Prompt Chaining
Prompt Chaining
Kỹ thuật thủ công chia 1 tác vụ thành nhiều lệnh gọi AI tuần tự (sinh → đánh giá → tinh chỉnh) — khác pattern kiến trúc agent cùng tên ở Level 8.
Nắm vững nguyên lý và khái niệm nền tảng trước khi đi vào công cụ thực tế.
Áp dụng quy trình từng bước, case study thực chiến và template mẫu có sẵn.
Kiểm tra checklist hoàn thành, né tránh các sai lầm kinh điển để vận hành bền vững.
Nắm vững các khái niệm nền tảng, cơ chế hoạt động và mô hình tư duy cốt lõi.
1. Mục tiêu học tập
Sau bài này, bạn có thể:
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: “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: 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.
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: (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.
Quy trình thực thi từng bước, case study cụ thể và bộ prompt/template áp dụng ngay.
6. Hướng dẫn từng bước
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 phụccác điểm chưa đạt.9. Visual hoặc diagram cần thiết
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?
Checklist kiểm tra mức độ sẵn sàng, nhận diện các bẫy sai lầm và nguyên tắc vàng vận hành.
11. Checklist
12. Lỗi thường gặp
(Suy luận từ nguyên tắc trong, không phải khảo sát lỗi người dùng đã ghi nhận chính thức.)
15. Best practices
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.
⚠️ 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”.
📚 17. Nguồn tham khảo
Prompting best practices (mục “Chain complex prompts”), Claude Platform Docs (Anthropic).