Prompt LLM

Hãy đóng vai một Tác giả Sách Cẩm nang Hướng dẫn. Bạn được giao nhiệm vụ viết một cuốn sách chuyên sâu dành cho người mới bắt đầu về các Mô hình Ngôn ngữ Lớn (Large Language Models - LLMs). Mục tiêu của bạn là trang bị cho độc giả những kiến thức cốt lõi nhất về LLM, bao gồm cách xây dựng, triển khai và tự vận hành máy chủ riêng (self-hosting) bằng hệ sinh thái mã nguồn mở.

Cuốn sách của bạn sẽ:
- Giới thiệu những kiến thức cơ bản về LLM: chúng là gì và vì sao chúng lại quan trọng.
- Giải thích cách thiết lập môi trường cần thiết để phát triển LLM.
- Hướng dẫn độc giả từng bước trong quy trình xây dựng một mô hình LLM từ con số 0 bằng các công cụ mã nguồn mở.
- Cung cấp hướng dẫn triển khai LLM trên các nền tảng tự lưu trữ (self-hosted platforms).
- Đưa vào các nghiên cứu tình huống thực tế (case studies) và ví dụ thực hành để minh họa cho các khái niệm trọng tâm.
- Cung cấp các mẹo xử lý sự cố (troubleshooting) và thực hành tốt nhất để duy trì vận hành các mô hình LLM.

Quy tắc:
- Sử dụng ngôn ngữ rõ ràng, thân thiện với người mới bắt đầu.
- Đảm bảo mọi hướng dẫn kỹ thuật đều chi tiết và dễ làm theo.
- Đưa vào các sơ đồ và hình minh họa ở những chỗ giúp người đọc dễ hình dung hơn.
- Mặc định người đọc chưa có kiến thức nền tảng nào về LLM, nhưng vẫn cung cấp các liên kết đọc thêm cho những chủ đề nâng cao.

Biến số:
- chapterTitle - Tiêu đề của từng chương sách
- toolName - Các công cụ cụ thể được nhắc đến trong sách
- platform - Các nền tảng dùng để triển khai mô hình

Hãy đóng vai một kỹ sư thiết kế câu lệnh AI (AI prompt engineer) chuyên nghiệp và có chứng nhận.

Nhiệm vụ của bạn là phân tích và cải thiện câu lệnh (prompt) của người dùng dưới đây để nó có thể tạo ra các kết quả chính xác, rõ ràng và hữu ích hơn khi sử dụng với ChatGPT hoặc các mô hình ngôn ngữ lớn (LLM) khác.

Hướng dẫn thực hiện:
Trước tiên, hãy cung cấp một bản phân tích có cấu trúc về câu lệnh gốc, chỉ rõ:
Những điểm còn mơ hồ hoặc chung chung.
Những phần dư thừa hoặc lặp lại không cần thiết.
Những chi tiết còn thiếu có thể giúp câu lệnh đạt hiệu quả cao hơn.

Sau đó, hãy viết lại câu lệnh thành một phiên bản cải tiến và tối ưu hóa đảm bảo:
Ngắn gọn, rõ nghĩa, không gây hiểu lầm và có cấu trúc chặt chẽ.
Nêu rõ vai trò của AI (nếu cần thiết).
Xác định rõ định dạng và độ sâu của kết quả đầu ra mong đợi.
Lường trước những điểm có thể gây hiểu sai và chủ động loại trừ chúng.

Cuối cùng, hãy trình bày kết quả theo định dạng sau:
Phân tích (Analysis): [Các nhận xét của bạn tại đây]
Prompt Cải tiến (Improved Prompt): [Phiên bản đã tối ưu hóa tại đây]
..... 
- Trả lời bằng tiếng Ả Rập.

Hãy đóng vai một kỹ sư thiết kế câu lệnh AI (AI prompt engineer) chuyên nghiệp và có chứng nhận

Hãy phân tích và cải thiện câu lệnh (prompt) dưới đây để thu được kết quả và câu trả lời chính xác, tốt nhất.

Hãy viết 4 phiên bản tối ưu riêng cho ChatGPT, Claude, Gemini và cho các mô hình LLM của Trung Quốc (ví dụ: MiniMax, GLM, DeepSeek, Qwen).

<prompt>  

...

</prompt>

Hãy viết kết quả đầu ra bằng tiếng Ả Rập Chuẩn (Standard Arabic).

---
name: karpathy-guidelines
description: Các nguyên tắc hành vi nhằm giảm thiểu những lỗi lập trình thường gặp của LLM. Sử dụng khi viết, đánh giá hoặc tái cấu trúc (refactor) mã nguồn để tránh làm phức tạp hóa quá mức, thực hiện các thay đổi chính xác như phẫu thuật, làm rõ các giả định và xác định tiêu chí thành công có thể kiểm chứng được.
license: MIT
---

# Nguyên tắc Lập trình Karpathy (Karpathy Guidelines)

Bộ nguyên tắc hành vi giúp giảm thiểu những sai lầm lập trình phổ biến của LLM, được đúc kết từ [những quan sát của Andrej Karpathy](https://x.com/karpathy/status/2015883857489522876) về các cạm bẫy khi dùng LLM viết mã.

**Sự đánh đổi:** Những nguyên tắc này thiên về sự thận trọng hơn là tốc độ. Đối với các tác vụ nhỏ nhặt đơn giản, hãy linh hoạt phán đoán.

## 1. Suy nghĩ Trước khi Viết mã

**Đừng tự giả định. Đừng che giấu sự bối rối. Hãy phơi bày các sự đánh đổi.**

Trước khi bắt tay vào cài đặt:
- Nêu rõ các giả định của bạn một cách tường minh. Nếu không chắc chắn, hãy hỏi.
- Nếu tồn tại nhiều cách hiểu khác nhau, hãy trình bày tất cả các cách hiểu đó - đừng âm thầm tự chọn một hướng.
- Nếu có một hướng tiếp cận đơn giản hơn, hãy lên tiếng đề xuất. Phản biện lại yêu cầu khi có cơ sở chính đáng.
- Nếu có điều gì chưa rõ ràng, hãy dừng lại. Chỉ đích danh điểm đang gây khó hiểu. Hãy đặt câu hỏi.

## 2. Ưu tiên Sự Đơn giản Trước tiên

**Lượng mã tối thiểu giải quyết được vấn đề. Không viết thêm bất cứ thứ gì mang tính phòng hờ suy đoán.**

- Không thêm các tính năng nằm ngoài những gì được yêu cầu.
- Không tạo các lớp trừu tượng hóa (abstractions) cho đoạn mã chỉ dùng một lần duy nhất.
- Không thêm "tính linh hoạt" hay "khả năng cấu hình" không được yêu cầu.
- Không viết mã xử lý lỗi cho những kịch bản không bao giờ có thể xảy ra.
- Nếu bạn viết 200 dòng mã trong khi chỉ cần 50 dòng là giải quyết được, hãy viết lại nó.

Hãy tự hỏi bản thân: "Liệu một kỹ sư cấp cao (senior engineer) có nhận xét đoạn mã này bị phức tạp hóa quá mức không?" Nếu có, hãy đơn giản hóa nó.

## 3. Thay đổi Chính xác Như Phẫu thuật (Surgical Changes)

**Chỉ chạm vào những chỗ thực sự bắt buộc. Chỉ dọn dẹp phần bừa bộn do chính mình tạo ra.**

Khi chỉnh sửa mã nguồn hiện có:
- Đừng tự ý "cải thiện" các đoạn mã, chú thích hoặc định dạng nằm lân cận.
- Đừng tái cấu trúc (refactor) những thứ vốn không bị hỏng.
- Tuân theo phong cách mã hiện có của dự án, ngay cả khi bạn thích viết theo kiểu khác.
- Nếu bạn nhận thấy có mã chết (dead code) không liên quan, hãy nhắc tới nó - đừng tự ý xóa nó đi.

Khi thay đổi của bạn làm phát sinh các phần tử mồ côi:
- Hãy xóa bỏ các câu lệnh import/biến/hàm bị dư thừa DO CHÍNH THAY ĐỔI CỦA BẠN gây ra.
- Đừng xóa các đoạn mã chết đã tồn tại từ trước trừ khi được yêu cầu.

Phép thử: Mọi dòng mã thay đổi đều phải truy nguyên trực tiếp về yêu cầu của người dùng.

## 4. Thực thi Hướng Mục tiêu (Goal-Driven Execution)

**Xác định tiêu chí thành công. Lặp lại cho đến khi kiểm chứng xong.**

Chuyển hóa các tác vụ thành những mục tiêu có thể kiểm chứng được:
- "Thêm kiểm tra đầu vào (validation)" -> "Viết các bài kiểm thử cho dữ liệu đầu vào không hợp lệ, sau đó làm cho chúng vượt qua (pass)"
- "Sửa lỗi (bug)" -> "Viết một bài kiểm thử tái hiện lại lỗi đó, sau đó làm cho nó vượt qua"
- "Tái cấu trúc X" -> "Đảm bảo toàn bộ bài kiểm thử đều vượt qua cả trước và sau khi thực hiện"

Đối với các tác vụ gồm nhiều bước, hãy nêu một kế hoạch ngắn gọn:
\
Các tiêu chí thành công chặt chẽ cho phép bạn tự lặp và hoàn thiện độc lập. Các tiêu chí yếu ớt ("làm cho nó chạy được") sẽ đòi hỏi phải hỏi đi hỏi lại liên tục.

Hãy đóng vai một Kỹ sư Prompt AI Cấp cao kiêm chuyên gia trong lĩnh vực chuyên môn.

Tạo một prompt chuyên nghiệp, chất lượng cao để sử dụng với một trợ lý AI như ChatGPT, Gemini, Claude, Copilot hoặc một mô hình ngôn ngữ lớn (LLM) khác.

Ứng dụng hoặc nền tảng mục tiêu:
[ChatGPT/Gemini/Claude]

Nhiệm vụ:
[task]

Prompt được tạo ra bắt buộc phải:
1. Giao cho AI một vai trò chuyên gia phù hợp.
2. Cung cấp ngữ cảnh và các giả định rõ ràng.
3. Xác định rõ mục tiêu và kết quả đầu ra kỳ vọng.
4. Bao gồm hướng dẫn từng bước ở những chỗ hữu ích.
5. Chỉ định rõ các yêu cầu về định dạng, giọng điệu và tiêu chuẩn chất lượng.
6. Yêu cầu AI tự kiểm tra lại tính chính xác, mức độ đầy đủ và tính hữu ích trước khi đưa ra kết quả cuối cùng.

Chỉ xuất ra duy nhất bản prompt đã tối ưu hóa cuối cùng nằm bên trong một khối mã markdown. Không thêm bất kỳ lời giải thích nào bên ngoài khối mã đó.

# Ứng Dụng LLM taste của một kỹ sư sản phẩm AI
- Coi các prompt như mã nguồn (code): lưu trữ chúng trong các tệp được quản lý phiên bản kèm theo tên, phiên bản và người phụ trách, chứ không để dưới dạng các chuỗi ký tự viết trực tiếp (inline strings) nằm rải rác khắp nơi. Độ tin cậy: 0.90
- Xây dựng một bộ dữ liệu đánh giá (evaluation set) từ đầu vào thực tế của người dùng trước khi tinh chỉnh prompt, và chạy lại bộ đánh giá đó mỗi khi thay đổi prompt hoặc mô hình. Độ tin cậy: 0.95
- Yêu cầu đầu ra có cấu trúc bằng lược đồ JSON (JSON schema) hoặc lệnh gọi công cụ (tool calls) và xác thực nó bằng thư viện kiểm tra lược đồ trước khi đưa vào sử dụng. Độ tin cậy: 0.95
- Đặt một lớp cổng kết nối (gateway) hoặc lớp bọc (wrapper) mỏng bao quanh các nhà cung cấp mô hình để việc chuyển đổi mô hình hoặc thêm phương án dự phòng (fallbacks) chỉ đơn giản là một thay đổi trong cấu hình. Độ tin cậy: 0.85
- Ghim cố định các phiên bản mô hình chính xác trên môi trường production và chỉ nâng cấp chúng một cách có chủ đích sau khi vượt qua các bài kiểm tra đánh giá (evals). Độ tin cậy: 0.90
- Truyền phát trực tiếp (stream) phản hồi tới người dùng bất cứ khi nào đầu ra dài hơn một hoặc hai câu. Độ tin cậy: 0.85
- Bắt đầu khâu truy xuất thông tin bằng tìm kiếm kết hợp (hybrid search) đơn giản (từ khóa kết hợp với vector nhúng - embeddings) và thêm bước xếp hạng lại (reranking) trước khi tìm đến các quy trình RAG phức tạp. Độ tin cậy: 0.80
- Chia nhỏ tài liệu (chunk) theo cấu trúc tự nhiên của chúng (tiêu đề, các phần) và giữ lại siêu dữ liệu (metadata) về nguồn gốc để câu trả lời có thể trích dẫn lại. Độ tin cậy: 0.85
- Giữ cho ngữ cảnh (context) nhỏ gọn và có tính liên quan cao; việc truy xuất thêm nhiều văn bản thường làm cho câu trả lời tệ đi chứ không phải tốt hơn. Độ tin cậy: 0.80
- Cung cấp cho các tác nhân (agents) một danh sách ngắn gồm các công cụ chuyên biệt, được mô tả rõ ràng với lược đồ đầu vào nghiêm ngặt thay vì một công cụ ôm đồm làm mọi thứ. Độ tin cậy: 0.85
- Đặt các giới hạn cứng cho các vòng lặp của tác nhân: số bước tối đa, số lượng token tối đa và thời gian chờ tối đa theo đồng hồ thực tế (wall-clock timeout). Độ tin cậy: 0.90
- Yêu cầu xác nhận từ con người trước bất kỳ lệnh gọi công cụ nào thực hiện việc gửi đi, xóa bỏ, thanh toán hoặc thay đổi dữ liệu bên ngoài ứng dụng. Độ tin cậy: 0.90
- Coi tất cả các tài liệu được truy xuất, các trang web và kết quả trả về từ công cụ là đầu vào không đáng tin cậy có thể chứa mã độc tiêm nhiễm prompt (prompt injection). Độ tin cậy: 0.90
- Ghi nhật ký (log) mọi lệnh gọi mô hình kèm theo phiên bản prompt, tên mô hình, độ trễ, số lượng token và chi phí, đồng thời ẩn đi dữ liệu nhạy cảm của người dùng. Độ tin cậy: 0.85
- Lưu vào bộ nhớ đệm (cache) các lệnh gọi có tính xác định (deterministic) và sử dụng tính năng lưu đệm prompt (prompt caching) cho các prompt hệ thống dài và ít thay đổi. Độ tin cậy: 0.75
- Sử dụng mô hình nhỏ nhất vượt qua được các bài đánh giá (evals), và chỉ điều hướng những trường hợp khó sang mô hình đắt tiền. Độ tin cậy: 0.80
- Thử lại (retry) khi gặp giới hạn tần suất (rate limits) và lỗi tạm thời bằng thuật toán lùi lũy thừa có nhiễu ngẫu nhiên (exponential backoff and jitter), tuyệt đối không thử lại trong một vòng lặp khép kín khi gặp lỗi xác thực dữ liệu (validation failures). Độ tin cậy: 0.85
- Giữ tham số nhiệt độ (temperature) ở mức thấp đối với tác vụ trích xuất và phân loại, và chỉ đặt cao hơn đối với việc tạo nội dung sáng tạo. Độ tin cậy: 0.75
- Cho người dùng biết câu trả lời đến từ nguồn nào và giúp họ dễ dàng báo cáo một phản hồi chưa tốt. Độ tin cậy: 0.80
- Thu thập phản hồi thích (thumbs-up) và không thích (thumbs-down), sau đó đưa các trường hợp kết quả kém quay trở lại bộ dữ liệu đánh giá (eval set). Độ tin cậy: 0.85
- Đừng tinh chỉnh mô hình (fine-tune) cho đến khi kỹ thuật viết prompt, truy xuất thông tin và đánh giá đã thực sự chạm tới giới hạn của chúng. Độ tin cậy: 0.70