Cấu trúc ngữ cảnh: Thẻ XML, prompt hệ thống và các ví dụ Few-Shot

Bạn đã biết 4 kỹ thuật. Bạn hiểu cửa sổ ngữ cảnh. Giờ là lúc thực hành. Bài học này sẽ nói về các công cụ cụ thể mà bạn sẽ sử dụng hàng ngày — những chi tiết cốt lõi của việc cấu trúc ngữ cảnh để các mô hình hiểu chính xác những gì bạn muốn.

🔄 Tóm tắt nhanh: Trong Bài học 3, bạn đã học 4 kỹ thuật cốt lõi: Viết (tạo ngữ cảnh), Chọn lọc (chọn những gì sẽ đưa vào), Nén (thu nhỏ mà không làm mất ý nghĩa) và Tách biệt (phân tách các mối quan tâm). Bài học này sẽ đi sâu vào các kỹ thuật Viết và Tách biệt — các công cụ cấu trúc giúp ngữ cảnh của bạn rõ ràng, có tổ chức và đáng tin cậy.

Thẻ XML: Người bạn tốt nhất của chuyên gia tạo gữ cảnh

Nếu bạn chỉ học một kỹ thuật cấu trúc từ khóa học này, hãy chọn kỹ thuật này. Thẻ XML là cách hiệu quả nhất để tổ chức ngữ cảnh cho các mô hình AI — đặc biệt là Claude, được đào tạo đặc biệt để hiểu chúng.

Ý tưởng là thế này. Thay vì viết một khối văn bản lớn và hy vọng AI sẽ tự tìm ra phần nào là hướng dẫn, phần nào là dữ liệu và phần nào là ví dụ — bạn hãy gắn nhãn cho mọi thứ.

Không có cấu trúc (lộn xộn):

📍 Nơi dán: Mở ChatGPT (chat.openai.com), Claude (claude.ai) hoặc Gemini (gemini.google.com) và bắt đầu một cuộc trò chuyện mới.

📋 Cách sao chép prompt này: Nhấp vào bất kỳ đâu bên trong khối màu xám, nhấn Cmd+A rồi Cmd+C (Mac) hoặc Ctrl+A rồi Ctrl+C (Windows). Hoặc sử dụng biểu tượng sao chép xuất hiện.

Bạn là một trợ lý hữu ích. Đây là một khiếu nại của khách hàng:
Đơn hàng của tôi bị hư hỏng khi nhận được và tôi muốn được hoàn tiền. Tôi đã là khách hàng được
5 năm. Hãy phản hồi một cách thấu cảm và đưa ra một giải pháp. Giữ cho câu trả lời dưới 100 từ.

✏️ ​​Cách điền thông tin chi tiết của bạn: Thay thế mỗi dấu ngoặc vuông [] và trình giữ chỗ trong ngoặc bằng thông tin cụ thể từ tình huống thực tế của bạn. Thông tin mơ hồ sẽ tạo ra kết quả mơ hồ — hãy nêu cụ thể.

👀 Những gì bạn sẽ thấy: Trong vòng vài giây, AI sẽ trả về một phản hồi có cấu trúc dựa trên prompt ở trên. Hãy đọc kỹ và coi đó là bản nháp, không phải câu trả lời cuối cùng.

📌 Nên làm gì với kết quả: Lưu phản hồi vào file Notes. Chọn gợi ý có tác động cao nhất và thực hiện nó trong tuần này — đừng cố gắng làm tất cả cùng một lúc.

⚠️ Nếu kết quả không ổn: Nếu các gợi ý có vẻ chung chung, hãy dán nội dung này: "Hãy cụ thể hơn với ngữ cảnh thực tế của tôi. Bỏ những lời khuyên chung chung". Nếu nó bỏ qua các chi tiết quan trọng bạn đã cung cấp, hãy hỏi: "Bạn đã bỏ sót [X] trong ngữ cảnh của tôi — hãy thực hiện lại với điều đó làm ràng buộc chính".

Ranh giới giữa hướng dẫn và khiếu nại của khách hàng nằm ở đâu? Điều này không rõ ràng. AI có thể bao gồm "Phản hồi một cách thấu cảm" trong sự hiểu biết của nó về khiếu nại. Hoặc nó có thể coi "Tôi đã là khách hàng được 5 năm" là một hướng dẫn.

Có cấu trúc (rõ ràng):

<role>Nhân viên hỗ trợ khách hàng. Đồng cảm, tập trung vào giải pháp.</role>

<customer_message>
Đơn hàng của tôi bị hư hỏng khi nhận và tôi muốn được hoàn tiền. Tôi đã là khách hàng được 5 năm.
</customer_message>

<instructions>
Phản hồi tin nhắn của khách hàng ở trên.
- Ghi nhận vấn đề và sự trung thành của họ
- Đề xuất giải pháp cụ thể (thay thế hoặc hoàn tiền)
- Giữ câu trả lời dưới 100 từ
</instructions>

Không mơ hồ. AI biết chính xác đâu là định nghĩa vai trò, đâu là dữ liệu khách hàng và đâu là hướng dẫn.

Các thẻ cần sử dụng

Bạn có thể sử dụng bất kỳ tên thẻ nào — AI không có một bộ thẻ cố định mà nó nhận ra. Các quy ước phổ biến: <instructions> cho các nhiệm vụ, <context> cho bối cảnh, <data> cho dữ liệu đầu vào để xử lý, <examples> cho các ví dụ minh họa, <output_format> cho cấu trúc phản hồi, <constraints> cho các hạn chế, <role> cho chân dung khách hàng.

Tên thẻ (tag) giúp bạn hiểu rõ hơn, cũng như giúp AI hiểu. Khi bạn xem lại một prompt sau 6 tháng, thẻ <constraints> sẽ cho bạn biết ngay lập tức phần đó làm gì.

✅ Kiểm tra nhanh: Bạn có thể sử dụng bất kỳ tên thẻ XML nào bạn muốn, hay AI chỉ hiểu những tên cụ thể?

Câu trả lời: Bạn có thể sử dụng bất kỳ tên thẻ nào. AI hiểu cấu trúc — thực tế là các thẻ tạo ra những ranh giới được gắn nhãn — chứ không phải tên thẻ cụ thể. <customer_data> hoạt động tốt như <data>. Hãy sử dụng những tên làm cho mục đích trở nên rõ ràng đối với bạn và AI.

Prompt hệ thống: Nền tảng hành vi

Prompt hệ thống là điều đầu tiên AI nhìn thấy. Nó đặt nền tảng cho mọi thứ tiếp theo. Và bởi vì nó nằm ở ngay đầu cửa sổ ngữ cảnh — vùng chú ý cao từ Bài học 2 — nó có ảnh hưởng rất lớn đến hành vi của AI.

Một prompt hệ thống tốt trả lời ba câu hỏi:

1. Bạn là ai? (Vai trò và chuyên môn)
2. Bạn nên hành xử như thế nào? (Giọng điệu, phong cách, ràng buộc)
3. Các quy tắc của bạn là gì? (Những giới hạn không thể thương lượng)

Đây là một prompt hệ thống dành cho trợ lý đánh giá mã:

<system>
Bạn là một kỹ sư phần mềm cấp cao đang thực hiện đánh giá code.

CHUYÊN MÔN: Python, TypeScript, SQL, hệ thống phân tán.
KINH NGHIỆM: 15 năm trong môi trường sản xuất.

HÀNH VI:
- Hãy trực tiếp. Không dài dòng. Nếu code tốt, hãy nói ngắn gọn.
- Nếu code có vấn đề, hãy giải thích TẠI SAO đó là vấn đề, chứ không chỉ là VẤN ĐỀ GÌ.
- Ưu tiên: bảo mật > tính chính xác > hiệu suất > phong cách.
- Đánh giá mọi vấn đề: NGHIÊM TRỌNG, CẢNH BÁO hoặc GỢI Ý.

QUY TẮC:
- Không bao giờ chấp thuận mã có lỗ hổng tấn công SQL injection.
- Luôn kiểm tra xem có thiếu xử lý lỗi hay không.
- Nếu bạn không chắc chắn về điều gì đó, hãy nói rõ — đừng đoán.
- Trả lời bằng tiếng Anh bất kể ngôn ngữ lập trình nào.
</system>

Đó là khoảng 150 từ. Nhưng 150 từ đó định hình mọi đánh giá code mà AI tạo ra. Nếu không có chúng, mỗi bài đánh giá sẽ có giọng điệu, ưu tiên và định dạng khác nhau. Còn với chúng? Các bài đánh giá nhất quán, đáng tin cậy và chuyên nghiệp mọi lúc.

Các mẫu phản tác dụng của prompt hệ thống

Những điều lãng phí token prompt hệ thống mà không cải thiện kết quả:

• "Bạn là một trợ lý AI hữu ích, vô hại và trung thực." — Mô hình đã biết điều này rồi. Đừng lãng phí token.
• Những câu chuyện dài dòng. "Bạn được tạo ra bởi một nhóm chuyên gia..." — AI không cần những câu chuyện về nguồn gốc.
• Những đặc điểm tính cách mơ hồ. "Hãy sáng tạo và chu đáo." — Quá trừu tượng để ảnh hưởng đến hành vi. Hãy cụ thể: "Sử dụng một phép ẩn dụ cho mỗi lời giải thích. Giới hạn đoạn văn tối đa 3 câu."
• Tóm tắt lại khả năng của mô hình. "Bạn có thể phân tích văn bản, viết code và trả lời câu hỏi." — Nó biết mình có thể làm gì.

Mỗi token trong prompt hệ thống nên thay đổi hành vi của AI. Nếu việc xóa một câu không làm thay đổi kết quả, hãy loại bỏ nó đi.

✅ Kiểm tra nhanh: Prompt hệ thống của bạn nói "Bạn là một trợ lý hữu ích, sáng tạo, chu đáo, thấu cảm và tỉ mỉ". Bạn sẽ cải thiện nó như thế nào?

Đáp án: Thay thế những tính từ mơ hồ bằng những quy tắc hành vi cụ thể. Thay vì dùng từ "sáng tạo", hãy nói "Sử dụng các ví dụ từ cuộc sống hàng ngày để giải thích các khái niệm kỹ thuật". Thay vì dùng từ "chú trọng chi tiết", hãy nói "Luôn bao gồm các con số, ngày tháng và tên cụ thể — không bao giờ khái quát hóa". Hướng dẫn cụ thể tạo ra hành vi nhất quán; tính từ thì không.

Ví dụ few-shot: Dạy bằng cách minh họa

Phương pháp tạo prompt few-shot là cung cấp các ví dụ về cặp đầu vào-đầu ra để AI học được những gì bạn muốn thông qua minh họa. Và nó hiệu quả đến kinh ngạc — thường hiệu quả hơn cả hàng trang hướng dẫn.

Đây là lý do tại sao. Hướng dẫn cho AI biết phải làm gì một cách trừu tượng. Ví dụ cho nó thấy "điều tốt" trông như thế nào một cách cụ thể. Con người học theo cách tương tự. Bạn có thể đọc một cuốn cẩm nang 50 trang về cách viết một email hay, hoặc bạn có thể đọc ba email tuyệt vời và ngay lập tức hiểu được mô hình.

Những nguyên tắc vàng của thiết kế few-shot

Nguyên tắc 1: Đa dạng hơn số lượng. 3 ví dụ đa dạng tốt hơn 10 ví dụ tương tự. Nếu bạn đang phân loại văn bản, hãy đưa ra một ví dụ cho mỗi loại — chứ không phải 5 ví dụ cùng một loại.

Nguyên tắc 2: Bao gồm cả các trường hợp ngoại lệ. Đừng chỉ đưa ra những ví dụ dễ. Hãy đưa ra cả những trường hợp khó — trường hợp mơ hồ, định dạng bất thường, ngoại lệ. Đó là nơi AI cần được hướng dẫn nhiều nhất.

Nguyên tắc 3: Phù hợp với dữ liệu thực tế của bạn. Nếu dữ liệu sản xuất của bạn có lỗi chính tả, viết tắt và ngôn ngữ không trang trọng, thì các ví dụ của bạn cũng nên như vậy. Các ví dụ được trau chuốt sẽ dạy AI mong đợi đầu vào được trau chuốt — và nó sẽ gặp khó khăn với dữ liệu thực tế lộn xộn.

Nguyên tắc 4: Trình bày quá trình suy luận. Đừng chỉ trình bày đầu vào → đầu ra. Hãy trình bày đầu vào → suy luận → đầu ra. Điều này cung cấp cho AI một mô hình tư duy để tuân theo, chứ không chỉ là một câu trả lời để bắt chước.

Dưới đây là một ví dụ thực tế — huấn luyện trí tuệ nhân tạo để trích xuất các mục hành động từ ghi chú cuộc họp:

<examples>
<example>
<input>
Ghi chú cuộc họp: "Sarah sẽ gửi báo cáo quý 3 trước thứ Sáu.
John đề cập rằng chúng ta nên xem xét nhà cung cấp mới. Nhóm tiếp thị
cần cập nhật trang đích. Chưa quyết định về ngân sách."
</input>
<reasoning>
Đang quét các cam kết và nhiệm vụ:
- "Sarah sẽ gửi" = nhiệm vụ rõ ràng với thời hạn
- "nên xem xét" = hành động được đề xuất, không có người chịu trách nhiệm
- "cần cập nhật" = nhiệm vụ nhóm, không có thời hạn
- "Chưa quyết định" = không phải là mục hành động
</reasoning>
<output>
1. Sarah: Gửi báo cáo quý 3 (hạn chót: Thứ Sáu) — ĐÃ XÁC NHẬN
2. John: Nghiên cứu nhà cung cấp mới (hạn chót: Chưa xác định) — ĐỀ XUẤT
3. Nhóm Marketing: Cập nhật trang đích (hạn chót: Chưa xác định) — ĐÃ PHÂN CÔNG
</output>
</example>

<example>
<input>
Ghi chú cuộc họp: "Đồng bộ nhanh. Mọi thứ đều đúng tiến độ. Không có trở ngại.
Lisa có thể trình bày tại hội nghị nếu chúng ta có được một suất."
</input>
<reasoning>
Đang tìm kiếm các cam kết:
- "Mọi thứ đang tiến triển tốt" = cập nhật trạng thái, không phải hành động
- "Không có trở ngại" = trạng thái, không phải hành động
- "có thể tham dự nếu" = có điều kiện, phụ thuộc vào yếu tố bên ngoài
</reasoning>
<output>
1. Lisa: Tham dự hội nghị (có điều kiện: nếu có chỗ trống) — DỰ KIẾN
Lưu ý: Không có mục hành động nào được xác nhận từ cuộc họp này.
</output>
</example>
</examples>

Hai ví dụ. Nhưng chúng dạy cho AI: Những gì được coi là một mục hành động, cách xử lý các mục có điều kiện, cách định dạng đầu ra và phải làm gì khi không có hành động rõ ràng. Điều đó hiệu quả hơn một hướng dẫn dài 500 từ giải thích cùng một điều.

Bạn cần bao nhiêu ví dụ?

Đối với phân loại đơn giản, 2-3 ví dụ là đủ. Các tác vụ đa danh mục cần 4-6 ví dụ (một ví dụ cho mỗi danh mục cộng với một trường hợp ngoại lệ). Các tác vụ trích xuất phức tạp hoặc sáng tạo: 3-5 ví dụ. Nhiều hơn 6-8 ví dụ hiếm khi hữu ích và bắt đầu chiếm dụng ngân sách ngữ cảnh của bạn. Nếu bạn cần nhiều hơn 8 ví dụ để có được kết quả nhất quán, tác vụ của bạn có lẽ cần được chia thành các tác vụ phụ nhỏ hơn.

✅ Kiểm tra nhanh: Bạn đang xây dựng một AI để phân loại các phiếu hỗ trợ thành 5 danh mục. Bạn cung cấp 5 ví dụ, tất cả đều thuộc danh mục "Báo cáo lỗi". Điều gì có khả năng xảy ra?

Câu trả lời: AI sẽ phân loại quá nhiều phiếu yêu cầu là Báo cáo lỗi vì nó chỉ thấy loại này. Nó cần ít nhất một ví dụ cho mỗi loại — và lý tưởng nhất là một trường hợp ngoại lệ không rõ ràng có thể theo cả hai hướng, để cho thấy cách AI nên xử lý sự không chắc chắn.

Đầu ra có cấu trúc: Cho AI biết hình dạng cần trả về

Công cụ cấu trúc cuối cùng là đặc tả định dạng đầu ra. Điều này đặc biệt quan trọng đối với các trường hợp sử dụng lập trình, nơi một hệ thống khác cần phân tích phản hồi của AI.

<output_format>
Trả về một đối tượng JSON với cấu trúc chính xác này:
{
  "sentiment": "Tích cực" | "Tiêu cực" | "Trung lập",
  "confidence": 0.0-1.0,
  "themes": ["mảng chuỗi các chủ đề đã xác định"],
  "summary": "Tóm tắt một câu",
  "needs_escalation": boolean
}

Không bao gồm bất kỳ văn bản nào bên ngoài đối tượng JSON.
</output_format>

Bằng cách chỉ định lược đồ, bạn sẽ nhận được đầu ra nhất quán, có thể phân tích được. Không cần phải mò mẫm bằng biểu thức chính quy (regex) qua các câu trả lời dạng văn bản tự do nữa.

Bài tập thực hành: Tái cấu trúc một prompt lộn xộn

Hãy lấy câu hỏi lộn xộn này và tái cấu trúc nó bằng cách sử dụng thẻ XML, prompthệ thống và tách biệt đúng cách:

Trước (lộn xộn):

Tôi có một bài đăng trên blog về các mẹo làm việc từ xa và tôi cần bạn
giúp tôi cải thiện nó. Bài viết cần được tối ưu hóa SEO cho
từ khóa "năng suất làm việc từ xa". Hãy viết sao cho hấp dẫn và
khoảng 1500 từ. Đây là bản nháp: [văn bản blog]. Ngoài ra,
hãy kiểm tra ngữ pháp và đề xuất một tiêu đề hay hơn. Đối tượng là
các nhà quản lý mới làm quen với việc quản lý nhóm làm việc từ xa.

Sau (có cấu trúc):

<role>Biên tập viên nội dung SEO chuyên về nội dung năng suất làm việc</role>

<context>
Từ khóa mục tiêu: "năng suất làm việc từ xa"
Đối tượng: Các nhà quản lý mới bắt đầu dẫn dắt nhóm làm việc từ xa
Độ dài mục tiêu: ~1.500 từ
</context>

<draft>
[văn bản blog ở đây]
</draft>

<instructions>
1. Xem lại bản nháp để tối ưu hóa SEO xung quanh từ khóa mục tiêu
2. Cải thiện sự tương tác — thêm các yếu tố thu hút, chuyển tiếp, ví dụ cụ thể
3. Kiểm tra ngữ pháp và sửa bất kỳ lỗi nào
4. Đề xuất 3 tiêu đề thay thế được tối ưu hóa cho CTR và SEO
5. Đảm bảo giọng văn thực tế và trấn an (không giáo điều)
</instructions>

<output_format>
Trả lại:
- Bài đăng blog đã sửa đổi (ở định dạng markdown)
- Danh sách các thay đổi SEO đã thực hiện
- 3 đề xuất tiêu đề kèm lý do
- Sửa lỗi ngữ pháp (nguyên bản → đã sửa)
</output_format>

Yêu cầu tương tự. Nhưng phiên bản có cấu trúc sẽ cho kết quả tốt hơn và nhất quán hơn đáng kể. Mọi thông tin đều được gắn nhãn. Mọi yêu cầu đều rõ ràng. Không có gì được để lại cho sự diễn giải.

Hãy thử điều này với các prompt của riêng bạn. Lấy một thứ bạn thường xuyên sử dụng, cấu trúc lại nó bằng các thẻ XML và so sánh kết quả. Sự khác biệt sẽ rất rõ ràng.

Những điểm chính cần ghi nhớ

• Các thẻ XML tạo ra các ranh giới được gắn nhãn giúp loại bỏ sự mơ hồ — hãy sử dụng những tên mô tả như <instructions>, <data>, <examples>
• Các prompt hệ thống được ưu tiên và thiết lập nền tảng hành vi — mỗi token nên thay đổi hành vi của AI
• Các ví dụ few-shot giúp dạy thông qua minh họa — ưu tiên sự đa dạng và những trường hợp ngoại lệ hơn số lượng
• 3-5 ví dụ đa dạng thường cho kết quả tốt hơn 10+ ví dụ tương tự
• Các thông số kỹ thuật đầu ra có cấu trúc đảm bảo những phản hồi nhất quán và có thể phân tích được — rất cần thiết cho việc sử dụng lập trình
• Định dạng rất quan trọng: Cùng một thông tin, được cấu trúc khác nhau, sẽ tạo ra chất lượng khác nhau đáng kể