Định nghĩa

Kỹ thuật gợi ý (Prompt Engineering) là lĩnh vực thiết kế, tinh chỉnh và tối ưu hóa các đầu vào (gợi ý) được cung cấp cho các mô hình ngôn ngữ lớn (LLM) hoặc các hệ thống AI tạo sinh khác nhằm thu được kết quả mong muốn, chính xác và chất lượng cao.

Nó không phải là việc huấn luyện mô hình cơ bản, mà là việc làm chủ giao diện giao tiếp với mô hình đó để định hướng cơ sở kiến thức rộng lớn của nó theo một kết quả cụ thể, có thể hành động được.

Tại sao nó quan trọng đối với doanh nghiệp

Trong bối cảnh áp dụng AI nhanh chóng hiện nay, chất lượng đầu ra tỷ lệ thuận trực tiếp với chất lượng đầu vào. Các gợi ý được thiết kế kém sẽ dẫn đến kết quả mơ hồ, không liên quan hoặc bịa đặt, lãng phí tài nguyên tính toán và thời gian. Kỹ thuật gợi ý hiệu quả đảm bảo rằng các công cụ AI hoạt động như những phần mở rộng đáng tin cậy và có thể dự đoán được năng lực của đội ngũ bạn.

Cách thức hoạt động

Kỹ thuật gợi ý bao gồm một số kỹ thuật để cấu trúc đầu vào:

• Gợi ý không mẫu (Zero-Shot Prompting): Yêu cầu mô hình thực hiện một nhiệm vụ mà không cung cấp bất kỳ ví dụ nào.
• Gợi ý ít mẫu (Few-Shot Prompting): Cung cấp cho mô hình một vài ví dụ đầu vào-đầu ra trong gợi ý để minh họa mẫu hoặc định dạng mong muốn.
• Chuỗi suy luận (Chain-of-Thought - CoT): Hướng dẫn mô hình chia nhỏ các vấn đề phức tạp thành các bước suy luận trung gian trước khi đưa ra câu trả lời cuối cùng, giúp cải thiện đáng kể độ chính xác trong các nhiệm vụ suy luận.
• Gợi ý vai trò (Role Prompting): Gán một vai trò hoặc nhân cách cụ thể cho AI (ví dụ: 'Hãy đóng vai một nhà phân tích tài chính cấp cao') để giới hạn giọng điệu, cơ sở kiến thức và phong cách đầu ra của nó.

Các trường hợp sử dụng phổ biến

Các doanh nghiệp tận dụng kỹ thuật gợi ý trên nhiều chức năng khác nhau:

• Tạo nội dung: Tạo nội dung tiếp thị, tài liệu kỹ thuật hoặc bài đăng trên mạng xã hội tuân thủ các hướng dẫn thương hiệu nghiêm ngặt.
• Trích xuất và cấu trúc dữ liệu: Chuyển đổi văn bản phi cấu trúc (như đánh giá của khách hàng hoặc tài liệu pháp lý) thành các định dạng JSON hoặc CSV sạch, có thể sử dụng được.
• Tạo và gỡ lỗi mã: Yêu cầu các hàm cụ thể hoặc xác định lỗi trong các đoạn mã hiện có.
• Phân tích phức tạp: Yêu cầu AI so sánh các xu hướng thị trường trên nhiều tài liệu và tóm tắt các hàm ý chiến lược.

Lợi ích chính

Các lợi ích chính bao gồm tăng độ tin cậy của đầu ra, giảm nhu cầu xử lý hậu kỳ rộng rãi các kết quả của AI, tăng tính nhất quán trong các quy trình làm việc tự động và khai thác toàn bộ tiềm năng của cơ sở hạ tầng LLM đắt tiền.

Thách thức

Các thách thức chính bao gồm tính biến thiên cố hữu của các LLM, khó khăn trong việc khái quát hóa cấu trúc gợi ý trên các kiến trúc mô hình khác nhau và nhu cầu lặp lại và thử nghiệm liên tục để duy trì hiệu quả của gợi ý khi các mô hình được cập nhật.

Các khái niệm liên quan

Lĩnh vực này giao thoa mạnh mẽ với Tạo sinh tăng cường truy xuất (Retrieval-Augmented Generation - RAG), vốn kết hợp các nguồn dữ liệu độc quyền bên ngoài với việc gợi ý LLM để neo các phản hồi vào thông tin thực tế, cập nhật.