Đưa ví dụ mẫu cho AI (few-shot): cách để AI viết đúng giọng bạn
Few-shot là đưa vài ví dụ mẫu vào prompt để AI bắt chước đúng giọng và định dạng. Cách chọn ví dụ, nên đưa bao nhiêu, lỗi hay gặp và mẫu để chép dùng ngay.
Hướng dẫn4 phút đọc
Bạn đã mô tả rất kỹ "viết gần gũi, ngắn, có chút hài hước", nhưng AI vẫn viết không giống bạn? Thường cách nhanh nhất là đưa cho nó xem vài bài bạn đã viết. Đọc xong bài này, bạn sẽ biết kỹ thuật này tên là gì, chọn ví dụ thế nào cho hiệu quả, nên đưa bao nhiêu, và có sẵn một mẫu prompt để chép dùng.
Hiểu nhanh: zero-shot và few-shot
- Zero-shot: chỉ mô tả yêu cầu, không đưa ví dụ nào. Ví dụ: "Viết lời cảm ơn khách hàng."
- Few-shot: kèm vài ví dụ mẫu (thường 2–5) để AI nhìn và làm theo khuôn đó.
Ý tưởng này được biết đến rộng rãi từ bài báo về GPT-3 (Language Models are Few-Shot Learners, Brown và cộng sự, 2020): mô hình có thể làm việc mới chỉ nhờ mô tả và vài ví dụ đặt ngay trong câu lệnh, không cần huấn luyện lại.
Vì sao ví dụ hiệu quả hơn mô tả?
Có những thứ rất khó tả bằng lời nhưng nhìn là hiểu: giọng văn, độ dài, cách xưng hô, có dùng biểu tượng cảm xúc hay không, mở đầu và kết thúc ra sao.
Tài liệu của Anthropic gọi ví dụ là một trong những cách đáng tin nhất để điều khiển định dạng, giọng văn và cấu trúc câu trả lời. Hướng dẫn của Google cho Gemini còn khuyên nên luôn có ví dụ trong prompt, vì prompt không có ví dụ thường kém hiệu quả hơn, và đôi khi ví dụ rõ ràng còn thay được cả một đoạn hướng dẫn.
Ví dụ thật: trả lời đánh giá của khách
Ví dụ giả định: một cửa hàng gốm online muốn AI soạn phản hồi cho các đánh giá trên trang bán hàng, đúng giọng chủ shop quen dùng. Thay vì tả giọng văn, ta đưa 3 phản hồi cũ làm mẫu:
Bạn soạn phản hồi cho đánh giá của khách trên trang bán hàng của Gốm Nhà Mây.
Viết theo đúng giọng, độ dài và cách trình bày của các ví dụ dưới đây.
<vi_du>
Đánh giá: "Bát đẹp, đóng gói kỹ, giao hơi chậm."
Phản hồi: Cảm ơn bạn đã tin Gốm Nhà Mây! Shop xin lỗi vì giao chậm hơn hẹn, đợt này bên vận chuyển quá tải. Lần sau shop sẽ báo trước nếu có chậm trễ nhé.
</vi_du>
<vi_du>
Đánh giá: "Màu men không giống ảnh lắm."
Phản hồi: Cảm ơn bạn đã góp ý thật lòng! Men gốm thủ công mỗi mẻ lên màu hơi khác nhau, shop sẽ ghi rõ điều này trong mô tả. Bạn nhắn shop nếu muốn đổi nhé.
</vi_du>
<vi_du>
Đánh giá: "Tuyệt vời, mua lần thứ 3 rồi!"
Phản hồi: Ôi, lần thứ 3 rồi, shop cảm ơn bạn nhiều lắm! Chúc bạn dùng bộ mới thật vui, có món gì muốn đặt riêng cứ nhắn shop nhé.
</vi_du>
Đánh giá mới: "Cốc bị mẻ một chút ở miệng, hơi buồn."
Phản hồi:Kết quả ví dụ (do Claude viết ngày 14/10/2026; mỗi lần chạy, mỗi công cụ sẽ cho kết quả khác):
Shop thật sự xin lỗi bạn! Cốc mẻ là lỗi của shop khi kiểm hàng. Bạn nhắn shop ảnh chiếc cốc nhé, shop sẽ gửi cốc mới cho bạn ngay.Để ý: AI giữ đúng độ dài 2–3 câu, mở bằng lời cảm ơn hoặc xin lỗi, kết bằng "nhé", xưng "shop", gọi "bạn". Đó đều là những điều ta không hề mô tả bằng lời.
Chọn ví dụ thế nào cho tốt?
Tổng hợp từ hướng dẫn của Anthropic và Google:
- Giống việc thật. Ví dụ càng gần với việc bạn sắp nhờ, AI càng làm sát. Muốn trả lời đánh giá thì đưa phản hồi đánh giá, đừng đưa bài đăng quảng cáo.
- Đủ khác nhau. Chọn các trường hợp khác nhau (khen, chê, góp ý), để AI học cái chung chứ không bắt chước một chi tiết lặt vặt.
- Cùng một khuôn trình bày. Mọi ví dụ nên có cấu trúc giống nhau (cùng nhãn "Đánh giá:", "Phản hồi:"), nếu không AI dễ trả lời lộn xộn.
- Tách rõ ví dụ với yêu cầu. Bọc ví dụ trong thẻ như
<vi_du>…</vi_du>hoặc ngăn bằng dòng kẻ, để AI không nhầm ví dụ là việc cần làm.
Nên đưa bao nhiêu ví dụ?
- Tài liệu của Anthropic gợi ý 3–5 ví dụ cho kết quả tốt.
- Hướng dẫn của Google không đưa con số cố định, nhưng lưu ý đưa quá nhiều ví dụ có thể khiến mô hình bám quá sát chúng.
Bắt đầu với 3, xem kết quả, thiếu thì thêm. Đừng quên ví dụ cũng tốn token.
Lỗi hay gặp
| Lỗi | Hậu quả | Sửa |
|---|---|---|
| Các ví dụ quá giống nhau | AI lặp lại cả câu chữ, kết quả rập khuôn | Chọn ví dụ đa dạng tình huống |
| Ví dụ mâu thuẫn với lời dặn | AI có thể làm theo ví dụ thay vì lời dặn | Sửa ví dụ cho khớp với lời dặn |
| Ví dụ có lỗi chính tả, thông tin sai | AI chép luôn cái sai | Rà ví dụ kỹ trước khi dùng |
| Ví dụ chứa tên, số điện thoại thật của khách | Lộ thông tin cá nhân | Thay bằng tên giả trước khi dán |
Kết hợp với những gì đã học
- Kết hợp với khung 4 phần vai trò, bối cảnh, nhiệm vụ, định dạng: khung nói làm gì, ví dụ cho thấy làm ra sao.
- Hay dùng lặp lại? Lưu bộ ví dụ vào hướng dẫn dự án để khỏi dán lại mỗi lần.
- Với mô hình suy luận, OpenAI khuyên thử không có ví dụ trước, chỉ thêm ví dụ khi thật sự cần và phải khớp với hướng dẫn.
Nguồn tham khảo
Kiểm tra ngày 14/10/2026.
- Prompting best practices: Anthropic, phần dùng ví dụ (multishot): liên quan, đa dạng, có cấu trúc, 3–5 ví dụ.
- Prompt design strategies: Google, zero-shot và few-shot, số lượng ví dụ, giữ khuôn trình bày nhất quán.
- Reasoning best practices: OpenAI, ví dụ với mô hình suy luận.
- Language Models are Few-Shot Learners: Brown và cộng sự, 2020.