Tweet
Bạn đã từng viết một prompt, nhận được kết quả chưa đúng ý rồi nghĩ rằng: "Claude trả lời chưa tốt"? Có thể vấn đề không nằm hoàn toàn ở Claude, mà nằm ở chính prompt.
Theo tài liệu Prompt Engineering Best Practices của Anthropic, Prompt Engineering nên được xem là một quá trình thử nghiệm và cải tiến liên tục. Thay vì kỳ vọng prompt đầu tiên đã hoàn hảo, bạn nên quan sát kết quả, xác định điểm chưa phù hợp và điều chỉnh prompt dựa trên những gì mình nhận được.
Prompt Engineering không phải viết một lần rồi xong
Một prompt có thể hoạt động tốt trong trường hợp này nhưng lại chưa phù hợp khi thay đổi dữ liệu đầu vào hoặc yêu cầu đầu ra.
Ví dụ, bạn yêu cầu Claude:
Nếu kết quả quá chung chung, thay vì bỏ prompt đó và viết lại hoàn toàn, bạn có thể xem lại:
Đây chính là tư duy iterate:
Viết → thử nghiệm → đánh giá → điều chỉnh → thử lại. Khi kết quả chưa như mong muốn, nên cải tiến từ đâu?
1. Xem lại yêu cầu
Claude có thực sự hiểu chính xác nhiệm vụ bạn muốn thực hiện hay chưa?
Nếu yêu cầu còn chung chung, hãy làm rõ hơn mục tiêu cần đạt được.
2. Bổ sung context
Nếu Claude thiếu thông tin để hiểu mục đích hoặc hoàn cảnh của nhiệm vụ, hãy cung cấp thêm context phù hợp.
3. Làm rõ output
Nếu câu trả lời đúng nội dung nhưng không đúng cách bạn muốn nhận, hãy chỉ rõ định dạng đầu ra.
4. Cân nhắc thêm ví dụ
Trong những trường hợp cần output theo một format hoặc phong cách nhất quán, có thể sử dụng Few-shot Prompting để cung cấp các ví dụ mẫu.
5. Chỉ thêm kỹ thuật khi cần
Nếu những điều chỉnh cơ bản vẫn chưa giải quyết được vấn đề, lúc đó mới cân nhắc những kỹ thuật phù hợp hơn như Prefill, Prompt Chaining hoặc các phương pháp reasoning.
Cách tiếp cận này phù hợp với khuyến nghị của Anthropic: bắt đầu đơn giản và chỉ bổ sung kỹ thuật khi cần thiết.
Một vòng lặp đơn giản để cải thiện Prompt
Bạn có thể hình dung quá trình này như sau:
Prompt ban đầu
↓
Claude tạo kết quả
↓
Kiểm tra kết quả
↓
Xác định điểm chưa đạt
↓
Điều chỉnh Prompt
↓
Thử lại
Điều quan trọng là không chỉ nhìn vào việc câu trả lời "đúng hay sai", mà cần xác định điểm nào chưa đạt so với mục tiêu ban đầu.
Ví dụ:
Như vậy, mỗi lần thử nghiệm đều cung cấp thêm thông tin để bạn cải thiện prompt tiếp theo.
Iterate cũng là một phần của tư duy khi học CCAR-F
Trong thực tế, việc xây dựng ứng dụng AI không dừng lại ở việc viết một prompt rồi sử dụng mãi mãi. Bạn cần quan sát kết quả và điều chỉnh cách thiết kế để đáp ứng tốt hơn yêu cầu của từng bài toán. Điều này cũng phù hợp với cách tiếp cận được đề cập trong tài liệu CCAR-F: chứng chỉ hướng đến những tình huống thực tế, trong đó người học cần đưa ra lựa chọn về kiến trúc, cấu hình và trade-off khi triển khai các giải pháp Claude.
Vì vậy, học Prompt Engineering không chỉ là ghi nhớ các kỹ thuật, mà còn là rèn luyện khả năng quan sát kết quả, xác định vấn đề và lựa chọn cách cải thiện phù hợp.
Kết luận
Prompt tốt không nhất thiết phải xuất hiện ngay từ lần đầu tiên. Quan trọng hơn là biết cách thử nghiệm, đánh giá và cải tiến để prompt ngày càng phù hợp với mục tiêu.
Nếu đang tìm hiểu Claude Certified Architect – Foundations (CCAR-F), đây là một tư duy quan trọng để bắt đầu làm quen với cách xây dựng và tối ưu các giải pháp sử dụng Claude.
Tại VnPro, khóa đào tạo và luyện thi chứng chỉ CCAR-F giúp học viên tiếp cận kiến thức theo lộ trình từ nền tảng đến thực hành. Liên hệ ngay Vnpro để biết thêm thông tin nhé!!
Tài liệu tham khảo:Prompt Engineering Best Practices
Theo tài liệu Prompt Engineering Best Practices của Anthropic, Prompt Engineering nên được xem là một quá trình thử nghiệm và cải tiến liên tục. Thay vì kỳ vọng prompt đầu tiên đã hoàn hảo, bạn nên quan sát kết quả, xác định điểm chưa phù hợp và điều chỉnh prompt dựa trên những gì mình nhận được.
Prompt Engineering không phải viết một lần rồi xong
Một prompt có thể hoạt động tốt trong trường hợp này nhưng lại chưa phù hợp khi thay đổi dữ liệu đầu vào hoặc yêu cầu đầu ra.
Ví dụ, bạn yêu cầu Claude:
Tóm tắt nội dung sau thành 5 ý chính.
Nếu kết quả quá chung chung, thay vì bỏ prompt đó và viết lại hoàn toàn, bạn có thể xem lại:
- Claude đã hiểu đúng nhiệm vụ chưa?
- Context đã đủ chưa?
- Yêu cầu có đủ cụ thể không?
- Format đầu ra đã được xác định rõ chưa?
- Có cần cung cấp ví dụ để định hướng kết quả không?
Đây chính là tư duy iterate:
Viết → thử nghiệm → đánh giá → điều chỉnh → thử lại. Khi kết quả chưa như mong muốn, nên cải tiến từ đâu?
1. Xem lại yêu cầu
Claude có thực sự hiểu chính xác nhiệm vụ bạn muốn thực hiện hay chưa?
Nếu yêu cầu còn chung chung, hãy làm rõ hơn mục tiêu cần đạt được.
2. Bổ sung context
Nếu Claude thiếu thông tin để hiểu mục đích hoặc hoàn cảnh của nhiệm vụ, hãy cung cấp thêm context phù hợp.
3. Làm rõ output
Nếu câu trả lời đúng nội dung nhưng không đúng cách bạn muốn nhận, hãy chỉ rõ định dạng đầu ra.
4. Cân nhắc thêm ví dụ
Trong những trường hợp cần output theo một format hoặc phong cách nhất quán, có thể sử dụng Few-shot Prompting để cung cấp các ví dụ mẫu.
5. Chỉ thêm kỹ thuật khi cần
Nếu những điều chỉnh cơ bản vẫn chưa giải quyết được vấn đề, lúc đó mới cân nhắc những kỹ thuật phù hợp hơn như Prefill, Prompt Chaining hoặc các phương pháp reasoning.
Cách tiếp cận này phù hợp với khuyến nghị của Anthropic: bắt đầu đơn giản và chỉ bổ sung kỹ thuật khi cần thiết.
Một vòng lặp đơn giản để cải thiện Prompt
Bạn có thể hình dung quá trình này như sau:
Prompt ban đầu
↓
Claude tạo kết quả
↓
Kiểm tra kết quả
↓
Xác định điểm chưa đạt
↓
Điều chỉnh Prompt
↓
Thử lại
Điều quan trọng là không chỉ nhìn vào việc câu trả lời "đúng hay sai", mà cần xác định điểm nào chưa đạt so với mục tiêu ban đầu.
Ví dụ:
- Nội dung đúng nhưng quá dài → điều chỉnh yêu cầu về độ dài.
- Nội dung đúng nhưng thiếu thông tin → bổ sung context.
- Nội dung đúng nhưng sai format → chỉ rõ output format.
- Kết quả không nhất quán → cân nhắc cung cấp examples.
Như vậy, mỗi lần thử nghiệm đều cung cấp thêm thông tin để bạn cải thiện prompt tiếp theo.
Iterate cũng là một phần của tư duy khi học CCAR-F
Trong thực tế, việc xây dựng ứng dụng AI không dừng lại ở việc viết một prompt rồi sử dụng mãi mãi. Bạn cần quan sát kết quả và điều chỉnh cách thiết kế để đáp ứng tốt hơn yêu cầu của từng bài toán. Điều này cũng phù hợp với cách tiếp cận được đề cập trong tài liệu CCAR-F: chứng chỉ hướng đến những tình huống thực tế, trong đó người học cần đưa ra lựa chọn về kiến trúc, cấu hình và trade-off khi triển khai các giải pháp Claude.
Vì vậy, học Prompt Engineering không chỉ là ghi nhớ các kỹ thuật, mà còn là rèn luyện khả năng quan sát kết quả, xác định vấn đề và lựa chọn cách cải thiện phù hợp.
Kết luận
Prompt tốt không nhất thiết phải xuất hiện ngay từ lần đầu tiên. Quan trọng hơn là biết cách thử nghiệm, đánh giá và cải tiến để prompt ngày càng phù hợp với mục tiêu.
Nếu đang tìm hiểu Claude Certified Architect – Foundations (CCAR-F), đây là một tư duy quan trọng để bắt đầu làm quen với cách xây dựng và tối ưu các giải pháp sử dụng Claude.
Tại VnPro, khóa đào tạo và luyện thi chứng chỉ CCAR-F giúp học viên tiếp cận kiến thức theo lộ trình từ nền tảng đến thực hành. Liên hệ ngay Vnpro để biết thêm thông tin nhé!!
Tài liệu tham khảo:Prompt Engineering Best Practices