Khớp cấu trúc prompt với loại tác vụ PM và phân rã pipeline
Kiến trúc prompt chuẩn cho tác vụ Precision vs. Generative và phân rã bài toán lai ghép thành pipeline 2 bước độc lập thay vì gộp chung một prompt.
Khớp cấu trúc prompt với loại tác vụ PM và phân rã pipeline
Bài trước đã xử lý việc chọn ví dụ mẫu. Bài này giải quyết một câu hỏi lớn hơn: cấu trúc tổng thể của prompt nên trông như thế nào, tuỳ theo bản chất của tác vụ.
Ví dụ xuyên suốt bài: Product Manager của FreelanceFlow cần AI chấm điểm hồ sơ ứng viên Product Manager theo rubric tuyển dụng, và cần AI đọc biên bản 10 cuộc phỏng vấn người dùng để viết bản tóm tắt cơ hội sản phẩm cho Ban giám đốc.
Một khuôn prompt cho mọi việc
Khớp cấu trúc theo loại tác vụ
1. Thiết lập quy tắc cứng và định dạng chặt cho nhóm tác vụ Precision
Không tồn tại một cấu trúc prompt "vạn năng" cho mọi công việc PM. Khi xử lý nhóm tác vụ Precision (chấm điểm CV, bóc tách metrics từ báo cáo tài chính, gán nhãn dữ liệu), cấu trúc prompt phải tuân thủ các nguyên tắc thiết kế kỹ thuật:
- Loại bỏ toàn bộ Persona danh xưng: Không mở đầu bằng "Bạn là chuyên gia nhân sự...", vì persona này thúc đẩy tính khoan nhượng và diễn giải cảm tính.
- Xác lập Rubric hoặc Tiêu chí phân loại nhị phân: Nêu rõ các ngưỡng chấp nhận/từ chối một cách dứt khoát.
- Cố định Enum Output: Quy định danh sách đóng các giá trị đầu ra được phép trả về (tránh việc mô hình tự bịa thêm nhãn mới).
- Không yêu cầu giải thích trừ khi cần Audit: Nếu chỉ cần nhãn phân loại để downstream code parse dữ liệu, hãy cấm mô hình xuất thêm văn bản giải thích ngoài định dạng.
Ví dụ: Chấm điểm CV ứng viên PM FreelanceFlow:
## Nhiệm vụ
Đánh giá CV ứng viên Product Manager theo 3 tiêu chí cứng dưới đây. Thang điểm 1-5 cho mỗi tiêu chí (1: Hoàn toàn không đạt, 5: Xuất sắc có bằng chứng số liệu rõ ràng).
## Tiêu chí đánh giá
1. Product Analytics: Có kinh nghiệm thiết kế tracking plan và phân tích funnel (Bắt buộc).
2. AI/LLM Execution: Có kinh nghiệm viết PRD hoặc triển khai tính năng AI trong thực tế.
3. Stakeholder Communication: Bằng chứng phối hợp cross-functional rõ ràng.
## Output format
Trả về JSON chuẩn theo schema:
{
"scores": { "analytics": number, "ai_execution": number, "communication": number },
"total_score": number,
"passed_gate": boolean
}2. Mã hoá tông giọng và chuẩn mực hành vi cho nhóm tác vụ Generative
Ngược lại với nhóm Precision, các tác vụ Generative (soạn thảo bài viết LinkedIn ra mắt tính năng, viết kịch bản thông báo sự cố, trả lời thắc mắc của nhà đầu tư) không có đáp án đúng/sai tuyệt đối. Chất lượng đầu ra phụ thuộc vào tông giọng (Tone & Voice), đối tượng tiếp nhận (Target Audience) và ranh giới an toàn thương hiệu (Guardrails).
Cấu trúc prompt cho nhóm Generative cần tập trung vào:
- Persona chức năng (Functional Persona): Định vị rõ vai trò phát ngôn và góc nhìn sản phẩm.
- Khán giả mục tiêu: Nêu rõ kỳ vọng, trình độ hiểu biết và nỗi đau của người đọc.
- Negative Constraints (Điều cấm): Liệt kê các từ ngữ sáo rỗng, buzzwords hoặc hành vi cấm kỵ (ví dụ: cấm dùng "game-changing", "revolutionary", "seamless").
| Chiều so sánh | Tác vụ Precision (Chính xác) | Tác vụ Generative (Tạo sinh) |
|---|---|---|
| Mục tiêu cốt lõi | Độ chuẩn xác, tính định hình, tuân thủ schema | Giọng điệu, tính thuyết phục, phù hợp đối tượng |
| Persona | Xoá bỏ hoàn toàn hoặc tối giản về 1 dòng luật | Sử dụng Persona chức năng để khoá tông giọng |
| Output format | JSON, Enum, Bảng dữ liệu có cấu trúc | Markdown văn xuôi, đoạn văn, bullet truyền thông |
| Few-shot role | Định hình các trường hợp biên và xử lý null | Minh hoạ phong cách viết và nhịp điệu câu |
Bài tập 2.2: Hãy phân loại 3 tác vụ PM sau vào nhóm Precision hoặc Generative, sau đó phác thảo cấu trúc prompt phù hợp:
- Trích xuất danh sách các câu hỏi chưa được giải quyết từ biên bản họp Sprint Review dài 5 trang.
- Soạn thông báo đẩy (Push Notification) thông báo tính năng "Cảnh báo vượt hạn mức chi tiêu" dành cho freelancer mới dùng app dưới 7 ngày.
- Gán nhãn 100 câu phản hồi khảo sát NPS vào 4 danh mục: [UI/UX], [Pricing], [Bug], [Feature Request].
3. Phân rã tác vụ hỗn hợp thành pipeline 2 bước thay vì gộp chung một prompt
Trong thực tế công việc của Product Manager, nhiều bài toán mang tính chất lai ghép (Hybrid Tasks): vừa đòi hỏi trích xuất dữ liệu chính xác tuyệt đối, vừa yêu cầu tổng hợp thành văn bản thuyết phục. Ví dụ kinh điển là bài toán: "Đọc bản ghi chép 10 cuộc phỏng vấn người dùng và viết thành một bản tóm tắt cơ hội sản phẩm cho Ban giám đốc".
Nếu dồn cả hai yêu cầu này vào một prompt duy nhất, mô hình sẽ gặp xung đột Attention: vừa phải bám sát từng câu chữ để không bỏ sót dữ liệu (Precision), vừa phải khái quát hoá và hành văn lưu loát (Generative). Kết quả thường là một bản tóm tắt nửa vời - thiếu số liệu chính xác nhưng văn phong lại khô cứng.
Giải pháp kỹ thuật: Luôn phân rã tác vụ hỗn hợp thành Pipeline 2 bước độc lập:
Bước 1 (Precision Prompt): Trích xuất toàn bộ pain points, tần suất xuất hiện và nguyên văn trích dẫn thành bảng dữ liệu có cấu trúc. Bước 2 (Generative Prompt): Nạp bảng dữ liệu từ Bước 1 vào để viết Executive Summary, áp dụng đầy đủ Persona chức năng và định hướng phong cách lãnh đạo.
Kiến trúc Prompt theo loại tác vụ: Precision, Generative và Pipeline 2 bước
So sánh giữa nhồi 10 ví dụ cùng loại vs. chọn 3 ví dụ có độ biến thiên cao.
Luồng vận hành chuẩn tắc
Input: "Bấm nút Visa thì app bị đứng hình"
Output: [Thanh toán] - App treo khi thanh toán Visa
Dạy cấu trúc định dạng chuẩn: [Phân hệ] - [Mô tả ngắn].
Dữ liệu mập mờ / Thiếu trường
Input: "Ê app tệ vậy, lúc nào cũng lag chán ghê"
Output: [Hiệu năng] - Giật lag (Thiếu log)
Dạy cách gán nhãn phụ khi dữ liệu người dùng cung cấp quá chung chung.
Ngăn model ảo giác phân loại
Input: "Nhập voucher lỗi xong reload mất hết giỏ"
Output: [Giỏ hàng] - Mất giỏ sau lỗi voucher
Dạy model ưu tiên lỗi nghiêm trọng (mất giỏ hàng) thay vì chỉ gắn nhãn voucher.