Tư duy đúng và Tư duy như AI để làm việc với AI hiệu quả hơn

Chào các chiến hữu IT,

Nhân dịp tự mình trải nghiệm những tiến bộ rõ rệt của bản thân trong công cuộc co-pilot với AI, nhớ lại ngày mà mình vui như nhặt được vàng khi được tiếp nhận khung tư duy SMART POLE của một người đàn anh trong nghề (anh là Nguyễn Đình Nam, fb: nam.vihelm), tôi cũng muốn thắp lại cảm xúc ấy trong mình và lan truyền cảm xúc ấy tới tất cả các bạn, những người em đồng nghiệp của tôi.

Trong kỷ nguyên của Trí tuệ Nhân tạo, chúng ta, những người làm công nghệ, đang đứng trước một cơ hội vàng: biến các mô hình ngôn ngữ lớn (LLM) thành những “đồng đội” siêu năng lực. Từ việc viết code, thiết kế kiến trúc, đến phân tích yêu cầu – AI có thể làm tất cả. Nhưng có một sự thật phũ phàng: AI chỉ thông minh khi prompt của bạn đủ thông minh!

Bạn đã bao giờ gặp tình huống:

• AI trả về code chạy được, nhưng… không đúng ý bạn chút nào?
• Yêu cầu thiết kế API, AI cho ra một thứ chung chung như sách giáo khoa?
• Nhờ AI viết tài liệu, nó lại dùng giọng điệu như đang nói chuyện với trẻ con?

Nếu câu trả lời là CÓ, thì xin chúc mừng! Bạn vừa trải nghiệm một “SP-flaw” (lỗi prompt) kinh điển. Và hôm nay, chúng ta sẽ cùng nhau học cách “debug” những lỗi đó, biến những prompt mơ hồ thành những “lệnh gọi API” sắc bén, mang lại kết quả như ý muốn, bằng một framework có tên là SMART POLE và phương pháp thực hành V-Prompt.

🎯 SMART POLE là gì? “API Spec” cho não bộ của AI

SMART POLE không phải là một loại gậy tự sướng thông minh mới, mà là một từ viết tắt (acronym) cho 9 yếu tố ngữ cảnh cực kỳ quan trọng mà bạn cần cung cấp cho AI. Hãy nghĩ về nó như một bộ thông số chuẩn hóa (standardized parameters) cho mỗi “API call” bạn gửi đến LLM. Khi bạn thiếu một thông số, hoặc thông số đó không rõ ràng, AI sẽ phải “đoán mò” – và đó là lúc “hallucination” (ảo giác) xảy ra!

Mỗi chữ cái trong SMART POLE đại diện cho một SP-cat (SP-category), một khía cạnh ngữ cảnh cụ thể:

• S – Style (Phong cách): AI nên “nói” như thế nào? Định dạng đầu ra là gì?
• M – Mastery (Mức độ chuyên môn): AI cần đóng vai trò là ai? Đối tượng nhận thông tin có trình độ như thế nào?
• A – Aim (Mục tiêu): Bạn muốn đạt được điều gì? Tiêu chí đánh giá thành công là gì?
• R – Resource (Nguồn lực/Ràng buộc): Có những giới hạn, công cụ, công nghệ nào cần tuân thủ?
• T – Time (Thời gian): Yếu tố thời gian (deadline, độ trễ, lịch sử) ảnh hưởng thế nào?
• P – People (Con người): Ai là người dùng cuối? Ai là stakeholder? Tính cách, sở thích, giá trị của họ là gì?
• O – Outline (Phạm vi/Cấu trúc): Nội dung cần bao gồm những gì? Cấu trúc đầu ra ra sao?
• L – Locale (Bối cảnh địa phương/Ngành): Ngành nghề, văn hóa, khu vực, môi trường pháp lý nào đang áp dụng?
• E – Example (Ví dụ): Cung cấp ví dụ minh họa để AI “học” từ đó.

SP-atom & SP-flaw: “Variables” và “Bugs” trong Prompt

• SP-atom (Nguyên tử SP): Là một chi tiết ngữ cảnh cụ thể, rõ ràng, không thể chia nhỏ hơn, gắn liền với một SP-cat. Ví dụ: Resource: Sử dụng Node.js 18 và Express.js. Đây là một “biến” được định nghĩa rõ ràng.
• SP-flaw (Lỗi SP): Là một lỗ hổng trong prompt của bạn do thiếu hoặc cung cấp không hiệu quả một SP-atom. Ví dụ: Resource: Sử dụng Node.js (thiếu phiên bản cụ thể, là một SP-flaw). Đây là một “bug” trong prompt của bạn, khiến AI phải tự suy diễn.

Mục tiêu của chúng ta là: Tìm và sửa các SP-flaw bằng cách thêm các SP-atom phù hợp.

🛠️ V-Prompt: “Code Implementation” của SMART POLE

Việc áp dụng khung khảo sát thông tin SMART POLE là cần thiết như chúng ta đã thảo luận ở trên, tuy nhiên việc tư duy logic của con người chúng ta không theo thứ tự S-M-A-R-T-P-O-L-E như tên gọi, bởi vì chúng ta được đào tạo cách thức tư duy và biểu đạt thông tin đi theo các chiều tiếp cận top-down hay bottom-up. Từ các chiều tiếp cận này mà chúng ta tư duy và lắp ghép các thông tin cho khung SMART POLE một cách đầy đủ. Cách áp dụng SMART POLE vào việc xây dựng cấu trúc Prompt theo tư duy của người Việt Nam được tôi mạn phép gọi là V-Prompt.

V-Prompt chính là cách chúng ta áp dụng SMART POLE vào thực tế, thường là dưới dạng các template Markdown có cấu trúc rõ ràng. Nó biến các SP-cat thành các phần tiêu đề, các SP-atom thành các gạch đầu dòng chi tiết.

Hãy cùng xem xét cách chúng ta “code” một V-Prompt cho từng SP-cat, đặc biệt là với tư duy của một người làm IT:

1. S – Style (Phong cách): “Format và Tone của Output”

• Prompt lỗi (SP-flaw): “Viết một đoạn code.” (AI sẽ viết code theo phong cách nó thích, có thể là Python, Java, hoặc thậm chí là pseudo-code.)
• V-Prompt (SP-atom): “`markdown ## IV. Phong cách & Giọng điệu (Style & Tone)
  • Ngôn ngữ: Tiếng Anh kỹ thuật, súc tích.
  • Định dạng đầu ra: Code block Markdown (```) cho JavaScript (ES6), kèm theo comments giải thích logic.
  • Giọng văn: Chuyên nghiệp, hướng dẫn, như một Senior Developer đang giải thích cho Junior.
    “`
  • Tại sao hiệu quả? Bạn đang chỉ định rõ “ngôn ngữ lập trình”, “version”, “cách comment”, “định dạng” và thậm chí cả “persona” của AI. Giống như bạn yêu cầu một API trả về JSON thay vì XML vậy.

2. M – Mastery (Mức độ chuyên môn): “AI đóng vai trò gì, cho ai?”

• Prompt lỗi (SP-flaw): “Giải thích về Kubernetes.” (AI sẽ giải thích từ cơ bản đến nâng cao, không biết bạn cần gì.)
• V-Prompt (SP-atom): “`markdown ## V. Vai trò của AI & Kiến thức chuyên môn (AI’s Role & Expected Mastery)
  • Vai trò của AI: Một Kiến trúc sư giải pháp (Solution Architect) có kinh nghiệm 10 năm trong việc thiết kế hệ thống Microservices trên AWS.
  • Mức độ chuyên môn yêu cầu: Giải thích khái niệm Kubernetes cho một Project Manager có kiến thức cơ bản về Cloud nhưng không chuyên sâu về DevOps. Tránh các thuật ngữ quá kỹ thuật nếu không giải thích rõ.
    “`
  • Tại sao hiệu quả? Bạn định nghĩa rõ ràng “persona” của AI (Solution Architect) và “audience” (PM). AI sẽ điều chỉnh độ sâu và cách diễn đạt cho phù hợp.

3. A – Aim (Mục tiêu): “Kết quả mong muốn và tiêu chí thành công”

• Prompt lỗi (SP-flaw): “Tìm lỗi trong code này.” (AI có thể chỉ tìm lỗi cú pháp, không tìm lỗi logic hoặc performance.)
• V-Prompt (SP-atom): “`markdown ## I. Mục tiêu & Yêu cầu chính (Aim & Core Request)
  • Mục tiêu chính: Xác định các lỗi bảo mật tiềm tàng (SQL Injection, XSS) và các điểm yếu về hiệu năng trong đoạn mã Python sau.
  • Mục tiêu phụ: Đề xuất các giải pháp cụ thể để khắc phục, kèm theo ví dụ code đã sửa.
  • Kết quả mong đợi: Danh sách các lỗ hổng, mức độ nghiêm trọng, và code đã sửa.
    “`
  • Tại sao hiệu quả? Bạn không chỉ nói “tìm lỗi” mà còn chỉ rõ “loại lỗi” (bảo mật, hiệu năng) và “kết quả mong đợi” (giải pháp, code sửa). Điều này giống như việc bạn định nghĩa rõ ràng “use case” và “acceptance criteria” cho một tính năng.

4. R – Resource (Nguồn lực/Ràng buộc): “Tech Stack và Giới hạn”

• Prompt lỗi (SP-flaw): “Thiết kế một database schema.” (AI có thể dùng bất kỳ loại DB nào.)
• V-Prompt (SP-atom): “`markdown ## III. Thông tin chi tiết & Yêu cầu cụ thể (Detailed Information & Specific Requirements)
  • Công nghệ sử dụng (Resource): PostgreSQL 14, sử dụng ORM Sequelize.
  • Ràng buộc: Phải tuân thủ chuẩn GDPR cho dữ liệu người dùng.
  • Dữ liệu đầu vào: [Đính kèm các User Story hoặc ERD sơ bộ.]
    “`
  • Tại sao hiệu quả? Bạn cung cấp “tech stack” cụ thể (PostgreSQL, Sequelize) và các “ràng buộc phi chức năng” (GDPR). AI sẽ không “phát minh lại bánh xe” với MySQL hay MongoDB.

5. T – Time (Thời gian): “Yếu tố thời gian và ưu tiên”

• Prompt lỗi (SP-flaw): “Lên kế hoạch dự án.” (Kế hoạch có thể kéo dài hàng năm, trong khi bạn cần MVP trong 2 tuần.)
• V-Prompt (SP-atom): “`markdown ## VI. Yếu tố thời gian & Xu hướng (Time & Trends)
  • Thời điểm cần hoàn thành: Cần một bản nháp kế hoạch trong 4 giờ tới.
  • Ưu tiên: Tối ưu hóa cho tốc độ triển khai MVP trong 2 tuần, không phải cho tính năng đầy đủ.
  • Xu hướng cần cập nhật: Kế hoạch cần phản ánh phương pháp Agile/Scrum hiện đại.
    “`
  • Tại sao hiệu quả? Bạn đặt ra “deadline” và “ưu tiên” rõ ràng. AI sẽ tập trung vào việc tạo ra một kế hoạch ngắn hạn, linh hoạt thay vì một bản đồ đường dài.

6. P – People (Con người): “Đối tượng sử dụng và Stakeholder”

• Prompt lỗi (SP-flaw): “Viết thông báo lỗi.” (Thông báo có thể quá kỹ thuật hoặc quá chung chung.)
• V-Prompt (SP-atom): “`markdown ## II. Bối cảnh chung & Đối tượng hướng đến (General Context & Target Audience)
  • Đối tượng nhận thông báo (People): Người dùng cuối không có kiến thức kỹ thuật, có thể là các nhân viên văn phòng.
  • Đặc điểm đối tượng (People – traits): Họ cần thông báo rõ ràng, không gây hoang mang, và hướng dẫn cách xử lý đơn giản.
    “`
  • Tại sao hiệu quả? Bạn xác định “chân dung người dùng” của thông báo lỗi. AI sẽ dùng ngôn ngữ thân thiện, dễ hiểu, thay vì các mã lỗi khó hiểu.

7. O – Outline (Phạm vi/Cấu trúc): “Cấu trúc đầu ra mong muốn”

• Prompt lỗi (SP-flaw): “Tóm tắt tài liệu này.” (AI có thể tóm tắt theo cách nó hiểu, thiếu các phần bạn cần.)
• V-Prompt (SP-atom): “`markdown ## III. Thông tin chi tiết & Yêu cầu cụ thể (Detailed Information & Specific Requirements)
  • Các phần nội dung bắt buộc (Outline):
    • Giới thiệu tính năng.
    • Các User Story chính.
    • Luồng chức năng (Functional Flow) cho từng User Story.
    • Các trường hợp ngoại lệ (Edge Cases).
    • Danh sách các API endpoints cần thiết.
  • Phạm vi: Chỉ tập trung vào module “Quản lý người dùng”, bỏ qua các module khác.
    “`
  • Tại sao hiệu quả? Bạn cung cấp một “sơ đồ cấu trúc” (table of contents) và “phạm vi” cụ thể. AI sẽ tuân thủ cấu trúc đó, đảm bảo không bỏ sót thông tin quan trọng.

8. L – Locale (Bối cảnh địa phương/Ngành): “Ngành nghề và Quy định”

• Prompt lỗi (SP-flaw): “Tư vấn về giải pháp thanh toán.” (AI có thể tư vấn các giải pháp không phù hợp với thị trường của bạn.)
• V-Prompt (SP-atom): “`markdown ## II. Bối cảnh chung & Đối tượng hướng đến (General Context & Target Audience)
  • Lĩnh vực hoạt động (Locale): Fintech, thị trường Việt Nam.
  • Ràng buộc pháp lý: Phải tuân thủ các quy định của Ngân hàng Nhà nước Việt Nam về thanh toán điện tử.
    “`
  • Tại sao hiệu quả? Bạn giới hạn “thị trường” và “khuôn khổ pháp lý”. AI sẽ tập trung vào các giải pháp khả thi và hợp pháp tại Việt Nam.

9. E – Example (Ví dụ): “Dạy AI bằng cách chỉ dẫn”

• Prompt lỗi (SP-flaw): “Viết một test case.” (AI có thể viết test case không tuân thủ chuẩn của team.)
• V-Prompt (SP-atom): “`markdown ## III. Thông tin chi tiết & Yêu cầu cụ thể (Detailed Information & Specific Requirements)
  • Ví dụ minh họa (Example):
    • Test case mẫu mong muốn:
      javascript // test/user.test.js describe('User Authentication', () => { it('should return 401 for invalid credentials', async () => { const res = await request(app).post('/api/login').send({ username: 'test', password: 'wrong' }); expect(res.statusCode).toEqual(401); }); });
    • Test case cần tránh: Một test case chỉ kiểm tra true === true.
      “`
  • Tại sao hiệu quả? Một ví dụ code, một đoạn văn mẫu, một cấu trúc JSON cụ thể có giá trị hơn vạn lời nói. Nó là “unit test” cho prompt của bạn, đảm bảo AI hiểu đúng ý bạn muốn.

🚀 Lợi ích “Nhãn tiền” khi dùng SMART POLE & V-Prompt cho dân IT

• “Debug” Prompt hiệu quả hơn: Giảm thiểu thời gian chỉnh sửa, ít “back-and-forth” với AI.
• Tăng tốc độ làm việc: AI hiểu nhanh hơn, trả lời chính xác hơn, giúp bạn hoàn thành task nhanh chóng.
• Chất lượng đầu ra vượt trội: Code sạch hơn, tài liệu rõ ràng hơn, thiết kế thông minh hơn.
• Giảm “Hallucination”: Cung cấp đủ ngữ cảnh giúp AI ít bịa đặt, ít đưa ra thông tin sai lệch.
• Tái sử dụng & Mở rộng: Xây dựng thư viện V-Prompt templates cho các tác vụ lặp đi lặp lại, giống như các snippets code hoặc boilerplate.
• Trở thành “Prompt Engineer” chuyên nghiệp: Không chỉ là người dùng AI, bạn là người “lập trình” cho AI.

🏁 Bắt đầu hành trình “Prompt Engineering” của bạn!

Đừng ngần ngại thử nghiệm! Hãy bắt đầu với một task nhỏ trong công việc hàng ngày của bạn. Áp dụng từng SP-cat một, xem xét bạn có thể thêm những SP-atom nào. Bạn sẽ ngạc nhiên về sự khác biệt mà một prompt được cấu trúc tốt có thể tạo ra.

Hãy biến AI thành “đồng đội” thực sự của bạn, chứ không phải là một “black box” khó lường. Chúc bạn “debug” prompt thành công và tận hưởng sức mạnh của AI!

---

Tác giả: Cường Phạm & AI
Ngày: 31/10/2025