Mô hình hoá bài toán: từ mục tiêu tới cấu trúc đầu vào

Mục tiêu học tập

Sau bài này, bạn có thể:

Tách một yêu cầu công việc thành bốn lớp: mục tiêu (goal), dữ liệu đầu vào (input), ràng buộc (constraints) và tiêu chí đúng (acceptance criteria).
Nhận diện khoảng trống thông tin (information gap) giữa điều bạn biết và điều mô hình có thể biết.
Ánh xạ bốn lớp đó vào một bản nháp đầu vào (prompt draft) có cấu trúc, gửi được ngay.
Tự kiểm tra tính đầy đủ của bản nháp trước khi gửi cho AI.

Ôn tập nhanh

Bài trước kết luận rằng mô hình ngôn ngữ lớn (large language model) sinh văn bản bằng cách dự đoán token tiếp theo dựa trên xác suất, chứ không tra cứu sự thật và không đọc được ý định của bạn. Vì vậy nó chỉ biết đúng những gì nằm trong đoạn đầu vào (prompt) cộng với phân phối dữ liệu đã học. Hệ quả trực tiếp: chất lượng đầu ra bị chặn trên bởi chất lượng cấu trúc đầu vào.

Lý thuyết

Vì sao phải mô hình hoá trước khi viết prompt

Khi bạn nói "giúp tôi viết báo cáo tuần cho tốt hơn", mô hình buộc phải tự điền một loạt giả định: báo cáo cho ai, dài bao nhiêu, giọng điệu nào, có số liệu hay không. Giả định của nó gần như chắc chắn khác giả định của bạn. ==Mô hình hoá bài toán là biến ý định ngầm thành ràng buộc hiện.== Đây là bước nằm trước kỹ thuật viết prompt, không phải một phần của nó.

Bốn lớp của một bài toán

Lớp	Câu hỏi dẫn dắt	Ví dụ chưa đạt	Ví dụ đạt
Mục tiêu	Kết quả nào quan sát được?	"Viết tốt hơn"	"Bản tóm tắt 200 từ cho 3 tài liệu, mỗi tài liệu 3 ý chính"
Dữ liệu đầu vào	Nguyên liệu nào có sẵn?	"Tài liệu của tôi"	Dán nguyên văn 3 đoạn, ghi rõ phần nào là nguồn duy nhất
Ràng buộc	Biên nào không được vượt?	"Ngắn gọn"	"Tối đa 200 từ, không dùng số liệu ngoài tài liệu đã dán"
Tiêu chí đúng	Làm sao biết là đúng?	"Đọc thấy hay"	"Đủ 3 tài liệu, mỗi tài liệu đúng 3 ý, không ý nào lặp"