Tại Sao Lại Rời Bỏ Zero-Shot?
Trong thế giới của AI, Zero-Shot Prompting giống như việc bạn ra lệnh cho một nhân viên thực tập mới vào nghề mà không có hướng dẫn. Bạn có thể nói: "Viết một email chuyên nghiệp về việc giao hàng chậm." Đôi khi AI làm tốt, nhưng đôi khi nó trả về một văn bản cứng nhắc như văn bản hành chính hoặc nhạt nhẽo như văn mẫu.
Đây là ranh giới giữa một người dùng AI nghiệp dư và một Prompt Master. Thay vì chỉ giải thích dài dòng bằng từ ngữ, bạn có thể áp dụng kỹ thuật Few-Shot Prompting—cung cấp cho AI một vài ví dụ minh họa chất lượng cao để "dạy" nó hiểu chính xác định dạng, giọng văn, và cấu trúc mà bạn mong muốn.
1. Khái Niệm: Few-Shot Prompting Là Gì?
Few-Shot Prompting là kỹ thuật cung cấp cho các mô hình ngôn ngữ lớn (LLM) một số lượng nhỏ ví dụ (thường từ 1 đến 5 cặp đầu vào - đầu ra) ngay bên trong thân của câu lệnh chính thức.
Việc này giống như một buổi "huấn luyện ngắn hạn" hoặc "mồi" dữ liệu, giúp AI hiểu sâu hơn về bối cảnh thay vì chỉ dựa vào khả năng hiểu ngôn ngữ tự nhiên cơ bản. Analogy: Thay vì yêu cầu một đứa trẻ "Vẽ một bông hoa", bạn cho nó xem 3 bức ảnh bông hoa khác nhau. Đứa trẻ sẽ nhanh chóng nắm bắt các khuôn mẫu chung và vẽ ra bông hoa của riêng mình một cách chính xác nhất.
Cơ Chế Hoạt Động Của Few-Shot
Thay vì đi thẳng từ [Nhiệm vụ] -> [Đáp án], chúng ta ép AI đi theo lộ trình:
- Ví dụ 1:
[Input] -> [Output] - Ví dụ 2:
[Input] -> [Output] - ...
- Nhiệm vụ mới:
[Input] -> [AI sẽ tự điền Output]
2. Ưu Điểm: Tại Sao Few-Shot Lại Hiệu Quả?
- Học Nhanh Không Cần Tinh Chỉnh: AI có thể học các tác vụ mới, phức tạp, hoặc đòi hỏi chiều sâu ngay lập tức mà không cần quy trình fine-tuning mô hình tốn kém.
- Đảm Bảo Tính Nhất Quán: Giúp mọi đầu ra của AI tuân thủ đúng một giọng văn, định dạng, hoặc cấu trúc cụ thể, đặc biệt hữu ích trong Marketing Content.
- Giải Quyết Bài Toán Đa Bước: Cực kỳ hữu ích cho các tác vụ giải quyết vấn đề phức tạp, nơi AI cần bắt chước một logic cụ thể.
3. Cấu Trúc Của Một Few-Shot Prompt Hiệu Quả
Một prompt AI hiệu quả thường bao gồm các yếu tố sau:
| Yếu tố | Mô tả |
|---|---|
| Gán Vai Trò (Role) | (Tùy chọn) Ví dụ: "Bạn là một chuyên gia Content Marketing Senior..." |
| Bối Cảnh & Nhiệm Vụ | Nêu rõ ràng nhiệm vụ cốt lõi bạn muốn AI thực hiện. |
| Các Ví Dụ (Demonstrations) | Phần quan trọng nhất. Cung cấp 2-5 cặp ví dụ Input: <input> và Label: <output>. |
| Đầu Vào Mới (New Input) | Phần bạn muốn AI trả lời. |
4. Ứng Dụng Thực Tế (Kèm Mẫu)
Dưới đây là một vài mẹo về việc sử dụng các ví dụ thực tế:
Ví dụ 1: Viết Mô Tả Sản Phẩm (Giọng Văn Hài Hước)
Thay vì chỉ yêu cầu viết hài hước, chúng ta cho AI xem 2 ví dụ.
Prompt:
Bạn là một người viết Content Marketing với giọng văn hóm hỉnh, bắt trend Gen Z. Dưới đây là ví dụ về cách tôi viết mô tả sản phẩm:
Input: Son dưỡng môi. Label: "Son dưỡng môi này sẽ cứu rỗi đôi môi nứt nẻ của bạn nhanh hơn cách crush 'seen' tin nhắn. Căng mọng, mềm mịn mà không lo 'dính dính'."
Input: Bàn phím cơ. Label: "Tiếng gõ bàn phím cơ này đã tai đến mức bạn sẽ muốn gõ code cả đêm chỉ để nghe tiếng nó. Sẵn sàng trở thành 'Kẻ hủy diệt phím' chưa?"
Giờ đến lượt bạn. Hãy viết mô tả cho sản phẩm: Tai nghe không dây.
AI: > Label: "Tai nghe không dây này giúp bạn chìm đắm trong âm nhạc mà không lo vướng víu. Bass cực căng, pin cực trâu, sẵn sàng cho những chuyến đi dài."
Ví dụ 2: Phân Loại Cảm Xúc (Phân Phối Nhãn)
Sử dụng nhãn ngẫu nhiên nhưng vẫn tốt hơn là không có nhãn nào.
Prompt:
Hãy phân loại cảm xúc của các câu phản hồi sau. Các ví dụ mẫu:
Input: "Hàng đến trễ 3 ngày, tôi không hài lòng." -> Label: Phủ định - Giao hàng Input: "Sản phẩm dùng rất ổn, giá cả phải chăng." -> Label: Tích cực - Giá cả Input: "Tôi không biết cách sử dụng sản phẩm này." -> Label: Phân vân - Sử dụng
Input: "Chất liệu sản phẩm rất tốt, đường may chắc chắn." -> Label:
Ví dụ 3: Cấu Trúc Dữ Liệu Nâng Cao (JSON)
Prompt:
Hãy chuyển đổi văn bản sau thành cấu trúc dữ liệu JSON chính xác. Các ví dụ:
Input: "Nguyễn Văn A sinh ngày 01/01/1990 tại Hà Nội, là lập trình viên Senior." Label:
{"ten": "Nguyễn Văn A", "ngay_sinh": "1990-01-01", "que_quan": "Hà Nội", "vi_tri": "Lập trình viên Senior"}Input: "Trần Thị B sinh ngày 15/05/1995 tại Đà Nẵng, hiện là trưởng phòng Marketing." Label:
{"ten": "Trần Thị B", "ngay_sinh": "1995-05-15", "que_quan": "Đà Nẵng", "vi_tri": "Trưởng phòng Marketing"}Input: "Lê Văn C sinh ngày 20/10/1988 tại TP.HCM, là bác sĩ chuyên khoa I." Label:
Kết Luận
Kỹ thuật Few-Shot Prompting là ranh giới giữa một người dùng AI nghiệp dư và một Prompt Master. Bằng cách "dạy" AI bằng ví dụ thay vì chỉ giải thích dài dòng bằng từ ngữ, bạn không chỉ nhận được kết quả chính xác hơn mà còn Captured được sắc thái, giọng văn và cấu trúc dữ liệu chuyên sâu.
👉 Đừng quên ghé thăm Thư viện Prompt của Prompty để khám phá hàng nghìn mẫu prompt đã được tối ưu sẵn kỹ thuật Few-Shot nhé!
