Cách viết prompt để AI trả lời đúng định dạng và tiêu chí

Khi AI trả lời đúng chủ đề nhưng sai định dạng, thiếu trường hoặc tự điền dữ liệu còn trống, nguyên nhân thường là prompt chưa mô tả tiêu chí đầu ra. Hãy coi prompt như một bản đặc tả ngắn: nói rõ đầu vào, quy tắc xử lý và cách thể hiện kết quả.

Năm phần của một prompt có cấu trúc

1. Nhiệm vụ: AI cần tạo, phân tích hay chuyển đổi điều gì?
2. Ngữ cảnh: kết quả dành cho ai và được dùng ở bước nào?
3. Dữ liệu: nguồn nào được phép sử dụng?
4. Tiêu chí: điều kiện nào phải đạt, điều gì không được suy đoán?
5. Định dạng: các trường, thứ tự, độ dài và kiểu dữ liệu mong muốn.

Không phải prompt nào cũng cần đủ năm phần. Nhưng nếu kết quả sẽ được dùng lại hoặc chuyển sang hệ thống khác, định dạng và cách xử lý dữ liệu thiếu cần được viết rõ.

Ví dụ: chuyển phản hồi thành dữ liệu có cấu trúc

Prompt mơ hồ:

Phân tích phản hồi khách hàng và xuất JSON.

Prompt rõ hơn:

Từ từng phản hồi bên dưới, tạo một đối tượng gồm topic, sentiment, evidence và needs_follow_up. Chỉ gán sentiment khi có từ ngữ thể hiện thái độ; nếu không đủ bằng chứng, dùng unknown. Giữ evidence là trích đoạn nguyên văn ngắn. Không thêm trường ngoài danh sách. Trả về JSON hợp lệ, không kèm giải thích. Nếu nội dung không phải phản hồi khách hàng, đặt needs_follow_up là true.

Prompt thứ hai định nghĩa ý nghĩa trường, tiêu chí gán nhãn và hành vi khi thiếu bằng chứng. Tuy vậy, nếu dữ liệu có hậu quả quan trọng, bạn vẫn cần xác thực định dạng và kiểm tra mẫu đầu ra.

Đưa ví dụ khi tiêu chí khó diễn đạt

Nếu muốn phân loại theo quy tắc nội bộ, đưa một vài ví dụ đại diện gồm đầu vào và đầu ra mong muốn. Chọn cả trường hợp dễ lẫn trường hợp mơ hồ. Ví dụ không thay thế quy tắc; hãy giải thích vì sao một trường hợp được gán nhãn như vậy.

Kiểm tra độ ổn định

Thử prompt với đầu vào bình thường, đầu vào thiếu dữ kiện, đầu vào có định dạng lạ và trường hợp ngoài phạm vi. Kiểm tra xem mô hình có tự thêm thông tin, bỏ trường hoặc thay đổi cấu trúc không. Nếu dùng đầu ra trong code, hãy xác thực bằng parser và schema thay vì tin rằng JSON trông có vẻ hợp lệ.

Khi kết quả vẫn chưa đúng

Thêm tiêu chí gắn trực tiếp với lỗi đã quan sát. Nếu AI thiếu dẫn chứng, yêu cầu trường nguồn; nếu tự đoán, quy định giá trị khi không đủ dữ liệu. Tránh thêm nhiều câu chỉ dẫn không liên quan vì chúng có thể làm prompt khó hiểu hơn.

Prompt tốt không đảm bảo mọi câu trả lời hoàn hảo. Nó làm nhiệm vụ rõ hơn, giảm sự suy đoán và giúp bạn kiểm tra đầu ra bằng tiêu chí cụ thể.