Trong bài viết này
Từ được đánh dấu có giải thích. Di chuột hoặc chạm để xem, hay mở từ điển AI.
“Gắn nhãn phản hồi theo ý chính” nghe có vẻ rõ, cho đến khi một người vừa khen buổi học vừa báo không tải được tài liệu. Nhãn nên là “khen” hay “cần hỗ trợ”? Một cặp ví dụ đúng có thể giải thích lựa chọn nhanh hơn một đoạn hướng dẫn dài.
Ví dụ phải thể hiện quyết định
Few-shot prompting là đưa một số ví dụ ngay trong yêu cầu để mô hình nhận ra cách làm mong muốn. Đây không phải việc huấn luyện lại mô hình. Các ví dụ là ngữ cảnh cho lượt xử lý đang thực hiện.
Trong tình huống phản hồi lớp học giả định, ta cần ba nhãn: cần hỗ trợ, đề xuất, khác. Quy tắc ưu tiên là vấn đề đang cản trở người học đứng trước lời khen. Nếu chỉ đưa những câu đơn giản, AI không có mẫu cho tình huống hỗn hợp.
Hướng dẫn của Anthropic khuyến khích ví dụ liên quan đến công việc và đủ đa dạng để tránh học nhầm mẫu. Đây là định hướng thiết kế ví dụ, không phải bảo đảm độ chính xác trên mọi công cụ.
Một prompt dễ kiểm tra nêu nhiệm vụ, cung cấp ngữ cảnh, đặt giới hạn và quy định đầu ra. Sau đó thử trên các ví dụ thật để xem mô hình có đáp ứng hay không.
↔ Vuốt ngang để xem toàn bộ sơ đồ.
01 / Nhiệm vụ
Nêu công việc cụ thể: chẳng hạn viết lại thông báo kỹ thuật cho người dùng phổ thông.
02 / Ngữ cảnh
Cung cấp thông báo gốc và nói rõ ai sẽ đọc, họ cần biết điều gì.
03 / Giới hạn
Yêu cầu giữ nguyên mốc giờ, tên tính năng và con số; không tự thêm thông tin thiếu căn cứ.
04 / Định dạng đầu ra
Quy định tiếng Việt, tối đa 120 từ, nêu hành động cần làm và đánh dấu phần còn thiếu.
Đây là khung soạn yêu cầu, không phải công thức bảo đảm đầu ra đúng. Các giới hạn về quyền và bảo mật phải được thực thi trong ứng dụng.
Viết một bộ mẫu nhỏ nhưng có chủ đích
Bộ dưới đây được biên soạn để minh họa. Tách rõ mẫu đã có đáp án với dữ liệu cần xử lý.
Gắn đúng một nhãn cho phản hồi lớp học.
Ưu tiên: cần hỗ trợ > đề xuất > khác.
Không suy đoán vấn đề người viết chưa nói.
Ví dụ:
Đầu vào: Bài giảng hay, nhưng đường dẫn tài liệu bị lỗi.
Đầu ra: cần hỗ trợ
Đầu vào: Mong buổi sau có thêm phần thực hành.
Đầu ra: đề xuất
Đầu vào: Cảm ơn ban tổ chức.
Đầu ra: khác
Dữ liệu mới: [đặt phản hồi cần phân loại tại đây]
Chỉ trả lại nhãn.Mỗi ví dụ làm một việc. Mẫu đầu giải quyết câu có nhiều ý. Mẫu thứ hai phân biệt mong muốn tương lai với trở ngại hiện tại. Mẫu cuối cho thấy không phải câu nào cũng cần hành động. Thêm mười câu cảm ơn gần giống nhau ít có ích hơn bổ sung một trường hợp dễ nhầm.
Đề phòng quy tắc vô tình lọt vào mẫu
Nếu mọi câu “cần hỗ trợ” đều dài, AI có thể dựa vào độ dài thay vì nội dung. Nếu tất cả câu chứa từ “nhưng” đều mang nhãn đó, câu “Bài khó nhưng rất thú vị” có thể bị phân loại sai.
Hãy thay đổi cách diễn đạt trong từng nhóm. Thêm một câu ngắn báo lỗi và một câu dài chỉ cảm ơn. Với trường hợp còn tranh luận, thống nhất nhãn giữa người phụ trách trước. Những ví dụ mâu thuẫn không giúp AI hiểu một quy tắc mà chính nhóm chưa quyết định.
Cũng nên giữ nguyên chữ hoa, dấu và tên nhãn theo đầu ra thực tế cần dùng. Khi muốn kết quả chỉ là nhãn, đừng để các mẫu vừa có nhãn vừa có đoạn giải thích dài.
Kiểm tra ngoài bộ ví dụ
Giữ riêng một nhóm phản hồi chưa đưa vào prompt. Trong đó có câu phủ định, câu nhiều ý và câu không đủ rõ. Tự gắn nhãn trước, rồi so với kết quả AI. Không chấm bằng chính các mẫu đã cho xem; việc lặp lại đáp án đó chưa chứng minh khả năng áp dụng quy tắc.
Nếu sai, xác định lỗi nằm ở quy tắc hay ví dụ. Một câu mơ hồ có thể cần nhãn “chưa rõ”, chứ không cần ép mô hình chọn chắc chắn. Thêm nhãn mới phải đi cùng cập nhật hướng dẫn, mẫu và cách chấm.
Bài tập: tìm một ví dụ còn thiếu
Soạn sáu phản hồi về một buổi sinh hoạt giả định. Dùng ba câu làm mẫu và giữ ba câu để thử. Đảm bảo nhóm thử có câu “Tài liệu không bị lỗi, tôi chỉ muốn bản chữ lớn hơn”.
Tự kiểm bằng ba điều: nhãn đúng quy tắc ưu tiên, không dựa riêng vào từ khóa “lỗi”, định dạng không có chữ thừa. Sau đó đổi đúng một ví dụ và thử lại toàn bộ nhóm. Ghi thay đổi bằng nhật ký thử nghiệm prompt để biết mẫu mới giúp ở đâu.