Prompt là gì? Cách viết prompt cho công việc thật, không phải mẹo vặt

Prompt là gì? Prompt là phần văn bản (và đôi khi hình ảnh, file) bạn đưa cho mô hình AI để nó biết cần làm gì, theo cách nào và với dữ liệu nào. Theo tài liệu prompt engineering của Anthropic (đọc ngày 25/10/2026), trước khi tinh chỉnh prompt bạn cần có tiêu chí thành công rõ ràng, cách kiểm thử theo tiêu chí đó và một bản prompt nháp đầu tiên. Bài này giải thích prompt là gì, cấu trúc một prompt tốt, các kỹ thuật nên dùng, lỗi hay gặp, khi nào đừng cố sửa prompt và kinh nghiệm của OPCAIOS.

Prompt tốt là bản yêu cầu công việc: mục tiêu, ngữ cảnh, ràng buộc, định dạng và cách kiểm tra. Sơ đồ: OPCAIOS.

Prompt là gì và vì sao nó quan trọng?

Prompt là toàn bộ đầu vào chữ bạn gửi cho một mô hình ngôn ngữ lớn, gồm chỉ dẫn, ngữ cảnh, dữ liệu và ví dụ. Mô hình không biết ý định trong đầu bạn, chỉ biết những gì có trong prompt, nên chất lượng đầu ra phụ thuộc mạnh vào độ rõ của đầu vào.

Hãy coi prompt như bản giao việc cho một đồng nghiệp thông minh nhưng mới vào, không biết gì về công ty bạn. Thiếu bối cảnh thì kết quả chung chung; thiếu tiêu chí thì không ai biết thế nào là "xong". Nếu cần nền tảng, đọc trước LLM là gì.

Một prompt tốt gồm những phần nào?

Một prompt hiệu quả thường có sáu phần: mục tiêu, ngữ cảnh, dữ liệu đầu vào, ràng buộc, định dạng đầu ra và ví dụ. Không phải prompt nào cũng cần đủ, nhưng việc quan trọng hoặc lặp lại thì nên viết đủ và lưu thành mẫu.

Phần	Câu hỏi nó trả lời	Ví dụ ngắn
Mục tiêu	Cần làm gì, để làm gì	"Tóm tắt email khiếu nại để quản lý quyết định hoàn tiền"
Ngữ cảnh	Người đọc là ai, bối cảnh	"Cửa hàng bán khoá học số, khách ở Việt Nam"
Dữ liệu	Nội dung cần xử lý	Dán email, bảng, đoạn văn
Ràng buộc	Không được làm gì, giới hạn	"Không bịa số đơn hàng; nếu thiếu thông tin thì hỏi lại"
Định dạng	Đầu ra trông thế nào	"3 gạch đầu dòng + 1 câu đề xuất, dưới 80 từ"
Ví dụ	Mẫu đầu ra mong muốn	1–3 ví dụ đầu vào → đầu ra

Tách dữ liệu khỏi chỉ dẫn (ví dụ bọc dữ liệu trong thẻ rõ ràng) giúp mô hình không nhầm nội dung cần xử lý với lệnh.

Các kỹ thuật viết prompt nên biết

Tài liệu của Anthropic liệt kê các kỹ thuật chính: viết rõ ràng, đưa ví dụ, cấu trúc bằng thẻ XML, gán vai trò, cho mô hình suy nghĩ từng bước và nối nhiều prompt thành chuỗi. Quan trọng hơn mẹo riêng lẻ là kỷ luật: đo kết quả trước và sau khi sửa.

1. Rõ ràng và trực tiếp: nói thẳng việc cần làm, tiêu chí đạt, độ dài, giọng điệu. Tránh "viết hay hơn" mà không nói hay là gì.
2. Ví dụ (few-shot): 1–3 cặp đầu vào/đầu ra mẫu thường cải thiện định dạng và giọng văn hơn nhiều dòng mô tả.
3. Cấu trúc bằng thẻ: bọc <tai_lieu>, <yeu_cau> để tách phần. Chỉ là quy ước, không phải cú pháp bắt buộc.
4. Vai trò: "Bạn là biên tập viên..." đôi khi giúp giọng văn, nhưng không thay được ngữ cảnh thật.
5. Suy nghĩ từng bước: với việc cần lập luận, yêu cầu nêu các bước trước khi kết luận; nhiều mô hình mới có chế độ suy luận riêng.
6. Chuỗi prompt: chia việc lớn thành bước nhỏ, mỗi bước kiểm tra được. Đây cũng là nền của AI Agent và workflow.

Hướng dẫn tối ưu cho từng mô hình thay đổi theo phiên bản; tài liệu Anthropic coi trang "Prompting best practices" là tài liệu sống để tra.

Những lỗi viết prompt hay gặp

Lỗi phổ biến nhất là yêu cầu mơ hồ, thiếu dữ liệu nền và không có cách kiểm tra kết quả. Mô hình sẽ lấp chỗ trống bằng phỏng đoán, và phỏng đoán nghe hợp lý chính là nguồn của ảo giác AI.

• Mơ hồ: "Viết bài về AI" so với "Viết bài 800 từ cho chủ cửa hàng nhỏ, 3 ví dụ tự động hoá, không dùng thuật ngữ".
• Thiếu cho phép nói "không biết": nếu không cho phép, mô hình có xu hướng đoán. Hãy ghi rõ "nếu không có trong tài liệu, trả lời không có thông tin".
• Nhồi quá nhiều việc trong một prompt: tách bước để dễ tìm lỗi.
• Dán dữ liệu nhạy cảm: không đưa mật khẩu, khoá API, dữ liệu khách hàng vào dịch vụ bạn chưa kiểm tra điều khoản. Xem bảo mật dữ liệu khi dùng AI.
• Tin kết quả mà không kiểm: xem kiểm toán nội dung AI trước khi đăng.

Khi nào nên sửa prompt, khi nào nên đổi cách khác?

Sửa prompt hiệu quả khi tiêu chí lỗi nằm ở cách hỏi: sai định dạng, sai giọng, thiếu bước. Nếu lỗi do thiếu dữ liệu, mô hình quá yếu hoặc quá đắt, Anthropic lưu ý rằng đổi mô hình hoặc thêm tra cứu đôi khi cải thiện nhanh hơn viết lại prompt.

Triệu chứng	Hướng xử lý
Sai định dạng, dài dòng	Sửa prompt: định dạng + ví dụ
Bịa thông tin về tài liệu riêng	Thêm tra cứu (RAG), cho phép "không biết"
Chậm hoặc đắt	Thử mô hình nhỏ hơn (chọn model AI)
Việc nhiều bước, dễ sai dây chuyền	Tách chuỗi, thêm kiểm tra giữa chừng
Lặp lại hằng ngày	Lưu thành mẫu hoặc Skill

Kinh nghiệm của OPCAIOS

Chúng tôi lưu các prompt dùng lặp lại thành mẫu có tiêu chí kiểm tra đi kèm (ví dụ danh sách kiểm cho bài blog: định nghĩa ở đoạn đầu, mọi con số có nguồn, không bịa khách hàng). Mẫu nào quan trọng thì đóng gói thành Skill để agent dùng đúng quy trình.

Điều rút ra: viết tiêu chí kiểm tra trước, rồi mới viết prompt, giúp biết lúc nào dừng chỉnh. Hạn chế: chúng tôi chưa chạy thử nghiệm so sánh có đối chứng giữa các kiểu prompt, nên bài này không đưa con số "tăng bao nhiêu phần trăm". Mọi gợi ý là thực hành, không phải kết quả đo.

Câu hỏi thường gặp

Prompt engineering còn cần thiết không khi mô hình ngày càng thông minh?

Vẫn cần, nhưng thiên về mô tả bối cảnh và tiêu chí hơn là mẹo. Mô hình mạnh hơn bớt phụ thuộc vào câu chữ, vẫn không đoán được điều bạn chưa nói.

Prompt dài có tốt hơn prompt ngắn không?

Không nhất thiết. Dài vì đủ bối cảnh và ví dụ thì tốt; dài vì lặp ý và mâu thuẫn thì kém. Đo bằng kết quả trên bộ ví dụ kiểm tra.

Có nên dùng "prompt mẫu" tải từ mạng không?

Dùng làm điểm xuất phát được, nhưng phải thử trên dữ liệu của bạn. Prompt viết cho tác vụ và mô hình khác thường không khớp ngay.

System prompt và user prompt khác nhau thế nào?

System prompt đặt quy tắc ổn định cho cả phiên (vai trò, giới hạn); user prompt là yêu cầu từng lượt. Cách chia chi tiết phụ thuộc nền tảng bạn dùng.

Làm sao học viết prompt nhanh cho công việc?

Chọn một việc lặp lại, viết tiêu chí đúng/sai, thử 5–10 ví dụ thật và sửa dần. Nếu cần hướng dẫn thực hành cho đội nhóm, xem dịch vụ đào tạo ứng dụng AI.

Nguồn: Anthropic, "Prompt engineering overview" (platform.claude.com), đọc ngày 25/10/2026; chưa đọc đầy đủ trang "Prompting best practices" nên danh sách kỹ thuật dựa trên phần giới thiệu. Bảng và ví dụ là thực hành của OPCAIOS, không phải đo đạc. Kinh nghiệm là của OPCAIOS.