Về mặt kỹ thuật là đúng, nhưng hoàn toàn vô dụng cho vấn đề thực tế của cô ấy. Infinity News đã giúp cô ấy thử cách khác: “Phân tích dataset doanh số này để tìm xu hướng theo mùa và đề xuất những danh mục sản phẩm nào cho thấy hiệu suất đang giảm.” Lần này, cô ấy có được insights thực sự chỉ trong vài giây.
Sự khác biệt không phải là AI. Đó là prompt. Một prompt chỉ đơn giản là hướng dẫn bạn đưa cho ChatGPT, và nó kiểm soát mọi thứ về những gì bạn nhận lại. Đúng là các prompt mơ hồ tạo ra câu trả lời mơ hồ và các prompt cụ thể tạo ra câu trả lời hữu ích. Nhưng còn nhiều điều hơn thế.
Trong bài viết này, Infinity News sẽ chia sẻ những gì đã học được về viết prompt ChatGPT hiệu quả và chỉ cho bạn các kỹ thuật cụ thể thực sự hoạt động. Bạn sẽ thấy các ví dụ thực tế cho viết lách, coding, phân tích dữ liệu, tác vụ kinh doanh và học tập, cộng các kỹ thuật nâng cao để xử lý workflows phức tạp và tự động hóa.
Những điều cơ bản về ChatGPT prompting
Một prompt là bất cứ thứ gì bạn gõ vào ChatGPT. Nó có thể là một câu hỏi (“Machine learning là gì?”), một hướng dẫn (“Tóm tắt đoạn này”), hoặc thứ gì đó có nhiều ngữ cảnh hơn (“Bạn là một giảng viên SQL. Giải thích joins cho người mới bắt đầu”).
Sự khác biệt giữa các prompts đơn giản và có cấu trúc là đáng kể. Hãy xem hai ví dụ này:
Prompt đơn giản:
Viết về học máy
Prompt có cấu trúc:
Viết một giải thích 150 từ về supervised learning cho các nhà phân tích kinh doanh không có nền tảng kỹ thuật. Sử dụng một phép so sánh liên quan đến dữ liệu khách hàng.
Cái đầu tiên cho ChatGPT gần như không có gì để làm việc. Cái thứ hai chỉ định đối tượng, độ dài và cách tiếp cận. Bạn sẽ nhận được kết quả hoàn toàn khác nhau.
Prompt engineering là kỹ năng thiết kế inputs hiệu quả cho AI. Nó không phải là lập trình. Nó là giao tiếp. Bạn đang học cách đưa ra hướng dẫn rõ ràng dựa trên cách ChatGPT xử lý ngôn ngữ.
Infinity News đã ngừng xem prompts như các truy vấn tìm kiếm và bắt đầu xem chúng như các hướng dẫn. Một khi thực hiện sự chuyển đổi đó, kết quả được cải thiện đáng kể.
ChatGPT hiểu prompts như thế nào?
ChatGPT diễn giải hướng dẫn của bạn dựa trên ngữ cảnh, vai trò, giọng điệu và cấu trúc. Nó không thực sự “hiểu” như con người. Nó dự đoán phản hồi nào có ý nghĩa dựa trên các patterns nó đã học trong quá trình training. Đó là lý do tại sao sự rõ ràng quan trọng như vậy.
Ba yếu tố chính ảnh hưởng đến cách ChatGPT đọc prompt của bạn:
1. Sự rõ ràng (Clarity): Ngôn ngữ mơ hồ tạo ra kết quả không nhất quán. “Giải thích Python” có thể có nghĩa là hàng tá điều khác nhau. “Giải thích cú pháp list comprehension của Python hoạt động như thế nào, với ba ví dụ” rõ ràng và cụ thể.
2. Tính cụ thể (Specificity): Các prompts chung chung nhận được câu trả lời chung chung. Hỏi “Làm thế nào để phân tích dữ liệu?” và ChatGPT phải đoán những gì bạn biết, công cụ bạn sử dụng và những gì bạn đang cố gắng hoàn thành. Hỏi “Chỉ cho tôi cách xác định outliers trong một Pandas DataFrame bằng phương pháp IQR” và bạn nhận được điều gì đó ngay lập tức hữu ích.
3. Cấu trúc (Structure): Các prompts có tổ chức hoạt động tốt hơn. Nếu bạn chia các yêu cầu phức tạp thành các bước được đánh số hoặc bullet points, ChatGPT theo dõi dễ dàng hơn.
Gán một vai trò thay đổi cách ChatGPT phản hồi. Viết “Bạn là một nhà phân tích tài chính” và nó tự động điều chỉnh ngôn ngữ và độ sâu của mình. Điều này hoạt động vì mô hình đã thấy vô số ví dụ về cách các nhà phân tích tài chính giao tiếp.
Giọng điệu cũng quan trọng. Yêu cầu một “bản tóm tắt kinh doanh chính thức” so với một “giải thích thân mật cho một người bạn” và bạn sẽ nhận được các phong cách rất khác nhau.
Lưu ý: Nếu bạn sử dụng ChatGPT API, bạn có thể kiểm soát tính ngẫu nhiên với cài đặt temperature (0 = nhất quán, 1 = sáng tạo) và đặt system messages áp dụng cho toàn bộ cuộc hội thoại. Đối với hầu hết người dùng làm việc với giao diện web, điều quan trọng là cụ thể trong prompts của bạn.
Ví dụ prompt ChatGPT theo danh mục
Infinity News đã tổ chức các ví dụ này theo danh mục. Mỗi phần giải thích điều gì làm cho prompts hoạt động trong lĩnh vực đó, sau đó đưa ra các ví dụ bạn có thể sao chép và điều chỉnh cho công việc của riêng bạn.
Prompts viết lách
Điều gì làm chúng hoạt động:
- Chỉ định đối tượng, giọng điệu và định dạng
- Đặt giới hạn số từ hoặc cấu trúc
- Xác định mục đích rõ ràng
Ví dụ 1: Phần giới thiệu blog
Viết một phần giới thiệu blog 100 từ giải thích tại sao SQL vẫn cần thiết cho phân tích dữ liệu mặc dù sự trỗi dậy của Python và R. Đối tượng mục tiêu: các nhà phân tích dữ liệu đang cân nhắc kỹ năng nào cần ưu tiên.
Ví dụ 2: Email chuyên nghiệp
Soạn một email 150 từ cho khách hàng giải thích sự chậm trễ dự án. Giọng điệu: chuyên nghiệp nhưng thấu cảm. Bao gồm một timeline sửa đổi và một giải pháp chủ động để giảm thiểu tác động.
Ví dụ 3: Nội dung mạng xã hội
Viết ba biến thể bài đăng LinkedIn (dưới 200 ký tự mỗi cái) thông báo một khóa học trực quan hóa dữ liệu mới. Nhấn mạnh kỹ năng thực tế hơn lý thuyết. Sử dụng giọng điệu đàm thoại, khuyến khích.
Ví dụ 4: Tài liệu kỹ thuật
Viết lại thông báo lỗi API này cho người dùng không có kỹ thuật: "Token xác thực đã hết hạn. Lỗi 401." Làm rõ những gì đã xảy ra và hành động cần thực hiện.
Ví dụ 5: Viết sáng tạo
Viết một mô tả sản phẩm 200 từ cho tai nghe chống ồn. Nhắm đến những người làm việc từ xa. Tập trung vào lợi ích năng suất, không phải thông số kỹ thuật. Giọng điệu đàm thoại.
Thấy pattern chưa? Mỗi prompt nói ai đang đọc, tại sao và định dạng nào bạn muốn. Không đoán mò. Bạn nhận được các bản nháp đầu tiên có thể sử dụng.
Prompts lập trình
Điều gì làm chúng hoạt động:
- Chỉ định ngôn ngữ lập trình và loại tác vụ
- Bao gồm thông báo lỗi hoặc ngữ cảnh code
- Yêu cầu lý luận, không chỉ output
Ví dụ 1: Tạo code
Viết một hàm Python nhận một danh sách các dictionary và trả về một danh sách mới chỉ chứa các items trong đó key 'trang_thai' bằng 'hoat_dong'. Bao gồm xử lý lỗi cho các key bị thiếu.
Kết quả trả về của ChatGPT:
Ví dụ 2: Debug
Hàm Python này được cho là tính trung vị của một danh sách, nhưng nó thất bại trên các danh sách có độ dài chẵn. Xác định bug và cung cấp phiên bản đã sửa:
def trung_vi(so):
so_sap_xep = sorted(so)
giua = len(so_sap_xep) // 2
return so_sap_xep[giua]
Ví dụ 3: Giải thích code
Giải thích truy vấn SQL này làm gì, xác định bất kỳ vấn đề hiệu suất nào và đề xuất một phiên bản được tối ưu hóa:
SELECT * FROM don_hang WHERE ma_khach_hang IN (SELECT id FROM khach_hang WHERE khu_vuc = 'Mien Bac')
Ví dụ 4: Refactoring
Refactor code JavaScript này để sử dụng async/await thay vì promise chaining. Duy trì cùng logic xử lý lỗi:
[dán code ở đây]
Ví dụ 5: Xác định edge case
Xem xét hàm Python này cho các edge cases nó không xử lý. Liệt kê từng edge case và đề xuất cách khắc phục:
def chia_danh_sach(so, so_chia):
return [n / so_chia for n in so]
Mẹo: Để debug, thêm “giải thích lý luận của bạn ở mỗi bước” để phát hiện các lỗi logic mà việc tạo code đơn giản bỏ lỡ.
Prompts phân tích dữ liệu
Điều gì làm chúng hoạt động:
- Mô tả cấu trúc dataset của bạn
- Yêu cầu diễn giải và lý luận
- Yêu cầu khuyến nghị trực quan hóa
Ví dụ 1: Phân tích khám phá
Tôi có một dataset doanh số với các cột: ngay_thang, danh_muc_san_pham, doanh_thu, khu_vuc. Đề xuất năm câu hỏi khám phá tôi nên điều tra đầu tiên, và giải thích tại sao mỗi câu quan trọng cho quyết định kinh doanh.
Ví dụ 2: Xác định xu hướng
Dataset này hiển thị lưu lượng truy cập website hàng tháng trong 18 tháng: [dán dữ liệu]. Xác định ba xu hướng có ý nghĩa và giải thích điều gì có thể gây ra mỗi xu hướng.
Ví dụ 3: Khuyến nghị trực quan hóa
Tôi cần trình bày doanh thu theo quý theo dòng sản phẩm (5 danh mục) cho các giám đốc điều hành. Đề xuất loại biểu đồ tốt nhất và giải thích tại sao nó hiệu quả hơn các lựa chọn thay thế.
Ví dụ 4: Cách tiếp cận thống kê
Tôi muốn kiểm tra xem một quy trình thanh toán mới có tăng tỷ lệ chuyển đổi không. Tôi có dữ liệu trước/sau cho 1.000 người dùng. Tôi nên sử dụng kiểm định thống kê nào và tại sao? Tôi cần xác minh những giả định nào trước?
Ví dụ 5: Đánh giá chất lượng dữ liệu
Xem xét tóm tắt dataset khách hàng này: 10.000 hàng, 15% thiếu địa chỉ email, độ tuổi từ 18-120, một số số tiền mua hàng âm. Ưu tiên ba vấn đề chất lượng dữ liệu quan trọng nhất và đề xuất khắc phục.
Prompts kinh doanh
Điều gì làm chúng hoạt động:
- Gán vai trò với ngữ cảnh kinh doanh
- Yêu cầu output có cấu trúc, có thể hành động
- Đặt các ràng buộc và kịch bản rõ ràng
Ví dụ 1: Phân tích thị trường
Bạn là một nhà phân tích thị trường. Tóm tắt ba rủi ro hàng đầu cho một công ty SaaS có trụ sở tại Việt Nam mở rộng sang thị trường Đông Nam Á. Đối với mỗi rủi ro, cung cấp một chiến lược giảm thiểu cụ thể. Giữ phản hồi dưới 200 từ.
Ví dụ 2: Định vị cạnh tranh
So sánh ba công cụ quản lý dự án - Asana, Monday.com và Trello - cho một đội marketing 50 người. Tập trung vào các tính năng cộng tác và giá cả. Trình bày kết quả dưới dạng ma trận quyết định.
Ví dụ 3: Phát triển business case
Soạn thảo một business case để triển khai chatbots hỗ trợ khách hàng tự động. Bao gồm tiết kiệm chi phí dự kiến, timeline triển khai và hai rủi ro tiềm năng. Đối tượng mục tiêu: CFO và giám đốc vận hành.
Ví dụ 4: Chuẩn bị cuộc họp
Tôi đang trình bày kết quả quý 3 cho hội đồng quản trị. Doanh thu tăng 12% nhưng chi phí thu hút khách hàng tăng 18%. Chuẩn bị ba điểm nói chuyện thừa nhận sự gia tăng CAC trong khi nhấn mạnh quỹ đạo tăng trưởng tổng thể.
Ví dụ 5: Cải thiện quy trình
Đội bán hàng của chúng tôi dành 10 giờ mỗi tuần cập nhật thủ công các bản ghi CRM. Đề xuất ba giải pháp tự động hóa, được xếp hạng theo độ khó triển khai và tiết kiệm thời gian tiềm năng.
Prompts học tập và giảng dạy
Điều gì làm chúng hoạt động:
- Chỉ định mức độ kiến thức hiện tại của người học
- Yêu cầu phép loại suy và ví dụ cụ thể
- Yêu cầu giải thích từng bước
Ví dụ 1: Giải thích khái niệm bằng phép loại suy
Giải thích gradient descent cho người học machine learning lần đầu tiên. Sử dụng phép loại suy về leo núi. Giữ dưới 150 từ.
Ví dụ 2: Phân tích thân thiện với người mới bắt đầu
Tôi đang học Python và không hiểu decorators. Giải thích chúng làm gì, tại sao chúng hữu ích và hiển thị một ví dụ đơn giản. Giả sử tôi hiểu functions nhưng không hiểu các khái niệm nâng cao.
Ví dụ 3: Tạo quiz
Tạo năm câu hỏi trắc nghiệm kiểm tra hiểu biết về SQL joins. Bao gồm một câu hỏi mỗi loại cho: inner join, left join, right join, full outer join và cross join. Cung cấp giải thích cho câu trả lời đúng.
Ví dụ 4: Hướng dẫn từng bước
Dạy tôi cách tạo một pivot table trong Excel. Tôi chưa bao giờ sử dụng chúng trước đây. Chia thành các bước được đánh số với một hành động rõ ràng cho mỗi bước. Sử dụng một dataset doanh số mẫu làm ví dụ.
Ví dụ 5: So sánh khái niệm
Giải thích sự khác biệt giữa supervised và unsupervised learning như thể đang dạy một nhà phân tích kinh doanh không có nền tảng machine learning. Sử dụng các ví dụ kinh doanh thực tế cho mỗi loại.
Cách viết prompt ChatGPT tốt hơn
Các prompts tốt hơn cân bằng sự rõ ràng với ngữ cảnh. Đây là các kỹ thuật đã được chứng minh giúp cải thiện kết quả:
Zero-shot prompting
Zero-shot prompting chỉ có nghĩa là hỏi trực tiếp mà không có ví dụ. Nó hoạt động cho những thứ đơn giản:
Tóm tắt đoạn này trong một câu: [dán văn bản]
One-shot prompting
One-shot prompting đưa ra một ví dụ để hiển thị giọng điệu hoặc định dạng bạn muốn:
Chuyển đổi các thuật ngữ kỹ thuật này sang ngôn ngữ đơn giản. Ví dụ: "API" trở thành "một cách để các chương trình phần mềm giao tiếp với nhau."
Bây giờ chuyển đổi: "Xác thực OAuth"
Few-shot prompting
Few-shot prompting đưa ra nhiều ví dụ để dạy một pattern:
Chuyển đổi các tên sản phẩm này thành URL-friendly slugs:
"Tai nghe không dây cao cấp" → "tai-nghe-khong-day-cao-cap"
"Màn hình 4K Ultra HD" → "man-hinh-4k-ultra-hd"
Bây giờ chuyển đổi: "Bàn đứng công thái học Pro"
Mẹo: Lưu các few-shot prompts tốt nhất của bạn. Giữ một tài liệu các templates cho code reviews, phân tích dữ liệu và viết báo cáo mà bạn tái sử dụng liên tục.
Chain-of-thought prompting
Chain-of-thought prompting yêu cầu ChatGPT suy luận từng bước:
Một cửa hàng bán sổ tay với giá 30.000 đồng mỗi cái. Nếu bạn mua 5 cái trở lên, bạn được giảm 20% tổng số tiền. 7 cuốn sổ tay giá bao nhiêu? Suy nghĩ từng bước.
Role prompting
Role prompting đặt chuyên môn và phong cách giao tiếp:
Bạn là một giảng viên SQL dạy người mới bắt đầu. Giải thích foreign key là gì và tại sao nó quan trọng trong 100 từ hoặc ít hơn. Sử dụng một phép loại suy thực tế.
Ràng buộc và định dạng
Ràng buộc và định dạng giữ các phản hồi tập trung:
Liệt kê ba lợi thế của điện toán đám mây. Yêu cầu:
- Bullet points
- Một câu cho mỗi điểm
- Tập trung vào chi phí và khả năng mở rộng
- Dưới 100 từ tổng cộng
Infinity News hiếm khi làm đúng ngay lần đầu tiên. Quy trình làm việc: bắt đầu đơn giản, kiểm tra output, sau đó thêm 2-3 chi tiết cụ thể cho lần thử tiếp theo. Thường hoạt động vào lần thứ hai hoặc thứ ba.
Kỹ thuật prompting nâng cao
Infinity News sẽ hướng dẫn bạn qua các kỹ thuật đẩy mạnh khả năng suy luận, tính nhất quán và khả năng tự động hóa của ChatGPT cho các tác vụ phức tạp.
Self-consistency và reflection prompts
Yêu cầu ChatGPT tạo nhiều giải pháp và so sánh chúng:
Tạo ba cách tiếp cận để giảm tỷ lệ khách hàng rời bỏ cho một công ty SaaS, mỗi cách trong 2 câu. Sau đó so sánh chúng trong 3 câu và đề xuất cách tốt nhất.
Reflection prompts phát hiện lỗi:
Xem xét câu trả lời trước đó của bạn về độ chính xác, sự rõ ràng và tính đầy đủ. Xác định bất kỳ khoảng trống hoặc cải tiến tiềm năng nào.
Meta-prompting
Yêu cầu ChatGPT thiết kế prompts cho bạn:
Tôi cần tóm tắt các bài báo học thuật. Tạo ba mẫu prompt có thể tái sử dụng: một cho phương pháp, một cho các phát hiện chính và một cho hạn chế. Giữ mỗi mẫu dưới 20 từ.
Context-window management
Giữ các cuộc hội thoại dài tập trung bằng cách nhắc nhở ChatGPT về mục tiêu của bạn:
Nhắc nhở: Chúng tôi đang thiết kế một data pipeline cho phân tích thời gian thực. Tất cả các đề xuất nên ưu tiên độ trễ thấp hơn hiệu quả lưu trữ.
Bây giờ, chúng tôi nên xử lý thay đổi schema như thế nào?
Trong các cuộc hội thoại dài, Infinity News phát biểu lại mục tiêu chính mỗi vài trao đổi. Nó giữ ChatGPT phù hợp với những gì thực sự đang cố gắng hoàn thành.
Multi-turn và modular prompting
Chia các tác vụ lớn thành các bước tuần tự:
Ví dụ quy trình làm việc để viết một bài báo kỹ thuật:
Prompt 1:
Tạo một đề cương cho một bài báo 2.000 từ về giới hạn tỷ lệ API. Bao gồm 5 phần chính với 2-3 phần phụ mỗi phần.
Prompt 2:
Sử dụng đề cương bạn vừa tạo, viết một phần giới thiệu 200 từ giải thích tại sao giới hạn tỷ lệ quan trọng đối với các nhà phát triển API.
Prompt 3:
Bây giờ mở rộng phần "Chiến lược triển khai". Bao gồm các ví dụ code trong Python.
Kiểm tra và điều chỉnh ở mỗi bước thay vì tạo mọi thứ cùng một lúc. Để tự động hóa, các developers có thể script các chuỗi này bằng OpenAI API.
Role và perspective stacking
Kết hợp nhiều vai trò cho câu trả lời cân bằng:
Bạn vừa là một nhà khoa học dữ liệu vừa là một quản lý dự án. Giải thích cách ưu tiên các dự án machine learning. Đề cập đến cả tính khả thi kỹ thuật và tác động kinh doanh.
Infinity News thấy rằng kết hợp các vai trò như “nhà khoa học dữ liệu và nhà phân tích kinh doanh” mang lại câu trả lời cân bằng khi cần cả chiều sâu kỹ thuật và ứng dụng thực tế.
Evaluation và self-critique prompts
Để ChatGPT đánh giá output của chính nó:
[Sau khi nhận được phản hồi]
Đánh giá câu trả lời trước đó của bạn trên các khía cạnh này:
- Sự rõ ràng (1-10)
- Độ chính xác (1-10)
- Tính đầy đủ (1-10)
Đối với bất kỳ điểm nào dưới 8, giải thích điều gì còn thiếu và cung cấp một phiên bản cải tiến.
Prompt templates và khả năng tái sử dụng
Xây dựng các templates có thể tái sử dụng cho các tác vụ thường xuyên:
Template để phân tích dataset:
Phân tích dataset [LOẠI DATASET] này với [SỐ] hàng và [SỐ] cột.
Cung cấp:
1. Tổng quan: Các đặc điểm chính và kiểu dữ liệu
2. Xu hướng: Ba patterns có ý nghĩa
3. Outliers: Giá trị bất thường hoặc dị thường
4. Trực quan hóa: Đề xuất ba biểu đồ với lý do
Dataset: [DÁN DỮ LIỆU HOẶC MÔ TẢ]
Những sai lầm phổ biến và cách khắc phục
Sai lầm 1: Prompts mơ hồ hoặc quá rộng
Sai: Nói cho tôi về Python
Tại sao thất bại: ChatGPT phải đoán bạn muốn gì. Bạn sẽ nhận được nội dung chung chung.
Đã sửa:
Giải thích cú pháp list comprehension của Python hoạt động như thế nào. Bao gồm ba ví dụ: lọc một danh sách, chuyển đổi giá trị và nested comprehensions.
Sai lầm 2: Hỏi nhiều câu hỏi không liên quan cùng một lúc
Sai: Giải thích machine learning, đề xuất một khóa học Python và giúp tôi debug code này
Tại sao thất bại: ChatGPT chia sự chú ý cho ba tác vụ. Mỗi câu trả lời sẽ nông cạn.
Đã sửa: Chia thành các prompts riêng biệt, mỗi tác vụ một.
Sai lầm 3: Bỏ qua hạn chế của mô hình
Sai: Con số doanh thu chính xác của Apple cho quý 3 năm 2025 là gì?
Tại sao thất bại: ChatGPT không thể truy cập dữ liệu thời gian thực và có thể tạo ra các con số nghe hợp lý.
Đã sửa:
Giải thích cách diễn giải báo cáo doanh thu theo quý của một công ty. Tôi nên tập trung vào những chỉ số nào ngoài doanh thu top-line?
Sai lầm 4: Không có ràng buộc hoặc đặc tả định dạng
Sai: Tóm tắt bài viết này: [dán bài viết dài]
Tại sao thất bại: Không có hướng dẫn về độ dài, trọng tâm hoặc đối tượng.
Đã sửa:
Tóm tắt bài viết này trong ba bullet points. Tập trung vào các takeaways có thể hành động cho các nhà phân tích dữ liệu. Tối đa 150 từ tổng cộng.
Sai lầm 5: Giả định ChatGPT nhớ ngữ cảnh từ rất lâu
Sai: Sử dụng cách tiếp cận chúng ta đã thảo luận trước đó (sau 20 trao đổi)
Đã sửa:
Sử dụng cách tiếp cận Python pandas chúng ta đã thảo luận để xử lý các giá trị bị thiếu (phương pháp forward fill). Áp dụng nó cho dataset mới này: [dán dữ liệu]
Kết luận
Các prompt ChatGPT tốt đến từ giao tiếp rõ ràng. Sự khác biệt giữa kết quả okay và tuyệt vời là tính cụ thể: nói ai là đối tượng của bạn, đặt giới hạn và rõ ràng về những gì bạn muốn.
Infinity News bắt đầu với những điều cơ bản – gán vai trò, ví dụ few-shot, suy luận chain-of-thought – và điều chỉnh chúng cho công việc. Chú ý đến prompts nào hoạt động và prompts nào không. Đó là cách trở nên tốt hơn ở điều này.
Các kỹ thuật này hoạt động trên các lĩnh vực khác nhau vì chúng phù hợp với cách ChatGPT xử lý ngôn ngữ. Cho dù bạn đang coding, phân tích dữ liệu hay viết tài liệu kinh doanh, các quy tắc tương tự áp dụng: rõ ràng, cụ thể và lặp lại dựa trên kết quả.
Câu hỏi thường gặp về prompt ChatGPT
1. Điều gì tạo nên một ChatGPT prompt tốt?
Một prompt tốt là cụ thể, cung cấp ngữ cảnh và phát biểu kỳ vọng rõ ràng. Nó xác định đối tượng, định dạng và ràng buộc. Thay vì “giải thích machine learning,” hãy thử “giải thích supervised learning cho một nhà phân tích kinh doanh sử dụng phép loại suy dữ liệu khách hàng, dưới 150 từ.”
2. ChatGPT prompt nên dài bao nhiêu?
Độ dài quan trọng ít hơn sự rõ ràng. Một prompt 10 từ có thể tuyệt vời nếu nó cụ thể. Một prompt 200 từ có thể tệ nếu nó không tập trung. Đưa đủ ngữ cảnh cho ChatGPT để hiểu bạn muốn gì, nhưng bỏ qua các chi tiết không cần thiết. Hầu hết các prompts tốt là 20-100 từ.
3. Tôi có nên sử dụng thuật ngữ kỹ thuật trong prompts của mình không?
Sử dụng thuật ngữ khi nó thêm độ chính xác, nhưng xác định các thuật ngữ của bạn nếu ngữ cảnh quan trọng. “Sử dụng phương pháp IQR để xác định outliers” rõ ràng cho các nhà phân tích dữ liệu. Đối với đối tượng chung, “xác định các giá trị bất thường trong dataset này” hoạt động tốt hơn. Khớp ngôn ngữ của bạn với mức độ chuyên môn bạn muốn trong phản hồi.
4. ChatGPT có thể nhớ ngữ cảnh từ trước đó trong cuộc hội thoại không?
Có, nhưng có giới hạn. ChatGPT giữ ngữ cảnh trong một cuộc hội thoại, nhưng các trao đổi dài có thể trở nên lộn xộn. Đối với ngữ cảnh quan trọng từ rất lâu, hãy nói lại nó một cách rõ ràng thay vì giả định nó nhớ. Sử dụng các cụm từ như “sử dụng cách tiếp cận chúng ta đã thảo luận cho [chủ đề cụ thể]” để nhắc nhở nó.
5. Làm thế nào để ChatGPT ngừng đưa ra câu trả lời chung chung?
Thêm giới hạn và cụ thể. Các prompts chung chung nhận được câu trả lời chung chung. Nói ai là đối tượng của bạn, bạn đang làm gì, định dạng bạn muốn và bất kỳ giới hạn nào. Yêu cầu ví dụ, phép loại suy hoặc suy luận từng bước. Gán vai trò (“Bạn là một nhà khoa học dữ liệu…”) cũng giúp nhận được các phản hồi phù hợp với những gì bạn cần.
