Prompt engineering cơ bản: 5 nguyên tắc mình dùng mỗi ngày

Khi mới học, mình nghĩ prompt engineering là tìm "câu thần chú". Thực tế nó giống viết yêu cầu công việc cho một đồng nghiệp rất giỏi nhưng không biết gì về dự án của bạn.

1. Nói rõ nhiệm vụ và bối cảnh

Thay vì Tóm tắt bài này, hãy nói cho ai, để làm gì, dài bao nhiêu:

Tóm tắt bài báo dưới đây cho một kỹ sư backend chưa biết về ML,
trong 5 gạch đầu dòng, mỗi dòng không quá 20 từ.

2. Cho ví dụ (few-shot)

Một vài ví dụ input → output giúp model hiểu định dạng nhanh hơn mọi lời giải thích.

EXAMPLES = [
    ("Giao hàng chậm quá!", "negative"),
    ("Sản phẩm dùng rất ổn", "positive"),
]
 
def build_prompt(review: str) -> str:
    shots = "\n".join(f"Review: {r}\nLabel: {l}" for r, l in EXAMPLES)
    return f"Phân loại cảm xúc của review.\n\n{shots}\n\nReview: {review}\nLabel:"

3. Chỉ định định dạng đầu ra

Nếu output sẽ được code đọc, hãy yêu cầu JSON với schema cụ thể — hoặc tốt hơn là dùng tính năng structured output của API.

4. Tách dữ liệu khỏi chỉ dẫn

Bọc dữ liệu người dùng trong thẻ như <document>...</document> để model không nhầm nội dung tài liệu với chỉ dẫn của bạn.

5. Có bộ test cho prompt

Prompt cũng là code. Mình giữ 10–20 test case và chạy lại mỗi khi sửa prompt để chắc chắn không làm hỏng các trường hợp cũ.