Bạn đã bao giờ hỏi AI một câu mà câu trả lời chẳng liên quan gì đến vấn đề chưa? Hoặc AI trả lời quá nông, thiếu chiều sâu? Rất có thể vấn đề không nằm ở model mà nằm ở cách bạn đặt câu hỏi — cụ thể là cách bạn viết prompt.
Trong thế giới AI, có hai kỹ thuật prompt được nhắc đến nhiều nhất: Few-Shot Prompting và Chain-of-Thought. Cả hai đều giúp AI trả lời tốt hơn, nhưng cách tiếp cận hoàn toàn khác nhau. Bài này mình sẽ giải thích sự khác biệt, khi nào dùng cái nào, và ví dụ thực tế để bạn áp dụng ngay.
Few-Shot Prompting Là Gì?
Few-Shot Prompting là kỹ thuật đưa cho AI một vài ví dụ mẫu ngay trong prompt để nó hiểu kiểu trả lời bạn muốn. Thay vì giải thích dài dòng, bạn cho AI 2-3 ví dụ “input -> output” rồi để nó tự suy luận.
Ví dụ thay vì nói “hãy dịch sang văn phong trang trọng”, bạn viết:
Ví dụ 1:
Input: “ơi đi ăn không”
Output: “Bạn có muốn đi dùng bữa cùng tôi không?”
Ví dụ 2:
Input: “hum nay mệt quá”
Output: “Hôm nay tôi cảm thấy khá mệt mỏi.”
Input: “chờ tí”
Output: ?
AI sẽ tự hiểu quy luật và trả lời: “Vui lòng chờ một lát.” Rất gọn gàng.
Chain-of-Thought Là Gì?
Chain-of-Thought (CoT) là kỹ thuật yêu cầu AI suy nghĩ từng bước trước khi đưa ra câu trả lời cuối cùng. Thay vì bắt AI nhảy thẳng đến kết luận, bạn ép nó đi qua từng bước trung gian.
Cách đơn giản nhất để kích hoạt CoT là thêm câu “hãy suy nghĩ từng bước” (think step by step) vào cuối prompt. Nghe có vẻ viển vông nhưng hiệu quả thực sự đáng kinh ngạc, đặc biệt với các bài toán logic hoặc toán học.
Ví dụ: “Một cửa hàng bán 15 chiếc áo ngày thứ Hai, ngày thứ Ba bán gấp đôi thứ Hai, thứ Tư bán ít hơn thứ Ba 5 chiếc. Hãy suy nghĩ từng bước. Tổng cộng bán được bao nhiêu áo?”
AI sẽ trả lời: “Thứ Hai: 15. Thứ Ba: 15 x 2 = 30. Thứ Tư: 30 – 5 = 25. Tổng: 15 + 30 + 25 = 70.” Rõ ràng, dễ kiểm tra, và tỷ lệ đúng cao hơn hẳn.
Few-Shot Prompting vs Chain-of-Thought: Khác Biệt Gì?
Điểm khác biệt cốt lõi nằm ở mục đích sử dụng. Few-Shot dạy AI cách trả lời (format, văn phong, cấu trúc). Chain-of-Thought giúp AI suy luận đúng hơn (logic, tính toán, phân tích).
Một cách类比đơn giản: Few-Shot như việc bạn cho học sinh xem vài bài giải mẫu rồi bảo “làm theo kiểu này”. Còn Chain-of-Thought như việc bạn bảo học sinh “hãy ghi rõ từng bước giải, đừng nhảy đến đáp án”.
Bảng so sánh nhanh:
- Mục đích: Few-Shot định dạng output. CoT cải thiện tư duy logic.
- Khi nào dùng: Few-Shot cho phân loại, dịch thuật, tóm tắt. CoT cho toán học, logic, ra quyết định.
- Độ phức tạp prompt: Few-Shot cần ví dụ mẫu (tốn token). CoT chỉ cần thêm một câu (“think step by step”).
- Model phù hợp: Few-Shot dùng tốt với mọi model. CoT phát huy sức mạnh tối đa trên reasoning model như GPT-o1, Claude, hoặc Gemini.
Có Thể Kết Hợp Cả Hai Không?
Hoàn toàn được, và đây chính là “sweet spot” cho kết quả tốt nhất. Bạn có thể cung cấp vài ví dụ mẫu (Few-Shot) trong đó mỗi ví dụ đều có bước suy luận rõ ràng (Chain-of-Thought).
Ví dụ: bạn đưa 3 ví dụ phân tích sentiment, mỗi ví dụ đều có dòng “suy luận: …” trước khi chốt kết luận. Rồi đến input mới, AI sẽ tự lặp lại pattern đó: suy luận từng bước rồi kết luận. Kết quả thường chính xác hơn dùng riêng lẻ từng kỹ thuật.
Theo nghiên cứu của Google DeepMind (Wei et al., 2022), kết hợp Few-Shot + CoT cải thiện độ chính xác trên bài toán toán học từ 17.7% lên 56.9% so với baseline. Một con số khá ấn tượng.
Khi Nào Không Nên Dùng?
Few-Shot không hiệu quả khi nhiệm vụ quá phức tạp, cần nhiều bước suy luận. Cho 5 ví dụ cũng không giúp AI giải được bài toán tích phân nếu nó không hiểu bản chất.
Chain-of-Thought đôi khi làm AI “lan man”, đặc biệt với các câu hỏi đơn giản. Nếu bạn hỏi “thủ đô Việt Nam là gì?”, không cần AI viết “hãy suy nghĩ từng bước: Việt Nam là một quốc gia ở Đông Nam Á…” Nó chỉ lãng phí token và thời gian.
Mẹo Thực Tế Khi Áp Dụng
Về Few-Shot, số lượng ví dụ lý tưởng là 2-5 cái. Quá ít thì AI chưa nắm được pattern, quá nhiều thì tốn token và đôi khi gây nhầm lẫn. Các ví dụ nên đa dạng, không lặp lại cùng một pattern.
Về Chain-of-Thought, bạn không nhất thiết phải dùng đúng câu “think step by step”. Có thể viết tự nhiên hơn: “hãy phân tích từng bước”, “liệt kê các bước suy luận trước khi trả lời”, hoặc đơn giản là “giải thích cách bạn đến được câu trả lời này”.
Một lưu ý quan trọng: với các model mới như GPT-5.6 hay Claude Opus, CoT thường được tích hợp sẵn (built-in reasoning). Bạn không cần phải kích hoạt thủ công. Nhưng với các model nhỏ hơn hoặc cũ hơn, CoT vẫn là kỹ thuật đáng để thêm vào prompt.
Kết Luận
Few-Shot Prompting và Chain-of-Thought không hề đối lập. Chúng phục vụ hai mục đích khác nhau và kết hợp được với nhau. Nếu bạn cần kiểm soát format output, dùng Few-Shot. Nếu cần AI suy luận chính xác hơn, dùng CoT. Nếu muốn cả hai, kết hợp chúng.
Quan trọng nhất: hãy thử nghiệm. Mỗi model phản ứng khác nhau với từng kỹ thuật. Đừng ngại thay đổi số lượng ví dụ, cách diễn đạt yêu cầu suy luận, và đo lường kết quả. Prompt engineering vẫn là một nghệ thuật nhiều hơn khoa học, và thực hành là người thầy tốt nhất.
