Hoàn thành bài "Chương 2 – Bài 1: Nguyên tắc viết Prompt hiệu quả" trước để mở khoá bài này.Đến bài trước

Giới thiệu

Framework prompt là các khuôn mẫu cấu trúc giúp bạn viết prompt hiệu quả hơn, giảm thiểu kết quả ngẫu nhiên và tăng khả năng kiểm soát output từ AI. Thay vì viết prompt tự do, bạn áp dụng các mẫu đã được chứng minh qua thực tế: Chain of Thought yêu cầu AI suy luận từng bước, Few-shot cung cấp ví dụ mẫu, XML/JSON Prompt định dạng rõ ràng input/output, và Meta Prompt hướng dẫn AI tự sinh prompt tốt hơn. Bài này tập trung vào cách triển khai 5 framework phổ biến nhất với code minh họa thực tế.

Chain of Thought (CoT) - Suy luận từng bước

Chain of Thought yêu cầu AI giải thích quá trình suy luận trước khi đưa ra kết luận. Framework này đặc biệt hữu ích cho các bài toán logic, toán học, hoặc phân tích phức tạp. Cú pháp cơ bản là thêm câu "Hãy suy nghĩ từng bước" hoặc "Let's think step by step" vào cuối prompt.

python
import openai
prompt_cot = """
Bài toán: Một cửa hàng bán 3 loại sản phẩm A, B, C. Hôm nay bán được 12 sản phẩm A (giá 50k/cái), 8 sản phẩm B (giá 80k/cái), và 5 sản phẩm C (giá 120k/cái). Doanh thu hôm nay là bao nhiêu?
Hãy suy nghĩ từng bước trước khi trả lời.
"""
response = openai.chat.completions.create(
model="gpt-4",
messages=[{"role": "user", "content": prompt_cot}]
)
print(response.choices[0].message.content)

Kết quả AI sẽ trả về dạng "Bước 1: Tính doanh thu A = 12 × 50k = 600k. Bước 2: Tính doanh thu B = 8 × 80k = 640k..." thay vì chỉ đưa ra con số cuối cùng. Kỹ thuật này giảm 30-40% tỷ lệ lỗi logic so với prompt thông thường.

sơ đồ luồng 3 bước của Chain of Thought: nhận câu hỏi, suy luận từng bước, đưa ra kết luận

Few-shot Prompt - Học từ ví dụ mẫu

Few-shot cung cấp 2-5 ví dụ input-output mẫu trước khi đưa ra yêu cầu thực tế. AI sẽ học pattern từ các ví dụ này và áp dụng cho trường hợp mới. Framework này hiệu quả cho các tác vụ classification, transformation, hoặc formatting.

python
prompt_fewshot = """
Phân loại cảm xúc của câu review sản phẩm thành: tích cực, tiêu cực, trung lập.
Ví dụ 1:
Input: "Sản phẩm tốt, giao hàng nhanh, tôi rất hài lòng."
Output: tích cực
Ví dụ 2:
Input: "Chất lượng kém, không đúng mô tả, thất vọng."
Output: tiêu cực
Ví dụ 3:
Input: "Sản phẩm bình thường, không có gì đặc biệt."
Output: trung lập
Bây giờ phân loại câu sau:
Input: "Giao hàng hơi chậm nhưng chất lượng ổn, giá cả hợp lý."
Output:
"""
response = openai.chat.completions.create(
model="gpt-3.5-turbo",
messages=[{"role": "user", "content": prompt_fewshot}]
)
print(response.choices[0].message.content)

Số lượng ví dụ tối ưu thường là 3-5. Quá ít AI chưa nhận ra pattern, quá nhiều tốn token và có thể gây nhiễu. Lưu ý các ví dụ nên đa dạng, bao phủ các trường hợp biên.

XML Prompt - Cấu trúc rõ ràng với thẻ đóng mở

XML Prompt dùng thẻ đóng mở để phân tách rõ ràng các phần của prompt: context, instruction, input, output format. Framework này giúp AI không nhầm lẫn giữa hướng dẫn và dữ liệu thực tế, đặc biệt hữu ích khi làm việc với văn bản dài hoặc nhiều đầu vào.

python
prompt_xml = """
<context>
Bạn là trợ lý phân tích văn bản chuyên nghiệp.
</context>
<instruction>
Trích xuất các thông tin sau từ email khách hàng:
1. Tên khách hàng
2. Vấn đề gặp phải
3. Mức độ ưu tiên (cao/trung bình/thấp)
</instruction>
<input>
Chào anh,
Tôi là Nguyễn Văn A, đã mua gói Premium từ tuần trước. Hiện tại tôi không thể đăng nhập vào hệ thống, thử nhiều lần đều báo lỗi "Invalid credentials". Công việc của tôi đang bị ảnh hưởng nghiêm trọng, mong anh xử lý gấp.
Trân trọng,
Nguyễn Văn A
</input>
<output_format>
{
"customer_name": "...",
"issue": "...",
"priority": "..."
}
</output_format>
"""
response = openai.chat.completions.create(
model="gpt-4",
messages=[{"role": "user", "content": prompt_xml}]
)
print(response.choices[0].message.content)

XML Prompt đặc biệt hiệu quả với các model của Anthropic (Claude) vì chúng được train với cấu trúc này. Với OpenAI bạn vẫn có thể dùng nhưng hiệu quả có thể thấp hơn so với JSON Prompt.

sơ đồ cấu trúc XML Prompt với 4 khối context, instruction, input, output_format được phân tách rõ ràng

JSON Prompt - Định dạng chuẩn cho API

JSON Prompt yêu cầu AI trả về kết quả theo cấu trúc JSON chuẩn, thuận tiện cho việc parse và xử lý tiếp trong code. Framework này kết hợp tốt với tính năng JSON mode của OpenAI (response_format) hoặc function calling.

python
prompt_json = """
Phân tích sản phẩm sau và trả về JSON với các trường: product_name, category, price_range, key_features (array), sentiment (positive/negative/neutral).
Mô tả sản phẩm:
"iPhone 15 Pro Max - Smartphone cao cấp với chip A17 Pro, camera 48MP, pin 4422mAh, giá từ 29 triệu đồng. Màn hình Super Retina XDR 6.7 inch cực đẹp, hiệu năng mạnh mẽ. Tuy nhiên giá hơi cao so với mặt bằng chung."
Chỉ trả về JSON, không thêm text nào khác.
"""
response = openai.chat.completions.create(
model="gpt-4",
messages=[{"role": "user", "content": prompt_json}],
response_format={"type": "json_object"}
)
import json
result = json.loads(response.choices[0].message.content)
print(result["product_name"])
print(result["key_features"])

Khi dùng response_format JSON mode, bạn PHẢI có từ "JSON" trong prompt nếu không API sẽ báo lỗi. Kỹ thuật này đảm bảo output luôn parse được, tránh lỗi khi AI thêm văn bản giải thích xung quanh.

Meta Prompt - AI tự sinh prompt tối ưu

Meta Prompt là prompt yêu cầu AI viết hoặc cải thiện prompt cho một tác vụ khác. Thay vì bạn phải thử nghiệm nhiều biến thể, bạn mô tả tác vụ và yêu cầu AI đề xuất prompt tốt nhất. Framework này hữu ích khi bạn chưa rõ cách viết prompt cho một bài toán mới.

python
meta_prompt = """
Tôi cần viết một prompt để AI phân tích CV xin việc và trích xuất:
- Thông tin cá nhân (tên, email, số điện thoại)
- Kinh nghiệm làm việc (công ty, vị trí, thời gian)
- Kỹ năng chính
- Học vấn
Prompt cần đảm bảo:
1. AI trả về JSON chuẩn để parse
2. Xử lý được cả CV tiếng Việt và tiếng Anh
3. Nhận diện được các format CV khác nhau (văn bản thuần, có bảng, có bullet points)
Hãy viết cho tôi một prompt tối ưu cho tác vụ này. Chỉ trả về nội dung prompt, không giải thích.
"""
response = openai.chat.completions.create(
model="gpt-4",
messages=[{"role": "user", "content": meta_prompt}]
)
generated_prompt = response.choices[0].message.content
print("Prompt được sinh tự động:")
print(generated_prompt)

Meta Prompt đặc biệt mạnh khi kết hợp với few-shot: bạn cung cấp 2-3 ví dụ về prompt tốt, AI sẽ học pattern và sinh prompt mới theo phong cách đó. Kỹ thuật này tiết kiệm thời gian thử nghiệm nhưng vẫn cần review kỹ output trước khi áp dụng vào production.

So sánh và lựa chọn framework phù hợp

Chain of Thought phù hợp với bài toán logic, toán học, phân tích phức tạp cần giải thích. Few-shot dùng khi bạn có sẵn ví dụ mẫu và cần AI học pattern nhanh. XML/JSON Prompt dùng khi cần output có cấu trúc rõ ràng để parse, trong đó JSON ưu tiên cho OpenAI API và XML cho Anthropic Claude. Meta Prompt dùng khi bạn chưa biết viết prompt tốt nhất cho tác vụ mới.

Trong thực tế, bạn thường kết hợp nhiều framework: ví dụ Few-shot + JSON Prompt để vừa cung cấp mẫu vừa đảm bảo output chuẩn, hoặc Chain of Thought + XML Prompt để AI suy luận từng bước trong cấu trúc rõ ràng. Không có framework nào tốt tuyệt đối, hãy thử nghiệm với dữ liệu thực của bạn để tìm ra tổ hợp hiệu quả nhất.

Luyện tập sau buổi học

Bài kiểm tra cuối bài

Ôn lại kiến thức, thử sức và nhận góp ý cho bài làm.

0/1
Đã trả lời · 0/1