topic: howto_prompt_frameworks title: "Tư duy prompt & các framework ra lệnh cho AI" tags: [prompting, prompt-engineering, race, react, tree-of-thought, self-ask, rtcf, parameters] status: draft sources: [src-06] volatility: volatile as_of: 2025

Tư duy prompt & các framework ra lệnh cho AI

Khi nào dùng

• Khi kết quả AI trả về lúc được lúc không, phải sửa đi sửa lại nhiều lần.
• Khi cần một cách viết lệnh (prompt) lặp lại được, ổn định cho cả đội, không phụ thuộc may rủi.
• Khi xử lý việc phức tạp nhiều bước (phân tích, ra quyết định, nghiên cứu) chứ không chỉ hỏi nhanh một câu.

Nguyên tắc nền: AI không đọc ý định, nó đọc cấu trúc. Prompt tốt là kỹ thuật (engineering), không phải "chọn đúng câu thần chú". Việc của bạn là làm sạch tín hiệu và sắp xếp, không phải giải thích thật dài.

AI "hiểu" prompt thế nào (để biết tại sao cấu trúc lại quan trọng)

• Token: AI cắt văn bản thành các mảnh nhỏ (token — đơn vị xử lý, ~4 ký tự tiếng Anh; tiếng Việt một từ có thể 2–4 token). Mọi giới hạn độ dài và chi phí đều tính theo token, không theo "số chữ".
• Cửa sổ ngữ cảnh (context window): bộ nhớ làm việc cho một lần yêu cầu. AI không nhớ gì nằm ngoài cửa sổ này. Nếu prompt quá dài, phần đầu (thường là chỉ dẫn quan trọng) có thể bị đẩy ra và bị bỏ qua → đặt chỉ dẫn quan trọng ở đầu hoặc cuối, giữ dữ liệu gọn.
• Self-attention (cơ chế chú ý): AI cân nhắc token nào liên quan token nào. Nếu một prompt trộn nhiều phong cách/nhiệm vụ/giọng điệu trong cùng một khối, sự chú ý bị "loãng" và kết quả mất ổn định → một giọng, một nhiệm vụ, một khối chỉ dẫn.

Các bước thực hành

A. Khung nền RTCF (Role – Task – Context – Format)

Dùng cho gần như mọi loại đầu ra (văn bản, ảnh, phân tích). Bốn thành phần:

1. Role (Vai trò): định kiểu tư duy/chuyên môn AI phải nhập vai. Không nêu vai → AI tự chọn ngẫu nhiên, sinh ra hỗn loạn.
2. Ví dụ: "Đóng vai giám đốc tài chính (CFO) phân tích xu hướng quý."
3. Task (Nhiệm vụ): nói chính xác phải làm gì. Dùng động từ mô tả được (phân tích, tóm tắt, tạo, chuyển đổi), tránh từ cảm tính ("hay", "ấn tượng").
4. Context (Bối cảnh): dữ liệu nền, đối tượng nhận, ràng buộc. Đây là phần quan trọng nhất và thường không phải một câu — có thể là cả tài liệu chân dung khách hàng, tông giọng thương hiệu, chiến lược.
5. Format (Định dạng): cấu trúc đầu ra (bảng, JSON, markdown, bài đăng Facebook...), độ dài, giọng văn.

Prompt mẫu (RTCF): "Bạn là chuyên viên chạy ads Facebook am hiểu khách Gen Z [Role]. Viết 3 biến thể nội dung quảng cáo cho giày sneaker thân thiện môi trường [Task]. Tông casual, thể thao; khách 18–24 quan tâm môi trường; USP: vật liệu tái chế, giao hàng trung hoà carbon [Context]. Mỗi mẫu tối đa 125 ký tự, có headline + thân + lời kêu gọi hành động, mỗi mẫu một cảm xúc khác nhau [Format]."

B. Điều khiển "tham số" bằng lời (không cần API)

Trên giao diện chat thường không chỉnh được tham số kỹ thuật, nhưng có thể ra lệnh bằng lời để đạt hiệu ứng tương đương:

1. Độ sáng tạo (temperature): muốn chắc chắn, bám sự thật → "trả lời ngắn gọn, bám dữ kiện, tránh suy đoán". Muốn bay bổng → "mạnh dạn đưa ý tưởng phá cách, dùng ẩn dụ".
2. Độ rộng ý (top-p): "đưa một kết luận rõ ràng duy nhất" (hẹp) vs "cân nhắc vài hướng tiếp cận" (rộng). Tránh đẩy cả hai cùng cực một lúc.
3. Giới hạn độ dài: "trả lời trong tối đa 50 token/từ" → dùng cho tiêu đề, caption, tóm tắt.
4. Điểm dừng (stop): "chỉ liệt kê đúng 10 gạch đầu dòng" để chặn AI viết lan man.
5. Chống lặp từ: "tránh lặp lại cùng một từ, dùng từ đồng nghĩa" → văn bản phong phú hơn.

C. Bốn framework cho việc phức tạp

1. RACE — Role, Action, Context, Execute (đa năng, dễ nhất để bắt đầu) 1. Role: chọn chuyên gia phù hợp. 2. Action: nêu rõ một động từ nhiệm vụ (phân tích / tóm tắt / tạo / chuyển đổi). 3. Context: cấp dữ liệu, đối tượng nhận, ràng buộc (thường dài, không một câu). 4. Execute (Expectation): chốt định dạng + tiêu chí thành công. - Mẫu: "Đóng vai Giám đốc chiến lược ngành bán lẻ [R]. Soạn memo ngắn [A]. Bối cảnh: doanh số quý 2 giảm 8% tại cửa hàng nhưng tăng 15% online, đối thủ đang đóng bớt cửa hàng, tệp khách trẻ hoá [C]. Xuất memo 3 đoạn: tóm tắt tình hình, 3 phương án chiến lược, khuyến nghị kèm 1 chỉ số theo dõi; giọng trang trọng, dựa trên dữ liệu [E]."

2. ReAct — Reasoning + Acting (việc cần suy luận nhiều bước + tra cứu) 1. Mô tả nhiệm vụ rõ ở đầu. 2. Yêu cầu AI lặp chu trình: Thought (suy luận) → Action (hành động/tra cứu) → Observation (đọc kết quả) cho tới khi xong. 3. Giới hạn tập hành động (vd: search, lookup, finish) để tránh lạc hướng. - Lợi ích: suy luận hiện rõ, kiểm tra được; giảm "bịa" (hallucination) khi kết hợp tra nguồn ngoài.

3. Tree of Thought (bài toán phức tạp, mơ hồ, nhiều hướng) 1. Chia vấn đề thành các bước nhỏ. 2. Với mỗi bước, yêu cầu AI tạo nhiều nhánh phương án. 3. Đánh giá từng nhánh theo tiêu chí đã đặt; cho phép quay lui nhánh kém. - Chỉ dùng cho việc thật sự cần đào sâu — chậm và tốn hơn với việc đơn giản.

4. Self-Ask (tự chia câu hỏi lớn thành câu hỏi con) 1. Yêu cầu AI tự đặt các câu hỏi con trước khi trả lời. 2. Trả lời từng câu con (dùng công cụ nếu cần). 3. Kiểm tra đã đủ chưa, rồi tổng hợp thành đáp án cuối. - Mẫu phân tích: "Vì sao doanh thu giảm dù traffic tăng? Hãy tự đặt và trả lời các câu hỏi con (tỷ lệ chuyển đổi? giá trị đơn trung bình?) rồi kết luận nguyên nhân."

D. Nguyên tắc vận hành chung

• Lặp nhỏ thay vì một prompt hoàn hảo: hỏi từng bước, tinh chỉnh dần ("rút gọn đoạn này", "làm thuyết phục hơn") thay vì viết lại cả khối.
• Mỗi việc mới một cuộc trò chuyện mới để giữ ngữ cảnh sạch.
• Lưu prompt hiệu quả vào thư viện (prompt library) để tái dùng và chuẩn hoá cho đội.
• Few-shot: kèm 1–2 ví dụ đầu ra mẫu khi cần khuôn kết quả ổn định.

Mẹo & ví dụ (bản địa hoá VN)

• Một chủ shop thời trang ở TP.HCM dùng RACE: vai "chuyên viên content bán hàng", nhiệm vụ "viết 3 caption", bối cảnh "khách nữ 25–35, thích phong cách tối giản, sale 20% dịp 30/4", định dạng "mỗi caption ≤ 60 từ, có CTA". Kết quả dùng được ngay, không cần sửa nhiều.
• Khi phân tích "vì sao tháng này lượng khách vào cửa hàng tăng nhưng doanh thu giảm", dùng Self-Ask để AI tự bóc tách: đơn giá giảm? tỷ lệ chốt giảm? nhân viên thiếu? — sát thực tế hơn hỏi chung chung.
• Tiếng Việt nhiều token hơn tiếng Anh: prompt "nhìn ngắn" vẫn có thể vượt giới hạn → tách tài liệu dài thành phần, đưa chỉ dẫn quan trọng lên đầu.

Cạm bẫy

• Dùng từ cảm tính ("viết cho hay", "chuyên nghiệp") thay vì mô tả cụ thể → AI đoán mò.
• Nhồi nhiều nhiệm vụ/giọng vào một khối → chú ý loãng, kết quả chập chờn.
• Quá đặc tả bóp nghẹt sáng tạo; quá sơ sài cho kết quả yếu — tìm điểm cân bằng.
• Tin tưởng tuyệt đối: luôn fact-check số liệu, không đưa dữ liệu nhạy cảm/khách hàng vào prompt khi chưa ẩn danh.
• Dùng Tree of Thought cho việc đơn giản → chậm và lãng phí.

Câu hỏi tự kiểm

• Trong prompt gần nhất, tôi đã nêu đủ Role – Task – Context – Format chưa?
• Tôi đang yêu cầu một việc/giọng duy nhất hay đang trộn nhiều thứ?
• Với bài toán phức tạp lần tới, framework nào hợp: RACE (đa năng), ReAct (suy luận + tra cứu), Tree of Thought (nhiều hướng) hay Self-Ask (chia nhỏ)?
• Tôi đã lưu prompt tốt vào thư viện để đội tái dùng chưa?

⏳ As-of 2025 — giao diện/tính năng có thể đã đổi; kiểm tra bản mới nhất trước khi làm theo.