ABCDEFGHIJKLMNOPQRSTUVWXYZ
1
2
Thành phần của PromptChú thíchThông tin cần cung cấpVí dụPhân tích ví dụ
3
Agentic WorkflowsĐịnh hướng mô hình hoạt động như một tác nhân tự chủ, thiết lập vai trò và cách thức giải quyết nhiệm vụ một cách tự động.- Vai trò của AI (định danh chuyên gia và mục tiêu nhiệm vụ)
- Hướng dẫn sử dụng công cụ (nhắc dùng công cụ, không đoán mò)
- Yêu cầu lập kế hoạch (nhắc suy nghĩ có kế hoạch, tuần tự)		Bạn là một chuyên gia phân loại dữ liệu, sẽ tự động thực hiện nhiệm vụ đến khi hoàn thành. Nếu không chắc về dữ liệu, hãy sử dụng công cụ hỗ trợ; không đoán mò.Lập kế hoạch chi tiết trước khi phân loại và phản ánh sau mỗi bước.Role: Dòng này đặt vai trò cho AI và yêu cầu nó kiên trì cho đến khi hoàn thành nhiệm vụ (tương tự hướng dẫn về tính kiên trì trong agentic workflow). Tool: Tiếp theo, mô hình được khuyến khích tận dụng công cụ hỗ trợ khi không chắc chắn thay vì tự đoán, giúp giảm nguy cơ sinh câu trả lời không chính xác.
Plan: Cuối cùng, việc yêu cầu AI lập kế hoạch chi tiết và tự đánh giá sau mỗi bước sẽ thúc đẩy mô hình “suy nghĩ thành tiếng” một cách tường minh, nâng cao chất lượng và tính chính xác của quá trình giải quyết vấn đề.
4
Long ContextXử lý ngữ cảnh đầu vào rất dài (ví dụ văn bản hoặc dữ liệu lớn) đòi hỏi chiến lược đặc biệt để mô hình tập trung vào thông tin liên quan.- Quy định phạm vi sử dụng ngữ cảnh (chỉ dùng thông tin cung cấp, hạn chế kiến thức ngoài)
- Vị trí chèn hướng dẫn đối với ngữ cảnh dài (đặt chỉ dẫn ở cả đầu và cuối đoạn ngữ cảnh)		Đầu prompt: "Chỉ sử dụng các thông tin dưới đây để phân loại. Nếu không có đủ dữ liệu, hãy trả lời rằng bạn không có đủ thông tin."
(Dữ liệu đánh giá khách hàng được chèn ở đây)
Cuối prompt: "(Hết dữ liệu cung cấp - không sử dụng thông tin ngoài những gì đã cho.)"		Phần hướng dẫn ở đầu prompt yêu cầu mô hình chỉ sử dụng dữ liệu được cung cấp và nếu không tìm thấy thông tin thì trả lời rằng không đủ dữ liệu. Điều này đảm bảo AI không dùng kiến thức bên ngoài ngữ cảnh đã cho. Đồng thời, việc lặp lại nhắc nhở ở cuối prompt một lần nữa khẳng định rằng chỉ được dựa vào dữ liệu trên; cách đặt hướng dẫn ở cả đầu và cuối khối ngữ cảnh dài như vậy đã được khuyến nghị để tăng hiệu suất tập trung và độ chính xác khi xử lý ngữ cảnh lớn.
5
Chain-of-Thought (Suy nghĩ từng bước)Hướng dẫn mô hình suy luận theo từng bước một cách tường minh, giúp chia nhỏ vấn đề và giải quyết tuần tự.- Yêu cầu mô hình suy nghĩ hoặc giải thích theo từng bước trước khi đưa ra kết luận
- (Tuỳ chọn) Đề ra chiến lược suy luận chi tiết theo các bước để mô hình bám sát		"Trước khi kết luận, hãy suy nghĩ cẩn thận từng bước: đầu tiên phân tích đặc điểm của từng đánh giá, sau đó xác định nhãn Tích cực hoặc Tiêu cực phù hợp cho từng trường hợp."Chỉ dẫn mô hình “suy nghĩ từng bước” như trên giúp AI tự phân tách nhiệm vụ phức tạp (phân loại cảm xúc của đánh giá) thành các bước nhỏ, từ đó tăng cường khả năng suy luận và độ chính xác của kết quả. GPT-4.1 vốn không tự sinh chuỗi tư duy nội bộ nếu không được yêu cầu, nhưng khi ta thêm hướng dẫn yêu cầu lập luận tuần tự, mô hình sẽ “tư duy to thành tiếng” và thường giải quyết vấn đề hiệu quả hơn; thực nghiệm nội bộ cho thấy việc ép mô hình lập kế hoạch rõ ràng thậm chí còn tăng tỷ lệ nhiệm vụ hoàn thành đúng (~4% trong bài toán nội bộ).
6
Instruction FollowingTận dụng khả năng tuân thủ hướng dẫn xuất sắc của mô hình bằng cách cung cấp bộ chỉ dẫn rõ ràng, chi tiết cho nhiệm vụ.- Hướng dẫn chung ở mức cao (quy tắc tổng quát, giọng điệu, nội dung cần tập trung hoặc tránh, v.v.)
- Hướng dẫn cụ thể theo từng khía cạnh nếu cần (ví dụ: cụm từ mẫu nên dùng, chủ đề cấm đề cập, cách xử lý trường hợp đặc biệt)
- Các bước thực hiện theo trình tự nếu nhiệm vụ yêu cầu (liệt kê các bước cần làm để trả lời)		Hướng dẫn:
• Luôn trả lời bằng nhãn phân loại cuối cùng kèm giải thích ngắn gọn lý do.
• Không đoán nếu dữ liệu không đủ rõ ràng; thay vào đó, trả lời "Không đủ thông tin".
• Giữ văn phong khách quan, không sử dụng cảm xúc hoặc ý kiến chủ quan.		Các gạch đầu dòng trong phần Hướng dẫn trên là ví dụ về việc quy định rõ ràng những gì mô hình nên làm và không nên làm. Cách trình bày này giúp tận dụng khả năng tuân thủ chỉ thị một cách chặt chẽ của GPT-4.1, đảm bảo đầu ra đúng theo mong muốn của người dùng. Cụ thể, hướng dẫn đầu tiên yêu cầu luôn đưa ra nhãn cùng giải thích (đảm bảo mô hình cung cấp đủ thông tin cần thiết); hướng dẫn thứ hai ngăn mô hình khỏi việc phỏng đoán khi thiếu dữ liệu (một quy tắc quan trọng để tránh câu trả lời sai hoặc ảo); hướng dẫn thứ ba đặt yêu cầu về giọng điệu và tính khách quan. Việc bắt đầu prompt bằng các hướng dẫn tổng quát dạng bullet và bổ sung chi tiết cụ thể như vậy là phương pháp được khuyến nghị để định hướng mô hình một cách nhất quán.
7
Output FormatXác định rõ định dạng và cấu trúc câu trả lời mong muốn, để mô hình biết cách trình bày kết quả.- Định dạng kết quả cần trả về (ví dụ: chỉ tên nhãn, hay kèm lời giải thích, định dạng JSON, danh sách bullet, v.v.)
- Bất kỳ yêu cầu cụ thể nào khác về định dạng (ví dụ: độ dài tối đa, cần trích dẫn nguồn, v.v.)		Định dạng đầu ra:
• Chỉ xuất ra tên nhãn phân loại thích hợp cho mỗi đánh giá (ví dụ: "Tích cực" hoặc "Tiêu cực").
• Không đưa thêm bất kỳ giải thích hoặc nội dung nào khác ngoài tên nhãn.		Phần Định dạng đầu ra trên cho mô hình biết chính xác hình thức câu trả lời được phép. Ở đây, yêu cầu chỉ trả về duy nhất nhãn phân loại nhằm đảm bảo câu trả lời ngắn gọn, đúng trọng tâm. Việc quy định chặt chẽ định dạng như vậy giúp tránh trường hợp mô hình thêm thắt thông tin thừa và khiến đầu ra dễ dàng cho hậu xử lý tự động nếu cần. Trong hướng dẫn của OpenAI, việc chỉ rõ cách trình bày kết quả (ví dụ: yêu cầu trích dẫn nguồn hay chỉ cung cấp thông tin trong phạm vi cho phép) là một phần quan trọng để kiểm soát chất lượng và tính chính xác của phản hồi từ mô hình.
8
Examples (Few-shot)Cung cấp ví dụ mẫu trong prompt để hướng dẫn mô hình về cách thực hiện nhiệm vụ và định dạng câu trả lời mong muốn.- Một hoặc vài cặp ví dụ đầu vào
- đầu ra mẫu (minh họa rõ cách phân loại đúng cho mô hình noi theo)
- Các ví dụ nên đa dạng nếu có nhiều trường hợp, để mô hình tổng quát hóa tốt hơn		Ví dụ minh họa:Đầu vào: "Sản phẩm này rất tốt, tôi hài lòng với chất lượng."
Đầu ra mong muốn: "Tích cực"
Đầu vào: "Thời gian giao hàng quá chậm và hộp bị móp."
Đầu ra mong muốn: "Tiêu cực"		Những ví dụ mẫu trên cho mô hình thấy rõ cách phân loại một phản hồi cụ thể và định dạng câu trả lời ra sao. Bằng cách đưa vào prompt một vài cặp ví dụ input-output như vậy, ta giúp AI hiểu được cách áp dụng hướng dẫn cho các trường hợp cụ thể, từ đó cải thiện độ chính xác và nhất quán của kết quả. GPT-4.1 sẽ dựa vào các mẫu này để suy ra mô thức trả lời phù hợp cho nhiệm vụ phân loại, đồng thời những ví dụ cũng đóng vai trò như một kiểm chứng rằng mô hình hiểu đúng yêu cầu và tiêu chí phân loại trước khi nó xử lý những đầu vào thực tế.
9
10
11
Cấu trúc promptYou are an expert at identifying the correct thread for an ASR-to-text conversation.

<task>
Your task is to identify the correct thread for the user's final message in the conversation. While you should read the full conversation for context understanding, your classification decision must be based on the user's last message. Follow these steps in order:

Step 1: Carefully read the entire ASR-converted conversation (Note that ASR-to-text conversations may contain errors due to speech recognition limitations)
Step 2: Identify the user's final message at the end of the conversation
Step 3: Use the conversation context to understand the flow, but focus your classification decision on the semantic meaning and intent of the user's last message
Step 4: Compare the user's final message with the thread descriptions provided in the <threads></threads> section
Step 5: Classify the user's final message into one of the available threads listed
Step 6: Review your selection to confirm the correct thread is identified for the user's final message
</task>

<threads>
Here are the available threads, formatted as <sequence number>. <Thread information>:
1. Fallback thread - Use when the user's message discusses topics completely outside the scope of other threads, contains unintelligible speech/noise/garbled ASR text, represents intents not addressed by other threads, cannot be reasonably interpreted to match any other thread description, or is completely off-topic
{thread_content}
</threads>

<classification_rules>
1. Always prioritize the user's final message when determining the thread, even if previous turns were about different topics
2. Analyze the full semantic meaning of the user's last response, focusing on the main message the user is attempting to convey in their final utterance
3. Consider regional language characteristics and cultural context when evaluating user intent in the final message
4. Evaluate the final message in the context of the entire conversation, but give highest weight to what the user is directly expressing in their last message
5. Pay close attention to keywords in the final message that clearly indicate the user's immediate purpose (identity confirmation, unclear audio, denial, questions, requests, etc.)
6. When the final message could belong to multiple threads, determine the primary intent based on the user's direct expression in their last utterance
7. The conversation history provides essential context but the classification decision must reflect the actual intent of the user's final message
8. Only classify into specific threads when there is a clear semantic match - if uncertain, use the fallback thread (1)
9. Use fallback thread (1) when the user's final message doesn't clearly fit into any of the other specific thread categories
</classification_rules>

<response_format>
- Return the sequence number of the matching thread
- Respond with only the number, no explanation or commentary
</response_format>

Please analyze the conversation carefully and assign the user's final message to the most appropriate thread from the options provided above. Select from the thread numbers listed in the <threads> section.
12
STTCác thành phần cấu thành PromptMiêu tảVí dụ
13
1Role Nêu 1 vai trò để LLM nhập vai vào đóBạn là 1 chuyên gia trong việc phân tích dữ liệu. Nhiệm vụ của bạn là phân tích cuộc hội thoại được cung cấp để trả về intent đúng với đoạn hội thoại.
14
2TaskNêu lên nhiệm vụ chung của bạn
15
3PersistancePhải thực hiện đến khi nàoChỉ kết thúc khi đã chắc chắn xuất JSON hợp lệ (hoặc lỗi).
16
4Tool-callingCông cụ, api được sử dụng để gọi vào đây Không có quyền gọi API bên ngoài; mọi xử lý dựa trên input text.
17
5PlaningLLM sẽ lên kế hoạch các bước thực hiện để đạt được kết quả như mong muốnPlaning (hidden)
18
6Sub-taskcác nhiệm vụ conVí dụ LLM cần làm 3 nhiệm vụ chẳng hạn:
- tạo danh sách intent
- check nhập nhằng các intent
- Kiểm tra xem các ví dụ được nêu vào đúng intent chưa
19
7ExamplesCác ví dụ mẫu| Input | Output |
|-------|--------|
| ```json { "Transactions":[ { "Flow_Name":"Mở thẻ", "User_Examples":"Mở thẻ|Đăng ký thẻ", "Bot_Response":"Vui lòng cung cấp CMND" } ] } ``` | ```json {"status":"ok","scenario_meta":{"Scenario_ID":"file_unnamed","Scenario_Name":"Transactions"},"intents":[{"intent_id":"flow_1","intent_name":"Mở thẻ","description":"Mở thẻ"}],"flows":[{"flow_id":"flow_1","intent_id":"flow_1","user_examples":["Mở thẻ","Đăng ký thẻ"],"bot_response":"Vui lòng cung cấp CMND","notes":""}],"entities":[]} ``` |
| ```json {} ``` | ```json {"status":"error","message":"Workbook empty"} ``` |
20
8StrategyChiến lược thực hiện1. Parse JSON; nếu lỗi → status:error.
2. Chọn sheet Flows (6.1). Nếu không có rows → error.
3. Chuẩn hoá scenario_meta (6.2).
4. Lặp rows Flows theo 6.3 → xây `flows_raw`.
5. Dựng/bổ sung `intents` theo 6.4.
6. Lấy `entities` (6.5).
7. Xuất JSON 1 dòng; đảm bảo keys theo thứ tự: status, scenario_meta, intents, flows, entities.
21
22
23
Hướng dẫn (Directive/Task): Nên nêu rõ nhiệm vụ, kiểu nội dung/hình thức, đề tài/ domain/ mục tiêu cụ thểYêu cầu chính mà bạn muốn AI thực hiện. Đây là “lời ra lệnh” trực tiếp cho AI, xác định công việc cụ thể cần làm (ví dụ: “Viết một câu chuyện ngắn về…”, “Tạo một hàm Python để…”)
Phần hướng dẫn phải rõ ràng và cụ thể, nếu không AI sẽ dễ trả lời chung chung hoặc sai lệch mục tiêu		Viết một bài blog ngắn (khoảng 200 từ) giới thiệu về lợi ích của tập thể dục sáng sớm.
Lệnh này xác định rõ nhiệm vụ (“viết bài blog”), độ dài (khoảng 200 từ) và đề tài (lợi ích của tập thể dục sáng).

- Hạn chế: Rõ ràng, cụ thể, không dùng từ quá chung chung. Ví dụ dùng động từ mạnh (“viết”, “liệt kê”, “phân tích”…) thay vì chỉ “nói về”
-Nên: Xác định kiểu nội dung hoặc hình thức (bài blog, đoạn văn, email, mã nguồn, v.v.) và đối tượng người đọc. Ví dụ: “Viết một email chào khách hàng mới…” hoặc “Tạo một hàm Python tính giai thừa…”
Nếu cần, chỉ định mục tiêu cụ thể (tuyên truyền, giáo dục, giải trí, v.v.), để AI tập trung nội dung.
24
Bối cảnh (Context): giúp AI “hiểu rõ hơn” về chủ đề và mục đích của nội dung
Có thể bao gồm: dữ liệu, mô tả thêm, hoặc tình huống thực tế liên quan. Bối cảnh giúp AI tạo ra nội dung chính xác và phù hợp hơn so với chỉ có hướng dẫn chung chung
Thông tin nền hoặc dữ liệu liên quan đến nhiệm vụ. Bối cảnh giúp AI “hiểu rõ hơn” về chủ đề, đối tượng và mục đích, từ đó tạo ra nội dung phù hợp và chính xác hơn so với khi chỉ có lệnh chung chung
. Ví dụ, khi viết một bài tiếp thị, bối cảnh có thể bao gồm tên sản phẩm, đối tượng khách hàng và mục tiêu chiến dịch.		Ví dụ về bối cảnh:
Chủ đề/Lĩnh vực: Ví dụ nêu rõ bạn đang nói về “thể dục cho trẻ em”, “công nghệ năng lượng mặt trời”, hoặc “chăm sóc da”…
Đối tượng mục tiêu: “Học sinh lớp 9”, “doanh nhân khởi nghiệp”, “bệnh nhân cao huyết áp”… giúp AI điều chỉnh cách diễn đạt.
Mục đích cụ thể: “Tăng nhận diện thương hiệu”, “hỗ trợ bài học trong lớp học” v.v.
Thông tin bổ sung: Ví dụ URL bài báo, trích dẫn số liệu, lịch sử bệnh án (với AI y tế), hoặc điều kiện cụ thể của vấn đề. (Lưu ý: không trích URL đây vì k có chức năng search web ở đây để lấy thông tin ở đây)
--------------------
Prompt: “Viết một bài đăng Facebook 5 câu về chương trình khuyến mãi Giảm giá 50% cho quần jean của cửa hàng XYZ, dành cho sinh viên đại học.”
Phân tích: Bối cảnh gồm chương trình khuyến mãi 50%, sản phẩm (quần jean), đối tượng (sinh viên đại học) và mục tiêu (quảng cáo). Với bối cảnh này, AI sẽ viết nội dung tập trung vào giảm giá lớn và hấp dẫn đối tượng sinh viên, thay vì viết chung chung về quần jean.
25
Đầu vào là dữ liệu hay ví dụ tham khảo cụ thể bạn cung cấp cho AI. Đây có thể là văn bản, hình ảnh, mã nguồn hoặc bất kỳ tài liệu nào giúp AI tạo nội dung chính xác hơn
Đầu vào hoạt động như “tài liệu tham khảo” để đảm bảo AI không tự sáng tạo sai lệch khi câu lệnh yêu cầu dựa trên thông tin nhất định.		Ví dụ về đầu vào:
Văn bản tham khảo: Đoạn văn, bài báo, báo cáo. Ví dụ: “Tóm tắt nội dung sau: [đoạn văn về lợi ích của giáo dục STEM]”. AI sẽ đọc đoạn văn và tóm tắt đúng nội dung.
Mã nguồn: Ví dụ: “Sửa lỗi trong đoạn code sau: x = [1,2,3] print(x.div())”. AI sẽ biết nhiệm vụ dựa trên đoạn code này.
Liên kết/ảnh: Ví dụ: “Dựa trên hình đồ thị sau, nhận xét xu hướng”.
Ví dụ phong cách: Ví dụ: đưa ra vài câu mẫu đã viết sẵn để AI “học” theo lối diễn đạt.
-------------------
Prompt: “Tóm tắt đoạn văn sau (dưới 50 từ): "Lập trình Python được sử dụng rộng rãi vì tính dễ đọc, thư viện phong phú và ứng dụng mạnh mẽ trong trí tuệ nhân tạo."”
Phân tích: Đầu vào là đoạn văn cụ thể. AI sẽ đọc và tóm tắt nội dung đó, thay vì tự nghĩ một nội dung khác.
26
Định dạng đầu ra (Output Format)Định dạng đầu ra là yêu cầu về cách trình bày kết quả mà bạn mong muốn. Bạn cần chỉ rõ AI nên trả lời dưới dạng nào: đoạn văn, danh sách gạch đầu dòng, bảng, JSON, mã code, v.v. Việc này giúp tránh nhầm lẫn và tối ưu tính ứng dụng của kết quả.

Đây là khả năng mới của Chat API cho phép ép mô hình trả về kết quả theo định dạng có cấu trúc (ví dụ JSON) xác định trước. Ta cung cấp một JSON Schema và bật chế độ nghiêm ngặt (strict: true), khi đó GPT sẽ luôn sinh ra đầu ra tuân thủ đúng schema này		Ví dụ các yêu cầu định dạng:
Danh sách gạch đầu dòng: “Liệt kê dưới dạng 3 mục”, “Trả lời ở dạng danh sách đánh số”.
Bảng: “Trình bày dữ liệu dưới dạng bảng gồm 3 cột: sản phẩm, giá, số lượng”.
Đoạn văn ngắn/lâu: “Viết thành một đoạn văn tóm tắt 2 câu”, hoặc “chi tiết 300 từ”.
Các định dạng khác: “JSON”, “Markdown”, “mã HTML”, “email”, “tweet”, v.v.
--------------------
Ví dụ:
Prompt: “Hãy trả lời bằng 5 gạch đầu dòng các bước chính để pha cà phê phin.”
Phân tích: Thay vì viết một đoạn văn, AI sẽ đưa ra 5 ý chính có đánh số hoặc đánh dấu gạch đầu dòng. Yêu cầu này giúp người dùng dễ theo dõi và sử dụng kết quả ngay.
Ngoài ra, ở đây bạn cũng có thể kết hợp yêu cầu về độ dài, độ trang trọng, hoặc ngôn ngữ chuyên ngành. Ví dụ: “Trả lời ngắn gọn trong 2 câu”, “dùng ngôn ngữ kỹ thuật”, v.v., để toàn diện hóa định dạng.
27
Giới hạn (Constraints)Giới hạn (constraint) là các ràng buộc bạn đặt ra cho AI khi sinh nội dung
cloud.google.com
. Nó gồm những điều AI phải làm hoặc không được làm, giúp đảm bảo tính an toàn và phù hợp. Ví dụ các ràng buộc thường gặp: cấm nội dung nhạy cảm, giới hạn độ dài, cấm sử dụng nguồn không được phép, hay yêu cầu nguồn tham khảo đáng tin cậy, v.v		Giới hạn (constraint) là các ràng buộc bạn đặt ra cho AI khi sinh nội dung. Nó gồm những điều AI phải làm hoặc không được làm, giúp đảm bảo tính an toàn và phù hợp. Ví dụ các ràng buộc thường gặp: cấm nội dung nhạy cảm, giới hạn độ dài, cấm sử dụng nguồn không được phép, hay yêu cầu nguồn tham khảo đáng tin cậy, v.v.
Ví dụ về giới hạn:
“Không sử dụng từ ngữ tục tĩu hoặc xúc phạm.”
“Số từ tối đa 200 từ.”
“Chỉ dựa trên các tài liệu khoa học, không tự đưa ra kết luận cá nhân.”
“Không trả lời câu hỏi về y tế – hãy khuyến nghị tham khảo bác sĩ.”
28
Ngôn ngữ (Language)Nếu bạn mong muốn nội dung đầu ra bằng một ngôn ngữ cụ thể (Ví dụ: tiếng Việt, tiếng Anh, tiếng Pháp, v.v.), hãy nêu rõ trong prompt. Ví dụ: “Hãy trả lời bằng tiếng Việt chuẩn”, hoặc “Generate the answer in formal English.” Điều này đảm bảo AI sử dụng đúng ngôn ngữ và phong cách phù hợp. Ngoài ra, bạn cũng có thể chỉ định cách dùng từ (ví dụ “dùng tiếng lóng”, “tránh biệt ngữ chuyên ngành”) như một dạng ràng buộc về ngôn ngữ.Prompt: “Giải thích thuật toán tìm kiếm theo chiều rộng (BFS) bằng tiếng Anh đơn giản cho người mới học lập trình.”
Phân tích: Yêu cầu “bằng tiếng Anh” đảm bảo AI xuất ra tiếng Anh, còn “đơn giản cho người mới học” hướng dẫn phong cách thân thiện, dễ hiểu.
29
Giọng văn và phong cách (Tone/Persona) (Role)Bạn có thể cho AI “đóng vai” một nhân vật hoặc chuyên gia để định hướng giọng điệu, phong cách trả lời. Đây được gọi là persona hoặc role. Ví dụ: “Bạn là một bác sĩ chuyên khoa”, Kỹ thuật này dùng hệ thống prompt để định nghĩa “vai trò” hoặc bối cảnh của mô hình ngay từ đầu. Thông thường ta sử dụng thông điệp hệ thống (system message) trong Chat API hoặc dòng hướng dẫn đầu tiên kiểu You are a ... để cho mô hình biết nó đóng vai gì và cần làm gì “Bạn là giáo viên tiểu học”, “Bạn là nhà khoa học NASA”. Điều này giúp AI trả lời theo lối diễn đạt và độ tin cậy tương ứng với nhân vật đó.
Việc định vai trò giúp mô hình tuân thủ phong cách và phạm vi đã định (ví dụ chuyên gia pháp lý, bác sĩ, trợ lý lập trình, v.v.). Kết hợp lời nhắc về vai trò trong phần system prompt thường cải thiện tính nhất quán của câu trả lời. Ngoài ra, khi xây dựng agent sử dụng nhiều chức năng (tools), OpenAI khuyến cáo bắt đầu prompt với những hướng dẫn chung rõ ràng về vai trò, cách xử lý công cụ, và khuyến khích lập kế hoạch chi tiết

Ngoài ra, tone (giọng văn) chỉ cách thể hiện cảm xúc: lịch sự, hài hước, trang trọng, thân thiện… Ví dụ: “Viết một email thân thiện cho khách hàng”, hay “mô tả sản phẩm với giọng điệu trang trọng”.		Ví dụ:
Prompt: “Bạn là một chuyên gia dinh dưỡng. Giải thích lý do tại sao ăn rau tốt cho sức khỏe theo giọng văn thân thiện và dễ hiểu.”
Phân tích: Yêu cầu “là chuyên gia dinh dưỡng” đặt AI vào vai một bác sĩ hoặc chuyên gia, khiến câu trả lời chi tiết và chính xác. “Giọng thân thiện, dễ hiểu” thì hướng AI dùng từ ngữ gần gũi, không quá học thuật, phù hợp với độc giả phổ thông.
30
Ví dụ mẫu (Few-shot Examples)Đưa vào một hoặc vài ví dụ về đầu vào-đầu ra mẫu (input-output) có thể giúp AI hiểu rõ kết quả bạn mong muốn. Kỹ thuật này gọi là few-shot learning. AI sẽ dựa vào ví dụ mẫu để mô phỏng định dạng, phong cách hoặc cấu trúc đáp án. Cách sử dụng ví dụ: Chèn ví dụ trước khi đặt câu lệnh chính. Ví dụ mẫu nên sát với yêu cầu và rõ ràng.Ví dụ:
Prompt:
“Dịch tiếng Việt sau sang tiếng Anh:
Input: Xin chào, bạn khỏe không? → Output: Hello, how are you?”
Sau đó tiếp tục: “Input: Cảm ơn bạn đã giúp đỡ. → Output:”
Phân tích: Prompt này đã cho AI ví dụ đầu vào và đầu ra mẫu (một câu tiếng Việt và bản dịch tiếng Anh). AI sẽ dựa vào mẫu đó để hoàn thành phần còn lại (dịch câu thứ hai).
Một prompt tốt sẽ kết hợp các thành phần trên một cách đầy đủ nhưng không thừa thãi. Tùy mục đích (viết văn, tạo ảnh, lập trình, tìm kiếm thông tin…) bạn có thể linh hoạt thêm bớt. Quan trọng là đảm bảo prompt rõ ràng, có mục tiêu cụ thể và đủ thông tin cần thiết cho AI, nhờ vậy kết quả đầu ra sẽ chính xác và dễ sử dụng hơn
31
32
Hướng dẫn viết promptĐặt hướng dẫn lên đầu: Luôn viết yêu cầu chính ngay ở phần đầu prompt, dùng dấu ### hoặc dấu ngoặc kép để tách biệt phần chỉ dẫn với ngữ cảnh. Ví dụ:
python
Copy
Edit
Summarize the text below as a bullet list of the most important points.
Text: """{văn bản cần tóm tắt}"""
33
Mô tả rõ ràng ngữ cảnh, định dạng, độ dài, phong cách mong muốn… Ví dụ không rõ ràng như “Viết một bài thơ về OpenAI” kém hiệu quả hơn “Viết một bài thơ ngắn đầy cảm hứng về OpenAI, tập trung vào sự ra mắt sản phẩm DALL-E gần đây, theo phong cách của {tên nhà thơ nổi tiếng}”

34
Cho ví dụ định dạng đầu ra: Nếu có thể, cho mẫu cụ thể về cấu trúc kết quả. OpenAI khuyên nên minh hoạ định dạng đầu ra rõ ràng, ví dụ:
yaml
Copy
Edit
Desired format:
Company names: <comma_separated_list>
People names: <comma_separated_list>
Specific topics: <comma_separated_list>
General themes: <comma_separated_list>
Text: "{văn bản}"
35
Bắt đầu với zero-shot, sau đó few-shotNhư đã đề cập, OpenAI khuyên thử prompt không có ví dụ trước. Nếu không đạt thì mới thêm vài ví dụ mẫu
36
Tránh mô tả mơ hồ: Tránh các yêu cầu chung chung hoặc trái chiều. Ví dụ “không nhắc đến username hay password” kém hiệu quả hơn là hướng dẫn làm việc khác thay thế
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100