Sinh content bằng AI thì dễ; sinh content đúng brand, không nhạt, không sai sự thật mới khó. Bài này xây một content agent có kiểm soát chất lượng nhiều lớp.
Kiến trúc "Draft → Critique → Revise"
Một lần sinh (single-pass) thường cho ra bài trung bình. Kỹ thuật thực chiến là để agent tự phản biện rồi sửa:
- Draft: sinh bản nháp theo outline.
- Critique: một lượt riêng chấm bài theo rubric (giọng, độ sâu, từ khóa, tính chính xác).
- Revise: sửa theo phản biện.
STEP 1 (draft): "Viết bài 800 từ về serum vitamin C theo outline sau..."
STEP 2 (critique): "Chấm bài dưới đây theo rubric:
- Giọng có đúng 'gần gũi, không hứa hẹn quá mức'? (1-5)
- Có tuyên bố y khoa nào cần kiểm chứng?
- Từ khóa chính xuất hiện tự nhiên chưa?
Trả về JSON {score, issues[], fixes[]}"
STEP 3 (revise): "Sửa bài theo danh sách fixes sau: ..."
Hai đến ba vòng là đủ; nhiều hơn thường không cải thiện mà chỉ tốn token. Một mẹo tiết kiệm: dùng model rẻ cho bước draft và critique, chỉ dùng model mạnh cho bước revise cuối cùng — bạn vẫn được lợi ích của self-critique mà không đội chi phí.
Vì sao critique lại hiệu quả
Khi model sinh và tự đánh giá trong cùng một lượt, nó có xu hướng "bênh" bản nháp của mình. Tách critique thành một lượt riêng với vai trò "biên tập viên khó tính" buộc model nhìn bài bằng con mắt khác, phát hiện lỗi mà lượt draft bỏ qua. Đây là lý do ta tách rõ ba bước thay vì nhồi "viết và tự sửa" vào một prompt.
Neo bản sắc thương hiệu (brand grounding)
Đừng chỉ nói "viết theo giọng thương hiệu". Hãy cung cấp ví dụ cụ thể:
BRAND_VOICE:
do: ["Da bạn xứng đáng được nâng niu mỗi tối",
"Thành phần dịu nhẹ, kiểm nghiệm da liễu"]
dont: ["Trắng da cấp tốc sau 3 ngày",
"Đánh bay 100% nám vĩnh viễn"]
banned_words: ["thần dược", "cam kết khỏi", "tốt nhất Việt Nam"]
Few-shot examples mạnh hơn mô tả trừu tượng rất nhiều. Danh sách banned_words giúp chặn rủi ro pháp lý/quảng cáo sai.
Chống "bịa" (hallucination) cho số liệu
Marketing hay cần số liệu ("98% người dùng thấy da mềm hơn"). Không để model tự bịa. Nguyên tắc:
- Cung cấp nguồn số liệu qua tool (
get_verified_claims(product)). - Ra lệnh: "Chỉ dùng số liệu từ danh sách được cấp; nếu thiếu, viết định tính, không bịa số."
- Đánh dấu chỗ cần con người điền
[CẦN SỐ LIỆU].
Ví dụ vòng chạy hoàn chỉnh
Goal: bài blog "Cách dùng serum vitamin C buổi tối"
1. get_outline_template("how-to")
2. get_keyword_data("serum vitamin C buổi tối")
3. get_verified_claims("serum-vitc-01")
4. draft(outline, keywords, claims)
5. critique(draft) -> {score:3, issues:["mở bài chung chung",
"thiếu bước patch test"]}
6. revise(draft, fixes)
7. save_to_review_queue(final)
Các bước triển khai
- Chuẩn hóa outline template cho từng dạng bài (how-to, review, so sánh).
- Viết file
brand_voicevới do/dont/banned_words. - Thêm tool
get_verified_claimstrả về số liệu đã duyệt. - Cài vòng draft → critique → revise (giới hạn 2 vòng).
- Đẩy bản cuối vào hàng chờ duyệt, kèm điểm rubric để người duyệt ưu tiên.
Rubric chấm content (checklist)
- [ ] Đúng giọng thương hiệu (không hứa hẹn quá mức)
- [ ] Không chứa banned_words
- [ ] Từ khóa chính + phụ xuất hiện tự nhiên
- [ ] Mọi con số đều có nguồn (không bịa)
- [ ] Có CTA rõ ràng, đúng giai đoạn phễu
- [ ] Độ dài đạt mục tiêu, không nhồi chữ
Sai lầm thường gặp
- Single-pass rồi publish: bỏ bước critique khiến bài nhạt, dễ lọt tuyên bố sai.
- Mô tả giọng văn trừu tượng: "chuyên nghiệp nhưng thân thiện" vô nghĩa với model. Dùng ví dụ do/dont.
- Để model bịa số liệu: rủi ro pháp lý và mất niềm tin. Luôn ground bằng nguồn đã duyệt.
- Nhồi từ khóa (keyword stuffing): agent "cố" chèn từ khóa làm bài đọc gượng, Google phạt. Đặt mục tiêu tự nhiên, không ép mật độ.