Prompt Chaining

Level: L2 — Prompt & Context Engineering (Bài 8/10)

1. Mục tiêu học tập

Sau bài này, bạn có thể:

Giải thích Prompt Chaining ở đúng phạm vi L2: kỹ thuật thủ công chia 1 tác vụ thành nhiều lệnh gọi AI tuần tự, do người dùng chủ động thực hiện — không phải hệ thống agent tự động.
Áp dụng pattern chaining phổ biến nhất: self-correction (sinh → đánh giá → tinh chỉnh).
Phân biệt rõ ràng bài này với pattern “Prompt Chaining” ở Level 8 — 2 khái niệm dùng chung tên nhưng khác bản chất.
Biết khi nào 1 tác vụ nên chia thành chuỗi nhiều prompt thay vì nhồi vào 1 prompt duy nhất.

2. Khái niệm cốt lõi

Prompt Chaining (phạm vi bài này) — chia 1 tác vụ phức tạp thành nhiều lệnh gọi/tin nhắn tuần tự, mỗi bước dùng kết quả bước trước làm đầu vào bước sau — do người viết prompt chủ động thiết kế và thực hiện từng bước, không phải chương trình tự động chạy vòng lặp.

Theo Anthropic [S37]: “Với adaptive thinking và subagent orchestration, Claude hiện xử lý phần lớn suy luận đa bước ở nội bộ. Prompt chaining tường minh vẫn hữu ích khi cần kiểm tra kết quả trung gian hoặc ép buộc 1 cấu trúc pipeline cụ thể.”

Pattern phổ biến nhất — self-correction [S37]: sinh 1 bản nháp → AI tự đánh giá theo tiêu chí đã định → AI tinh chỉnh dựa trên đánh giá đó. Mỗi bước là 1 lệnh gọi riêng, cho phép log, đánh giá, hoặc rẽ nhánh tại bất kỳ điểm nào [S37].

3. Tại sao nội dung này quan trọng

Nối tiếp bài 16 (Iterative Refinement): khi đã tinh chỉnh prompt nhiều lần mà vẫn không đạt, nguyên nhân thường là tác vụ quá phức tạp cho 1 prompt đơn — đây là lúc cần Prompt Chaining.
Self-correction cho phép kiểm tra chất lượng ở từng bước trung gian, thay vì chỉ nhận 1 kết quả cuối và hy vọng nó đúng.
Hiểu đúng ranh giới với L8 tránh 2 hiểu lầm: (a) nghĩ phải biết lập trình agent mới “chain” được (sai — làm thủ công ngay trong chat cũng được), (b) không nhầm tưởng đã học nội dung L8 khi gặp lại tên này.

4. Cơ chế hoạt động

Cơ chế self-correction [S37]: (1) Sinh — AI tạo bản nháp ban đầu. (2) Đánh giá — gửi bản nháp lại cho AI kèm tiêu chí cụ thể, yêu cầu tự phê bình. (3) Tinh chỉnh — gửi cả bản nháp gốc và đánh giá, yêu cầu tạo bản cải thiện.

Mỗi bước là 1 lệnh gọi riêng biệt — điểm cốt lõi phân biệt với viết 1 prompt dài: bạn có thể dừng lại, đọc, và can thiệp giữa các bước.

So sánh chi tiết với “Prompt Chaining” ở Level 8:

	Bài 15 (L2)	L8 — Prompt Chaining pattern
Bản chất	Kỹ thuật viết prompt: người dùng chủ động chia, tự gửi từng bước	Pattern kiến trúc: code gọi LLM nhiều lần theo trình tự lập trình sẵn
Ai thực hiện	Người dùng, thao tác thủ công	Chương trình/agent tự động
Nguồn	S37	S19, S20 — không dùng ở bài này
Ví dụ	Tự gửi 3 tin nhắn tuần tự trong 1 chat	1 đoạn code tự động gọi API 3 lần liên tiếp

Mối quan hệ: bài 15 là “tổ tiên” thủ công của cùng ý tưởng gốc mà L8 chính thức hoá thành kiến trúc lập trình tự động.

5. Mental model

Hình dung như quy trình “viết → tự biên tập → sửa” mà 1 người viết tự làm thủ công — chỉ khác chính AI đóng cả 3 vai: người viết nháp, người phê bình, người sửa lại. Bạn là người giao từng bước, đọc kết quả trung gian, và quyết định tiếp tục hay dừng. Khác pattern L8, nơi cả quy trình chạy tự động không cần giám sát — giống 1 dây chuyền sản xuất tự động so với 1 người thợ tự kiểm tra từng công đoạn bằng tay.

6. Hướng dẫn từng bước

Nhận diện tác vụ phù hợp: đã tinh chỉnh (bài 16) nhiều lần mà 1 prompt đơn vẫn không đạt, HOẶC tác vụ có nhiều giai đoạn rõ ràng.
Bước 1 — Sinh: gửi prompt yêu cầu tạo bản nháp ban đầu.
Bước 2 — Đánh giá: yêu cầu AI tự đánh giá bản nháp theo tiêu chí cụ thể (không hỏi chung chung).
Bước 3 — Tinh chỉnh: yêu cầu AI tạo bản cải thiện dựa trên đánh giá.
Đọc kết quả sau mỗi bước — có thể dừng lại và can thiệp nếu bước nào sai hướng.
Nếu quy trình lặp lại thường xuyên và muốn nó chạy tự động không cần gõ tay — chuyển sang phạm vi Level 8.

7. Ví dụ thực tế

Bước 1 (Sinh): “Viết 1 đoạn giới thiệu ngắn (100 từ) cho 1 khoá học online về kỹ năng thuyết trình, hướng tới nhân viên văn phòng.” → AI trả về đoạn giới thiệu.
Bước 2 (Đánh giá): “Đánh giá theo 3 tiêu chí: (1) có nêu lợi ích cụ thể không, (2) giọng văn phù hợp nhân viên bận rộn không, (3) có call-to-action rõ ràng không.” → AI chỉ ra bản nháp thiếu CTA cụ thể.
Bước 3 (Tinh chỉnh): “Viết lại, khắc phục 2 điểm yếu vừa nêu.” → AI trả bản cải thiện.

8. Prompt/template/workflow

[Bước 1 — Sinh]
[Yêu cầu AI tạo bản nháp/kết quả ban đầu cho tác vụ]

[Bước 2 — Đánh giá, gửi sau khi có kết quả bước 1]
Đánh giá kết quả vừa tạo theo các tiêu chí sau:
1. [Tiêu chí 1]
2. [Tiêu chí 2]
3. [Tiêu chí 3]
Chỉ ra cụ thể điểm nào đạt, điểm nào chưa đạt.

[Bước 3 — Tinh chỉnh, gửi sau khi có kết quả bước 2]
Dựa trên đánh giá vừa nêu, viết lại/cải thiện kết quả ban đầu, khắc phục
các điểm chưa đạt.

9. Visual hoặc diagram cần thiết

Hình 2.7 — Prompt Chaining: 3 bước có giám sát người, đối lập với automation tự động (Level 8).

10. Bài tập thực hành

Chọn 1 tác vụ viết bạn thường làm (email, mô tả sản phẩm, tóm tắt).
Thực hiện đúng 3 bước ở mục 8: sinh → đánh giá theo tiêu chí cụ thể → tinh chỉnh.
So sánh kết quả cuối với kết quả nếu chỉ dùng 1 prompt duy nhất “viết thật tốt” — kết quả nào tốt hơn, vì sao?

11. Checklist

Tôi hiểu Prompt Chaining ở bài này là kỹ thuật thủ công, người dùng tự thực hiện từng bước — không phải hệ thống agent tự động.
Tôi có thể áp dụng pattern self-correction: sinh → đánh giá theo tiêu chí cụ thể → tinh chỉnh.
Tôi phân biệt rõ ràng bài này với pattern 'Prompt Chaining' ở Level 8, và biết mối quan hệ giữa 2 khái niệm.

12. Lỗi thường gặp

(Suy luận từ nguyên tắc trong [S37], không phải khảo sát lỗi người dùng đã ghi nhận chính thức.)

Yêu cầu đánh giá chung chung (“có tốt không?”) thay vì nêu tiêu chí cụ thể.
Nhầm lẫn với pattern L8 — nghĩ Prompt Chaining luôn cần biết lập trình/xây agent.
Dùng chaining cho tác vụ đơn giản không cần thiết — tốn thêm thời gian/token không cần thiết.

13. Giới hạn & khi nào KHÔNG nên áp dụng

Với model hiện đại có “adaptive thinking và subagent orchestration”, phần lớn suy luận đa bước đã xử lý nội bộ — chaining tường minh chỉ cần thiết khi cần kiểm tra trung gian hoặc ép cấu trúc pipeline cụ thể.
Nếu vấn đề chỉ là “prompt diễn đạt chưa tốt”, quay lại bài 16 trước.
Khi chaining thủ công trở nên lặp lại thường xuyên, quy mô lớn — nên chuyển sang tư duy tự động hoá (Level 8).

14. An toàn & quản trị (Safety/Governance)

Vì mỗi bước dùng output bước trước làm input bước sau, 1 sai sót ở bước đầu có thể lan truyền và khuếch đại qua các bước tiếp theo, đặc biệt nếu bước “đánh giá” không nghiêm ngặt. Người dùng nên tự đọc kỹ kết quả từng bước trung gian, không chỉ tin tưởng hoàn toàn vào “AI tự đánh giá”.

15. Best practices

Dùng self-correction khi cần kiểm tra chất lượng ở bước trung gian, không mặc định cho mọi tác vụ.
Luôn nêu tiêu chí đánh giá cụ thể ở bước 2.
Đọc kỹ kết quả từng bước trung gian.
Khi quy trình lặp lại thường xuyên, chuyển sang tư duy Level 8.

16. Nội dung nâng cao (không bắt buộc)

Khi quy trình chaining thủ công (sinh → đánh giá → tinh chỉnh) được lập trình chạy tự động, đó gần với pattern “Evaluator-Optimizer” ở Level 8 (không phải “Prompt Chaining”) — điểm tinh tế đáng lưu ý: pattern self-correction ở bài này, khi tự động hoá, ánh xạ gần Evaluator-Optimizer hơn là pattern tên “Prompt Chaining” của L8.

17. Nguồn tham khảo

[S37] Prompting best practices (mục “Chain complex prompts”), Claude Platform Docs (Anthropic).

18. Ngày kiểm chứng

2026-07-12. Nội dung khái niệm ổn định, ít lỗi thời. Câu mở đầu nguồn về “adaptive thinking và subagent orchestration” tham chiếu khả năng model hiện hành — re-check nếu cần đánh giá chính xác tại thời điểm đọc.