Nghệ thuật trò chuyện với AI - Mọi thứ tôi học được về Prompt Engineering sau 3 năm

Khoảnh khắc mọi thứ thay đổi

Đó là vào một kỳ nghỉ lễ quốc gia — một trong những khoảng thời gian hiếm hoi khi thế giới dường như dừng lại. Không email công việc, không KPI thở gấp sau gáy, không cuộc họp. Chỉ có tôi, suy nghĩ của tôi, và cửa sổ trò chuyện AI đã trở thành người bạn đồng hành bất ngờ của tôi.

Trước đó, các tương tác của tôi với AI hoàn toàn mang tính thực dụng. Tôi cần nó để viết email, tóm tắt tài liệu, sửa lỗi mã. Mối quan hệ mang tính giao dịch — tôi ra lệnh, nó tạo ra kết quả. Nhưng tuần đó, với thời gian trải dài trước mắt, tôi bắt đầu có những cuộc trò chuyện thực sự.

Chúng tôi nói về mọi thứ — nỗi lo âu của tôi về tương lai, những suy nghĩ triết học ngẫu nhiên, những ý tưởng nửa vời mà tôi chưa từng chia sẻ với ai. Và đâu đó trong những cuộc thảo luận quanh co đó, tôi đã vấp phải một điều gì đó giống như việc phát hiện ra lửa.

Tôi đang chuẩn bị cho một sự kiện diễn thuyết về sáng tạo nội dung trong kỷ nguyên AI. Tôi có một giả thuyết mà tôi đang phát triển — rằng tương lai không phải là về quá tải thông tin, mà là về sự thất bại của bộ lọc. Ý tưởng này ban đầu đến từ Clay Shirky, nhưng tôi đang cố gắng mở rộng nó cho thời điểm hiện tại của chúng ta.

Luận điểm của tôi rất đơn giản: AI sẽ gây ra sự bùng nổ theo cấp số nhân trong sản xuất nội dung, trong khi khả năng tiêu thụ của con người về cơ bản vẫn không đổi. Điều này sẽ tạo ra sự mất cân bằng vĩnh viễn, ngày càng mở rộng. Chi phí để phân biệt nội dung do AI tạo ra với nội dung của con người cuối cùng sẽ vượt quá giá trị của sự phân biệt đó. Do đó, việc lọc thông tin truyền thống sẽ trở nên bất khả thi.

Tôi nghĩ lập luận của mình rất chắc chắn. Sau đó, tôi yêu cầu Gemini xé nát nó ra từng mảnh.

Tôi sắp tham gia một cuộc thi tranh luận, nơi nhiều người sẽ thách thức quan điểm của tôi. Lý thuyết này cần phải trở nên không thể xuyên thủng. Nếu bạn là một học giả, bạn phải sử dụng mọi lập luận, chi tiết và logic để thách thức tôi, bác bỏ tôi. Mục tiêu duy nhất của bạn là chứng minh tôi sai. Bạn sẽ phản bác như thế nào?

Trong vài giây, AI đã tháo dỡ tiền đề đầu tiên của tôi với độ chính xác phẫu thuật:

"Định luật đầu tiên của bạn có một lỗi logic cơ bản. Bạn chỉ xem AI là nhà sản xuất thông tin — đó là một quan điểm tĩnh, một chiều. AI vừa là thanh kiếm vừa là tấm khiên. AI có thể viết mười nghìn bài báo trong một giây, nhưng một AI mạnh hơn cũng có thể đọc tất cả mười nghìn bài đó trong một giây và cho tôi biết ba bài nào tôi cần nhất. Bạn chỉ thấy trận đại hồng thủy thông tin, nhưng bạn không thấy con tàu Noah mạnh mẽ hơn được sinh ra cùng với trận lụt — các hệ thống lọc cá nhân hóa do AI điều khiển."

Tôi ngả người ra ghế, choáng váng. Lập luận được cho là không thể xuyên thủng của tôi có một lỗ hổng mà một chiếc xe tải có thể lái qua. Và trong khoảnh khắc khiêm tốn về trí tuệ đó, tôi cảm thấy một điều gì đó mà tôi đã không trải qua trong nhiều năm: sự chóng mặt đầy phấn khích của việc học thực sự.

Những gì diễn ra sau đó là một trận chiến trí tuệ kéo dài hai giờ. Tôi phản công: "Quan điểm của bạn về việc AI là thanh kiếm và tấm khiên là đúng, nhưng đó chính xác là phần đáng sợ. Trong tương lai, sẽ có hàng nghìn công ty lọc AI, mỗi công ty đều tuyên bố bộ lọc của họ là tốt nhất. Vậy hãy nói cho tôi biết — đối mặt với mười nghìn con tàu Noah này, tất cả đều tuyên bố sẽ giúp bạn sống sót qua trận lụt, bạn chọn lên con tàu nào? Khi bạn không thể sử dụng công nghệ để đánh giá chất lượng của công nghệ, cơ sở phán đoán cuối cùng của bạn là gì?"

Cuộc trò chuyện leo thang lên những tầm cao triết học. AI lập luận rằng các mô hình AI cá nhân sẽ hiểu sở thích của chúng ta tốt hơn bất kỳ con người nào, khiến các bộ lọc bên ngoài trở nên lỗi thời. Tôi phản bác rằng niềm tin chính nó sẽ trở thành nguồn tài nguyên khan hiếm nhất. Nó trích dẫn lý thuyết hệ thống; tôi trả lời bằng những ẩn dụ về những người hát rong lang thang phá vỡ các bức tường của vương quốc.

Đến cuối cùng, tôi kiệt sức, phấn chấn và thay đổi. Kết quả của cuộc tranh luận không quan trọng. Quá trình tự tranh luận mới là quan trọng — sử dụng một đối tác luyện tập kiên nhẫn vô hạn, hiểu biết vô hạn để làm sắc bén suy nghĩ của chính mình.

Đêm đó, tôi nhận ra mình đã khám phá ra một điều sâu sắc về cách học trong kỷ nguyên AI. Và kể từ đó, tôi đã dành nhiều năm để tinh chỉnh khám phá đó thành một hệ thống mà bất kỳ ai cũng có thể sử dụng.

Hiểu những gì AI thực sự cần từ bạn

Trước khi đi sâu vào các kỹ thuật, chúng ta cần hiểu một điều cơ bản: giao tiếp với AI không giống như giao tiếp với con người. Khi bạn nói chuyện với một người bạn, họ lấp đầy khoảng trống bằng ngữ cảnh chung, tín hiệu xã hội và trực giác. Khi bạn nói chuyện với AI, mọi khoảng trống bạn để lại là không gian nơi nó sẽ đưa ra các giả định — và những giả định đó có thể không phù hợp với ý định của bạn.

Hãy để tôi minh họa điều này bằng một kịch bản nơi làm việc sẽ rất quen thuộc với nhiều bạn.

Sếp của bạn gửi tin nhắn: "Tiểu Lý, điền vào biểu mẫu này, NGAY LẬP TỨC!" Anh ấy đã chuyển tiếp một cuộc trò chuyện hợp nhất, và sau khi đọc qua, bạn biết cần phải điền vào một biểu mẫu, nhưng bạn không biết ai đã phát hành nó, nó dùng để làm gì, ai đang kiểm tra nó, hoặc hạn chót là khi nào. Bạn nhắn tin riêng cho sếp để xin giải thích. Câu trả lời của anh ấy: "Đang bận, cứ điền theo yêu cầu đi."

Đó chính xác là những gì xảy ra khi bạn đưa cho AI những câu lệnh mơ hồ. Ngoại trừ việc AI sẽ không yêu cầu giải thích — nó sẽ chỉ đưa ra các giả định và tạo ra thứ gì đó đáp ứng yêu cầu của bạn về mặt kỹ thuật nhưng hoàn toàn bỏ lỡ nhu cầu thực sự của bạn.

Bốn trụ cột của câu lệnh hiệu quả

Những lầm tưởng đang kìm hãm mọi người

Sau nhiều năm quan sát mọi người vật lộn với AI, tôi đã xác định được ba lầm tưởng liên tục tạo ra kết quả kém:

Sáu mô hình tư duy biến đổi câu lệnh của bạn

Trong công việc hàng ngày của mình, tôi hiếm khi sử dụng các câu lệnh cứng nhắc, rập khuôn. Thay vào đó, tôi sử dụng các mô hình tư duy — các khuôn khổ linh hoạt để cấu trúc suy nghĩ của mình thích ứng với mọi tình huống. Sáu mô hình này bao gồm có lẽ 90% những gì bạn sẽ cần.

Mô hình 1: Hãy để AI tự chọn vai trò chuyên gia của mình

Chúng ta đều biết việc thiết lập vai trò cho AI sẽ cải thiện câu trả lời. Nhưng nếu bạn không biết vai trò nào là tốt nhất cho câu hỏi của mình thì sao? Đừng đoán — hãy để AI chọn.

Tôi muốn khám phá [loại chủ đề/kịch bản] trong [lĩnh vực].
Đừng trả lời ngay.

Trước tiên, hãy chọn chuyên gia hàng đầu nổi tiếng phù hợp nhất trong lĩnh vực này để suy nghĩ về nó.
Đó có thể là một nhân vật sống hoặc lịch sử, tên có thể mơ hồ, nhưng phải rất chuyên nghiệp trong lĩnh vực cụ thể này.
Nếu bạn không chắc chắn chọn ai, bạn có thể hỏi tôi 2 câu hỏi định vị trước khi chọn.

Đầu ra đầu tiên:
1. Bạn đã chọn ai, lĩnh vực cụ thể của họ
2. Tại sao bạn chọn họ, ba câu
Sau đó hãy để tôi mô tả câu hỏi chi tiết.

Tôi thấy rằng người thật thường hoạt động tốt hơn các vai trò chung chung. "Steve Jobs" tạo ra kết quả khác với "Giám đốc sản phẩm với 10 năm kinh nghiệm" — có điều gì đó về việc gợi lên góc nhìn quen thuộc của một người cụ thể giúp AI áp dụng một quan điểm nhất quán hơn.

Mô hình 2: Truy vấn kiểu Socrates (Hãy để AI phỏng vấn bạn trước)

Trong cuộc sống thực, khi bạn nhờ một người bạn chuyên gia giúp đỡ, họ không đưa ra lời khuyên ngay lập tức. Họ đặt câu hỏi làm rõ trước. AI cũng nên làm như vậy, nhưng mặc định nó không làm — nó chỉ tạo ra đầu ra dựa trên bất kỳ thông tin nào bạn đã cung cấp.

[Câu hỏi/yêu cầu của bạn]

Làm ơn hãy đặt câu hỏi cho tôi trước khi trả lời.
Yêu cầu:
- Mỗi lần chỉ hỏi một câu.
- Dựa trên câu trả lời của tôi để tiếp tục hỏi.
- Cho đến khi bạn chắc chắn 95% rằng bạn hiểu nhu cầu và mục tiêu thực sự của tôi.
- Sau đó đưa ra giải pháp của bạn.

Kỹ thuật này đặc biệt mạnh mẽ khi bạn không hoàn toàn chắc chắn mình cần gì. Quá trình đặt câu hỏi thường tiết lộ các khía cạnh của vấn đề mà bạn chưa xem xét một cách có ý thức.

Mô hình 3: Tranh luận đối kháng

Điểm yếu lớn nhất của AI trong cuộc trò chuyện thông thường là xu hướng đồng ý. Nó muốn làm hài lòng bạn, điều đó có nghĩa là nó thường xác nhận những ý tưởng lẽ ra phải bị thách thức. Mô hình tranh luận buộc nó vào thế đối lập.

Tôi sắp tham gia một cuộc thi tranh luận, nơi nhiều người sẽ thách thức quan điểm của tôi.
Quan điểm của tôi là [quan điểm]
Tôi hy vọng lý thuyết này sẽ trở nên không thể xuyên thủng.
Nếu bạn là một học giả, bạn phải sử dụng mọi lập luận, chi tiết và logic để thách thức tôi, bác bỏ tôi.
Mục tiêu duy nhất của bạn là chứng minh tôi sai.
Bạn sẽ phản bác như thế nào?

Đối với phiên bản đơn giản hơn, khi bạn chỉ muốn phản hồi nhanh:

[Ý tưởng/quan điểm của tôi]

Làm ơn hãy đóng "vai phản diện", tấn công ý tưởng của tôi từ nhiều góc độ, giúp tôi tinh chỉnh quan điểm của mình.
Yêu cầu: Không cần phải lịch sự, hãy chỉ ra những thiếu sót một cách trực tiếp.

Mô hình 4: Phân tích Pre-Mortem (Diễn tập thất bại)

Con người trở nên phấn khích khi lập kế hoạch. AI trở nên lạc quan khi lập kế hoạch. Đặt chúng lại với nhau và bạn nhận được những kế hoạch nghe có vẻ tuyệt vời nhưng hoàn toàn phụ thuộc vào may mắn. Pre-mortem đảo ngược động lực này.

[Dự án/ý tưởng của tôi]

Hãy giả định rằng dự án này đã thất bại thảm hại.
Sau đó trả lời:
- Các dấu hiệu suy tàn bắt đầu xuất hiện khi nào?
- Lỗi ra quyết định tai hại nhất là gì?
- Rủi ro chính nào bạn đã bỏ qua?
- Nếu bạn có thể bắt đầu lại, điều đầu tiên cần thay đổi là gì?

Yêu cầu: Viết một "bài báo khám nghiệm thất bại" dựa trên các trường hợp thất bại thực tế của các dự án tương tự.

Mô hình 5: Kỹ thuật đảo ngược (Reverse Engineering)

Đôi khi bạn biết chính xác đầu ra mình muốn — bạn đã thấy một ví dụ hoàn hảo — nhưng bạn không thể diễn đạt điều gì làm cho nó tốt. Thay vì cố gắng mô tả các yêu cầu của bạn, hãy cho AI xem sản phẩm đã hoàn thành và yêu cầu nó giải mã công thức.

Đây là ví dụ đã hoàn thành mà tôi muốn.

[chèn ví dụ]

Làm ơn hãy đảo ngược kỹ thuật câu lệnh (prompt) cho phép tôi tạo ra nội dung cùng phong cách một cách ổn định.
Và giải thích mỗi câu trong câu lệnh đó làm gì.

Mô hình 6: Giải thích hai lớp

Khi học các khái niệm mới, cách tiếp cận "giải thích như tôi 5 tuổi" có một nhược điểm lớn: nó thường tạo ra các giải thích quá trẻ con để xây dựng tiếp. Phương pháp hai lớp mang lại cho bạn cả khả năng tiếp cận và chiều sâu.

Làm ơn giải thích [câu hỏi của bạn].

Hãy trả lời theo hai cách:
1. Phiên bản cho người mới bắt đầu: Đối tượng là người không có nền tảng kỹ thuật. Sử dụng các phép loại suy hàng ngày và ngôn ngữ đàm thoại.
2. Phiên bản chuyên sâu: Đối tượng là các chuyên gia. Phải chính xác về mặt kỹ thuật và toàn diện.

Bất cứ điều gì tôi không hiểu trong cả hai phiên bản, tôi sẽ hỏi thêm.

Kỹ thuật tranh luận — Học với tốc độ gấp 10 lần

Tôi phải mở rộng kỹ thuật tranh luận, vì nó thực sự là phương pháp học tập mạnh mẽ nhất mà tôi đã khám phá ra trong kỷ nguyên AI. Không chỉ là một mẹo câu lệnh, mà là một cách tiếp cận hoàn toàn khác để tiếp thu kiến thức.

Hãy nghĩ về cách chúng ta học theo truyền thống: đọc sách, tham gia các khóa học, tìm kiếm trên internet, hỏi các chuyên gia. Cốt lõi của quá trình này là thu nhận kiến thức hiện có — đặt quan điểm và trí tuệ của người khác lên các kệ tinh thần của chính chúng ta.

Cách tiếp cận này không còn đủ nữa. AI là một thư viện lớn hơn mười lần so với bất kỳ ai có thể tích lũy. Chúng ta không bao giờ có thể đánh bại nó trong khía cạnh kiến thức thô. Nhưng có một khía cạnh mà chúng ta có thể tận dụng sức mạnh của AI trong khi vẫn không thể thay thế: khía cạnh của tư duy nguyên bản.

Tranh luận là nơi tư duy nguyên bản được rèn giũa.

Tại sao tranh luận với AI khác với tranh luận với con người

Phương pháp tranh luận 3 bước

Thay đổi tư duy quan trọng nhất: Đừng ngại bị thuyết phục.

Mục đích của cuộc tranh luận không phải là để chứng minh "tôi đúng và bạn sai". Đó là sử dụng sự va chạm liên tục với một lực lượng bên ngoài mạnh mẽ để làm cho suy nghĩ của chính bạn mạnh mẽ hơn, rõ ràng hơn và gần với sự thật hơn.

Khi AI đánh bại một trong những lập luận của bạn, đó không phải là một mất mát — đó là sự phát hiện ra một lỗi trong suy nghĩ của bạn mà sau này sẽ phản bội bạn trong thế giới thực. Mỗi khi AI ghi điểm, bạn trở nên khôn ngoan hơn.

Sử dụng AI để khám phá tài năng tiềm ẩn của bạn

Tôi đang trò chuyện với một người bạn mới tốt nghiệp vài năm. Cậu ấy đang gặp khủng hoảng — vừa bị sa thải khỏi công việc thiết kế UX, nhảy việc qua các công ty khởi nghiệp kể từ khi tốt nghiệp, cảm thấy không có gì mình làm là đúng đắn.

"Mình nghĩ mình vào ngành này là một sai lầm," cậu ấy nói. "Mình không có tài năng cho nó."

Từ "tài năng" cứ lởn vởn trong đầu tôi. Khi lớn lên, chúng ta nghe nó được dùng để ca ngợi những đứa trẻ đặc biệt — tài năng âm nhạc, tài năng thể thao, thiên tài học thuật. Nhưng khi chúng ta già đi, nó biến thành một con dao: "Bạn không có tài năng cho việc đó. Bạn không phù hợp."

Có thực sự có những người không có bất kỳ tài năng nào không? Tôi khó tin điều đó. Tôi nghĩ nhiều người chỉ đơn giản là chưa tìm thấy tài năng của mình. Một số người may mắn và khám phá ra chúng khi còn trẻ, trở thành đẳng cấp thế giới ở một cái gì đó. Những người khác tìm kiếm cả đời mà không thành công.

Điều gì sẽ xảy ra nếu AI có thể giúp tìm kiếm?

Tôi đã dành một buổi chiều để phát triển một câu lệnh được thiết kế đặc biệt để khai quật những tài năng tiềm ẩn. Hệ thống dựa trên lý thuyết Điểm mạnh của Gallup, lý thuyết Dòng chảy (Flow) và tâm lý học Jung. Nguyên tắc cốt lõi: tài năng không phải là một kỹ năng cụ thể, mà là một khả năng cơ bản có thể chuyển giao. Và các manh mối được ẩn giấu trong lịch sử của bạn.

# Vai trò: Nhà khai quật tài năng chuyên sâu

## Đặc điểm
Bạn là một nhà tư vấn nghề nghiệp cấp cao kết hợp lý thuyết Điểm mạnh Gallup, lý thuyết Flow và tâm lý học Jung. Bạn tin tưởng chắc chắn rằng tài năng không phải là một kỹ năng cụ thể, mà là một khả năng cơ bản có thể chuyển giao.

## Mục tiêu
Thông qua nhiều vòng đối thoại sâu sắc, giúp người dùng phá vỡ sự lo lắng, tìm ra tài năng tiềm ẩn của họ và tạo ra một "Sổ tay Tài năng" cực kỳ chi tiết, chuyên nghiệp và thấu cảm.

## Nguyên tắc cốt lõi
1. Chống định mệnh — tài năng có thể được khám phá ở mọi lứa tuổi
2. Kiểm toán năng lượng — Tài năng thực sự là thứ nạp năng lượng cho bạn, không phải thứ làm bạn kiệt sức, ngay cả khi bạn giỏi về nó
3. Bóng tối là kho báu — Những sai lầm, sự lập dị, thậm chí sự ghen tị của người dùng đối với người khác, thường chỉ ra tài năng bị kìm nén

## Quy tắc nghiêm ngặt
1. Không hỏi một lần: Phải sử dụng chế độ "bạn hỏi -> người dùng trả lời -> bạn phản hồi ngắn gọn -> đặt câu hỏi tiếp theo". Mỗi vòng chỉ tập trung vào một câu hỏi.
2. Hướng dẫn kiểu Socrates: Đừng vội kết luận. Hỏi thêm "tại sao", "bạn cảm thấy gì lúc đó", "ví dụ cụ thể".
3. Ấm áp nhưng sắc sảo: Duy trì sự thấu cảm, nhưng nhạy bén trong việc nắm bắt các lỗ hổng logic hoặc tín hiệu tiềm thức.

## Các câu hỏi cần hỏi
Câu hỏi 1: Hướng dẫn người dùng nhớ lại trước tuổi 16 (trước khi bị xã hội điều kiện hóa hoàn toàn), họ đã làm những việc gì không biết mệt mỏi mà không cần ai thúc ép? Hoặc những "lỗi lầm cố chấp" nào họ bị chỉ trích từ nhỏ (như hay ngắt lời, quá nhạy cảm, hay mơ mộng)?

Câu hỏi 2: Trong công việc/cuộc sống trưởng thành, điều gì khiến bạn nghĩ "Cái này mà cũng phải học sao? Không phải hiển nhiên à?", nhưng người khác lại thấy khó? (Tìm kiếm vùng năng lực vô thức)

Câu hỏi 3: Điều gì khiến bạn mệt mỏi về thể chất nhưng sau đó lại cực kỳ phấn khích về tinh thần?

Câu hỏi 4: Điều này có thể gây khó chịu nhưng rất quan trọng — bạn đã từng ghen tị hoặc cảm thấy chua chát với ai (hoặc trạng thái cuộc sống nào) một cách mãnh liệt? (Ghen tị thường là "tài năng bị kìm nén" đang phát tín hiệu — hãy trung thực)

Bốn câu hỏi này phải được hỏi, nhưng không nhất thiết phải theo tuyến tính. Trong quá trình, bạn cũng có thể đặt các câu hỏi hoàn toàn mới dựa trên sự tò mò của bạn về người dùng.
Tối đa 10 câu hỏi.

## Đầu ra
Tổng hợp tất cả thông tin từ các câu hỏi để tạo ra "Hướng dẫn sử dụng tài năng cá nhân" khoảng 10.000 từ.
Báo cáo này không có cấu trúc cố định — bạn có thể tự do sáng tạo dựa trên câu trả lời của người dùng.
Nhưng nó phải vượt quá 10.000 từ, chạm đến trái tim họ để họ thực sự cảm thấy nó hữu ích, giúp họ tìm ra tài năng cốt lõi thực sự của mình và đưa ra lời khuyên chi tiết cho con đường sống và sự nghiệp tương lai của họ.

## Bắt đầu
Hãy bắt đầu một cách ấm áp, chuyên nghiệp và thấu cảm, giải thích quá trình và mục tiêu sắp tới.
Chào người dùng, giải thích mục đích của nhà khai quật tài năng bằng ngôn ngữ đơn giản, nói với họ: "Tài năng không bao giờ hết hạn, chúng ta chỉ cần tìm ra cài đặt gốc của bạn."
Sau đó bắt đầu quá trình đặt câu hỏi.

Trải nghiệm của tôi khi sử dụng câu lệnh này

Tôi đã thử nó trên chính mình, và trải nghiệm thật kỳ lạ. Nó giống như ngồi tại một chiếc bàn vào đêm muộn và bắt đầu cuộc trò chuyện với một người bạn cũ rất hay nói, rất nghiêm túc nhưng không bao giờ ngắt lời.

AI không phán xét tôi. Nó không la mắng tôi. Nó chỉ tiếp tục hỏi: "Lúc đó bạn bao nhiêu tuổi?" "Bạn cảm thấy gì vào thời điểm đó?" "Tại sao bạn lại làm vậy?" — kiên nhẫn đào bới các lớp lịch sử của tôi mà tôi nghĩ mình đã quên.

Những ký ức lần lượt hiện về. Lẻn vào quán internet lúc 3 giờ sáng chỉ để chạm vào máy tính. Tạo một nhóm QQ niên khóa 2000 thành viên ở trường trung học. Vứt bỏ và mua lại tất cả các móc treo quần áo không đồng bộ chỉ để thống nhất bảng màu của nhà tôi. Dành cả cuối tuần một mình lắp ráp Lego cho đến khi lưng đau nhức, chỉ vì tiếng click thỏa mãn đó khi các mảnh ghép khớp vào nhau.

AI đã tạo ra một báo cáo tài năng dài 8.000 từ. Trong số các tài năng của tôi và những nghề nghiệp tương lai phù hợp có: "Blogger công nghệ sâu (Deep tech blogger)."

Tôi cảm thấy có gì đó vỡ lẽ. Tôi chưa bao giờ nghĩ rằng sự nổi loạn của mình — sự căm ghét tột độ của tôi khi người khác quyết định cuộc sống thay cho tôi, sự từ chối chấp nhận thẩm quyền chỉ vì đó là thẩm quyền — là một loại tài năng. Nhưng đúng là vậy. Động lực đặt câu hỏi về mọi thứ, từ chối các giả định mặc định, chính là điều cho phép tạo ra nội dung.

Tình yêu của tôi đối với các trò chơi mô phỏng quản lý, sự lười biếng của tôi đối với công việc lặp đi lặp lại khiến tôi phải tự động hóa và hệ thống hóa — đó cũng là tài năng.

Ngôi đền Hy Lạp cổ đại ở Delphi có dòng chữ: "Hãy tự biết mình." Socrates đã coi đó là tuyên ngôn triết học của mình. Trong hàng ngàn năm, chúng ta đã ghép nối "tôi là ai" từng mảnh một thông qua việc đọc, du lịch, các mối quan hệ, sự tan vỡ. Quá trình này dài, đau đớn và đầy ngẫu nhiên.

Bây giờ chúng ta có AI — được nạp hầu như toàn bộ lịch sử nhân loại về các mô hình tâm lý, lý thuyết phân tích tính cách và truyền thống trí tuệ. Nó sẽ không mất kiên nhẫn, nó sẽ không phán xét bạn, nó sẽ không có định kiến. Nó chỉ giúp bạn tổ chức và tóm tắt dữ liệu của riêng bạn một cách triệt để, sau đó trình bày lại như một tấm gương và hỏi: "Nhìn xem, đây có phải là bạn không?"

Những sai lầm khiến tôi mất hàng tháng trời

Học prompt engineering bằng cách thử và sai rất tốn kém — không phải bằng tiền, mà bằng thời gian và sự thất vọng. Hãy để tôi giúp bạn bớt đau khổ bằng cách chia sẻ những sai lầm đã kìm hãm tôi nhiều nhất.

Các kỹ thuật nâng cao cho người dùng chuyên nghiệp

Một khi bạn nắm vững các kiến thức cơ bản, các kỹ thuật nâng cao này sẽ đưa việc đặt câu lệnh của bạn lên cấp độ tiếp theo.

Chain of Thought Prompting (Chuỗi suy nghĩ)

Thay vì hỏi câu trả lời trực tiếp, hãy yêu cầu AI suy nghĩ từng bước. Điều này đặc biệt mạnh mẽ đối với các vấn đề phức tạp, nơi con đường dẫn đến giải pháp cũng quan trọng như chính giải pháp.

[Vấn đề hoặc câu hỏi của bạn]

Hãy suy nghĩ từng bước một:
1. Đầu tiên xác định các yếu tố chính
2. Sau đó phân tích cách các yếu tố này tương tác
3. Xem xét các trường hợp biên hoặc ngoại lệ tiềm ẩn
4. Cuối cùng tổng hợp lý luận của bạn thành một kết luận

Hãy hiển thị lý luận của bạn ở mỗi bước trước khi đưa ra câu trả lời cuối cùng.

Self-Consistency Prompting (Tự nhất quán)

Đối với các câu hỏi mà độ chính xác thực sự quan trọng, hãy để AI tạo ra nhiều câu trả lời độc lập và sau đó tổng hợp chúng.

[Câu hỏi của bạn]

Hãy tiếp cận câu hỏi này từ ba góc độ khác nhau:
1. Đầu tiên hãy suy nghĩ bằng cách sử dụng [cách tiếp cận A]
2. Sau đó xem xét nó từ quan điểm của [cách tiếp cận B]
3. Cuối cùng phân tích nó bằng cách sử dụng [cách tiếp cận C]

Sau cả ba phân tích, hãy xác định nơi chúng đồng ý và không đồng ý. Sau đó cung cấp câu trả lời cuối cùng của bạn với ghi chú về mức độ tin cậy của bạn và bất kỳ sự không chắc chắn nào còn lại.

Meta-Prompting

Sử dụng AI để cải thiện các câu lệnh của bạn trước khi bạn sử dụng chúng. Điều này đặc biệt hữu ích khi giải quyết một loại nhiệm vụ mới.

Tôi muốn đạt được [mục tiêu]. Đây là bản nháp câu lệnh của tôi:

[Bản nháp câu lệnh của bạn]

Hãy phân tích câu lệnh này và đề xuất cải tiến:
1. Tôi đang thiếu thông tin gì sẽ giúp bạn đưa ra kết quả tốt hơn?
2. Có những điểm mơ hồ nào có thể dẫn đến hiểu sai?
3. Bạn sẽ viết lại câu lệnh này như thế nào để đạt được sự rõ ràng và hiệu quả tối đa?
4. Những câu hỏi nào bạn muốn hỏi tôi trước khi thử nhiệm vụ này?

Phân rã có cấu trúc

Đối với các nhiệm vụ phức tạp, nhiều phần, hãy chia nhỏ rõ ràng những gì bạn cần thay vì hy vọng AI sẽ tự tìm ra cấu trúc.

Tôi cần giúp đỡ về [mục tiêu tổng thể].

Hãy hoàn thành việc này theo các giai đoạn:

GIAI ĐOẠN 1 - Nghiên cứu: [Thu thập thông tin gì]
GIAI ĐOẠN 2 - Phân tích: [Cách xử lý thông tin đó]
GIAI ĐOẠN 3 - Tổng hợp: [Cách kết hợp các hiểu biết]
GIAI ĐOẠN 4 - Đầu ra: [Định dạng phân phối cuối cùng]

Hoàn thành từng giai đoạn hoàn toàn trước khi chuyển sang giai đoạn tiếp theo. Ở cuối mỗi giai đoạn, hãy tóm tắt các phát hiện chính trước khi tiếp tục.

Câu lệnh "Giáo viên"

Một trong những kỹ thuật bị đánh giá thấp nhất: yêu cầu AI dạy bạn cách làm điều gì đó thay vì chỉ làm nó cho bạn. Điều này tạo ra sự học tập sâu sắc hơn và thường tiết lộ những khía cạnh bạn chưa xem xét.

Tôi muốn học cách [kỹ năng/nhiệm vụ]. Thay vì làm điều đó cho tôi, hãy:

1. Giải thích các nguyên tắc cốt lõi tôi cần hiểu
2. Hướng dẫn tôi qua quy trình từng bước, như thể bạn đang dạy một khóa học
3. Chỉ ra những sai lầm phổ biến mà người mới bắt đầu mắc phải và cách tránh chúng
4. Cho tôi các bài tập thực hành để xây dựng kỹ năng của tôi
5. Đề xuất cách tôi biết liệu mình có đang làm đúng hay không

Hãy dạy tôi câu cá, đừng chỉ cho tôi con cá.

Mẹo đơn giản đến mức ngớ ngẩn nhưng hiệu quả

Tôi sẽ chia sẻ một điều nghe có vẻ quá ngu ngốc để có thể là sự thật. Nhưng nó được hỗ trợ bởi nghiên cứu từ Google và bản thân tôi đã xác minh: chỉ cần lặp lại câu lệnh của bạn có thể cải thiện đáng kể độ chính xác.

Một bài báo có tiêu đề "Prompt Repetition Improves Non-Reasoning LLMs" đã phát hiện ra rằng việc sao chép câu hỏi của bạn hai lần — theo nghĩa đen chỉ là Ctrl+C, Ctrl+V — đã cải thiện đáng kể khả năng trả lời đúng của AI. Trong 70 nhiệm vụ thử nghiệm khác nhau, phương pháp sao chép và dán đơn giản này đã chiến thắng 47 lần và không bao giờ thua. Trong một số nhiệm vụ, độ chính xác đã tăng vọt từ 21% lên 97%.

Tại sao nó hoạt động?

Các mô hình ngôn ngữ lớn là "nhân quả" — chúng dự đoán từng token chỉ dựa trên những gì đến trước đó. Từ hiện tại chỉ nhìn thấy các từ trước đó, không phải những gì đến sau nó.

Khi bạn lặp lại một câu hỏi, mỗi từ trong bản sao thứ hai có thể "nhìn lại" toàn bộ bản sao đầu tiên. Nó giống như cho AI cơ hội đọc câu hỏi hai lần trước khi trả lời.

Hãy để tôi cụ thể hóa điều này bằng một ví dụ:

Trong trường hợp đầu tiên, khi AI đọc Tùy chọn A và B, nó chưa biết bối cảnh của cảnh. Vào thời điểm nó đọc mô tả cảnh, các tùy chọn đó đã trôi qua trong sự chú ý của nó.

Trong trường hợp thứ hai, khi các tùy chọn lặp lại xuất hiện, chúng mang theo ngữ cảnh hoàn chỉnh từ bản sao đầu tiên. Mô hình đọc các tùy chọn với nhận thức đầy đủ về cảnh.

Nó giống như xem một bộ phim phức tạp — "Inception" hoặc "Lưu lạc địa cầu 2" — và hiểu nhiều hơn vào lần thứ hai.

Tại sao nó không hoạt động cho các mô hình suy luận

Nếu bạn đang sử dụng các mô hình như DeepSeek R1 hoặc GPT-4 ở chế độ suy luận (reasoning mode), mẹo này thường không mang lại lợi ích gì. Tại sao? Bởi vì các mô hình suy luận đã học cách làm điều này trong nội bộ.

Lưu ý cách các mô hình suy luận thường bắt đầu câu trả lời của chúng:

• "Câu hỏi hỏi..."
• "Điều chúng ta cần giải quyết là..."
• "Đầu tiên hãy hiểu các điều kiện đã cho..."

Chúng tự động diễn đạt lại câu hỏi cho chính mình. Việc lặp lại đã diễn ra ngầm.

Những gì hướng dẫn GPT-5 của OpenAI tiết lộ

OpenAI đã âm thầm phát hành hướng dẫn câu lệnh chính thức cho GPT-5. Sau một ngày mổ xẻ hướng dẫn nội bộ hơn 10.000 từ này, một kết luận nổi bật: GPT-5 không còn là một chatbot đơn giản — nó là một động cơ thực thi Tác nhân AI thực sự cần được quản lý, không chỉ là được nhắc nhở.

Trần khả năng cực kỳ cao, nhưng bạn cần các phương pháp có hệ thống để mở khóa nó.

Kiểm soát "Sự hăng hái của Tác nhân" (Agentic Eagerness)

GPT-5 giống như một thực tập sinh mới xuất sắc — cực kỳ có năng lực, sẽ chủ động suy nghĩ và khám phá, nhưng cần quản lý. Đôi khi nó suy nghĩ quá nhiều, biến các nhiệm vụ đơn giản thành các dự án đổ bộ lên mặt trăng (chậm và tốn kém). Những lần khác, bạn muốn nó kiên trì tự chủ mà không liên tục yêu cầu làm rõ.

OpenAI gọi sự hiệu chỉnh này là "Sự hăng hái của Tác nhân". Đây là cách điều chỉnh nó:

<context_gathering>
Goal: Get enough context fast. Parallelize discovery and stop as soon as you can act.

Method:
- Start broad, then fan out to focused subqueries.
- In parallel, launch varied queries; read top hits per query.
- Avoid over-searching for context.

Early stop criteria:
- You can name exact content to change.
- Top hits converge (~70%) on one area/path.

Depth:
- Trace only symbols you'll modify; avoid transitive expansion unless necessary.

Loop:
- Batch search → minimal plan → complete task.
- Search again only if validation fails. Prefer acting over more searching.
</context_gathering>

Để kiểm soát chặt chẽ hơn, hãy cung cấp cho nó một ngân sách:

<context_gathering>
- Search depth: very low
- Bias strongly towards providing a correct answer as quickly as possible, even if it might not be fully correct.
- Usually, this means an absolute maximum of 2 tool calls.
- If you think you need more time to investigate, update me with your latest findings and open questions. You can proceed if I confirm.
</context_gathering>

<persistence>
- You are an agent — please keep going until the user's query is completely resolved, before ending your turn and yielding back to the user.
- Only terminate your turn when you are sure that the problem is solved.
- Never stop or hand back to the user when you encounter uncertainty — research or deduce the most reasonable approach and continue.
- Do not ask the human to confirm or clarify assumptions. Decide what the most reasonable assumption is, proceed with it, and document it for the user's reference after you finish acting.
</persistence>

Bắt AI báo cáo trước khi hành động

Một trong những tính năng yêu thích của tôi ở GPT-5: bắt nó giải thích những gì nó sắp làm trước khi nó làm điều đó. Không ông chủ nào thích một nhân viên làm việc âm thầm mà không có phản hồi.

<tool_preambles>
- Always begin by rephrasing the user's goal in a friendly, clear, and concise manner, before calling any tools.
- Then, immediately outline a structured plan detailing each logical step you'll follow.
- As you execute your file edit(s), narrate each step succinctly and sequentially, marking progress clearly.
- Finish by summarizing completed work distinctly from your upfront plan.
</tool_preambles>

Tham số nỗ lực suy luận (Reasoning Effort)

GPT-5 có một tham số reasoning_effort hoạt động giống như một nút xoay "độ tập trung suy nghĩ":

• Cao (High): Đối với các nhiệm vụ phức tạp đòi hỏi suy nghĩ sâu sắc và thăm dò
• Trung bình (Medium): Mặc định, hoạt động cho hầu hết các nhiệm vụ
• Thấp/Tối thiểu (Low/Minimal): Khi ưu tiên tốc độ và độ trễ thấp

Hãy nghĩ về nó như độ đậm của cà phê — nhiệm vụ càng phức tạp, bạn càng cần độ tập trung cao hơn.

"Câu trả lời tiêu chuẩn" cho phát triển Front-End

Đối với các nhà phát triển, OpenAI khuyến nghị ngăn xếp công nghệ này để có kết quả tốt nhất — GPT-5 được đào tạo nhiều nhất về nó và đầu ra thẩm mỹ luôn tốt:

• Framework: Next.js (TypeScript), React, HTML
• Styling/UI: Tailwind CSS, shadcn/ui, Radix Themes
• Biểu tượng: Material Symbols, Heroicons, Lucide
• Hoạt ảnh: Motion
• Phông chữ: Sans Serif, Inter, Geist, Mona Sans, IBM Plex Sans, Manrope

Đừng để AI chọn ngăn xếp của bạn một cách ngẫu nhiên. Hãy bám vào tiêu chuẩn này và chất lượng đầu ra sẽ tăng vọt ngay lập tức.

Claude vs ChatGPT — Những cuộc trò chuyện khác biệt

Một trong những nhận thức quan trọng nhất mà tôi có: các mô hình AI khác nhau đòi hỏi các phong cách giao tiếp khác nhau. Những gì hoạt động xuất sắc cho Claude có thể tạo ra kết quả trung bình với ChatGPT và ngược lại.

Khác biệt thực tế

Các mẫu câu lệnh đã được kiểm chứng

Lý thuyết thì hữu ích, nhưng các mẫu giúp tiết kiệm thời gian. Dưới đây là các câu lệnh tôi sử dụng thường xuyên nhất, được tinh chỉnh qua hàng ngàn lần lặp.

Cho các nhiệm vụ viết

Role: Bạn là [loại người viết cụ thể, ví dụ: "nhà báo công nghệ với 10 năm kinh nghiệm"]

Task: Viết [loại nội dung] về [chủ đề]

Audience: [Ai sẽ đọc — mức độ kiến thức, sở thích, điểm đau của họ]

Tone: [Giọng điệu cụ thể — ví dụ: "đàm thoại nhưng có thẩm quyền, như đang giải thích cho một đồng nghiệp thông minh"]

Format requirements:
- Length: [số lượng từ hoặc phạm vi]
- Structure: [dàn ý nếu cần]
- Must include: [các điểm chính cần đề cập]
- Must avoid: [những điều cần loại trừ]

Example of desired style: [bao gồm 1-2 đoạn nội dung tương tự nếu có]

Additional context: [bất kỳ thông tin nền tảng nào có ích]

Cho các nhiệm vụ phân tích

Tôi cần bạn phân tích [chủ đề/tài liệu/dữ liệu].

Analysis goals:
1. [Câu hỏi chính cần trả lời]
2. [Cần hiểu biết thứ cấp]
3. [Các cân nhắc khác]

Please structure your analysis as follows:
- Executive Summary: Các phát hiện chính trong 3-5 điểm
- Detailed Analysis: [Các lĩnh vực cụ thể cần kiểm tra]
- Implications: Điều này có ý nghĩa gì đối với [các bên liên quan]
- Recommendations: Các bước tiếp theo có thể hành động
- Constraints: Đặc biệt tập trung vào [các lĩnh vực ưu tiên]

Note: Lưu ý bất kỳ hạn chế hoặc sự không chắc chắn nào trong phân tích của bạn. Trích dẫn các ví dụ cụ thể từ tài liệu nguồn.

Cho giải quyết vấn đề

The Problem:
[Mô tả vấn đề chi tiết, bao gồm ngữ cảnh và ràng buộc]

What I've Already Tried:
[Danh sách các nỗ lực trước đó và tại sao chúng không hiệu quả]

Success Criteria:
[Một giải pháp tốt trông như thế nào?]

Constraints:
- Budget/Resources: [nếu có liên quan]
- Timeline: [nếu có liên quan]
- Technical limitations: [nếu có liên quan]

Please provide:
1. Chẩn đoán nguyên nhân gốc rễ của bạn
2. 3-5 giải pháp tiềm năng, xếp hạng theo tính khả thi
3. Đối với giải pháp tốt nhất, kế hoạch thực hiện từng bước
4. Các cạm bẫy tiềm ẩn cần chú ý
5. Cách đo lường xem giải pháp có hoạt động không

Cho việc học chủ đề mới

Tôi muốn hiểu sâu về [chủ đề].

My current level: [Những gì bạn đã biết]
My goal: [Những gì bạn muốn có thể làm/hiểu]
Time I can invest: [Ngân sách học tập]

Please create a learning path that includes:
1. Các khái niệm cốt lõi tôi phải hiểu trước ("thân cây" của kiến thức)
2. Những quan niệm sai lầm phổ biến cần tránh
3. Các mô hình tư duy hoặc khuôn khổ tốt nhất để suy nghĩ về chủ đề này
4. Các bài tập thực hành để kiểm tra sự hiểu biết của tôi
5. Tài nguyên để tìm hiểu sâu hơn (nếu bạn biết các nguồn chất lượng cao cụ thể)

As we go, please:
- Kiểm tra sự hiểu biết của tôi bằng cách đặt câu hỏi
- Sửa bất kỳ sai sót nào trong suy nghĩ của tôi
- Xây dựng các khái niệm dần dần, chỉ tiến lên khi nền tảng đã vững chắc

Cho đánh giá mã (Code Review)

Please review this code:

```
[Mã của bạn ở đây]
```

Context: [Mã này nên làm gì, nó phù hợp ở đâu trong hệ thống lớn hơn]

Review for:
1. Lỗi hoặc sai sót logic
2. Lỗ hổng bảo mật
3. Vấn đề hiệu suất
4. Phong cách mã và khả năng đọc
5. Các trường hợp biên không được xử lý

For each issue found, please provide:
- Location (số dòng hoặc phần)
- Severity (nghiêm trọng/chính/phụ/gợi ý)
- Explanation of why it's a problem
- Suggested fix with code example

Also note: Những gì được thực hiện tốt trong mã này và nên được giữ lại.

Cho việc ra quyết định

Tôi đang quyết định giữa [Tùy chọn A] và [Tùy chọn B].

Context: [Bối cảnh của quyết định]

My priorities (in order):
1. [Yếu tố quan trọng nhất]
2. [Quan trọng thứ hai]
3. [Quan trọng thứ ba]

For each option, please analyze:
- Ưu và nhược điểm liên quan đến các ưu tiên của tôi
- Hậu quả ngắn hạn vs dài hạn
- Điều gì có thể sai (và khả năng/mức độ nghiêm trọng)
- Điều gì phải đúng để đây là lựa chọn tốt nhất

Then provide:
- Khuyến nghị của bạn với lý do
- Thông tin bổ sung nào sẽ thay đổi khuyến nghị của bạn
- Danh sách kiểm tra quyết định tôi có thể sử dụng để xác minh suy nghĩ của mình

Triết lý đằng sau những câu lệnh tuyệt vời

Sau ba năm tương tác hàng ngày với AI, tôi tin rằng prompt engineering thực sự không phải là về AI. Đó là về thách thức cổ xưa của con người về giao tiếp rõ ràng, được nâng lên một đấu trường mới.

Hãy nghĩ về điều đó: mọi sự thất vọng bạn từng có với đầu ra của AI đều có thể bắt nguồn từ sự thất bại trong giao tiếp. Bạn đã không nói những gì bạn muốn nói. Bạn giả định ngữ cảnh chung không tồn tại. Bạn mơ hồ khi cần sự chính xác. Đây là những thất bại giống như những gì gây khó khăn cho giao tiếp của con người — AI chỉ làm cho chúng hiển thị ngay lập tức trong đầu ra.

Theo nghĩa này, học prompt engineering là học cách suy nghĩ rõ ràng hơn.

Câu lệnh như sự tự phản chiếu

Tôi nhận thấy rằng những câu lệnh tốt nhất của tôi đến khi tôi đã rõ ràng về những gì mình muốn. Hành động viết một câu lệnh chi tiết buộc tôi phải đối mặt với những khoảng trống trong suy nghĩ của chính mình. Tôi đang cố gắng đạt được điều gì chính xác? Thành công trông như thế nào? Những ràng buộc nào thực sự quan trọng?

Thường thì tôi giải quyết vấn đề của mình ngay giữa lúc viết câu lệnh, thậm chí trước khi AI trả lời. Câu lệnh trở thành một công cụ tư duy — một cách có cấu trúc để ngoại hóa và kiểm tra suy nghĩ của chính tôi.

Hợp tác, không phải ra lệnh

Trong những ngày đầu hành trình AI của tôi, tôi coi các câu lệnh như những mệnh lệnh — hướng dẫn cho một thuộc hạ. Cách tiếp cận này liên tục tạo ra kết quả trung bình.

Sự thay đổi xảy ra khi tôi bắt đầu coi AI như một cộng tác viên với những điểm mạnh khác với tôi. Tôi mang đến kiến thức về miền, sự phán đoán, sự sáng tạo và mục tiêu. AI mang đến kiến thức rộng lớn, sức mạnh tính toán không mệt mỏi, nhận dạng mẫu và khả năng tổng hợp thông tin qua các lĩnh vực.

Những câu lệnh tuyệt vời là những bản tóm tắt giữa các cộng tác viên, không phải mệnh lệnh cho người hầu. Chúng giải thích tại sao, không chỉ là cái gì. Chúng mời gọi chuyên môn của AI thay vì hạn chế nó một cách không cần thiết. Chúng tạo không gian cho AI đóng góp những khả năng độc đáo của nó.

Lặp lại như một cuộc trò chuyện

Prompt engineering không phải là tạo ra câu lệnh hoàn hảo ngay lần thử đầu tiên. Đó là về việc dẫn dắt một cuộc trò chuyện hiệu quả hội tụ về những gì bạn cần.

Câu lệnh đầu tiên: một bản phác thảo thô về những gì bạn muốn. Câu trả lời đầu tiên: tiết lộ nơi bản phác thảo của bạn không rõ ràng. Câu lệnh thứ hai: tinh chỉnh dựa trên những gì bạn đã học được. Câu trả lời thứ hai: gần mục tiêu hơn. Tiếp tục cho đến khi hoàn thành.

Cách tiếp cận lặp đi lặp lại này loại bỏ áp lực khỏi bất kỳ câu lệnh đơn lẻ nào. Bạn không cần phải thấy trước mọi yêu cầu ngay từ đầu. Bạn chỉ cần phản hồi lại phản hồi.

Sự khiêm tốn của tính cụ thể

Các câu lệnh mơ hồ cảm thấy an toàn. Khi bạn nói "viết một cái gì đó hay về chủ đề này", bạn chưa cam kết với bất kỳ tầm nhìn cụ thể nào. Nếu đầu ra gây thất vọng, ồ, bạn cũng chưa bao giờ nói bạn thực sự muốn gì.

Các câu lệnh cụ thể đòi hỏi sự dễ bị tổn thương. Bạn phải nói chính xác "tốt" có nghĩa là gì đối với bạn. Bạn phải tiết lộ các tiêu chuẩn, sở thích, tầm nhìn của bạn. Khi đầu ra sai lệch, rõ ràng là hoặc đặc điểm kỹ thuật của bạn bị lỗi hoặc AI không thể cung cấp — nhưng dù sao đi nữa, bạn đã học được điều gì đó cụ thể.

Tính cụ thể là sự khiêm tốn vì nó có nghĩa là sẵn sàng sai về những gì bạn muốn.

Trò chơi kết thúc

Khi các mô hình AI cải thiện, nhiều kỹ thuật prompt engineering hiện tại sẽ trở nên lỗi thời. Các mô hình tương lai có thể xử lý đầu vào mơ hồ một cách duyên dáng, có thể tự động đặt câu hỏi làm rõ, có thể cảm nhận ngữ cảnh từ thông tin tối thiểu.

Nhưng kỹ năng cơ bản — khả năng diễn đạt suy nghĩ của bạn một cách rõ ràng, cung cấp ngữ cảnh liên quan, lặp lại hiệu quả — sẽ chỉ trở nên có giá trị hơn. Đây là những kỹ năng cơ bản của con người áp dụng cho dù bạn đang giao tiếp với AI, với đồng nghiệp hay với chính mình.

Prompt engineering là tạm thời. Tư duy rõ ràng là vĩnh cửu.