Một câu lệnh (prompt) tốt cho mục đích tra cứu cần nói rõ năm thứ: bạn là ai và cần thông tin để làm gì, phạm vi chủ đề, nhiệm vụ cụ thể, ràng buộc về nguồn và mức chắc chắn, và định dạng kết quả. Câu lệnh mơ hồ khiến mô hình tự lấp khoảng trống bằng giả định của nó — và giả định chính là nơi sai lệch chui vào.
Viết câu lệnh không phải là học thuộc "câu thần chú". Các mẹo kiểu thêm cụm từ đặc biệt có tác dụng thay đổi theo mô hình và phiên bản. Thứ bền vững là nguyên tắc truyền đạt: mô hình chỉ biết những gì nằm trong ngữ cảnh, nên bạn đưa vào ngữ cảnh đúng những gì một chuyên viên giỏi cần biết để làm việc đó cho bạn.
Cấu trúc năm phần của một câu lệnh tra cứu
Không phải câu hỏi nào cũng cần đủ năm phần, nhưng thiếu phần nào thì mô hình sẽ đoán phần đó. Bảng dưới nêu chức năng và ví dụ cho từng phần:
| Phần | Chức năng | Ví dụ ngắn |
|---|---|---|
| Người hỏi và mục đích | Quyết định độ sâu, thuật ngữ, góc nhìn | "Người đọc là trưởng phòng mua hàng, cần chuẩn bị họp với nhà cung cấp" |
| Phạm vi | Giới hạn thời gian, địa lý, lĩnh vực | "Chỉ xét doanh nghiệp vừa và nhỏ tại Việt Nam, giai đoạn gần đây" |
| Nhiệm vụ | Động từ rõ: liệt kê, so sánh, giải thích, phản biện | "So sánh ba mô hình định giá theo năm tiêu chí" |
| Ràng buộc | Nguồn, mức chắc chắn, điều cần tránh | "Đánh dấu chỗ không chắc; không đưa số liệu nếu không nêu được nguồn" |
| Định dạng | Hình thức đầu ra dễ kiểm và dễ dùng | "Bảng ba cột; sau bảng là danh sách điều cần kiểm thêm" |
Lưu ý cột ví dụ của dòng đầu: mô tả người đọc bằng ngôi thứ ba hoặc vai trò thường rõ hơn câu chung chung "giải thích đơn giản". Mô hình chỉnh độ sâu theo người đọc mà bạn mô tả, nên mô tả "giảng viên kinh tế" sẽ cho câu trả lời khác hẳn "học sinh lớp mười".
Phần ràng buộc là phần người dùng hay bỏ nhất, trong khi nó tác động trực tiếp tới tỷ lệ bịa.
Vì sao bối cảnh quan trọng hơn câu chữ "hay"
Hãy hình dung bạn giao việc cho một chuyên viên mới rất giỏi nhưng không biết gì về công ty bạn. Câu "tìm hiểu về chính sách giá" sẽ nhận về một bài giảng chung. Câu "công ty phân phối thiết bị y tế, đang bị một đối thủ giảm giá mạnh ở phân khúc bệnh viện tư, cần ba phương án phản ứng và rủi ro của từng phương án" nhận về thứ dùng được. Mô hình ngôn ngữ ở vị trí của chuyên viên đó, cộng thêm việc nó không bao giờ hỏi lại trừ khi bạn yêu cầu.
Vì vậy một kỹ thuật đơn giản mà hiệu quả là yêu cầu mô hình hỏi lại trước khi trả lời: "Trước khi trả lời, hãy liệt kê tối đa năm câu hỏi làm rõ mà bạn cần biết." Bạn trả lời các câu đó, rồi mới để nó làm. Bước này thường lộ ra giả định bạn chưa nghĩ tới.
Bối cảnh cũng bao gồm tài liệu. Nếu bạn có văn bản gốc, hợp đồng, báo cáo, hãy đưa vào và yêu cầu trả lời dựa trên đó. Câu lệnh tốt nhất không thay được tài liệu đúng trong ngữ cảnh: mô hình trả lời từ trang bạn đưa đáng tin hơn nhiều so với trả lời từ trí nhớ nén của nó.
Mẫu câu lệnh cho các tình huống tra cứu điển hình
Các mẫu sau có thể chép rồi thay phần trong ngoặc vuông. Chúng được viết để vừa lấy được thông tin vừa làm lộ chỗ cần kiểm:
- Hiểu nhanh một lĩnh vực: "Giải thích [chủ đề] cho [vai trò người đọc]. Gồm: định nghĩa, cơ chế chính, ba tranh luận còn mở, và năm thuật ngữ tiếng Anh tương ứng để tra tiếp. Không nêu số liệu."
- Lập bản đồ nguồn: "Để tìm hiểu [vấn đề] tại Việt Nam, những loại nguồn gốc nào cần tra (văn bản pháp luật, số liệu thống kê, báo cáo ngành)? Với mỗi loại, cho biết thông tin nào tìm được ở đó và cần chú ý gì. Không bịa tên tài liệu cụ thể; nếu nêu tên thì ghi rõ cần kiểm lại."
- Trả lời từ tài liệu: "Chỉ dựa vào tài liệu đính kèm, trả lời [câu hỏi]. Với mỗi ý, trích nguyên văn câu làm căn cứ. Nếu tài liệu không đề cập, viết: không có trong tài liệu."
- So sánh có tiêu chí: "So sánh [A] và [B] theo các tiêu chí [liệt kê]. Trình bày bảng. Sau bảng, nêu tiêu chí nào phụ thuộc vào bối cảnh cụ thể của người dùng."
- Phản biện: "Đây là lập luận của [người/nhóm]: [dán]. Liệt kê các giả định ngầm, bằng chứng còn thiếu, và phản biện mạnh nhất từ phía đối lập."
Điểm chung của các mẫu: chúng yêu cầu mô hình tách dữ kiện khỏi diễn giải, cho phép "không biết", và tạo ra danh sách kiểm tra cho bạn thay vì một câu trả lời đóng gói.
Hỏi trung lập: tránh dẫn dắt mô hình
Mô hình ngôn ngữ nhạy với cách đặt câu hỏi. Câu "Vì sao phương pháp X hiệu quả?" giả định X hiệu quả và kéo mô hình liệt kê lý do ủng hộ. Câu "Bằng chứng về hiệu quả của X đang ở mức nào, có nghiên cứu nào cho kết quả trái chiều không?" mở ra cả hai phía. Khác biệt này lớn hơn người dùng thường nghĩ, vì mô hình được huấn luyện để hữu ích và dễ đồng tình với người hỏi.
Ba thói quen giúp hỏi trung lập. Một, bỏ tiền đề khỏi câu hỏi và hỏi riêng tiền đề trước. Hai, giấu quan điểm của mình khi cần đánh giá khách quan: đừng mở đầu bằng nhận định riêng hay mong muốn của cấp trên. Ba, yêu cầu cả hai phía một cách tường minh: "nêu lập luận mạnh nhất ủng hộ và phản đối".
Khi bạn đã có kết luận và muốn kiểm tra nó, hãy đảo vai: "Đóng vai người phản biện khó tính. Tìm ba điểm yếu nhất trong kết luận sau." Mô hình làm vai phản biện tốt hơn hẳn khi được giao vai rõ ràng, thay vì được hỏi "kết luận này có đúng không" — câu hỏi mà nó có xu hướng trả lời "có, và…".
Các kỹ thuật có cơ sở nghiên cứu
Ví dụ mẫu trong câu lệnh (few-shot). Công trình về GPT-3 (Brown và cộng sự, 2020) cho thấy đưa vài ví dụ đầu vào – đầu ra trong câu lệnh giúp mô hình làm tác vụ mới mà không cần huấn luyện lại. Với tra cứu, ví dụ mẫu hữu ích nhất khi bạn cần một định dạng trích xuất cố định, như rút thông tin từ nhiều hợp đồng vào cùng một khuôn.
Yêu cầu suy luận từng bước (chain-of-thought). Wei và cộng sự (2022) chỉ ra rằng yêu cầu mô hình trình bày các bước trung gian cải thiện kết quả ở bài toán nhiều bước. Nhiều mô hình mới đã tích hợp sẵn chế độ suy luận, nên câu lệnh "suy nghĩ từng bước" ít tác dụng hơn trước, nhưng việc yêu cầu trình bày các bước vẫn giúp bạn kiểm được chỗ sai.
Chia nhỏ nhiệm vụ. Một câu lệnh đòi mười việc cùng lúc thường bị làm hời hợt từng việc. Chia thành chuỗi: trước tiên liệt kê, sau đó phân tích từng mục, cuối cùng tổng hợp. Mỗi bước bạn kiểm được kết quả trung gian.
Đặt chỉ dẫn quan trọng ở đầu hoặc cuối. Với ngữ cảnh dài, các nghiên cứu về cách mô hình dùng ngữ cảnh cho thấy thông tin ở giữa dễ bị bỏ qua hơn. Ràng buộc quan trọng nhất nên nằm ở đầu câu lệnh và được nhắc lại ngắn ở cuối.
Tra cứu nhiều vòng: từ câu hỏi rộng tới nguồn gốc
Câu lệnh đơn lẻ dù tốt cũng hiếm khi đưa bạn tới đích. Tra cứu nghiêm túc với AI nên đi theo vòng, mỗi vòng thu hẹp phạm vi và tăng mức kiểm chứng. Ví dụ một chuyên viên pháp chế cần tìm hiểu nghĩa vụ của doanh nghiệp khi xử lý dữ liệu khách hàng:
- Vòng định hướng: hỏi AI các khái niệm chính, các nhóm nghĩa vụ thường gặp, thuật ngữ tương ứng trong văn bản tiếng Việt và tiếng Anh. Mục tiêu là bản đồ chủ đề, không phải kết luận.
- Vòng xác định nguồn: hỏi loại văn bản nào điều chỉnh vấn đề, cơ quan nào ban hành hướng dẫn. Ghi lại các tên được nêu như danh sách cần kiểm, không coi là đúng.
- Vòng tra gốc: tự tra các văn bản trên cổng chính thức, kiểm hiệu lực, tải bản gốc.
- Vòng đọc cùng AI: đưa văn bản gốc vào ngữ cảnh, yêu cầu tóm tắt các nghĩa vụ kèm trích điều khoản, hỏi các câu áp dụng cho tình huống của doanh nghiệp.
- Vòng phản biện: yêu cầu AI tìm các trường hợp ngoại lệ, điểm mơ hồ cần hỏi chuyên gia, rồi mang danh sách đó đi hỏi người có chuyên môn.
Cấu trúc này đảo vị trí của AI: từ nơi cung cấp đáp án sang trợ lý đọc và tổ chức thông tin quanh nguồn gốc. Thời gian tiết kiệm vẫn lớn, còn rủi ro bịa bị đẩy về những vòng mà lỗi dễ lộ.
Lỗi câu lệnh thường gặp và cách sửa
Phần lớn câu trả lời kém đến từ một vài lỗi lặp lại. Đối chiếu câu lệnh của bạn với bảng sau trước khi gửi:
| Lỗi | Hậu quả | Sửa thành |
|---|---|---|
| Câu hỏi một dòng, không bối cảnh | Câu trả lời chung chung, sai đối tượng | Thêm người đọc, mục đích, phạm vi |
| Câu hỏi chứa tiền đề sai | Mô hình xây câu trả lời trên tiền đề | Hỏi riêng tiền đề trước |
| Đòi số liệu, trích dẫn từ trí nhớ | Tăng mạnh nguy cơ bịa | Đưa nguồn vào, hoặc yêu cầu chỉ ra nơi tra |
| Không cho phép "không biết" | Mô hình luôn có đáp án, kể cả khi không có căn cứ | Ghi rõ được phép trả lời không có thông tin |
| Gộp nhiều nhiệm vụ | Từng phần hời hợt, khó kiểm | Chia chuỗi bước, kiểm từng bước |
| Không nêu định dạng | Văn bản dài khó dùng, khó đối chiếu | Chỉ định bảng, danh sách, độ dài |
Một thói quen tốt là lưu các câu lệnh hiệu quả thành thư viện mẫu của nhóm, kèm ghi chú về mô hình và trường hợp dùng. Câu lệnh tốt là tài sản tri thức như một quy trình nội bộ, và cần được xem lại khi đổi công cụ.
Câu hỏi thường gặp
Viết câu lệnh bằng tiếng Anh có cho kết quả tốt hơn không?
Với khái niệm quốc tế và tài liệu học thuật, tiếng Anh đôi khi cho câu trả lời đầy đủ hơn vì dữ liệu huấn luyện nhiều hơn. Với chủ đề Việt Nam, câu lệnh tiếng Việt kèm thuật ngữ chính xác thường phù hợp hơn. Cách tốt là hỏi bằng ngôn ngữ của chủ đề và yêu cầu kèm thuật ngữ tiếng Anh tương ứng để tra cứu thêm.
Có nên gán vai chuyên gia cho AI không?
Gán vai giúp mô hình chọn thuật ngữ và độ sâu phù hợp, nhưng không làm nó biết thêm dữ kiện. Một số nghiên cứu cho thấy hiệu quả của việc gán vai với độ chính xác dữ kiện là không ổn định. Mô tả người đọc và nhiệm vụ cụ thể thường hữu ích hơn câu "bạn là chuyên gia hàng đầu".
Câu lệnh dài có tốt hơn câu lệnh ngắn không?
Dài vì có bối cảnh cần thiết thì tốt; dài vì lặp ý hoặc chứa yêu cầu mâu thuẫn thì hại. Thước đo là: mỗi câu trong câu lệnh có thay đổi kết quả theo hướng bạn muốn không. Câu nào bỏ đi mà kết quả không đổi thì nên bỏ để ràng buộc quan trọng nổi bật hơn.
Làm sao để AI ít bịa nguồn khi tra cứu?
Không xin nguồn từ trí nhớ của nó. Hoặc dùng chế độ có tìm kiếm và mở từng nguồn để kiểm, hoặc yêu cầu nó mô tả loại nguồn cần tra và từ khoá tìm kiếm, rồi tự tra. Nếu vẫn muốn nó nêu tài liệu, ghi rõ yêu cầu đánh dấu mục không chắc chắn và tự kiểm toàn bộ danh sách.
Câu lệnh hiệu quả với mô hình này có dùng được cho mô hình khác không?
Nguyên tắc cấu trúc như bối cảnh, ràng buộc, định dạng thì chuyển được. Các mẹo diễn đạt cụ thể thì có thể mất tác dụng hoặc phản tác dụng ở mô hình khác. Khi đổi công cụ, hãy chạy thử thư viện câu lệnh mẫu trên vài tình huống đã biết đáp án để hiệu chỉnh lại.