Mở đầu — vì sao bài này quan trọng
Hãy tưởng tượng bạn vừa tuyển được một nhân viên cực kỳ thông minh: đọc nhanh, biết nhiều lĩnh vực, làm việc 24/7 và không bao giờ than mệt. Nhưng nhân viên này có một điểm kỳ lạ — họ chỉ làm đúng những gì bạn nói ra thành lời, không tự suy diễn ý bạn muốn, và cũng không dám hỏi lại khi bạn ra đề mơ hồ. Nếu bạn nói "viết cho tôi cái email", họ viết một email chung chung. Nếu bạn nói rõ "viết email xin lỗi khách hàng vì giao hàng trễ 3 ngày, giọng chân thành nhưng chuyên nghiệp, đề xuất giảm 10% đơn sau, dài khoảng 120 từ", họ cho ra một email dùng được ngay.
Nhân viên đó chính là các mô hình AI ngôn ngữ (LLM — Large Language Model) như ChatGPT, Claude hay Gemini. Và cái cách bạn "ra đề" cho họ — đó chính là prompt. Nghề học cách viết đề bài tốt cho AI gọi là Prompt Engineering (kỹ thuật viết prompt).
Điều khiến bài học này quan trọng là một sự thật rất dễ bị bỏ qua: cùng một mô hình AI, cùng một câu hỏi về bản chất, nhưng hai cách diễn đạt khác nhau sẽ cho ra hai kết quả chênh lệch nhau một trời một vực. Bạn không cần đổi sang model đắt tiền hơn. Bạn không cần biết lập trình. Bạn chỉ cần biết cách nói chuyện với AI cho đúng — và đó là kỹ năng rẻ nhất nhưng đòn bẩy nhất mà một người đi làm có thể học năm 2026.
Bài này là nền móng của cả khóa. Chúng ta sẽ trả lời ba câu hỏi gốc: Vì sao prompt lại quyết định kết quả đến vậy? Một prompt gồm những thành phần nào? Và làm sao để bắt đầu viết prompt tốt ngay hôm nay? Những kỹ thuật nâng cao như few-shot, chain-of-thought, structured output... sẽ được đào sâu ở các bài sau — ở đây ta xây phần móng cho vững.
Khái niệm cốt lõi
Prompt là gì và AI thực sự "làm" gì với nó
Nói ngắn gọn, prompt là toàn bộ phần văn bản (hoặc hình ảnh, âm thanh) mà bạn đưa vào cho AI để nó tạo ra câu trả lời. Nhưng để viết prompt tốt, bạn cần hiểu một chút về cách LLM hoạt động bên trong — không cần toán, chỉ cần trực giác.
LLM về bản chất là một cỗ máy dự đoán từ tiếp theo. Nó đã đọc một lượng văn bản khổng lồ và học được rằng, cho một chuỗi từ đứng trước, từ nào có xác suất cao nhất đứng sau. Khi bạn gõ "Thủ đô của Việt Nam là", nó dự đoán từ tiếp theo là "Hà Nội" vì trong dữ liệu nó học, cụm này gần như luôn đi cùng nhau.
Hệ quả cực kỳ quan trọng cho công việc của bạn: AI không "hiểu ý định" của bạn, nó chỉ phản ứng với văn bản bạn đưa vào. Prompt của bạn giống như đặt AI vào một "vùng ngữ cảnh" cụ thể trong biển kiến thức của nó. Prompt càng cụ thể, càng giàu ngữ cảnh, thì "vùng" mà AI đứng để dự đoán càng chính xác. Prompt mơ hồ đẩy AI vào vùng chung chung, và kết quả cũng chung chung theo.
Đây là lý do sâu xa vì sao "Viết bài về cà phê" cho ra một bài nhạt nhẽo, còn "Viết bài blog 400 từ giới thiệu cà phê arabica Cầu Đất Đà Lạt cho người mới uống cà phê specialty, giọng thân thiện, kết bằng lời mời ghé quán" lại cho ra thứ dùng được. Bạn không "dạy" AI thêm điều gì — bạn chỉ khoanh vùng cho nó chính xác hơn.
Vì sao cùng một model lại cho kết quả khác nhau
Có ba nguyên nhân khiến prompt quyết định chất lượng đầu ra:
- Độ cụ thể của ngữ cảnh. AI không đọc được suy nghĩ. Mọi thứ trong đầu bạn mà không viết ra thì AI không có. Bạn biết khách hàng của bạn là dân văn phòng 25-35 tuổi ở Sài Gòn, nhưng nếu không nói, AI sẽ viết cho "mọi người" — tức là không cho ai cả.
- Định hướng vai trò và định dạng. Khi bạn bảo AI "đóng vai một chuyên gia tài chính đang tư vấn cho chủ doanh nghiệp nhỏ", nó sẽ chọn từ ngữ, độ sâu và góc nhìn khác hẳn khi không có chỉ dẫn này. Tương tự, yêu cầu "trả về dưới dạng bảng gồm 3 cột" cho ra thứ khác hẳn văn xuôi.
- Tính "trôi dạt" của mô hình. Vì AI dự đoán theo xác suất, một prompt mơ hồ để lại quá nhiều khoảng trống cho nó "tự điền". Prompt tốt bịt các khoảng trống đó lại, giảm rủi ro AI đi chệch hướng hoặc bịa ra thông tin (gọi là hallucination — ảo giác).
Anatomy — giải phẫu một prompt tốt
Một prompt chất lượng thường có bốn khối. Không phải lúc nào cũng cần đủ cả bốn, nhưng biết chúng giúp bạn "chẩn đoán" khi prompt cho kết quả tồi.
- Vai trò / Bối cảnh (Role / Context): Bạn muốn AI đứng ở góc nhìn nào? Ai đang nói, nói với ai, trong tình huống nào. Ví dụ: "Bạn là chuyên viên chăm sóc khách hàng của một sàn thương mại điện tử tại Việt Nam."
- Nhiệm vụ / Chỉ dẫn (Task / Instruction): Bạn muốn AI làm gì — động từ hành động rõ ràng: viết, tóm tắt, phân loại, so sánh, dịch. Ví dụ: "Hãy soạn phản hồi cho khiếu nại của khách hàng dưới đây."
- Ràng buộc (Constraints): Độ dài, giọng điệu, ngôn ngữ, những điều nên tránh. Ví dụ: "Dài tối đa 100 từ, giọng lịch sự và đồng cảm, không hứa hoàn tiền, viết bằng tiếng Việt."
- Dữ liệu đầu vào / Ví dụ (Input / Examples): Nội dung cụ thể cần xử lý, hoặc ví dụ mẫu để AI bắt chước phong cách. Ví dụ: dán nguyên văn tin nhắn khiếu nại của khách.
[Vai trò / Bối cảnh] Bạn là ai, đang ở tình huống nào.
[Nhiệm vụ] Cần làm gì, với động từ rõ ràng.
[Ràng buộc] Độ dài, giọng điệu, định dạng, điều cấm.
[Dữ liệu đầu vào] Nội dung cụ thể cần xử lý.
Bạn không cần viết theo đúng thứ tự này, và cũng không cần dán nhãn "[Vai trò]" khi gõ thật. Đây chỉ là danh sách kiểm tra tư duy để đảm bảo bạn không bỏ sót thành phần nào.
Tình huống thực tế
Ví dụ 1 — Chị Lan và email marketing của tiệm bánh
Chị Lan mở một tiệm bánh nhỏ tên "Nhà Bánh Cỏ May" ở Quận 3, TP.HCM, có khoảng 2.000 khách trong danh sách email. Chị muốn gửi email dịp Tết Trung thu. Lần đầu, chị gõ vào ChatGPT:
> "Viết email quảng cáo bánh Trung thu."
Kết quả là một email đúng ngữ pháp nhưng vô hồn: "Kính gửi quý khách hàng, nhân dịp Tết Trung thu, chúng tôi xin giới thiệu các sản phẩm bánh chất lượng cao..." — nghe như của bất kỳ tiệm bánh nào, không có bản sắc, không có lời kêu gọi hành động rõ ràng.
Sau khi học khung 4 khối, chị viết lại:
> "Bạn là chủ tiệm bánh thủ công 'Nhà Bánh Cỏ May' ở Quận 3, TP.HCM. Viết một email gửi khách quen dịp Trung thu, giới thiệu bộ bánh dẻo nhân sen truyền thống làm thủ công, không chất bảo quản. Giọng ấm áp, gần gũi như người quen, không sáo rỗng. Nhấn mạnh đặt trước ngày 20/8 âm lịch được giảm 15%. Dài khoảng 150 từ, kết bằng nút kêu gọi 'Đặt bánh ngay'. Viết bằng tiếng Việt."
Lần này email có tên tiệm, có câu chuyện "làm thủ công", có ưu đãi cụ thể, có deadline tạo cảm giác khẩn trương và có lời kêu gọi rõ ràng. Chị chỉ chỉnh vài chữ là gửi được. Bài học: không phải AI "dở" ở lần đầu — mà là chị chưa cung cấp đủ ngữ cảnh. Cùng một model, chênh lệch nằm hoàn toàn ở prompt.
Ví dụ 2 — Đội hỗ trợ khách hàng của một startup fintech
Một startup fintech giả định tên "MoMoney" (ví điện tử) nhận khoảng 500 tin nhắn khiếu nại mỗi ngày. Nhân viên trực chat phải tự đọc rồi phân loại thủ công: lỗi giao dịch, hỏi phí, khiếu nại hoàn tiền, spam... Rất tốn thời gian.
Bạn Minh, nhân viên vận hành, thử nhờ AI. Prompt đầu tiên của Minh:
> "Phân loại tin nhắn này giúp tôi: 'Sao tôi chuyển 500k mà bên kia chưa nhận được, gần 1 tiếng rồi?'"
AI trả lời dài dòng, giải thích lý do có thể, an ủi khách — không cho ra một "nhãn" gọn để nhập vào hệ thống. Vấn đề là Minh chưa ràng buộc định dạng và chưa cho AI biết tập nhãn được phép chọn.
Minh viết lại:
> "Bạn là hệ thống phân loại tin nhắn hỗ trợ của một ví điện tử. Phân loại tin nhắn của khách vào ĐÚNG MỘT trong các nhãn sau: [Lỗi giao dịch], [Câu hỏi về phí], [Yêu cầu hoàn tiền], [Khác]. Chỉ trả về đúng tên nhãn, không giải thích gì thêm. Tin nhắn: 'Sao tôi chuyển 500k mà bên kia chưa nhận được, gần 1 tiếng rồi?'"
Kết quả gọn lỏn: [Lỗi giao dịch]. Giờ Minh có thể áp prompt này cho hàng loạt tin nhắn, tiết kiệm phần lớn thời gian phân loại thủ công. Bài học: khi bạn ràng buộc rõ đầu ra được phép trông như thế nào (ở đây là chọn trong tập nhãn cố định, không giải thích), AI trở nên đáng tin và có thể tự động hóa. Các kỹ thuật phân loại chuyên sâu sẽ có ở bài riêng — ở đây điều cốt lõi là: ràng buộc định dạng thay đổi hoàn toàn tính hữu dụng.
Ví dụ 3 — Anh Tuấn dịch tài liệu kỹ thuật
Anh Tuấn làm ở phòng kỹ thuật một công ty sản xuất ở Bình Dương, cần dịch một đoạn hướng dẫn vận hành máy từ tiếng Anh sang tiếng Việt cho công nhân đọc. Prompt đầu:
> "Dịch đoạn này sang tiếng Việt: [đoạn tiếng Anh]"
AI dịch đúng nghĩa nhưng dùng nhiều từ Hán-Việt hàn lâm, câu dài, công nhân đọc khó hiểu. Anh Tuấn bổ sung bối cảnh và ràng buộc:
> "Dịch đoạn hướng dẫn vận hành máy dưới đây sang tiếng Việt, dành cho công nhân nhà máy đọc. Dùng câu ngắn, từ ngữ đời thường dễ hiểu, giữ nguyên các thuật ngữ kỹ thuật quan trọng kèm chú thích ngắn trong ngoặc. Không dùng từ Hán-Việt khó. Đoạn cần dịch: [đoạn tiếng Anh]"
Bản dịch mới rõ ràng, đúng đối tượng người đọc. Bài học: cùng một tác vụ "dịch", nhưng ai sẽ đọc và đọc để làm gì thay đổi hoàn toàn cách AI nên dịch — và AI chỉ biết điều đó nếu bạn nói ra.
Hướng dẫn từng bước
Đây là quy trình bạn có thể áp dụng cho bất kỳ prompt nào, từ đơn giản đến phức tạp:
- Xác định rõ kết quả bạn muốn TRƯỚC khi viết prompt. Nghe hiển nhiên nhưng đa số bỏ qua. Hãy hình dung: đầu ra lý tưởng dài bao nhiêu? Định dạng gì (đoạn văn, bảng, danh sách)? Giọng điệu ra sao? Ai sẽ đọc? Nếu bạn không hình dung được thứ mình muốn, AI càng không.
- Viết khối Nhiệm vụ trước, bằng động từ hành động. Bắt đầu bằng "Viết...", "Tóm tắt...", "Phân loại...", "So sánh...". Một nhiệm vụ rõ ràng là xương sống của prompt.
- Thêm Vai trò và Bối cảnh. AI nên đứng ở góc nhìn nào? Nội dung này phục vụ ai, trong tình huống nào? Đây là khối hay bị quên nhất và cũng tạo khác biệt lớn nhất.
- Bổ sung Ràng buộc. Độ dài (số từ cụ thể tốt hơn "ngắn gọn"), giọng điệu, ngôn ngữ, định dạng đầu ra, và những điều cần TRÁNH.
- Dán Dữ liệu đầu vào rõ ràng, tách biệt. Nếu có nội dung cần xử lý (một email, một đoạn văn), hãy tách nó ra rõ ràng, ví dụ đặt sau dấu hai chấm hoặc trong dấu ngoặc, để AI không nhầm nó với chỉ dẫn.
- Chạy thử, đọc kết quả, rồi tinh chỉnh. Prompt hiếm khi hoàn hảo ngay lần đầu. Xem AI hiểu sai chỗ nào, bổ sung đúng chỗ đó. Đây là vòng lặp — và nó nhanh hơn bạn nghĩ.
Lỗi thường gặp & mẹo
Lỗi 1 — Prompt quá mơ hồ. "Viết gì đó hay về sản phẩm của tôi." AI không biết sản phẩm là gì, khách là ai, "hay" nghĩa là gì. Mẹo: mỗi khi định gõ một tính từ mơ hồ ("hay", "chuyên nghiệp", "hấp dẫn"), hãy tự hỏi "cụ thể là như thế nào?" và viết câu trả lời đó vào.
Lỗi 2 — Nhồi quá nhiều nhiệm vụ vào một prompt. "Viết bài blog, rồi tạo 5 tiêu đề, rồi dịch sang tiếng Anh, rồi gợi ý hình ảnh." AI sẽ làm hời hợt tất cả. Mẹo: tách thành từng bước riêng, làm xong việc này mới sang việc kia. (Kỹ thuật nối chuỗi nhiều bước sẽ có ở bài riêng.)
Lỗi 3 — Không nói rõ định dạng đầu ra. Bạn muốn bảng nhưng AI trả về văn xuôi. Mẹo: luôn nêu rõ định dạng mong muốn: "trả về dưới dạng danh sách gạch đầu dòng", "dạng bảng 3 cột: Tên / Ưu điểm / Giá".
Lỗi 4 — Quên cho biết đối tượng người đọc. Cùng nội dung, viết cho giám đốc khác hẳn viết cho sinh viên. Mẹo: luôn thêm một câu "dành cho [ai đọc]".
Lỗi 5 — Tin tưởng mù quáng vào đầu ra. AI có thể bịa số liệu, tên, trích dẫn nghe rất thật (hallucination). Mẹo: với mọi con số, sự kiện, trích dẫn quan trọng — hãy tự kiểm chứng. AI là trợ lý viết nháp giỏi, không phải nguồn sự thật.
Mẹo bonus — Dùng chính AI để cải thiện prompt. Nếu bí, hãy hỏi: "Tôi muốn đạt [mục tiêu]. Bạn cần tôi cung cấp thêm thông tin gì để làm tốt việc này?" AI thường liệt kê đúng những khoảng trống bạn cần lấp.
Bài tập thực hành
Hãy làm ba bài sau bằng công cụ AI bất kỳ (ChatGPT, Claude, Gemini). Mục tiêu là cảm nhận khác biệt giữa prompt tồi và prompt tốt.
- Bài tập "trước và sau". Chọn một việc thật trong công việc của bạn (viết email, tóm tắt cuộc họp, mô tả sản phẩm). Đầu tiên gõ một prompt mơ hồ một dòng và lưu kết quả. Sau đó viết lại prompt theo khung 4 khối (Vai trò / Nhiệm vụ / Ràng buộc / Dữ liệu). So sánh hai kết quả. Ghi lại: khối nào tạo khác biệt lớn nhất?
- Bài tập "khoanh vùng". Lấy prompt "Gợi ý ý tưởng kinh doanh". Chạy nó, rồi lần lượt thêm từng ràng buộc: vốn dưới 50 triệu, tại một thành phố tỉnh lẻ Việt Nam, phù hợp người đi làm bán thời gian. Quan sát chất lượng gợi ý cải thiện thế nào sau mỗi lần thêm.
- Bài tập "định dạng". Yêu cầu AI so sánh ba ngân hàng số ở Việt Nam về phí và tiện ích, nhưng lần một để tự do, lần hai bắt trả về "dạng bảng 4 cột: Tên / Phí duy trì / Ưu điểm / Nhược điểm". Ghi lại: bản nào dễ dùng hơn cho công việc thật?
Tóm tắt
- Prompt là toàn bộ nội dung bạn đưa cho AI; Prompt Engineering là kỹ năng viết đề bài đó cho hiệu quả. Đây là đòn bẩy lớn nhất mà bất kỳ ai cũng học được, không cần biết lập trình.
- LLM là cỗ máy dự đoán từ tiếp theo — nó phản ứng với văn bản bạn đưa vào, không đọc ý định trong đầu bạn. Vì thế cùng một model, prompt khác nhau cho kết quả khác nhau một trời một vực.
- Một prompt tốt thường gồm bốn khối: Vai trò/Bối cảnh, Nhiệm vụ, Ràng buộc, Dữ liệu đầu vào. Dùng chúng như danh sách kiểm tra để không bỏ sót.
- Prompt càng cụ thể, giàu ngữ cảnh, càng "khoanh vùng" chính xác cho AI — giảm chung chung và giảm bịa đặt.
- Viết prompt là một vòng lặp: xác định kết quả mong muốn → viết → chạy thử → tinh chỉnh. Khi sai, hỏi "prompt của mình thiếu gì?" thay vì đổ lỗi cho AI.
- Luôn tự kiểm chứng số liệu và sự kiện quan trọng — AI là trợ lý viết nháp giỏi, không phải nguồn sự thật tuyệt đối.