Prompt Chaining: Nối nhiều prompt thành workflow

Định nghĩa

Prompt Chaining là kỹ thuật chia một nhiệm vụ phức tạp thành nhiều bước nhỏ, mỗi bước là một prompt riêng biệt, và output của bước trước trở thành input của bước sau — giống như dây chuyền lắp ráp nhưng cho AI.

Giải thích chi tiết

Vấn đề với prompt đơn lẻ

Khi yêu cầu AI viết một báo cáo dài 20 trang trong một lần hỏi, bạn thường nhận được kết quả sơ sài hoặc AI "quên" mất yêu cầu ở đầu câu. Đây không phải AI đang "lười" — đơn giản là Context Window (khung nhìn ngữ cảnh) có giới hạn, và càng dài càng dễ mất focus. Prompt Chaining giải quyết bằng cách chia nhỏ giống như bạn không tự viết luận văn một lúc mà chia thành nghiên cứu, outline, viết, sửa.

Cấu trúc một chuỗi Prompt

Một chuỗi Prompt cơ bản gồm 3 vai trò:

• Trigger: Prompt khởi động để thu thập thông tin hoặc phân tích ban đầu
• Transformer: Prompt xử lý, viết thảo, hoặc biên dịch nội dung
• Validator: Prompt kiểm tra chất lượng, tính chính xác trước khi xuất ra

Output của Transformer có thể là 3 bullet points → Input của Validator sẽ là "Kiểm tra 3 ý sau đây có logic không...".

Giao điểm với System Prompt

Khi dùng Prompt Chaining trong ứng dụng thực tế như chatbot hỗ trợ khách hàng, System Prompt đóng vai trò "bộ nhớ dài hạn" — nó giữ persona và quy tắc chung, còn Prompt Chaining là "quy trình xử lý từng ca" — xử lý từng bước từ phân loại yêu cầu đến trả lời. Đây là cầu nối đầu tiên giữa Prompt Engineering và Context Engineering (Level 1), khi bạn bắt đầu quản lý thông tin đi vào AI thay vì chỉ viết câu hỏi.

Ví dụ thực tế

Viết báo cáo dài (Content Pipeline)

Thay vì viết "Viết báo cáo về thị trường xe điện", bạn tách thành 4 prompt và chạy tuần tự:

Prompt 1 - Nghiên cứu:

Tìm 5 xu hướng chính trong thị trường xe điện 2024. 
Chỉ liệt kê, không giải thích. Format: Bullet points ngắn gọn.

Prompt 2 - Phân tích (dùng output Prompt 1 làm input):

Dựa vào danh sách sau: [dán output Prompt 1 vào đây]
Phân tích điểm mạnh/điểm yếu của từng xu hướng. Format: Bảng so sánh.

Prompt 3 - Viết báo cáo:

Viết báo cáo 3 đoạn về thị trường xe điện, dựa trên phân tích sau: [dán output Prompt 2]
Giọng văn: Chuyên nghiệp, dữ liệu-driven.

Prompt 4 - Đánh giá:

Kiểm tra báo cáo sau có đủ 3 tiêu chí: Có số liệu, có so sánh, có kết luận?
Nếu thiếu, liệt kê còn thiếu gì. [dán output Prompt 3]

Tại bước 4, nếu AI báo thiếu số liệu, bạn quay lại bổ sung chứ không mất cả 3 đoạn đã viết.

Chatbot hỗ trợ khách hàng (System Context + Chaining)

System Prompt (luôn nằm ở background):

Bạn là nhân viên hỗ trợ của Shop ABC. Luôn lịch sự, giải quyết trong 3 bước: 
1) Xác nhận vấn đề 2) Đưa giải pháp 3) Hỏi cần gì khác.

Prompt Chain cho mỗi tin nhắn khách hàng:

• Bước 1 (Phân loại): "Tin nhắn: 'Tôi đặt hàng 3 ngày chưa nhận được'. Phân loại: Khiếu nại / Hỏi hàng / Kỹ thuật?"
• Bước 2 (Xử lý): (nếu Khiếu nại) → "Viết lời xin lỗi + đề xuất hoàn tiền hoặc đổi hàng"
• Bước 3 (Tinh chỉnh): "Rút gọn câu trả lời xuống dưới 100 chữ, thêm emoji 🙂"

Ứng dụng

Sinh viên

Dùng chaining để viết luận văn: Tách thành "Tìm tài liệu → Tóm tắt → Viết outline → Viết từng chương → Sửa văn phong". Mỗi bước bạn có thể kiểm soát chất lượng thay vì để AI viết 30 trang một lúc rồi phát hiện lỗi đã quá muộn.

Người đi làm

Phân tích dữ liệu báo cáo hàng tháng: "Trích xuất số liệu từ bảng → So sánh tháng trước → Nhận xét xu hướng → Format thành slide". Bạn có thể can thiệp giữa các bước nếu số liệu sai, thay vì phải viết lại toàn bộ.

Doanh nghiệp

Xây dựng workflow tự động cho content marketing: Ý tưởng → Viết kịch bản → Tạo prompt hình ảnh → Viết caption → Lên lịch đăng. Mỗi bước có thể dùng model khác nhau (GPT-4 cho viết, Claude cho kiểm tra chính tả) để tối ưu chi phí.

So sánh

Kết luận: Prompt Chaining không làm AI "thông minh hơn" — nó giúp bạn kiểm soát chặt hơn. Khi viết báo cáo dài, bạn không muốn AI tự đoán kết luận sai ngay từ đầu rồi viết tiếp 10 trang dựa trên sai lầm đó. Chia bước để dừng lại kiểm tra, giống như kiểm tra từng khâu trên dây chuyền sản xuất.

Bài viết liên quan

Cùng cụm

Đọc tiếp — sang Context Engineering