử lý, trong đó output của bước này trở thành input của bước sau, và ít nhất một số bước dùng LLM (mô hình ngôn ngữ lớn) để thực hiện tác vụ. Nói đơn giản: thay vì hỏi AI một câu và nhận một câu trả lời, bạn thiết kế cả một dây chuyền lắp ráp, trong đó AI đóng vai trò là những "công nhân chuyên môn" ở từng công đoạn.
Điểm mấu chốt để bạn ghi nhớ: mỗi bước trong workflow nên chỉ làm tốt một việc. Đây là nguyên tắc "single responsibility" quen thuộc trong kỹ thuật phần mềm, và nó cũng đúng với prompt. Một prompt phân loại thì chỉ phân loại. Một prompt tóm tắt thì chỉ tóm tắt. Khi bạn tách bạch như vậy, mỗi bước dễ kiểm thử, dễ sửa, và ít lỗi hơn nhiều so với một prompt "khổng lồ" ôm đồm mọi thứ.
Ba thành phần của một workflow
Bất kỳ AI workflow nào cũng gồm ba phần:
- Đầu vào (Input): dữ liệu thô cần xử lý — email khách hàng, danh sách phản hồi, tài liệu, đơn hàng, CV ứng viên...
- Các bước xử lý (Steps): chuỗi thao tác, mỗi bước có thể là một lời gọi LLM (với prompt riêng), hoặc một thao tác thường như lọc, đọc file, gọi API, gửi email.
- Đầu ra (Output): kết quả cuối cùng có thể hành động được — một báo cáo, một email trả lời, một bản ghi trong CRM, một cảnh báo gửi cho quản lý.
Bốn mẫu workflow phổ biến
Trong thực tế, đa số workflow kinh doanh rơi vào bốn mẫu (pattern) sau. Bạn hãy ghi nhớ chúng như bốn "khuôn" để lắp ghép:
Mẫu 1 — Tuần tự (Sequential / Pipeline): Các bước nối đuôi nhau như dây chuyền. Bước 1 → Bước 2 → Bước 3. Ví dụ: nhận email → phân loại → soạn trả lời. Đây là mẫu cơ bản và phổ biến nhất.
Mẫu 2 — Rẽ nhánh (Router / Conditional): Một bước đầu quyết định "đi hướng nào". Ví dụ: phân loại email thành "khiếu nại", "hỏi mua hàng", "spam" — mỗi loại đi vào một nhánh xử lý riêng. Rất hữu ích khi input đa dạng.
Mẫu 3 — Song song rồi gộp (Parallel + Aggregate): Chia nhỏ công việc, xử lý đồng thời, rồi gộp lại. Ví dụ: có 500 review sản phẩm, chia thành từng cụm, mỗi cụm được tóm tắt riêng, cuối cùng gộp các bản tóm tắt thành một báo cáo tổng. Mẫu này giải quyết bài toán "dữ liệu quá lớn cho một lần gọi".
Mẫu 4 — Vòng lặp cải thiện (Iterative / Reflection): AI tạo ra kết quả, rồi một bước khác đánh giá và yêu cầu chỉnh sửa, lặp lại đến khi đạt chuẩn. Ví dụ: viết bản nháp bài quảng cáo → tự chấm điểm → viết lại nếu chưa đạt.
Tại sao tách bước lại thắng gộp chung?
Một câu hỏi tự nhiên: "Sao không hỏi AI một phát cho xong?" Lý do là độ tin cậy và khả năng kiểm soát. Khi tách bước, bạn có thể: kiểm tra output ở giữa chừng, thay từng prompt mà không phá hỏng cả hệ thống, dùng model rẻ cho bước đơn giản và model mạnh cho bước khó (tiết kiệm chi phí), và quan trọng nhất là định vị được lỗi nằm ở đâu khi có sự cố. Một prompt gộp chung giống như một chiếc hộp đen — khi sai, bạn không biết sai ở khâu nào.
Tình huống thực tế
Ví dụ 1 — Phân tích phản hồi khách hàng cho một chuỗi cà phê tại TP.HCM
Bối cảnh: "Nhà Cà Phê" là một chuỗi 12 cửa hàng ở TP.HCM. Mỗi tháng họ nhận khoảng 1.500 đánh giá trên Google Maps, ShopeeFood và GrabFood. Trước đây, một nhân viên marketing phải đọc thủ công, mất gần 3 ngày làm việc mỗi tháng, và thường bỏ sót các vấn đề lặp lại.
Workflow họ xây (mẫu Tuần tự + Song song rồi gộp):
- Bước 1 — Chuẩn hóa: Gom 1.500 review từ 3 nguồn về một danh sách chung, mỗi review kèm nguồn và số sao.
- Bước 2 — Phân loại (LLM): Prompt phân mỗi review vào các nhóm chủ đề: chất lượng đồ uống, thái độ nhân viên, không gian, giá cả, thời gian chờ, giao hàng. System prompt đặt vai trò: "Bạn là chuyên viên phân tích sản phẩm. Với mỗi review, trả về chủ đề chính và cảm xúc (tích cực/trung tính/tiêu cực) dưới dạng JSON."
- Bước 3 — Tóm tắt theo cụm (LLM, song song): Với mỗi chủ đề, gom các review liên quan và yêu cầu AI tóm tắt "3 điểm khách khen, 3 điểm khách chê".
- Bước 4 — Báo cáo tổng (LLM): Gộp các bản tóm tắt thành một báo cáo một trang cho ban giám đốc, kèm đề xuất hành động ưu tiên.
Bài học rút ra: Sức mạnh không đến từ một prompt thần thánh, mà từ việc chia bài toán lớn thành các bước nhỏ, mỗi bước một prompt đơn giản. Đặc biệt, bước phân loại tạo ra "cấu trúc" để các bước sau bám vào — nếu bỏ bước này và yêu cầu AI "phân tích toàn bộ 1.500 review", kết quả sẽ chung chung và không đáng tin.
Ví dụ 2 — Tự động phản hồi khách hàng cho một shop thời trang online
Bối cảnh: "LaMode", một shop thời trang trên Facebook và Instagram tại Hà Nội, nhận trung bình 300 tin nhắn/ngày. Đa số là câu hỏi lặp lại: còn size không, ship bao lâu, chất liệu gì. Chủ shop muốn AI soạn nháp trả lời để nhân viên chỉ cần duyệt và gửi.
Workflow họ xây (mẫu Rẽ nhánh):
- Bước 1 — Định tuyến (LLM Router): Phân mỗi tin nhắn thành: (a) hỏi thông tin sản phẩm, (b) hỏi đơn hàng đã đặt, (c) khiếu nại, (d) khác.
- Nhánh (a): Prompt lấy thông tin từ bảng sản phẩm và soạn câu trả lời thân thiện.
- Nhánh (b): Prompt tra cứu mã đơn (qua tool gọi API kho) rồi báo trạng thái giao hàng.
- Nhánh (c): Không tự trả lời. Workflow gắn nhãn "ưu tiên" và chuyển cho nhân viên thật, kèm bản tóm tắt tình huống.
- Nhánh (d): Chuyển thẳng cho người.
Bài học rút ra: Không phải bước nào cũng nên để AI tự quyết. Một workflow tốt biết khi nào cần "human-in-the-loop" (con người trong vòng lặp) — đặc biệt với những tình huống có rủi ro về thương hiệu hoặc pháp lý. Router là mẫu cực kỳ mạnh vì nó cho phép xử lý input đa dạng mà vẫn giữ mỗi nhánh đơn giản, dễ kiểm soát.
Ví dụ 3 — Sàng lọc CV cho một công ty tuyển dụng SaaS ở Singapore
Bối cảnh: Một startup SaaS ở Singapore đăng một vị trí và nhận về 400 CV trong một tuần. Nhà tuyển dụng không thể đọc hết, nhưng cũng lo lắng việc để AI "quyết" ai bị loại.
Workflow họ xây (mẫu Tuần tự + Vòng lặp cải thiện):
- Bước 1 — Trích xuất (LLM): Từ mỗi CV, rút ra dữ liệu có cấu trúc: số năm kinh nghiệm, kỹ năng chính, học vấn, ngôn ngữ.
- Bước 2 — Chấm điểm theo tiêu chí (LLM): So khớp với bản mô tả công việc, cho điểm từng tiêu chí kèm lý do ngắn gọn.
- Bước 3 — Tự kiểm tra (LLM Reflection): Một prompt thứ hai đọc lại đánh giá của bước 2 và đặt câu hỏi "có thiên vị không, có bỏ sót điểm mạnh nào không?" trước khi chốt.
- Bước 4 — Xếp hạng và bàn giao cho người: AI xếp CV thành 3 nhóm (nên phỏng vấn / cân nhắc / chưa phù hợp), nhưng quyết định cuối luôn do con người.
Bài học rút ra: Bước "tự kiểm tra" (reflection) là một mẫu nâng cao rất đáng giá cho các quyết định nhạy cảm. Nó giúp giảm sai sót và tăng độ công bằng. Nhưng hãy nhớ: AI hỗ trợ ra quyết định, không thay thế trách nhiệm của con người.
Hướng dẫn từng bước
Đây là quy trình 6 bước để bạn tự thiết kế một AI workflow cho công việc của mình:
Bước 1 — Vẽ quy trình thủ công trước. Trước khi nghĩ đến AI, hãy viết ra từng bước một con người sẽ làm để hoàn thành công việc này. Dùng giấy hoặc sơ đồ. Nếu bạn không mô tả được quy trình thủ công, bạn cũng không tự động hóa được nó.
Bước 2 — Xác định input và output cuối cùng. Đầu vào chính xác là gì (định dạng, nguồn)? Kết quả cuối bạn muốn là gì, và ở dạng nào (email, JSON, báo cáo)? Hãy viết ra một ví dụ cụ thể của cả hai.
Bước 3 — Cắt nhỏ thành các bước đơn nhiệm. Với mỗi bước ở Bước 1, tự hỏi: bước này có thể tách nhỏ hơn không? Mỗi bước lý tưởng chỉ làm một việc AI giỏi: phân loại, trích xuất, tóm tắt, soạn thảo, đánh giá. Đánh dấu bước nào cần LLM, bước nào là thao tác thường (lọc, gọi API).
Bước 4 — Chọn mẫu workflow. Nhìn vào sơ đồ: nó là tuần tự, rẽ nhánh, song song, hay có vòng lặp? Thường bạn sẽ kết hợp vài mẫu. Xác định rõ output của mỗi bước sẽ "chảy" vào input của bước nào.
Bước 5 — Viết và kiểm thử từng prompt riêng lẻ. Đừng ghép cả chuỗi ngay. Hãy viết prompt cho từng bước, chạy thử với 5–10 mẫu dữ liệu thật, và chỉ chuyển sang bước sau khi bước hiện tại chạy ổn định. Chú ý định dạng output — nếu bước sau cần đọc kết quả bước trước, hãy yêu cầu output có cấu trúc rõ ràng.
Bước 6 — Ghép chuỗi, thêm điểm kiểm tra và con người. Nối các bước lại. Đặt "cửa kiểm soát" ở những chỗ rủi ro cao: đâu là nơi cần con người duyệt trước khi hành động? Đâu là nơi cần log lại để rà soát? Bắt đầu chạy với một mẫu nhỏ trước khi mở rộng ra toàn bộ dữ liệu.
Lỗi thường gặp & mẹo
Lỗi 1 — Nhồi mọi thứ vào một prompt "siêu to". Đây là lỗi phổ biến nhất của người mới. Một prompt yêu cầu AI "đọc, phân loại, phân tích, tóm tắt và viết báo cáo" cùng lúc sẽ cho kết quả nông và thiếu ổn định. Mẹo: nếu prompt của bạn có nhiều hơn một động từ hành động chính, hãy tách nó ra.
Lỗi 2 — Không kiểm soát định dạng giữa các bước. Nếu bước 2 trả về văn bản tự do mà bước 3 lại cần đọc "số sao" trong đó, workflow sẽ vỡ. Mẹo: luôn yêu cầu bước trung gian trả về định dạng có cấu trúc (JSON, danh sách rõ ràng) để bước sau dễ đọc — kỹ thuật này sẽ được đào sâu ở Bài 9.
Lỗi 3 — Để AI tự quyết ở khâu nhạy cảm. Tự động gửi email trả lời khiếu nại, tự động loại CV, tự động duyệt hoàn tiền — đây là những chỗ dễ gây hậu quả. Mẹo: thiết kế "human-in-the-loop" ở mọi điểm có rủi ro thương hiệu, tài chính hoặc pháp lý.
Lỗi 4 — Không có bước xử lý lỗi. Điều gì xảy ra khi input là rác, hoặc AI trả về sai định dạng? Workflow không lường trước sẽ chết lặng lẽ. Mẹo: thêm một nhánh "khác/không rõ" và cơ chế báo lỗi thay vì giả định mọi input đều sạch.
Lỗi 5 — Xây to ngay từ đầu. Nhiều người cố xây workflow hoàn hảo cho 10.000 bản ghi rồi thất vọng khi nó sai. Mẹo: bắt đầu với 10 mẫu, kiểm tra tay từng output, rồi mới mở rộng. Chi phí học từ 10 mẫu rẻ hơn nhiều so với 10.000 mẫu.
Mẹo 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 dành model mạnh cho bước phân tích hoặc soạn thảo phức tạp. Đây là lợi thế lớn của việc tách bước — chủ đề sẽ được đào sâu ở Bài 38.
Bài tập thực hành
Hãy chọn một công việc lặp đi lặp lại trong công việc thực của bạn (ví dụ: xử lý email hỗ trợ, viết mô tả sản phẩm hàng loạt, tổng hợp báo cáo tuần) và thực hiện:
- Vẽ sơ đồ workflow. Liệt kê từng bước con người đang làm để hoàn thành công việc đó. Đánh dấu bước nào có thể giao cho AI, bước nào giữ cho con người.
- Xác định mẫu. Workflow của bạn thuộc mẫu nào trong bốn mẫu đã học (tuần tự, rẽ nhánh, song song, vòng lặp), hay kết hợp?
- Viết prompt cho bước đầu tiên. Chỉ một bước thôi. Chạy thử với 5 mẫu dữ liệu thật và ghi lại kết quả có đạt kỳ vọng không.
- Định nghĩa "hợp đồng" giữa hai bước. Viết ra: output của bước 1 sẽ có định dạng gì, và bước 2 cần đọc gì từ đó. Đây là bài tập rèn tư duy quan trọng nhất.
- Xác định điểm human-in-the-loop. Chỉ ra ít nhất một chỗ trong workflow mà con người bắt buộc phải duyệt trước khi hành động, và giải thích vì sao.
Tóm tắt
- Một prompt đơn lẻ hiếm khi giải quyết trọn một bài toán kinh doanh. Giá trị thật đến từ việc ghép nhiều prompt thành một workflow có đầu vào, đầu ra rõ ràng và chạy lặp lại được.
- Mỗi bước trong workflow nên chỉ làm một việc — nguyên tắc đơn nhiệm giúp dễ kiểm thử, dễ sửa, dễ định vị lỗi và tiết kiệm chi phí.
- Có bốn mẫu workflow nền tảng: tuần tự, rẽ nhánh, song song rồi gộp, và vòng lặp cải thiện. Đa số bài toán thực tế là sự kết hợp của chúng.
- Ba ví dụ — chuỗi cà phê phân tích review, shop thời trang tự động trả lời tin nhắn, công ty SaaS sàng lọc CV — cho thấy cùng một nguyên lý: chia nhỏ, cấu trúc hóa output giữa các bước, và giữ con người ở khâu nhạy cảm.
- Quy trình thiết kế: vẽ tay trước → xác định input/output → cắt nhỏ đơn nhiệm → chọn mẫu → kiểm thử từng prompt → ghép chuỗi và thêm cửa kiểm soát.
- Bắt đầu nhỏ, kiểm tra bằng tay, rồi mới mở rộng. Đó là con đường an toàn để biến AI từ một mẹo vặt thành một tài sản vận hành cho doanh nghiệp.