Biến Một Lời Giải Tốt Thành Công Thức Dùng Lại
Khi đã có một cách làm đúng, hãy đưa nó cho mô hình làm mẫu. Nhờ vậy, bạn không phải giải thích lại từ đầu.
Ở chương trước, bạn đã học cách cho mô hình xem điều bạn muốn, thay vì chỉ mô tả bằng lời. Chương này tiếp tục phát triển ý tưởng đó theo hướng thực tế hơn. Khi mô hình đã giải tốt một bài toán, bạn có thể giữ lại lời giải ấy để dùng lại. Lần sau, nếu gặp một bài tương tự, bạn đưa ví dụ đã giải sẵn đó vào làm mẫu. Nhờ vậy, mô hình sẽ học theo cách giải trong ví dụ, thay vì phải bắt đầu lại từ đầu. Một câu trả lời tốt vì thế không chỉ dùng một lần, mà có thể trở thành một công thức để bạn áp dụng nhiều lần. Lợi ích này, tức là việc tái sử dụng một ví dụ đã được giải sẵn, chính là nội dung chính của chương này.
Muốn dùng lại công thức, bạn phải đưa nó vào prompt
Đây là lúc mẹo này thật sự có ích cho cả tuần học của bạn, không chỉ cho một bài tập về nhà. Khi mô hình đã đưa ra một cách giải rõ ràng, đúng và có thể làm theo từng bước, bạn không cần tự tìm lại cách đó ở những lần sau. Bạn chỉ cần lấy ví dụ đã giải xong, đưa vào một prompt mới bằng lời lẽ đơn giản và dùng nó làm mẫu. Ví dụ: "Đây là cách mình đã giải một bài tương tự. Bây giờ hãy giải bài mới này theo cách đó." Như vậy, một câu trả lời ban đầu có thể trở thành một công thức dùng lại nhiều lần. Lần đầu bạn phải bỏ công tìm cách giải, còn những lần sau chỉ cần dán mẫu vào và chạy tiếp.
Nhưng có một cái bẫy mà gần như ai cũng gặp phải, và nó xuất phát trực tiếp từ cách những mô hình này hoạt động. Đó là khả năng học từ ngữ cảnh mà bạn đã thấy ở chương trước. Điều dễ bị bỏ qua là mô hình không chỉ quên định dạng, mà còn quên cả phương pháp. Mô hình chỉ làm theo "công thức" của bạn vì ví dụ đã được giải sẵn đang nằm ngay trong prompt. Nó không lưu công thức đó thành một kỹ năng để dùng lại về sau. Vì vậy, khi bạn mở một đoạn chat mới, hoặc chỉ đơn giản là quên dán lại ví dụ, mô hình sẽ phải đoán lại từ đầu. Nếu công thức không có trong lời yêu cầu, thì với mô hình, công thức đó không tồn tại.
Cái bẫy: giải thích mạch lạc chưa chắc đã đúng
Còn một điều nữa cần cẩn thận, vì cách này rất hiệu quả nên cũng dễ khiến ta chủ quan. Việc viết rõ các bước suy luận là một trợ giúp hữu ích và giúp phát hiện lỗi tốt hơn, nhưng một lời giải thích nghe tự tin và gọn gàng không có nghĩa là câu trả lời chắc chắn đúng. Mô hình có thể trình bày năm bước rất trôi chảy, câu chữ rất thuyết phục, nhưng vẫn mắc một lỗi nhỏ khó nhận ra ở một bước nào đó. Suy luận đọc lên nghe hợp lý không nhất thiết là suy luận thật sự chắc chắn, vì vậy hãy luôn kiểm tra lại những bước quan trọng.
"Nghĩ từng bước" bắt đầu từ đâu
Có lẽ bạn đã từng nghe lời khuyên cũ: hãy bảo chatbot "hãy nghĩ từng bước một", hay còn gọi là chain-of-thought (chuỗi suy luận). Khi phương pháp này được giới thiệu vào năm 2022, nó thật sự có ích. Chỉ cần yêu cầu mô hình trình bày các bước trung gian thay vì trả lời ngay, độ chính xác của mô hình trong các bài toán nhiều bước đã tăng rõ rệt, dù không cung cấp thêm dữ kiện mới nào cho mô hình.1 Ngày nay, bạn hiếm khi cần gõ câu đó nữa, vì các mô hình mới nhất đã tự suy luận qua những bước này bên trong trước khi hiển thị câu trả lời.2 Biết lịch sử này vẫn hữu ích, vì nó cho thấy điều có giá trị lâu dài không phải là câu lệnh "hãy nghĩ từng bước một", mà là những ví dụ đã được giải sẵn và có thể tái sử dụng. Giờ đây, mô hình có thể tự đưa ra các bước mà không cần được nhắc, và bạn có thể lưu các bước đó để dùng lại hoặc tiếp tục phát triển.
Hãy chọn một câu đố nhỏ trong đời sống hằng ngày, gồm vài bước tính đơn giản. Ví dụ: "Một chiếc áo khoác có giá niêm yết 800.000 đồng. Cửa hàng giảm giá 25%, sau đó cộng thêm 8% thuế vào giá đã giảm. Vậy mình phải trả bao nhiêu tiền?" Bạn chỉ cần hỏi trực tiếp rồi đọc câu trả lời nhận được. Hãy chú ý rằng các mô hình mới thường sẽ tự trình bày cách tính, dù bạn không yêu cầu. Chúng sẽ giải từng bước cho đến khi ra kết quả cuối cùng. Câu trả lời đã được giải sẵn đó chính là phần bạn sẽ dùng lại.
Bây giờ hãy tận dụng lời giải đó thêm một lần nữa. Hãy chép lời giải vào một tin nhắn mới rồi viết: "Dùng đúng phương pháp như ví dụ trên, giờ hãy giải: một chiếc áo măng tô giá 1.200.000 đồng, giảm 30%, rồi cộng 8% thuế lên giá đã giảm." Sau đó, hãy quan sát cách mô hình làm theo cấu trúc của công thức bạn vừa cung cấp. Như vậy, bạn đã biến một lời giải chỉ dùng một lần thành một mẫu có thể dùng lại. Nếu muốn, bạn cũng có thể tự kiểm chứng điểm dễ gây nhầm lẫn này: mở một đoạn chat hoàn toàn mới, chỉ hỏi bài toán về chiếc áo măng tô mà không dán ví dụ trước đó vào. Bạn sẽ thấy mô hình phải bắt đầu lại từ đầu, vì công thức kia chỉ tồn tại trong nội dung của prompt trước, còn một đoạn chat mới thì không lưu lại dấu vết nào.
Giá sau khi giảm 25%:
800.000 × 75% = 600.000 đồng
Cộng thêm 8% thuế trên giá đã giảm:
600.000 × 108% = 648.000 đồng
Vậy bạn phải trả 648.000 đồng.
30% của 1.200.000 là 360.000, còn lại 840.000. Sau đó 8% thuế trên 840.000 là 67.200. Tổng: 907.200 đồng.
Hãy để ý rằng gpt-5.5 tự trình bày các bước giải, dù bạn chỉ hỏi cần trả bao nhiêu. Đây là kiểu mô hình mới có thể tự giải thích từng bước mà không cần được yêu cầu. Chính điều đó làm cho mẹo tái sử dụng trở nên rất dễ: cách giải đã có sẵn ngay trong câu trả lời, bạn chỉ cần chép nó vào prompt tiếp theo.
Khi nào nên lưu lại cách làm
Mỗi khi bạn tìm được một cách hỏi hiệu quả, chẳng hạn để chia hóa đơn, lập kế hoạch chi tiêu, viết một mẫu email quen thuộc hoặc xử lý một phép tính, đừng bỏ mất nó sau khi đóng đoạn chat. Hãy lưu lại ví dụ đã được giải đúng. Lần sau gặp bài toán tương tự, bạn chỉ cần dán lại ví dụ đó và dùng tiếp, không phải nghĩ lại cách hỏi từ đầu. Nhờ vậy, một cách làm đáng lẽ phải dựng lại mỗi tháng có thể trở thành một công thức dùng được chỉ trong vài giây. Nhưng hãy nhớ một điều quan trọng: công thức đó nằm trong câu lệnh của bạn, không nằm sẵn trong mô hình, nên bạn phải tự mang nó theo. Ngoài ra, đừng chỉ tin vì câu trả lời trông gọn gàng và thuyết phục. Hãy đọc kỹ từng bước, vì một câu trả lời được trình bày đẹp vẫn có thể sai. Hai chương vừa rồi đã hướng dẫn cách điều khiển mô hình bằng ví dụ và cách tái sử dụng những ví dụ hiệu quả. Chương tiếp theo sẽ đi xa hơn: làm việc cùng mô hình một cách có chủ đích, bằng cách yêu cầu mô hình hỏi lại bạn trước và trình bày kế hoạch trước khi bắt tay vào làm.
Nguồn
- 1.Jason Wei và cộng sự, "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models," NeurIPS 2022. Bài báo giới thiệu thuật ngữ này và cho thấy việc yêu cầu các bước suy luận trung gian cải thiện hiệu năng ở các bài toán số học, thường thức, và suy luận ký hiệu; với tám ví dụ mẫu, một mô hình 540 tỉ tham số đạt độ chính xác tốt nhất khi đó trên bộ chuẩn toán tiểu học GSM8K.
- 2.Lennart Meincke, Ethan Mollick, Lilach Mollick, và Dan Shapiro, "Prompting Science Report 2: The Decreasing Value of Chain of Thought in Prompting," arXiv:2506.07142 (2025). Thử nghiệm trên các mô hình suy luận chuyên dụng với bộ chuẩn GPQA Diamond, nhóm tác giả thấy rằng việc yêu cầu chuỗi suy luận một cách rõ ràng chỉ đem lại phần cải thiện độ chính xác không đáng kể trong khi làm tăng đáng kể thời gian và chi phí token, bởi các mô hình này vốn đã tự suy luận qua các bước.