Prompt engineering là tập hợp phương pháp viết và tổ chức chỉ dẫn cho mô hình AI để nhận kết quả đúng ý ngay từ đầu. Theo tài liệu Anthropic, đây là cách viết và sắp xếp chỉ dẫn cho LLM nhằm đạt kết quả tối ưu. Kỹ thuật viết prompt chia thành nhóm cơ bản và nhóm nâng cao.
Cùng một câu hỏi, hai người gõ vào ChatGPT lại nhận về hai chất lượng khác nhau. Khác biệt nằm ở cách đặt câu lệnh. Bài viết này giải thích prompt engineering là gì, các kỹ thuật viết prompt từ cơ bản đến nâng cao có nguồn nghiên cứu rõ ràng và cách doanh nghiệp chuẩn hóa việc dùng AI trong công việc hàng ngày.
Prompt engineering là cách viết và tổ chức chỉ dẫn cho mô hình AI, giúp người dùng nhận kết quả đúng nhu cầu mà không cần huấn luyện lại mô hình.
Ba nhà cung cấp mô hình lớn định nghĩa khái niệm này theo cách gần nhau nhưng nhấn mạnh khía cạnh khác nhau.
| Nguồn | Cách định nghĩa |
|---|---|
| Anthropic (docs.anthropic.com) | Các phương pháp viết và tổ chức chỉ dẫn cho LLM để đạt kết quả tối ưu |
| Google (Gemini API) | Quá trình tạo ra các yêu cầu bằng ngôn ngữ tự nhiên nhằm gợi ra phản hồi chính xác, chất lượng cao |
| Google Cloud (Vertex AI) | Quá trình kiểm thử và lặp lại có hệ thống để nâng hiệu năng mô hình |
Điểm chung của cả ba: viết prompt là việc làm đi làm lại có phương pháp, không phải mẹo bấm một lần ăn ngay.
Mốc khởi đầu là tháng 5/2020, khi nhóm tác giả Tom B. Brown của OpenAI công bố bài "Language Models are Few-Shot Learners" giới thiệu GPT-3 và khái niệm in-context learning. Mô hình học được nhiệm vụ chỉ từ vài ví dụ đặt trong đầu vào, không cần huấn luyện lại.
Tháng 2/2021, Laria Reynolds và Kyle McDonell đề xuất coi việc thiết kế prompt là một dạng lập trình trong bài "Prompt Programming for Large Language Models". Đến tháng 7/2021, bài khảo sát của Pengfei Liu và cộng sự đặt tên cho sự chuyển dịch từ "pre-train, fine-tune" sang "pre-train, prompt, predict". Thuật ngữ đi vào đời sống đại chúng từ 2022 đến 2023 cùng ChatGPT.
Kỹ thuật viết prompt tốt giúp doanh nghiệp giảm số lần sửa lại kết quả AI, rút ngắn thời gian xử lý và giữ chất lượng đầu ra ổn định giữa các nhân sự.
Vấn đề thực tế trong nhiều phòng marketing hiện nay không phải là thiếu công cụ AI. Vấn đề là mỗi người gõ một kiểu, kết quả lệch nhau, trưởng phòng phải sửa lại từ đầu. Chi phí ẩn nằm ở thời gian biên tập chứ không nằm ở phí thuê bao.
Một prompt viết chuẩn tạo ra đầu ra có thể dự đoán được. Nhân sự mới dùng lại prompt của người cũ và cho kết quả tương đương. Đó là lý do prompt nên được lưu thành tài sản chung của phòng ban, giống như template báo cáo hay checklist quy trình.
Một prompt tốt gồm năm phần: vai trò, nhiệm vụ, ngữ cảnh, ví dụ mẫu và định dạng đầu ra. Ba nhà cung cấp lớn đều thống nhất khung này.
| Thành phần | OpenAI | Anthropic | |
|---|---|---|---|
| Vai trò | Khuyến khích gán persona | Đặt trong system prompt | Trụ cột Persona |
| Nhiệm vụ | Đặt ở đầu prompt | Nêu rõ ràng, trực tiếp | Trụ cột Task |
| Ngữ cảnh | Tách bằng ### hoặc """ | Dùng thẻ XML riêng | Trụ cột Context |
| Ví dụ mẫu | Few-shot | Thẻ examples | Khuyến khích qua vòng lặp |
| Định dạng đầu ra | Ghi rõ format, độ dài, giọng văn | Thẻ answer | Trụ cột Format |
Cả ba đều nhấn mạnh việc lặp lại để tinh chỉnh. Không ai khuyên viết một lần rồi dùng mãi.
Sáu kỹ thuật cơ bản gồm zero-shot, few-shot, gán vai trò, dùng dấu phân tách, chỉ định định dạng đầu ra và bổ sung ngữ cảnh kèm ràng buộc.
Zero-shot là ra lệnh trực tiếp, không kèm ví dụ nào. Ví dụ: "Phân loại cảm xúc câu sau thành Tích cực, Tiêu cực hoặc Trung lập: Sản phẩm giao chậm nhưng chất lượng tốt."
Few-shot là đưa kèm 2 đến 5 cặp ví dụ đầu vào và đầu ra để mô hình học theo khuôn mẫu. Tài liệu OpenAI khuyến nghị thử zero-shot trước, chưa đạt mới chuyển sang few-shot, cuối cùng mới tính đến fine-tune. Nhiều người làm ngược, viết prompt dài kèm cả chục ví dụ ngay từ đầu, tốn token mà kết quả không khá hơn.
Yêu cầu mô hình nhập vai một chuyên gia cụ thể để định hướng giọng văn và kiến thức. Tài liệu Google Workspace gợi ý mở đầu prompt bằng câu kiểu "Bạn là trưởng bộ phận sáng tạo của một agency quảng cáo". Cách này hiệu quả nhất với tác vụ sáng tạo và tư vấn, ít tác dụng với bài toán tính toán thuần.
Khi prompt có cả chỉ dẫn lẫn dữ liệu dài, mô hình dễ nhầm phần nào là lệnh. Dùng ký hiệu ###, ba dấu nháy kép hoặc thẻ XML để tách rõ hai phần.
### Nhiệm vụ ###
Tóm tắt báo cáo dưới đây trong đúng 5 câu, tập trung vào doanh thu và lợi nhuận.
### Báo cáo ###
"""[nội dung báo cáo]"""
Nêu rõ cấu trúc mong muốn: bảng, JSON, số lượng từ, giọng văn. Google phân biệt rõ "instructions" là hướng dẫn mô hình làm gì, còn "constraints" là giới hạn những gì mô hình nên tránh. Ví dụ đầy đủ: "Viết mô tả sản phẩm cho website thương mại điện tử, tối đa 80 từ, giọng thân thiện, không dùng từ tốt nhất hoặc số 1."
Kỹ thuật nâng cao chia nhỏ hoặc kiểm soát quá trình suy luận của mô hình, phù hợp với bài toán nhiều bước như phân tích dữ liệu hay lập kế hoạch.
| Kỹ thuật | Nguồn gốc | Kết quả công bố trong nghiên cứu |
|---|---|---|
| Chain-of-Thought | Jason Wei và cộng sự, Google, NeurIPS 2022 (arXiv:2201.11903) | Yêu cầu mô hình giải từng bước, giảm lỗi ở bài toán số học nhiều bước |
| Self-Consistency | Xuezhi Wang và cộng sự, Google, ICLR 2023 (arXiv:2203.11171) | Tăng 17,9 điểm phần trăm độ chính xác trên benchmark GSM8K so với CoT thông thường |
| Tree of Thoughts | Shunyu Yao và cộng sự, Princeton và Google DeepMind, NeurIPS 2023 (arXiv:2305.10601) | Bài toán Game of 24: GPT-4 dùng CoT giải được 4%, dùng ToT đạt 74% |
| Least-to-Most | Denny Zhou và cộng sự, Google, ICLR 2023 (arXiv:2205.10625) | Trên bộ SCAN đạt độ chính xác từ 99% với 14 ví dụ, so với 16% khi dùng CoT |
| ReAct | Shunyu Yao và cộng sự, ICLR 2023 (arXiv:2210.03629) | Xen kẽ suy nghĩ, hành động và quan sát khi agent cần tra cứu dữ liệu ngoài |
| Reflexion | Noah Shinn và cộng sự, NeurIPS 2023 (arXiv:2303.11366) | Đạt 91% pass@1 trên HumanEval so với khoảng 80% của GPT-4 không có vòng tự phản tỉnh, tại thời điểm công bố |
Prompt chaining là ngoại lệ trong nhóm này. Không có paper học thuật gốc, đây là kỹ thuật thực hành được Anthropic và OpenAI hệ thống hóa trong tài liệu sản phẩm. Cách làm: tách một việc lớn thành chuỗi prompt nối tiếp. Ví dụ viết báo cáo gồm prompt 1 tóm tắt dữ liệu thô, prompt 2 lập outline từ bản tóm tắt, prompt 3 viết nội dung theo outline.
Với công việc marketing hàng ngày, prompt chaining là kỹ thuật nâng cao dễ áp dụng nhất. Các kỹ thuật còn lại thiên về nghiên cứu và xây dựng AI Agent cho từng bộ phận hơn là gõ tay trong giao diện chat.
Với reasoning model, prompt nên ngắn và tập trung vào mục tiêu cùng ràng buộc, vì mô hình đã tự suy luận nội bộ trước khi trả lời.
Tài liệu Reasoning best practices của OpenAI khuyến nghị giữ prompt đơn giản, dùng delimiter để phân định các phần, nêu rõ mục tiêu cuối và tiêu chí thành công. Cùng tài liệu này cho biết yêu cầu "hãy suy nghĩ từng bước" là thừa với reasoning model và có thể làm chậm phản hồi.
Anthropic phân ba cấp độ prompt CoT cho Claude: Basic chỉ thêm câu "think step-by-step", Guided nêu cụ thể các bước cần làm, Structured dùng thẻ XML để tách phần suy luận khỏi phần trả lời. Với model có extended thinking, tài liệu Anthropic khuyến nghị không cần chỉ dẫn CoT chi tiết.
Google có một khuyến nghị đi ngược số đông đáng chú ý. Với Gemini 3, tài liệu Vertex AI đề xuất đặt các ràng buộc quan trọng nhất ở cuối chỉ dẫn, khác với hướng dẫn đặt chỉ dẫn ở đầu mà OpenAI đưa ra cho model thường. Nghĩa là không có công thức prompt dùng chung cho mọi mô hình. Cần thử lại khi đổi model.
Lỗi phổ biến nhất khi viết prompt là thiếu ngữ cảnh, không nêu định dạng đầu ra và nhồi quá nhiều nhiệm vụ vào một câu lệnh duy nhất.
| Lỗi | Cách viết xấu | Cách viết tốt |
|---|---|---|
| Thiếu ngữ cảnh | "Viết mô tả sản phẩm cho áo thun." | "Viết mô tả áo thun cotton nam đăng trên Shopee, khách 25 đến 35 tuổi thích phong cách tối giản, tối đa 60 từ, tập trung vào chất liệu." |
| Không nêu định dạng | "So sánh 3 gói cước internet FPT, Viettel, VNPT." | "So sánh 3 gói cước bằng bảng gồm cột Tên gói, Giá theo tháng, Tốc độ, Ưu điểm, Nhược điểm." |
| Nhồi nhiều nhiệm vụ | "Viết bài SEO 1500 từ, tối ưu từ khóa, tạo meta, làm outline và dịch sang tiếng Anh." | Tách thành 4 prompt nối tiếp theo đúng thứ tự công việc. |
| Chỉ dẫn mơ hồ | "Giúp tôi cải thiện email này." | "Sửa email dưới đây cho chuyên nghiệp hơn, rút còn tối đa 120 từ, giữ nguyên số liệu, không thêm chữ ký mới." |
| Thiếu ví dụ khi cần format đặc thù | "Trích xuất thông tin liên hệ thành JSON." | Đưa kèm mẫu JSON rỗng để mô hình điền theo đúng cấu trúc. |
| Ép CoT với reasoning model | "Hãy suy nghĩ thật kỹ từng bước: 2+2x5 bằng bao nhiêu?" | "2+2x5 bằng bao nhiêu?" |
| Không tách lệnh khỏi dữ liệu dài | Dán 3.000 từ liền mạch kèm câu lệnh nằm giữa | Tách bằng heading hoặc dấu phân tách như ví dụ ở phần trên |
Chưa có nghiên cứu nào đo riêng cho tiếng Việt. Bằng chứng đa ngôn ngữ hiện tại mâu thuẫn nhau nên chưa thể kết luận ngôn ngữ nào tốt hơn.
Một nghiên cứu trên OpenReview về bản địa hóa cho rằng prompt tiếng Anh viết tốt nhìn chung cho hiệu năng tương đương, đôi khi tốt hơn prompt viết bằng ngôn ngữ đích. Nghiên cứu arXiv:2410.13153 trên GPT-4, Llama 2 và Gemini cũng cho thấy cả ba mô hình làm tốt hơn với prompt tiếng Anh so với các ngôn ngữ ít tài nguyên.
Chiều ngược lại cũng có bằng chứng. Nghiên cứu về sinh mã nguồn đa ngôn ngữ trên GPT-4o mini, DeepSeek-V3 và Claude 3.5 Sonnet ghi nhận prompt tiếng Trung nhất quán vượt tiếng Anh ở các bài Python trên bộ CoderEval.
Gợi ý thực tế cho đội in-house: viết tiếng Việt khi nội dung gắn với văn hóa và giọng điệu bản địa, thử lại bằng tiếng Anh khi tác vụ nặng về logic hoặc kỹ thuật, rồi so sánh kết quả trên chính dữ liệu của mình. Đó là cách đáng tin hơn mọi lời khuyên chung.
Chức danh Prompt Engineer độc lập đang thu hẹp, còn kỹ năng viết prompt lại được gộp vào các vai trò rộng hơn như context engineering.
Ngày 29/9/2025, Anthropic đăng bài "Effective context engineering for AI agents" trên blog kỹ thuật, gọi context engineering là bước tiến hóa tự nhiên của prompt engineering. Khác biệt nằm ở phạm vi. Prompt engineering là viết chỉ dẫn cho một lượt tương tác. Context engineering quản lý toàn bộ tập token mà mô hình nhìn thấy: system prompt, tài liệu truy xuất, lịch sử hội thoại, bộ nhớ và output từ công cụ.
Trước đó, ngày 25/6/2025, Andrej Karpathy đăng trên X rằng ông thích thuật ngữ context engineering hơn, dẫn lại phát biểu của CEO Shopify Tobi Lütke một tuần trước. Cộng đồng AI chấp nhận thuật ngữ mới rất nhanh sau mốc này.
Với doanh nghiệp Việt Nam, tranh luận tên gọi ít quan trọng hơn thực tế công việc. Người biết mô tả yêu cầu rõ ràng, biết cung cấp đúng dữ liệu nền và biết kiểm tra đầu ra vẫn tạo ra chênh lệch chất lượng thấy được. Kỹ năng đó không mất đi khi đổi tên chức danh.
Doanh nghiệp nên bắt đầu bằng thư viện prompt mẫu cho từng phòng ban, kèm quy tắc kiểm tra đầu ra trước khi dùng kết quả vào việc thật.
Bước một là chọn 5 tác vụ lặp lại nhiều nhất trong tháng. Có thể là viết mô tả sản phẩm, tóm tắt cuộc họp, phân loại phản hồi khách hàng, soạn email chăm sóc hoặc dựng outline nội dung.
Bước hai là viết prompt mẫu cho từng tác vụ theo khung năm thành phần ở phần trên, kèm một ví dụ đầu ra đạt chuẩn để cả phòng lấy làm mốc.
Bước ba là đặt quy tắc kiểm chứng. Mọi số liệu, tên riêng và trích dẫn do AI sinh ra đều phải đối chiếu nguồn trước khi xuất bản. Đây là chỗ nhiều đội bỏ qua rồi trả giá bằng uy tín.
Bước bốn là đào tạo lại theo định kỳ vì hướng dẫn của các hãng thay đổi liên tục. Đội ngũ Vinalink Media triển khai nội dung này trong các chương trình đào tạo in-house theo phòng ban, gắn với đúng quy trình và dữ liệu của từng doanh nghiệp. Bạn cũng có thể xem thêm các bài trong cẩm nang AI để tự triển khai trước.
Không hoàn toàn. Đây là kỹ năng viết chỉ dẫn bằng ngôn ngữ tự nhiên có cấu trúc rõ ràng. Google mô tả nó là quá trình kiểm thử và lặp lại có hệ thống, dù tư duy logic vẫn hữu ích.
Zero-shot ra lệnh trực tiếp không kèm ví dụ. Few-shot đưa 2 đến 5 ví dụ mẫu vào prompt để mô hình học theo khuôn mẫu. OpenAI khuyến nghị thử zero-shot trước.
Tài liệu OpenAI khuyến nghị khoảng 2 đến 5 cặp ví dụ đầu vào và đầu ra. Nhiều hơn làm prompt dài, tốn token mà hiệu quả không tăng tương ứng.
Không cần như trước. OpenAI cho biết reasoning model tự suy luận nội bộ, nên yêu cầu suy nghĩ từng bước là thừa và có thể làm chậm phản hồi.
Prompt engineering là viết chỉ dẫn cho một lượt tương tác. Context engineering quản lý toàn bộ thông tin mà mô hình thấy được xuyên suốt một agent, gồm tài liệu, lịch sử và output công cụ.
Chưa có nghiên cứu trực tiếp trên tiếng Việt. Các nghiên cứu đa ngôn ngữ cho kết quả trái chiều, nên cách đáng tin nhất là tự thử cả hai trên chính tác vụ của bạn.
Theo khung tổng hợp của OpenAI, Anthropic và Google: vai trò nếu cần, nhiệm vụ rõ ràng, ngữ cảnh tách bằng delimiter, ví dụ mẫu khi cần và định dạng đầu ra cụ thể.
Sáu kỹ thuật cơ bản có thể nắm trong một buổi. Phần mất thời gian là xây thư viện prompt riêng cho doanh nghiệp và tinh chỉnh qua kết quả thực tế của từng phòng ban.
