Ý nghĩa và ví dụ cho từng thành phần.
","table":{"caption":"Khung 6 thành phần của prompt","head":["Thành phần","Câu hỏi cần trả lời","Ví dụ"],"rows":[["Vai trò","AI là ai?","Bạn là chuyên viên phân tích tài chính"],["Nhiệm vụ","Làm gì, để làm gì?","Tóm tắt báo cáo cho giám đốc ra quyết định"],["Bối cảnh","Tình huống ra sao?","Công ty phân phối thiết bị IT, 30 nhân sự"],["Dữ liệu","Xử lý cái gì?","Báo cáo quý dán bên dưới trong thẻ báo cáo"],["Định dạng","Trả về thế nào?","5 gạch đầu dòng, mỗi dòng dưới 25 chữ"],["Ràng buộc","Điều gì bắt buộc, cấm?","Không suy đoán số liệu không có trong báo cáo"]]}}, {"h2":"Mẫu điền sẵn","html":"Vai trò: Bạn là ...Nhiệm vụ: Hãy ... để ...Bối cảnh: ...Dữ liệu: <du_lieu> ... </du_lieu>Định dạng: ...Yêu cầu: Nếu thiếu thông tin, hãy hỏi lại thay vì đoán.
Viết mô tả sản phẩm: Bạn là copywriter thương mại điện tử. Viết mô tả cho ổ cứng SSD để đăng trên website bán lẻ, khách là nhân viên văn phòng không rành kỹ thuật. Thông số: (dán). Định dạng: 1 đoạn mở 40 chữ, 5 lợi ích dạng gạch đầu dòng, 1 câu kêu gọi. Không dùng từ ngữ phóng đại như tốt nhất, số 1.
"}, {"h2":"Thứ tự có quan trọng không","html":"Với tài liệu dài, nhiều nhà phát triển mô hình khuyến nghị đặt dữ liệu lên trước và câu hỏi, chỉ dẫn ở cuối để mô hình tập trung tốt hơn. Với prompt ngắn, thứ tự ít ảnh hưởng; quan trọng nhất là tách rõ đâu là chỉ dẫn, đâu là dữ liệu.
"}, {"h2":"Những thành phần hay bị quên","html":"Hai loại chỉ dẫn có vai trò khác nhau.
","table":{"caption":"System prompt và user prompt","head":["Tiêu chí","System prompt","User prompt"],"rows":[["Ai viết","Doanh nghiệp, nhà phát triển","Người dùng cuối"],["Phạm vi","Toàn bộ cuộc hội thoại","Một lượt yêu cầu"],["Nội dung","Vai trò, quy tắc, kiến thức nền","Câu hỏi, nhiệm vụ cụ thể"],["Người dùng có thấy không","Thường không","Có"],["Thay đổi","Ít, có kiểm soát phiên bản","Liên tục"]]}}, {"h2":"Bạn đã dùng system prompt mà không biết","html":"Phần hướng dẫn tùy chỉnh trong ChatGPT, chỉ dẫn của GPTs, chỉ dẫn dự án trong Claude Projects hay Gems trong Gemini đều hoạt động tương tự system prompt. Khi bạn viết ở đó rằng luôn trả lời bằng tiếng Việt và ngắn gọn, mọi câu trả lời sau đều tuân theo.
"}, {"h2":"Cấu trúc system prompt cho chatbot doanh nghiệp","html":"System prompt không phải nơi an toàn để chứa mật khẩu, khóa API hay dữ liệu khách hàng. Kẻ xấu có thể dùng prompt injection để khiến chatbot tiết lộ hoặc làm trái chỉ dẫn. Kiểm soát quyền và dữ liệu phải nằm ở tầng hệ thống, không chỉ dựa vào lời dặn trong prompt.
"} ],"tip":"Hãy lưu system prompt của chatbot như một tài liệu có phiên bản. Mỗi lần sửa, ghi lại lý do và chạy lại bộ câu hỏi kiểm thử để chắc không làm hỏng điều đang chạy tốt.","faq":[{"q":"Người dùng có xem được system prompt không?","a":"Thường không thấy trực tiếp, nhưng có thể bị khai thác; không đưa thông tin bí mật vào đó."},{"q":"System prompt có giới hạn độ dài không?","a":"Nó chiếm một phần cửa sổ ngữ cảnh; quá dài làm tăng chi phí và có thể giảm hiệu quả."},{"q":"Custom instructions trong ChatGPT có phải system prompt?","a":"Hoạt động tương tự: chỉ dẫn nền áp dụng cho mọi cuộc trò chuyện."},{"q":"Có nên viết system prompt bằng tiếng Anh?","a":"Không bắt buộc; mô hình lớn hiểu tiếng Việt tốt, viết bằng ngôn ngữ đội ngũ dễ bảo trì nhất."}],"sources":[{"t":"Anthropic: Giving Claude a role with a system prompt","u":"https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/system-prompts"},{"t":"OpenAI: Text generation and prompting","u":"https://platform.openai.com/docs/guides/text"}],"related":["prompt-engineering-la-gi","role-prompting-la-gi","prompt-injection-la-gi","chatbot-ai-la-gi","chatgpt-projects-va-gpts","claude-projects-va-artifacts"]}, {"id":1223,"slug":"few-shot-zero-shot-prompting","title":"Few-shot và zero-shot prompting là gì? Khi nào cần đưa ví dụ","meta_desc":"Few-shot và zero-shot prompting là gì? Khác biệt giữa yêu cầu không có ví dụ và có ví dụ mẫu, khi nào nên đưa ví dụ, chọn ví dụ thế nào và ứng dụng cho phân loại, viết nội dung, trích xuất dữ liệu.","excerpt":"Đưa cho AI vài ví dụ mẫu thường hiệu quả hơn nhiều đoạn mô tả dài. Bài viết giải thích zero-shot, one-shot, few-shot prompting và cách chọn ví dụ để AI làm đúng phong cách bạn muốn.","answer":"Zero-shot prompting là giao việc cho AI chỉ bằng mô tả, không kèm ví dụ. Few-shot prompting là đưa thêm vài ví dụ mẫu đầu vào và đầu ra mong muốn để AI bắt chước định dạng, phong cách và cách xử lý. One-shot là trường hợp chỉ có một ví dụ. Zero-shot đủ cho việc phổ biến như tóm tắt, dịch. Few-shot hữu ích khi cần đầu ra nhất quán, theo phong cách riêng, phân loại theo nhãn của doanh nghiệp, hoặc khi mô tả bằng lời khó diễn đạt. Ví dụ nên đa dạng, đúng chất lượng mong muốn và không quá giống nhau.","kws":["few-shot prompting","zero-shot prompting","prompt có ví dụ"],"sections":[ {"h2":"So sánh các cách","html":"Ba mức đưa ví dụ.
","table":{"caption":"Zero-shot, one-shot và few-shot","head":["Cách","Mô tả","Phù hợp"],"rows":[["Zero-shot","Chỉ mô tả nhiệm vụ","Việc phổ biến, yêu cầu đơn giản"],["One-shot","Một ví dụ mẫu","Cần định dạng cụ thể"],["Few-shot","Hai đến khoảng năm ví dụ","Phong cách riêng, phân loại theo nhãn, trích xuất dữ liệu"]]}}, {"h2":"Ví dụ few-shot cho phân loại email","html":"Phân loại email khách hàng vào: Báo giá, Kỹ thuật, Khiếu nại, Khác.
Email cần phân loại: (dán vào đây)
"}, {"h2":"Cách chọn ví dụ tốt","html":"Viết bài đăng mạng xã hội theo giọng thương hiệu, trả lời khách theo mẫu chuẩn, trích xuất thông tin hóa đơn vào bảng, gắn nhãn phản hồi khách hàng, viết mô tả sản phẩm đồng nhất. Few-shot cũng là cách rẻ hơn fine-tuning để AI làm theo phong cách riêng.
"} ],"tip":"Hãy lưu 3 bài viết hay email tốt nhất của công ty làm ví dụ mẫu cố định. Đưa chúng vào prompt mỗi khi cần AI viết theo giọng thương hiệu.","faq":[{"q":"Bao nhiêu ví dụ là đủ?","a":"Thường 3–5 ví dụ là đủ; quan trọng là đa dạng và chất lượng."},{"q":"Few-shot có thay được fine-tuning không?","a":"Với nhiều việc thì đủ và rẻ hơn; fine-tuning cần khi khối lượng lớn hoặc cần hành vi rất ổn định."},{"q":"Mô hình mới còn cần ví dụ không?","a":"Vẫn hữu ích khi cần phong cách hoặc định dạng riêng."},{"q":"Ví dụ có nên là dữ liệu thật?","a":"Nên dựa trên dữ liệu thật nhưng đã ẩn danh thông tin cá nhân."}],"sources":[{"t":"Anthropic: Use examples (multishot prompting)","u":"https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/multishot-prompting"},{"t":"Wikipedia: Prompt engineering","u":"https://en.wikipedia.org/wiki/Prompt_engineering"}],"related":["prompt-engineering-la-gi","cau-truc-prompt","fine-tuning-la-gi","prompt-template-la-gi","structured-output-json-la-gi"]}, {"id":1224,"slug":"chain-of-thought-la-gi","title":"Chain of Thought là gì? Yêu cầu AI suy nghĩ từng bước","meta_desc":"Chain of Thought là gì? Kỹ thuật yêu cầu AI suy luận từng bước trước khi trả lời, khi nào hiệu quả, khác gì mô hình suy luận, cách viết prompt và lưu ý khi dùng cho tính toán, phân tích.","excerpt":"Với bài toán nhiều bước, yêu cầu AI trình bày lập luận trước khi kết luận thường cho kết quả chính xác hơn. Bài viết giải thích kỹ thuật Chain of Thought và cách áp dụng trong công việc.","answer":"Chain of Thought (chuỗi suy luận) là kỹ thuật yêu cầu mô hình AI trình bày các bước lập luận trung gian trước khi đưa ra câu trả lời cuối. Kỹ thuật này giúp cải thiện độ chính xác với bài toán nhiều bước như tính toán, phân tích nguyên nhân, so sánh phương án, kiểm tra điều kiện. Cách đơn giản là thêm câu: hãy suy nghĩ từng bước rồi kết luận. Các mô hình suy luận mới đã tự thực hiện quá trình này bên trong, nên với chúng, việc yêu cầu suy nghĩ từng bước ít cần hơn, nhưng vẫn hữu ích khi bạn muốn xem và kiểm tra lập luận.","kws":["chain of thought là gì","prompt suy nghĩ từng bước","cot prompting"],"sections":[ {"h2":"Vì sao suy nghĩ từng bước giúp chính xác hơn","html":"Mô hình ngôn ngữ tạo câu trả lời từng phần. Khi phải đưa ra kết luận ngay, mô hình dễ nhảy cóc. Khi viết ra các bước trung gian, mỗi bước sau dựa trên bước trước, giúp giảm lỗi với bài toán logic, số học, nhiều điều kiện. Lập luận viết ra cũng giúp người dùng phát hiện chỗ sai.
"}, {"h2":"Khi nào nên dùng","html":"Không phải việc nào cũng cần.
","table":{"caption":"Khi nào dùng Chain of Thought","head":["Loại việc","Có nên dùng","Lý do"],"rows":[["Tính toán nhiều bước","Nên","Giảm lỗi số học, dễ kiểm tra"],["Phân tích nguyên nhân sự cố","Nên","Lập luận rõ ràng"],["So sánh, chọn phương án","Nên","Xem được tiêu chí và trọng số"],["Viết email, dịch","Thường không cần","Tốn thời gian, không cải thiện nhiều"],["Tra cứu khái niệm","Không cần","Câu hỏi đơn giản"]]}}, {"h2":"Cách viết prompt","html":"Các mô hình suy luận (reasoning model) được huấn luyện để tự suy nghĩ trước khi trả lời, thường có chế độ suy nghĩ mở rộng. Với các mô hình này, nên mô tả rõ bài toán và tiêu chí, thay vì quy định quá chi tiết từng bước suy nghĩ. Với mô hình thường hoặc khi cần lập luận minh bạch, Chain of Thought vẫn rất hữu ích.
"}, {"h2":"Lưu ý","html":"Vai trò cụ thể cho kết quả tốt hơn.
","table":{"caption":"So sánh cách viết vai trò","head":["Cách viết","Ví dụ","Hiệu quả"],"rows":[["Chung chung","Bạn là chuyên gia marketing","Thấp"],["Có bối cảnh","Bạn là trưởng marketing của công ty dịch vụ IT B2B tại TP.HCM","Khá"],["Có bối cảnh và người nhận","...viết cho chủ doanh nghiệp 20–50 nhân sự, không rành kỹ thuật","Tốt"],["Có tiêu chuẩn chất lượng","...ưu tiên lợi ích đo được, tránh thuật ngữ","Tốt nhất"]]}}, {"h2":"Ví dụ theo phòng ban","html":"Yêu cầu AI đóng vai người phản biện, nhà đầu tư hoài nghi, khách hàng khó tính hoặc kiểm toán viên giúp bạn phát hiện điểm yếu trong kế hoạch, báo giá, bài thuyết trình. Đây là cách dùng role prompting mang lại giá trị cao.
"}, {"h2":"Giới hạn","html":"Vai trò không làm AI trở thành chuyên gia thật. Với tư vấn pháp lý, thuế, y tế, câu trả lời vẫn có thể sai và cần chuyên gia xác nhận. Không nên dùng vai trò để yêu cầu AI giả danh người thật hoặc tổ chức cụ thể khi giao tiếp với khách hàng.
"} ],"tip":"Hãy thử thêm câu: người đọc là ai và họ sẽ dùng kết quả này để làm gì ngay sau vai trò. Hai thông tin này thường quan trọng hơn danh xưng chuyên gia.","faq":[{"q":"Ghi 20 năm kinh nghiệm có làm AI giỏi hơn không?","a":"Ảnh hưởng chủ yếu đến giọng văn; bối cảnh và tiêu chí cụ thể quan trọng hơn."},{"q":"Đặt vai trò ở system prompt hay user prompt?","a":"Với chatbot cố định nên đặt ở system prompt; khi dùng hằng ngày có thể đặt đầu yêu cầu."},{"q":"Có nên cho AI nhiều vai trò cùng lúc?","a":"Có thể yêu cầu AI đánh giá từ nhiều góc nhìn lần lượt, ví dụ tài chính, kỹ thuật, khách hàng."},{"q":"Role prompting có rủi ro gì?","a":"Tạo cảm giác chuyên môn giả; vẫn cần kiểm tra nội dung quan trọng."}],"sources":[{"t":"Anthropic: Giving Claude a role with a system prompt","u":"https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/system-prompts"},{"t":"Wikipedia: Prompt engineering","u":"https://en.wikipedia.org/wiki/Prompt_engineering"}],"related":["system-prompt-la-gi","cau-truc-prompt","prompt-engineering-la-gi","prompt-cho-ban-hang","loi-thuong-gap-khi-viet-prompt"]}, {"id":1226,"slug":"xml-prompting-la-gi","title":"XML prompting là gì? Dùng thẻ để tách dữ liệu và chỉ dẫn","meta_desc":"XML prompting là gì? Cách dùng thẻ như tai_lieu, yeu_cau, vi_du để tách rõ dữ liệu và chỉ dẫn trong prompt, giảm nhầm lẫn, dễ trích xuất kết quả và hạn chế rủi ro prompt injection.","excerpt":"Khi prompt chứa cả chỉ dẫn, tài liệu dài và ví dụ mẫu, AI dễ nhầm đâu là lệnh, đâu là dữ liệu. Dùng thẻ kiểu XML là cách đơn giản để tổ chức prompt rõ ràng. Bài viết hướng dẫn cách áp dụng.","answer":"XML prompting là cách dùng các thẻ đánh dấu kiểu XML, ví dụ <tai_lieu>...</tai_lieu>, <vi_du>...</vi_du>, để phân tách các phần trong prompt: chỉ dẫn, dữ liệu đầu vào, ví dụ mẫu, định dạng đầu ra. Cách này giúp mô hình hiểu rõ cấu trúc, giảm nhầm lẫn giữa lệnh và dữ liệu, dễ tham chiếu đến từng phần, và giúp hệ thống tự động trích xuất kết quả nằm trong thẻ quy định. Tên thẻ không cần theo chuẩn nào, chỉ cần nhất quán và có ý nghĩa. Kỹ thuật này đặc biệt hữu ích khi xử lý tài liệu dài, email khách hàng hoặc nhiều nguồn cùng lúc.","kws":["xml prompting","thẻ xml trong prompt","prompt có cấu trúc"],"sections":[ {"h2":"Ví dụ prompt dùng thẻ","html":"<hop_dong> (dán nội dung hợp đồng) </hop_dong>
<tieu_chi> Điều khoản thanh toán, phạt vi phạm, chấm dứt hợp đồng </tieu_chi>
Hãy rà soát hợp đồng trong thẻ hop_dong theo các tiêu chí trong thẻ tieu_chi. Ghi phân tích trong thẻ phan_tich và tóm tắt rủi ro trong thẻ ket_luan.
"}, {"h2":"Lợi ích","html":"Gợi ý đặt tên thẻ.
","table":{"caption":"Các thẻ phổ biến trong prompt","head":["Thẻ","Chứa gì","Ghi chú"],"rows":[["tai_lieu","Văn bản cần xử lý","Có thể đánh số nhiều tài liệu"],["vi_du","Ví dụ mẫu","Bọc từng ví dụ riêng"],["yeu_cau","Chỉ dẫn chi tiết","Đặt cuối với tài liệu dài"],["dinh_dang","Mẫu đầu ra","Bảng, JSON, đề mục"],["phan_tich","Phần suy luận của AI","Tách với kết luận"],["ket_qua","Đầu ra cuối","Để phần mềm trích xuất"]]}}, {"h2":"Mẹo sử dụng","html":"Không. Thẻ giúp mô hình phân biệt dữ liệu và lệnh tốt hơn nhưng không chặn hoàn toàn prompt injection. Hệ thống tích hợp AI vẫn cần giới hạn quyền, kiểm tra đầu ra và duyệt các hành động quan trọng.
"} ],"tip":"Khi dán nhiều tài liệu cho AI so sánh, hãy bọc mỗi tài liệu trong thẻ riêng có tên nguồn. AI sẽ trích dẫn đúng tài liệu nào nói gì.","faq":[{"q":"Mọi AI đều hiểu thẻ XML?","a":"Các mô hình lớn đều xử lý tốt; Anthropic khuyến nghị rõ cách này cho Claude."},{"q":"Dùng Markdown thay XML được không?","a":"Được; tiêu đề Markdown cũng giúp tổ chức, thẻ rõ hơn khi cần trích xuất tự động."},{"q":"Tên thẻ tiếng Việt có được không?","a":"Được, nên dùng không dấu và nhất quán."},{"q":"Có làm prompt tốn token hơn?","a":"Tăng không đáng kể so với lợi ích về độ rõ ràng."}],"sources":[{"t":"Anthropic: Use XML tags to structure your prompts","u":"https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/use-xml-tags"},{"t":"Wikipedia: XML","u":"https://en.wikipedia.org/wiki/XML"}],"related":["cau-truc-prompt","prompt-injection-la-gi","structured-output-json-la-gi","prompt-template-la-gi","prompt-engineering-la-gi"]}, {"id":1227,"slug":"structured-output-json-la-gi","title":"Structured output là gì? Yêu cầu AI trả kết quả dạng JSON, bảng","meta_desc":"Structured output là gì? Cách yêu cầu AI trả kết quả có cấu trúc như JSON, bảng, CSV để đưa thẳng vào Excel, CRM hay phần mềm; tính năng JSON schema của API và cách kiểm tra đầu ra.","excerpt":"Khi kết quả AI cần đi tiếp vào Excel, CRM hay quy trình tự động, văn bản tự do là không đủ. Structured output giúp AI trả về dữ liệu theo đúng khuôn mẫu. Bài viết giải thích cách làm.","answer":"Structured output (đầu ra có cấu trúc) là việc yêu cầu mô hình AI trả kết quả theo định dạng xác định như JSON, bảng, CSV với các trường cố định, thay vì văn bản tự do. Trong giao diện chat, bạn mô tả định dạng và đưa mẫu. Khi dùng API, nhiều nhà cung cấp hỗ trợ chế độ JSON hoặc khai báo JSON schema để mô hình trả về đúng cấu trúc. Structured output là nền tảng cho tự động hóa: trích xuất hóa đơn vào bảng, phân loại email kèm nhãn, chấm điểm lead vào CRM. Dù có tính năng hỗ trợ, hệ thống vẫn nên kiểm tra giá trị hợp lệ trước khi ghi dữ liệu.","kws":["structured output là gì","ai trả về json","định dạng đầu ra ai"],"sections":[ {"h2":"Vì sao cần đầu ra có cấu trúc","html":"Chọn theo nơi dùng kết quả.
","table":{"caption":"Định dạng đầu ra và nơi dùng","head":["Định dạng","Ưu điểm","Dùng khi"],"rows":[["Bảng Markdown","Dễ đọc trong chat","Người đọc trực tiếp"],["CSV","Dán vào Excel nhanh","Danh sách nhiều dòng"],["JSON","Máy đọc chính xác, có cấp bậc","Tích hợp phần mềm, API"],["Danh sách có nhãn","Đơn giản","Kết quả ngắn"]]}}, {"h2":"Cách yêu cầu trong giao diện chat","html":"Ví dụ: Trích xuất thông tin từ hóa đơn bên dưới, trả về JSON với các trường: so_hoa_don, ngay, ma_so_thue_ban, tong_tien (số, không dấu phân cách), thue_suat. Nếu không tìm thấy trường nào, ghi null. Chỉ trả JSON, không giải thích.
"}, {"h2":"Structured output qua API","html":"Các API AI lớn hỗ trợ chế độ đầu ra JSON hoặc khai báo schema, giúp mô hình tuân thủ cấu trúc chặt chẽ hơn. Tính năng gọi công cụ (tool use, function calling) cũng là một dạng đầu ra có cấu trúc: mô hình trả về tên hàm và tham số để hệ thống thực thi.
"}, {"h2":"Kiểm tra trước khi ghi dữ liệu","html":"Vai trò: Bạn là nhân viên chăm sóc khách hàng của {ten_cong_ty}.Nhiệm vụ: Trả lời email khách về {chu_de}.Thông tin: {thong_tin_don_hang}Email khách: {noi_dung_email}Yêu cầu: lịch sự, dưới 150 chữ, xưng em gọi anh/chị, không hứa ngoài chính sách.
Phần cố định chứa kinh nghiệm của công ty; phần biến thay đổi theo từng lần dùng.
"}, {"h2":"Lợi ích","html":"So sánh khi có và không có template.
","table":{"caption":"Hiệu quả của prompt template","head":["Khía cạnh","Không có template","Có template"],"rows":[["Chất lượng","Phụ thuộc từng người","Đồng đều"],["Thời gian","Viết lại mỗi lần","Chỉ điền biến"],["Đào tạo người mới","Lâu","Dùng được ngay"],["Tự động hóa","Khó","Phần mềm điền biến"],["Cải tiến","Kinh nghiệm phân tán","Cập nhật một chỗ cho cả đội"]]}}, {"h2":"Template nên có cho từng phòng ban","html":"Nhiều công cụ cho phép lưu template dạng trợ lý tùy chỉnh: GPTs của ChatGPT, Gems của Gemini, Projects của Claude. Khi đó nhân viên chỉ cần mở trợ lý và dán dữ liệu, chỉ dẫn đã có sẵn bên trong.
"} ],"tip":"Hãy bắt đầu với 5 template cho 5 việc lặp lại nhiều nhất của công ty. Sau một tháng đo xem template nào được dùng nhiều và cải tiến chúng trước.","faq":[{"q":"Template có làm nội dung bị rập khuôn không?","a":"Có thể nếu quá cứng; nên để biến cho bối cảnh và yêu cầu sáng tạo khi cần."},{"q":"Ai nên viết template?","a":"Người làm việc đó giỏi nhất phối hợp với người hiểu cách viết prompt."},{"q":"Bao lâu cập nhật một lần?","a":"Khi đổi chính sách, đổi mô hình AI hoặc phát hiện lỗi lặp lại."},{"q":"Template có dùng chung cho nhiều AI được không?","a":"Phần lớn dùng được; nên kiểm tra lại khi chuyển công cụ."}],"sources":[{"t":"Anthropic: Prompt templates and variables","u":"https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/prompt-templates-and-variables"},{"t":"Wikipedia: Prompt engineering","u":"https://en.wikipedia.org/wiki/Prompt_engineering"}],"related":["thu-vien-prompt-noi-bo","cau-truc-prompt","chatgpt-projects-va-gpts","claude-projects-va-artifacts","prompt-engineering-la-gi"]}, {"id":1229,"slug":"prompt-chaining-la-gi","title":"Prompt chaining là gì? Chia việc lớn thành nhiều bước","meta_desc":"Prompt chaining là gì? Kỹ thuật chia nhiệm vụ phức tạp thành chuỗi prompt nối tiếp, đầu ra bước trước là đầu vào bước sau; ví dụ viết báo cáo, xử lý chứng từ và cách áp dụng trong quy trình tự động.","excerpt":"Một prompt khổng lồ yêu cầu AI làm mười việc cùng lúc thường cho kết quả kém. Prompt chaining chia việc thành các bước nhỏ, mỗi bước làm tốt một việc. Bài viết giải thích cách thiết kế chuỗi prompt.","answer":"Prompt chaining là kỹ thuật chia một nhiệm vụ phức tạp thành nhiều bước, mỗi bước là một prompt riêng, đầu ra của bước trước làm đầu vào cho bước sau. Ví dụ viết báo cáo thị trường: bước 1 trích xuất số liệu từ tài liệu, bước 2 phân tích xu hướng, bước 3 viết nháp, bước 4 rà soát và chỉnh sửa. Lợi ích: mỗi bước đơn giản nên chính xác hơn, dễ kiểm tra và sửa lỗi ở từng khâu, có thể dùng mô hình khác nhau cho từng bước để tối ưu chi phí, và dễ đưa vào quy trình tự động hóa như n8n hay Make.","kws":["prompt chaining là gì","chuỗi prompt","chia nhỏ prompt"],"sections":[ {"h2":"Khi nào nên chia bước","html":"Mỗi bước có đầu vào, đầu ra rõ ràng.
","table":{"caption":"Chuỗi prompt xử lý email khách","head":["Bước","Việc","Đầu ra"],"rows":[["1","Phân loại email","Nhãn: báo giá, kỹ thuật, khiếu nại"],["2","Trích xuất thông tin","JSON: tên, sản phẩm, vấn đề, mức khẩn"],["3","Tra cứu kho tri thức","Đoạn chính sách liên quan"],["4","Soạn trả lời","Bản nháp email"],["5","Rà soát","Kiểm tra giọng văn, cam kết, chính tả"]]}}, {"h2":"Prompt chaining và Chain of Thought","html":"Chain of Thought là yêu cầu AI suy luận từng bước trong một lần trả lời. Prompt chaining là chia thành nhiều lần gọi AI riêng biệt. Có thể kết hợp: một bước trong chuỗi dùng Chain of Thought để phân tích kỹ.
"}, {"h2":"Thiết kế chuỗi tốt","html":"Chuỗi prompt cố định là một dạng AI workflow: đường đi được xác định trước. AI agent linh hoạt hơn khi tự quyết định bước tiếp theo. Với đa số quy trình doanh nghiệp, workflow cố định dễ kiểm soát và đáng tin cậy hơn; agent phù hợp với việc khó dự đoán trước.
"} ],"tip":"Nếu một prompt cho kết quả lúc tốt lúc kém, hãy thử tách thành hai bước: phân tích trước, viết sau. Thường chất lượng sẽ ổn định hơn ngay.","faq":[{"q":"Làm prompt chaining thủ công được không?","a":"Được, bằng cách chat nhiều lượt; tự động hóa giúp chạy hàng loạt."},{"q":"Chuỗi dài có tốn nhiều chi phí?","a":"Nhiều lần gọi hơn nhưng mỗi lần ngắn hơn; dùng mô hình rẻ cho bước đơn giản giúp tiết kiệm."},{"q":"Công cụ nào hỗ trợ?","a":"n8n, Make, Zapier và các framework lập trình AI đều hỗ trợ chuỗi bước."},{"q":"Có cần người duyệt giữa các bước?","a":"Nên có ở bước có tác động lớn như gửi khách hoặc ghi dữ liệu."}],"sources":[{"t":"Anthropic: Chain complex prompts for stronger performance","u":"https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/chain-prompts"},{"t":"Anthropic: Building effective agents","u":"https://www.anthropic.com/engineering/building-effective-agents"}],"related":["chain-of-thought-la-gi","ai-workflow-la-gi","agentic-workflow-la-gi","structured-output-json-la-gi","n8n-la-gi"]}, {"id":1230,"slug":"prompt-injection-la-gi","title":"Prompt injection là gì? Rủi ro bảo mật khi tích hợp AI","meta_desc":"Prompt injection là gì? Cách kẻ tấn công chèn lệnh vào dữ liệu để điều khiển AI, ví dụ qua email, website, tài liệu; rủi ro với chatbot và AI agent, biện pháp phòng ngừa cho doanh nghiệp.","excerpt":"Khi AI đọc email, website hay tài liệu từ bên ngoài, nội dung đó có thể chứa lệnh ẩn khiến AI làm điều bạn không muốn. Đây là prompt injection, rủi ro bảo mật hàng đầu của ứng dụng AI. Bài viết giải thích và hướng dẫn phòng ngừa.","answer":"Prompt injection là kiểu tấn công chèn chỉ dẫn độc hại vào nội dung mà AI xử lý, khiến mô hình bỏ qua chỉ dẫn gốc và làm theo lệnh của kẻ tấn công. Có hai dạng: trực tiếp, khi người dùng gõ lệnh để khai thác chatbot; và gián tiếp, khi lệnh ẩn nằm trong email, trang web, tài liệu mà AI đọc. Rủi ro đặc biệt cao với AI agent có quyền gửi email, truy cập dữ liệu, thực hiện thao tác. Hiện chưa có cách chặn tuyệt đối, nên doanh nghiệp cần giới hạn quyền của AI, tách dữ liệu bên ngoài, yêu cầu người duyệt hành động quan trọng và giám sát nhật ký.","kws":["prompt injection là gì","tấn công prompt injection","bảo mật ai"],"sections":[ {"h2":"Ví dụ dễ hiểu","html":"Rủi ro tăng theo quyền hạn của AI.
","table":{"caption":"Rủi ro prompt injection theo ứng dụng","head":["Ứng dụng","Quyền hạn","Mức rủi ro"],"rows":[["Chat hỏi đáp thông thường","Chỉ trả lời","Thấp"],["Chatbot website có kho tri thức","Đọc tài liệu công khai","Trung bình"],["Trợ lý đọc email, tài liệu","Đọc dữ liệu nội bộ","Cao"],["AI agent gửi email, thao tác hệ thống","Đọc và hành động","Rất cao"]]}}, {"h2":"Biện pháp phòng ngừa","html":"Mô hình ngôn ngữ xử lý chỉ dẫn và dữ liệu trên cùng một luồng văn bản, nên không có ranh giới tuyệt đối giữa lệnh và nội dung. Các nhà phát triển mô hình liên tục cải thiện khả năng chống chịu, nhưng tổ chức OWASP vẫn xếp prompt injection là rủi ro hàng đầu với ứng dụng mô hình ngôn ngữ lớn.
"}, {"h2":"Lưu ý với nhân viên","html":"Nhân viên dùng trợ lý AI đọc email, duyệt web nên được nhắc: không để AI tự động thực hiện hành động dựa trên nội dung từ bên ngoài mà không kiểm tra, và báo cáo khi AI có hành vi lạ như đề xuất gửi dữ liệu đến địa chỉ không quen.
"} ],"tip":"Trước khi cấp cho AI agent quyền gửi email hay sửa dữ liệu, hãy tự hỏi: nếu một email lừa đảo điều khiển được agent này thì thiệt hại tối đa là gì? Thiết kế quyền dựa trên câu trả lời đó.","faq":[{"q":"Prompt injection khác jailbreak thế nào?","a":"Jailbreak nhằm vượt qua giới hạn an toàn của mô hình; prompt injection nhằm chiếm quyền điều khiển ứng dụng tích hợp AI. Hai khái niệm có chồng lấn."},{"q":"Chatbot website có bị tấn công không?","a":"Có thể bị khai thác để nói điều sai hoặc lộ cấu hình; giới hạn dữ liệu và quyền để giảm thiệt hại."},{"q":"Có công cụ phát hiện prompt injection không?","a":"Có các bộ lọc và công cụ kiểm thử, giúp giảm rủi ro nhưng không chặn tuyệt đối."},{"q":"Doanh nghiệp nhỏ có cần lo không?","a":"Cần khi dùng AI đọc email, tài liệu bên ngoài hoặc cho AI quyền hành động."}],"sources":[{"t":"OWASP Top 10 for LLM Applications","u":"https://genai.owasp.org/llm-top-10/"},{"t":"Wikipedia: Prompt injection","u":"https://en.wikipedia.org/wiki/Prompt_injection"}],"related":["bao-mat-du-lieu-khi-dung-chatgpt-claude-trong-cong-ty","ai-an-ninh-mang","quan-ly-rui-ro-ai","human-in-the-loop-la-gi","system-prompt-la-gi","xml-prompting-la-gi"]} ]