Áp dụng Self-Consistency và Chain-of-Thought trong Prompting cho bài toán logic phức tạp

Khi Prompt thông thường không đủ để giải quyết logic nhiều bước#

Khi yêu cầu mô hình giải các bài toán suy luận phức tạp (như tính toán chiết khấu nhiều tầng, phân bổ tài nguyên, hay suy luận logic nghiệp vụ tài chính), các kỹ thuật Prompt đơn lẻ thường cho kết quả thiếu ổn định: lúc đúng lúc sai.

Hai kỹ thuật nâng cao đã được chứng minh hiệu quả qua hàng loạt bài báo nghiên cứu khoa học là Chain-of-Thought (CoT) và Self-Consistency.

1. Chain-of-Thought (Tư duy từng bước)#

Thay vì bắt AI đưa ra đáp án ngay, ép AI phải trình bày các bước suy luận trung gian bằng cách thêm câu thần chú:

"Hãy suy nghĩ từng bước một (Let's think step by step). Trước khi đưa ra đáp số cuối cùng, hãy liệt kê từng giả định và công thức tính toán tương ứng."

2. Self-Consistency (Lấy mẫu đa luồng và biểu quyết số đông)#

Kỹ thuật này cho model sinh ra 5 câu trả lời độc lập với nhiệt độ temperature = 0.7, sau đó chọn đáp án xuất hiện nhiều lần nhất (Majority Voting):

# Sinh 5 lời giải độc lập
responses = [
    call_llm(prompt, temperature=0.7) for _ in range(5)
]

# Trích xuất kết quả cuối cùng từ mỗi lời giải và vote
final_answers = [extract_answer(r) for r in responses]
consensus_answer = max(set(final_answers), key=final_answers.count)

Hiệu quả thực nghiệm#

• Trên bài toán logic lập lịch ca trực cho 50 kỹ sư: Độ chính xác tăng từ 62% lên 88%.
• Loại bỏ hoàn toàn các lỗi tính toán số học ngớ ngẩn do LLM vội vàng đưa ra kết luận.

Góc thảo luận#

Anh em có thường dùng kỹ thuật ép AI suy nghĩ từng bước không? Có thấy sự khác biệt rõ rệt khi bật tính năng Reasoning của các model thế hệ mới không?

Xem thêm nội dung liên quan:

• Từ điển AI: Prompt Engineering là gì?
• Review công cụ Claude AI