5 lời khuyên từ chuyên gia để tạo prompt hoàn hảo cho AI

Gần đây, chuyên gia tạo prompt của Google, Lee Boonstra, đã xuất bản một báo cáo chuyên sâu dài 68 trang về kỹ thuật tạo prompt với nhiều mẹo và chiến lược để tạo ra những prompt hoàn hảo cho các LLM. Mặc dù báo cáo này được biên soạn dành cho các chuyên gia tạo prompt tương lai, nhưng có một số mẹo trong đó mà người dùng thông thường có thể sử dụng trong cuộc sống hàng ngày với AI. Bài viết này liệt kê 5 mẹo tạo prompt sẽ giúp bạn nhận được phản hồi tốt hơn từ chatbot AI.

1. Giữ cho prompt đơn giản và đi thẳng vào vấn đề

Mặc dù thường được quảng cáo rằng bạn có thể nói chuyện với LLM bằng ngôn ngữ tự nhiên hoặc thông thường, nhưng điều đó chủ yếu là để làm cho sản phẩm hấp dẫn đối với người dùng thông thường. Để có kết quả tốt hơn, bạn nên giữ cho prompt ngắn gọn và dễ hiểu, tập trung vào các động từ hành động. Mỗi từ thừa hoặc cụm từ phức tạp bạn thêm vào đều có khả năng dẫn đến hiểu sai.

Thay vì kể vấn đề của bạn cho AI dưới dạng một câu chuyện, hãy tập trung trực tiếp vào câu trả lời bạn cần. Dưới đây là một số ví dụ để hiểu rõ hơn:

Prompt không tốt:

Tôi sẽ đi du lịch Tokyo vào tháng tới trong 5 ngày. Tôi rất muốn tham quan các ngôi chùa cổ, và cũng yêu thích các phòng trưng bày nghệ thuật hiện đại. Tôi sẽ ở gần ga Shinjuku và muốn tìm những nơi không quá đông đúc vì tôi dễ bị choáng ngợp.

Prompt tốt:

Hãy đóng vai trò là hướng dẫn viên du lịch Tokyo. Đề xuất 5 ngôi chùa cổ và 3 phòng trưng bày nghệ thuật hiện đại gần Shinjuku, tránh những nơi đông người.

2. Giao vai trò cho AI trước

Đối với các yêu cầu chuyên biệt, tốt hơn hết là hãy yêu cầu AI đóng vai trò là chuyên gia trong lĩnh vực cụ thể, chẳng hạn như “đóng vai trò là hướng dẫn viên du lịch” hoặc “bạn là giáo viên mẫu giáo”. Vì các mô hình ngôn ngữ lớn (LLM) học hỏi từ những kho văn bản khổng lồ, điều này sẽ buộc chúng phải bám vào một nghề nghiệp hoặc nhân cách cụ thể. Mô hình sẽ sử dụng giọng điệu và từ vựng đặc trưng của vai trò, tự giới hạn trong phạm vi của vai trò đó, điều này sẽ ngăn nó đi lạc chủ đề.

Dưới đây là một số ví dụ về yêu cầu:

Prompt không tốt:

Tạo một kế hoạch bài học về quang hợp.

Prompt tốt:

Bạn là một giáo viên mẫu giáo. Hãy thiết kế một kế hoạch bài học 30 phút về quá trình quang hợp với một câu chuyện hấp dẫn, một hoạt động thực hành và ba câu hỏi ôn tập đơn giản.

3. Cung cấp ví dụ

Bất cứ khi nào có thể, hãy cố gắng đưa ra nhiều ví dụ về cách bạn muốn kết quả đầu ra như thế nào. Điều này sẽ đảm bảo mô hình cung cấp chính xác những gì bạn muốn mà không đi chệch khỏi mục tiêu. Các khái niệm này được gọi là one-shot prompt (một ví dụ) và few-shot prompt (nhiều ví dụ). Nên cung cấp ít nhất 3 đến 5 ví dụ nếu có thể.

Tất nhiên, ví dụ không cần thiết cho hầu hết các prompt, nhưng bất cứ khi nào bạn cần tuân theo một cấu trúc cụ thể, chúng sẽ giúp cải thiện kết quả đáng kể. Ví dụ, nếu đang cung cấp cho nó các đánh giá để hiểu cảm xúc, bạn có thể cung cấp chính xác cách nó cần phân loại những đánh giá, chẳng hạn như tiêu cực, trung lập hoặc tích cực.

4. Thử phương pháp Step-Back Prompting

Step-Back Prompting nghĩa là chia một prompt thành hai bước bằng cách đặt câu hỏi ở cấp độ nguyên tắc trước, sau đó cung cấp câu trả lời ngược lại để nhận được câu trả lời chi tiết. Về cơ bản, câu hỏi đầu tiên kích hoạt kiến ​​thức nền của mô hình về chủ đề đó, giúp mô hình đưa ra câu trả lời tốt hơn khi bạn đặt câu hỏi thực sự bằng cách sử dụng những chi tiết từ câu hỏi đầu tiên.

Cách tiếp cận này tốt hơn so với việc hỏi trực tiếp câu trả lời, vì nó “khuyến khích các LLM suy nghĩ một cách phản biện và áp dụng kiến ​​thức của họ theo những cách mới và sáng tạo”.

Để giúp bạn hiểu rõ hơn, dưới đây bài viết đã đưa ra một ví dụ minh họa cách tiếp cận này:

Prompt đầu tiên:

Các nguyên tắc cốt lõi của một mô tả sản phẩm hiệu quả là gì?

Sau khi nhận được câu trả lời, hãy sử dụng prompt thứ hai (phần gợi ý từng bước).

Prompt thứ hai:

Sử dụng các nguyên tắc này, hãy viết mô tả sản phẩm cho một chiếc đồng hồ thông minh mới với các thông số kỹ thuật sau (cung cấp thông số kỹ thuật).

5. Tập trung vào hướng dẫn thay vì hạn chế

Các LLM hoạt động tốt hơn khi bạn hướng dẫn chúng “làm điều gì đó” thay vì bảo chúng “đừng làm điều gì đó”. Thay vì nói với mô hình những điều nó nên tránh, tốt hơn là hãy nói chính xác những gì cần bao gồm. Nếu bạn thêm các hạn chế vào câu hỏi, mô hình có thể bắt đầu đoán những gì được cho phép và có thể tự hạn chế bản thân nhiều hơn mức cần thiết. Sử dụng hướng dẫn trực tiếp dẫn đến những câu trả lời sáng tạo hơn.

Mặc dù bài báo nói rằng việc sử dụng các ràng buộc khi cần thiết là được chấp nhận, nhưng tốt hơn hết là nên sử dụng các hướng dẫn tích cực. Dưới đây là một ví dụ về khái niệm này:

Prompt không tốt:

Mô tả chai sinh học mới của chúng tôi. Không sử dụng các từ ngữ so sánh nhất và không nói về giá cả của nó.

Prompt tốt:

Viết một mô tả sản phẩm gồm 2 câu cho chai sinh học của chúng tôi, nêu bật khả năng giữ nhiệt 48 giờ và cấu tạo bằng thép tái chế 100%. Sử dụng ngôn ngữ rõ ràng, tập trung vào lợi ích mà không đề cập đến giá cả.

Đây là một số mẹo hữu ích cho việc sử dụng hàng ngày. Tuy nhiên, có nhiều cách khác để tạo ra phản hồi AI tốt hơn ngoài việc chỉ tạo ra các prompt tốt hơn, chẳng hạn như cá nhân hóa AI.