BÁO CÁO THỰC HÀNH: KỸ NGHỆ VIẾT PROMPT VÀ PHÂN TÍCH CƠ CHẾ AI

Sinh viên: Bùi Lê Minh
MSSV: 25021868
Nhiệm vụ: Tương tác và Tối ưu hóa LLMs
Mô hình: Google Gemini / ChatGPT
選

I. Lựa Chọn và Phân Tích Tác Vụ Học Tập

Để đánh giá sự khác biệt của kỹ nghệ Prompt, tôi đã lựa chọn 3 tác vụ học tập điển hình với các thách thức riêng biệt:

問

II. Khung Tư Duy Thiết Kế Prompt - Công thức CREATE

Để khai thác tối đa Mô hình ngôn ngữ lớn (LLM), tôi áp dụng triệt để khung CREATE:

対

III. Thực Nghiệm: Tối Ưu Hóa Câu Lệnh Qua 3 Tác Vụ

1. Tác vụ Tóm tắt (Cơ chế LLM)

❌ Prompt Mức 1 (Bản năng)
"Tóm tắt bài viết sau về Mô hình ngôn ngữ lớn (LLM)."
✅ Prompt Mức 4 (Kỹ nghệ Nâng cao)
"Đóng vai một giáo sư Khoa học Máy tính. Hãy tóm tắt văn bản dưới đây về LLM dành cho sinh viên năm nhất không chuyên. Yêu cầu bắt buộc: 1. Dùng bullet points cho 3 ý chính. 2. Dưới 200 chữ. 3. Sử dụng một phép liên tưởng thực tế (ví dụ: trò chơi điền từ)."

2. Tác vụ Giải thích (Bill Pugh Singleton)

❌ Prompt Mức 1 (Bản năng)
"Bill Pugh Singleton là gì?"
✅ Prompt Mức 4 (Kỹ nghệ Nâng cao)
"Đóng vai một nhà truyền thông khoa học truyền cảm hứng. Hãy giải thích 'Bill Pugh Singleton' cho một học sinh cấp 3 theo các bước: Bước 1: Giải thích Singleton cơ bản và điểm yếu. Bước 2: Giới thiệu cơ chế JVM và cách Bill Pugh 'lách' để tối ưu. Bước 3: Nêu 1 lợi ích to lớn. Tránh thuật ngữ hàn lâm."

3. Tác vụ Tạo bài trắc nghiệm (OOP)

❌ Prompt Mức 1 (Bản năng)
"Tạo câu hỏi ôn tập về lập trình hướng đối tượng."
✅ Prompt Mức 4 (Kỹ nghệ Nâng cao)
"Đóng vai một giảng viên OOP dày dặn kinh nghiệm. Hãy tạo một bộ câu hỏi ôn tập chuyên sâu về OOP: - 10 câu trắc nghiệm (Nhận biết, Thông hiểu). - 3 câu tự luận (Vận dụng). Yêu cầu đặc biệt: Không chỉ đưa đáp án mà phải cung cấp lời giải thích chi tiết tại sao các phương án khác lại sai để học sinh rút kinh nghiệm."
効

IV. So Sánh và Phân Tích Hiệu Quả Cơ Chế AI

Mức độ Prompt Kết quả đầu ra Phân tích chuyên sâu
Cơ bản Dàn trải, không cấu trúc thống nhất. Giọng văn trung tính, khô khan như từ điển. Tạo ra câu trả lời ngẫu nhiên về cấu trúc, văn phong giống robot và đôi khi thiếu trọng tâm.
Cải tiến Bám sát số lượng, định dạng (đúng 3 đoạn, 5 câu hỏi), trình bày khoa học hơn nhưng văn phong vẫn an toàn. Định hình được khối lượng thông tin và cấu trúc hiển thị nhưng chưa đột phá về mặt truyền đạt.
Nâng cao Nhập vai xuất sắc, cuốn hút. Sử dụng ẩn dụ thông minh (máy pha cà phê). Giải thích cặn kẽ cả các phương án sai. Sự lột xác hoàn toàn. Việc yêu cầu "giải thích tại sao sai" đã biến bài test thành một tài liệu tự học vô giá.

Lý giải sự hiệu quả qua góc độ "Tư duy phản biện" của AI

Bản chất của LLM là dự đoán từ (token) tiếp theo. Khi chúng ta cung cấp "Role" (Vai trò), ta đang chủ động thu hẹp không gian từ vựng và xác suất của AI về một chuyên ngành hoặc phong cách cụ thể. Hơn nữa, việc sử dụng kỹ thuật "Chain-of-thought" (hướng dẫn từng bước) giúp AI phân bổ logic nội dung chặt chẽ, giảm thiểu tối đa hiện tượng "ảo giác" (hallucination) thay vì để AI tự do sinh ra văn bản.