Các kỹ thuật lập luận: CoT, ToT và tính tự nhất quán

Prompt cơ bản cho AI biết phải làm gì. Kỹ thuật suy luận cho AI biết cách suy nghĩ. Sự khác biệt này cải thiện đáng kể hiệu suất giải quyết các vấn đề phức tạp - toán học, logic, phân tích, lập kế hoạch và những nhiệm vụ nhiều bước.

🔄 Tóm tắt nhanh: Trong bài học trước, bạn đã học cách cấu trúc các prompt bằng tag XML, schema JSON và framework COSTAR. Bây giờ, bạn sẽ thêm các kỹ thuật suy luận giúp cải thiện quá trình tư duy của AI - chất lượng của phép tính, chứ không chỉ định dạng của kết quả.

Kỹ thuật tạo prompt Chain-of-Thought (CoT)

Kỹ thuật suy luận đơn giản và được sử dụng rộng rãi nhất. Thay vì yêu cầu câu trả lời trực tiếp, bạn yêu cầu AI thể hiện quá trình suy luận của nó.

Zero-Shot CoT

Thêm một cụm từ vào bất kỳ prompt nào:

Không có CoT: "17 × 24 bằng bao nhiêu?" → AI có thể trả lời "398" (sai)

Có CoT: "17 × 24 bằng bao nhiêu? Hãy suy nghĩ từng bước một." → Lý do của AI: - 17 × 24 = 17 × (20 + 4) - 17 × 20 = 340 - 17 × 4 = 68 - 340 + 68 = 408 ✓

Đó là CoT không cần dữ liệu huấn luyện - không cần ví dụ, chỉ cần hướng dẫn lập luận rõ ràng.

Few-Shot CoT

Cung cấp các ví dụ bao gồm chuỗi suy luận:

<examples>
Câu hỏi: Một cửa hàng có 45 quả táo. Họ bán 3/5 số táo. Hỏi còn lại bao nhiêu quả?
Lập luận: 3/5 của 45 = 45 × 3/5 = 27 quả táo đã bán. 45 - 27 = 18 quả còn lại.
Đáp án: 18 quả táo

Câu hỏi: Một chiếc xe đi với tốc độ 60 dặm/giờ trong 2,5 giờ, sau đó đi với tốc độ 40 dặm/giờ trong 1,5 giờ.
Tổng quãng đường là bao nhiêu?
Lập luận: Khoảng cách = tốc độ × thời gian. Chặng 1: 60 × 2,5 = 150 dặm.
Chặng 2: 40 × 1,5 = 60 dặm. Tổng cộng: 150 + 60 = 210 dặm.
Đáp án: 210 dặm
</examples>

<question>
Một tiệm bánh làm 120 chiếc bánh quy mỗi mẻ. Họ cần 500 chiếc bánh quy cho một sự kiện.
Họ đã làm được 2 mẻ. Hỏi họ cần làm thêm bao nhiêu mẻ nữa?
</question>

Trí tuệ nhân tạo (AI) tuân theo mô hình lý luận từ các ví dụ.

✅ Kiểm tra nhanh: Bạn yêu cầu AI "Đánh giá xem chiến dịch tiếp thị quý 3 của chúng tôi có thành công hay không". AI ngay lập tức trả lời "Có, nó đã thành công". Điều gì còn thiếu?

Đáp án: Suy luận. Trí tuệ nhân tạo đã vội vàng đưa ra kết luận mà không định nghĩa "thành công" nghĩa là gì, không xem xét dữ liệu, hoặc không cân nhắc bằng chứng. Phiên bản CoT (Cognitive Thinking Techniques): "Đánh giá xem chiến dịch tiếp thị quý 3 của chúng tôi có thành công hay không. Hãy suy nghĩ từng bước: Đầu tiên, hãy định nghĩa các tiêu chí thành công mà chúng tôi đã đặt ra trước chiến dịch. Sau đó, so sánh kết quả thực tế với từng tiêu chí. Cuối cùng, hãy cân nhắc toàn bộ bằng chứng và đưa ra phán quyết". Điều này buộc phải có một đánh giá dựa trên lý lẽ, chứ không phải phản ứng theo bản năng.

Khi nào CoT hữu ích nhất?

Nguyên tắc chung: Nếu nhiệm vụ yêu cầu nhiều hơn một bước tư duy, CoT sẽ hữu ích.

Kỹ thuật tạo prompt Tree-of-Thought (ToT)

CoT tuân theo một con đường suy luận duy nhất. Điều gì sẽ xảy ra nếu con đường đầu tiên sai? Tree-of-Thought sẽ khám phá nhiều con đường cùng một lúc.

Cách thức hoạt động của ToT

Vấn đề: Thiết kế chiến lược tiếp thị cho việc ra mắt sản phẩm SaaS B2B.

Phương án A: Tập trung vào tiếp thị nội dung
  → Ưu điểm: Chi phí thấp, xây dựng uy tín
  → Ưu điểm: Hiệu quả tăng dần theo thời gian
  → Nhược điểm: Kết quả ban đầu chậm (6-12 tháng)
  → Kết luận: Tốt cho dài hạn, không hiệu quả khi cần gấp rút ra mắt sản phẩm

Phương án B: Tập trung vào quảng cáo trả phí
  → Ưu điểm: Kết quả tức thì
  → Ưu điểm: ROI có thể đo lường được
  → Nhược điểm: Tốn kém khi mở rộng quy mô, dừng lại khi hết ngân sách
  → Kết luận: Tốt cho giai đoạn ra mắt, không bền vững về lâu dài

Phương án C: Tập trung vào hợp tác/kênh
  → Ưu điểm: Tận dụng đối tượng hiện có
  → Ưu điểm: Độ tin cậy cao hơn (giới thiệu thân thiện)
  → Nhược điểm: Khó kiểm soát thời gian và khối lượng
  → Kết luận: Khó dự đoán nhưng giá trị cao khi thành công

Phương án tốt nhất: Kết hợp B (ra mắt) + A (dài hạn) + C (cơ hội)

Mẫu prompt ToT

<task>
Đánh giá ba cách tiếp cận khác nhau để giải quyết vấn đề này.
Đối với mỗi phương pháp:
1. Mô tả phương pháp
2. Liệt kê 2-3 ưu điểm
3. Liệt kê 2-3 nhược điểm
4. Đánh giá tính khả thi (1-10)

Sau khi đánh giá cả ba phương pháp, hãy đề xuất phương pháp tốt nhất
hoặc sự kết hợp. Giải thích lý do.
</task>

<problem>{{MÔ_TẢ_VẤN_ĐỀ}}</problem>

Điều này buộc AI phải khám phá trước khi đưa ra quyết định - bắt được những ngõ cụt mà CoT sẽ bỏ sót.

Tính tự nhất quán

Tính tự nhất quán chạy cùng một prompt nhiều lần và chọn câu trả lời của đa số. Nó giống như việc hỏi 5 chuyên gia cùng một câu hỏi và chọn câu trả lời đồng thuận.

Khi nào nên sử dụng

• Các quyết định quan trọng cần sự chắc chắn về câu trả lời
• Các bài toán toán học hoặc logic mà một lỗi nhỏ cũng có thể gây hậu quả nghiêm trọng
• Các nhiệm vụ phân loại cần xác thực thêm những trường hợp khó phân loại

Cách thực hiện

• Chạy cùng một prompt 3-5 lần (với temperature > 0)
• Thu thập tất cả các câu trả lời
• Câu trả lời xuất hiện thường xuyên nhất là câu trả lời "nhất quán"

✅ Kiểm tra nhanh: Bạn chạy một prompt phân tích cảm xúc 5 lần trên cùng một đánh giá của khách hàng. Kết quả: Tích cực (3), Trung lập (1), Tiêu cực (1). Câu trả lời nhất quán là gì, và bạn nên tự tin đến mức nào?

Câu trả lời: Câu trả lời nhất quán là "Tích cực" (3/5 = 60% đồng ý). Với chỉ 60% đồng ý, độ tin cậy ở mức trung bình - đánh giá có thể có tín hiệu hỗn hợp. Nếu đồng ý là 5/5 (100%) hoặc 4/5 (80%), bạn sẽ tự tin hơn. Đối với các trường hợp khó phân loại như thế này, người đánh giá nên đưa ra quyết định cuối cùng.

Kết hợp các kỹ thuật

Các kỹ thuật có thể kết hợp với nhau. Sử dụng chúng cùng nhau để đạt độ tin cậy tối đa:

<role>Bạn là một nhà phân tích rủi ro tài chính.</role>

<task>
Phân tích cơ hội đầu tư sau đây bằng cách sử dụng sơ đồ Tree-of-Thought.
Hãy xem xét ba khía cạnh:
1. Trường hợp lạc quan (Bull case)
2. Trường hợp bi quan (Bear case)
3. Trường hợp cơ sở (Base case) (khả năng xảy ra cao nhất)

Đối với mỗi trường hợp, hãy suy nghĩ từng bước một:
- Dự báo doanh thu
- Các yếu tố rủi ro
- Điều kiện thị trường
- Cảnh quan cạnh tranh

Sau đó, tổng hợp cả ba trường hợp thành một khuyến nghị cuối cùng. </task>

<data>{{DỮ_LIỆU_ĐẦU_TƯ}}</data>

<output_format>
## Bull Case
[Lý luận từng bước]

## Bear Case
[Lý luận từng bước]

## Base Case
[Lý luận từng bước]

## Khuyến nghị
[Đánh giá tổng hợp với mức độ tin cậy]
</output_format>

Điều này kết hợp: Cấu trúc XML + định nghĩa vai trò + ToT (ba góc nhìn) + CoT (từng bước trong mỗi góc nhìn) + đầu ra có cấu trúc.

Bài tập thực hành

1. Hãy chọn một bài toán toán học hoặc logic và so sánh: câu trả lời trực tiếp so với "Hãy suy nghĩ từng bước một"
2. Sử dụng mô hình ToT để đánh giá ba cách tiếp cận cho một quyết định bạn đang gặp phải
3. Chạy một prompt phân loại 5 lần và kiểm tra tính nhất quán
4. Kết hợp CoT + ToT: Yêu cầu AI khám phá nhiều con đường, suy luận qua từng bước

Những điểm chính cần ghi nhớ

• Chain-of-thought - CoT: "Suy nghĩ từng bước một" cải thiện độ chính xác từ 20-40% trong các nhiệm vụ suy luận
• Few-shot CoT (với các ví dụ suy luận) hoạt động tốt hơn CoT không dữ liệu
• Tree-of-thought - CoT khám phá nhiều con đường - phát hiện các lỗi mà CoT một đường dẫn bỏ sót
• Tính tự nhất quán sử dụng khả năng bỏ phiếu đa số trên nhiều lần chạy để có độ tin cậy cao hơn CoT hữu ích nhất trong các nhiệm vụ nhiều bước; cải thiện tối thiểu đối với những câu hỏi thực tế đơn giản
• Kết hợp các kỹ thuật: Cấu trúc XML + suy luận CoT + khám phá ToT để đạt độ tin cậy tối đa