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.
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.
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.
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.
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.
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.
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.
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.
Bài kiểm tra cuối bài
Ôn lại kiến thức, thử sức và nhận góp ý cho bài làm.