6 Kỹ Thuật Prompt Engineering Nâng Cao Để AI Cho Kết Quả Ấn Tượng

Chain-of-Thought (CoT) là kỹ thuật yêu cầu AI trình bày quá trình suy luận thay vì đưa ra câu trả lời trực tiếp. Khi AI 'nghĩ to', nó ít mắc lỗi logic hơn và đưa ra kết quả chính xác hơn — đặc biệt với bài toán phân tích, tính toán, hay ra quyết định phức tạp.

Cách áp dụng: Thêm vào cuối prompt một trong các cụm sau: 'Hãy suy nghĩ từng bước trước khi trả lời.', 'Phân tích từng khía cạnh rồi mới kết luận.', hoặc 'Trước tiên liệt kê những gì bạn cần xem xét, sau đó đưa ra đánh giá cuối.' Ví dụ thực tế: 'Tôi đang cân nhắc mở thêm cửa hàng thứ hai. Hãy phân tích từng bước: yếu tố cần xem xét, rủi ro chính, dấu hiệu thời điểm phù hợp — rồi đưa ra đánh giá cuối.'

Thay vì giải thích bạn muốn AI làm gì, hãy cho AI thấy 2–3 ví dụ về input và output mong muốn. AI học từ pattern của ví dụ và áp dụng cho task mới — chính xác hơn nhiều so với mô tả bằng lời.

Cách áp dụng: Cấu trúc prompt: [Ví dụ 1 input] → [Ví dụ 1 output]. [Ví dụ 2 input] → [Ví dụ 2 output]. Bây giờ hãy làm: [Input mới của bạn]. Ví dụ thực tế cho viết caption: 'Sản phẩm: Kem chống nắng SPF50 → Caption: Bảo vệ da cả ngày không lo lem kem. Nhẹ như không có gì. Sản phẩm: Serum vitamin C → Caption: Tông đều, sáng da sau 2 tuần — không cần filter. Bây giờ hãy viết: Sản phẩm: Tẩy trang dạng dầu.' AI sẽ học được style và tone từ 2 ví dụ trên.

Kết hợp vai trò chuyên môn với các ràng buộc cụ thể tạo ra framework mà AI hoạt động trong đó — cho kết quả tập trung và nhất quán hơn nhiều so với chỉ dùng một trong hai.

Cách áp dụng: [Vai trò] + [Ràng buộc về nội dung] + [Ràng buộc về format] + [Ràng buộc về giọng điệu]. Ví dụ: 'Đóng vai copywriter 10 năm kinh nghiệm viết quảng cáo cho thị trường Việt Nam [vai trò]. Viết headline cho sản phẩm X, KHÔNG dùng từ 'chất lượng', 'uy tín', 'hàng đầu' vì quá chung chung [ràng buộc nội dung]. 5 phiên bản, mỗi bản dưới 10 từ [format]. Giọng tự nhiên như người nói chuyện thật, không như quảng cáo [giọng điệu].'

Thay vì kỳ vọng prompt đầu tiên cho ra kết quả hoàn hảo, xem mỗi lượt là một vòng lặp tinh chỉnh. Cách tiếp cận này tiết kiệm thời gian hơn so với viết lại prompt từ đầu mỗi lần.

Quy trình 3 bước: Bước 1 — Gửi prompt khung cơ bản, nhận output đầu tiên. Bước 2 — Đánh giá: điều gì đúng (giữ nguyên), điều gì sai (cần sửa), điều gì thiếu (cần thêm). Bước 3 — Phản hồi cụ thể theo 3 chiều đó. Ví dụ phản hồi tốt: 'Đoạn mở đầu rất tốt — giữ nguyên. Phần giải pháp quá ngắn — mở rộng thêm 2 ý. Thiếu ví dụ thực tế — thêm 1 case study cụ thể. Bỏ phần kết luận — kết thúc bằng CTA trực tiếp hơn.'

Tree-of-Thought (ToT) là phiên bản nâng cao của Chain-of-Thought: thay vì đi theo một đường suy luận, AI được yêu cầu khám phá nhiều hướng khác nhau rồi so sánh để tìm ra hướng tốt nhất.

Cách áp dụng: 'Với vấn đề [mô tả], hãy đề xuất 3 hướng tiếp cận khác nhau. Với mỗi hướng: (1) mô tả cách làm, (2) ưu điểm chính, (3) rủi ro chính, (4) phù hợp nhất với bối cảnh nào. Sau khi đã liệt kê 3 hướng, đánh giá và đề xuất hướng nào phù hợp nhất với bối cảnh của tôi: [mô tả ngữ cảnh cụ thể].' Kỹ thuật này đặc biệt hữu ích cho quyết định chiến lược, giải quyết vấn đề phức tạp và brainstorm có cấu trúc.

Meta-prompting là kỹ thuật dùng AI để tối ưu chính prompt của bạn. Thay vì tự mình cố gắng viết prompt hoàn hảo, bạn mô tả mục tiêu và nhờ AI đề xuất prompt tốt nhất để đạt được mục tiêu đó.

Cách áp dụng: 'Tôi muốn dùng AI để [mô tả mục tiêu]. Đối tượng là [mô tả]. Tôi đang dùng prompt này: [dán prompt hiện tại]. Hãy đánh giá điểm yếu của prompt này và viết lại phiên bản tốt hơn — giải thích tại sao mỗi thay đổi sẽ cho kết quả tốt hơn.' Đây là kỹ thuật mà nhiều prompt engineer dùng khi họ bí — để AI tự cải thiện prompt của chính nó.

Bonus: Sau khi AI viết prompt mới, hãy dùng chính prompt đó ngay lập tức và so sánh với kết quả từ prompt cũ. Hầu hết trường hợp, phiên bản AI đề xuất cho output tốt hơn đáng kể.

Ví dụ workflow viết bài blog chuyên sâu áp dụng cả 6 kỹ thuật: (1) Few-Shot — cho AI xem 2 bài viết theo style bạn muốn. (2) Role + Constraint — gán vai chuyên gia và giới hạn rõ format/từ ngữ cấm. (3) Tree-of-Thought — brainstorm 3 angle khác nhau cho bài. (4) Chain-of-Thought — với section phân tích phức tạp, yêu cầu AI suy nghĩ từng bước. (5) Iterative Refinement — tinh chỉnh từng section sau khi đọc. (6) Meta-Prompting — nếu prompt nào không ra kết quả tốt, nhờ AI cải thiện prompt đó.

Không cần dùng cả 6 kỹ thuật cho mọi task. Chọn kỹ thuật phù hợp với độ phức tạp: task đơn giản chỉ cần Role + Constraint; task phức tạp mới cần Chain-of-Thought hay Tree-of-Thought. Xem thêm hướng dẫn nền tảng tại /bai-viet/prompt-engineering-cho-nguoi-viet-huong-dan-toan-dien và bộ 1000 prompt đã được viết theo các kỹ thuật này tại www.1000promptchuyengia.shop.

Kỹ thuật nào nên học trước? Few-Shot và Chain-of-Thought vì dễ áp dụng ngay và cho thấy kết quả rõ nhất. Tree-of-Thought và Meta-Prompting học sau khi đã thành thạo cơ bản.

Các kỹ thuật này có dùng được với Gemini và Claude không? Có, tất cả đều hoạt động với ChatGPT, Claude và Gemini. Claude đặc biệt tốt với Chain-of-Thought và Iterative Refinement. Gemini tốt với Few-Shot khi kết hợp thông tin web.

Mất bao lâu để thành thạo? Few-Shot và Chain-of-Thought: 1–2 ngày thực hành là thấy kết quả. Tree-of-Thought và Meta-Prompting: 1–2 tuần để dùng tự nhiên. Tất cả 6 kỹ thuật: khoảng 1 tháng thực hành đều đặn.