Mở đầu — vì sao bài này quan trọng
Hãy thành thật với nhau một chút: hầu hết chúng ta dùng AI như dùng một cái máy bán hàng tự động. Gõ một câu hỏi, nhận một câu trả lời, copy ra Google Docs, rồi tự tay làm phần còn lại. Đó gọi là "single prompt" — một lượt hỏi, một lượt đáp. Nó tốt cho những việc nhỏ, nhưng công việc thật của một Product Manager hiếm khi gói gọn trong một lượt như vậy.
Thử nghĩ về một tác vụ điển hình: bạn có 200 phản hồi người dùng từ một đợt khảo sát NPS. Để biến đống dữ liệu thô đó thành một quyết định roadmap, bạn cần: (1) phân loại phản hồi theo chủ đề, (2) chấm điểm mức độ nghiêm trọng từng nhóm, (3) đối chiếu với dữ liệu doanh thu, (4) viết bản tóm tắt cho ban lãnh đạo. Bốn việc khác nhau, nối tiếp nhau, đầu ra của bước này là đầu vào của bước kia. Nếu bạn cố nhồi tất cả vào một prompt khổng lồ, kết quả thường loãng, hời hợt và đầy lỗi.
Đây chính là lúc bạn cần chuyển từ tư duy "một prompt" sang tư duy workflow nhiều bước (multi-step workflow) — nghệ thuật chia một việc lớn thành chuỗi các bước AI nhỏ, mỗi bước làm tốt một việc, rồi nối chúng lại với nhau. Đây là kỹ năng phân biệt giữa một PM "thỉnh thoảng dùng ChatGPT" và một PM thực sự dùng AI như một hệ thống vận hành. Bài này dạy bạn cách thiết kế, nối chuỗi và vận hành các workflow đó.
Khái niệm cốt lõi
Vì sao chia nhỏ lại tốt hơn nhồi một cục
Mô hình ngôn ngữ (LLM) có một đặc tính quan trọng bạn phải hiểu: nó làm tốt nhất khi mỗi lượt chỉ tập trung vào một mục tiêu rõ ràng. Khi bạn yêu cầu nó "vừa phân loại, vừa chấm điểm, vừa viết báo cáo, vừa đề xuất hành động" trong một prompt, sự chú ý của mô hình bị xé lẻ. Nó có xu hướng làm qua loa mọi phần thay vì làm sâu một phần.
Chia nhỏ giải quyết điều này bằng cách cho mỗi bước một "không gian suy nghĩ" riêng. Ngoài ra, nó còn mang lại ba lợi ích thực tế:
- Kiểm soát chất lượng từng chặng: bạn xem được đầu ra bước 1 trước khi cho chạy bước 2. Nếu bước phân loại sai, bạn sửa ngay, không để lỗi lan xuống.
- Tái sử dụng: một bước "tóm tắt phản hồi thành 5 chủ đề" có thể dùng đi dùng lại cho mọi đợt khảo sát sau này.
- Gỡ lỗi dễ: khi kết quả cuối sai, bạn biết chính xác bước nào hỏng, thay vì đoán mò trong một prompt khổng lồ.
Bốn mẫu chuỗi (chaining patterns) bạn cần thuộc
1. Linear chain (chuỗi tuyến tính). Đây là mẫu cơ bản nhất: đầu ra của Bước 1 → đầu vào của Bước 2 → đầu vào của Bước 3. Giống một dây chuyền lắp ráp. Ví dụ: Trích xuất dữ liệu thô → Phân loại theo chủ đề → Viết tóm tắt. Mỗi bước nhận kết quả của bước trước và xử lý tiếp. Đây là mẫu bạn sẽ dùng tới 70% thời gian.
2. Parallel (song song / fan-out fan-in). Bạn chia một việc thành nhiều nhánh độc lập chạy cùng lúc, rồi gộp kết quả lại. Ví dụ: phân tích cùng lúc 3 đối thủ cạnh tranh bằng 3 lượt riêng (mỗi lượt một đối thủ), rồi một bước cuối tổng hợp thành bảng so sánh. Cách này nhanh hơn và mỗi nhánh sâu hơn so với nhồi cả 3 vào một prompt.
3. Conditional / Routing (rẽ nhánh theo điều kiện). Bước đầu phân loại đầu vào, rồi tùy kết quả mà chọn nhánh xử lý khác nhau. Ví dụ: phân loại một ticket hỗ trợ là "bug", "feature request" hay "câu hỏi sử dụng" — mỗi loại đi theo một template xử lý riêng.
4. Iterative loop (vòng lặp tinh chỉnh). AI tạo bản nháp → một bước khác phê bình bản nháp → quay lại sửa → lặp đến khi đạt. Đây là mẫu "draft–critique–refine" rất mạnh cho việc viết PRD hay user story.
Phân biệt với AI Agents
Một lưu ý để bạn không nhầm: workflow nhiều bước không phải là AI agent. Trong workflow, bạn (hoặc một script bạn viết) quyết định trình tự các bước — nó cố định, có thể dự đoán. Còn agent thì tự quyết định bước tiếp theo dựa trên hoàn cảnh. Workflow giống một công thức nấu ăn bạn viết sẵn; agent giống một đầu bếp tự ứng biến. Bài này tập trung vào workflow do bạn điều phối — nền tảng để sau này hiểu agent.
Hai cách điều phối (orchestration)
Có hai cách thực thi một chuỗi nhiều bước:
- Thủ công (manual chaining): bạn tự copy đầu ra bước này dán vào bước kia. Phù hợp khi workflow chạy thi thoảng, hoặc khi bạn cần kiểm tra mắt thường mỗi chặng.
- Tự động (automated orchestration): dùng công cụ như Zapier, Make.com, n8n, hoặc viết script gọi API nối các bước lại. Phù hợp khi workflow chạy lặp đi lặp lại hàng tuần với khối lượng lớn.
Tình huống thực tế
Ví dụ 1: Tiki và bài toán 200 phản hồi NPS (Linear chain)
Giả định bạn là PM mảng thanh toán tại một sàn TMĐT lớn như Tiki. Sau đợt khảo sát NPS quý, bạn nhận về 218 phản hồi văn bản tiếng Việt. Sếp muốn một bản tóm tắt "3 vấn đề lớn nhất + đề xuất" trong 2 ngày.
Thay vì đọc tay 218 dòng, bạn thiết kế một linear chain bốn bước:
- Bước 1 — Chuẩn hóa: dán 218 phản hồi, yêu cầu AI gắn nhãn mỗi phản hồi vào một chủ đề (ví dụ: "lỗi thanh toán", "phí ship", "tốc độ giao", "giao diện app"). Đầu ra là một bảng có cột phản hồi gốc và cột chủ đề.
- Bước 2 — Định lượng: lấy bảng đó, yêu cầu AI đếm số phản hồi mỗi chủ đề và tính tỷ lệ phần trăm. Kết quả: "lỗi thanh toán 31%, phí ship 24%, tốc độ giao 19%...".
- Bước 3 — Đào sâu: chọn 3 chủ đề top, yêu cầu AI trích 5 câu phản hồi tiêu biểu nhất cho mỗi chủ đề để làm dẫn chứng.
- Bước 4 — Đóng gói: đưa toàn bộ kết quả ba bước trên vào một prompt cuối, yêu cầu viết bản tóm tắt một trang cho ban lãnh đạo, kèm đề xuất hành động.
Bài học: chuỗi tuyến tính cho bạn các "trạm kiểm tra" giữa đường. Đầu tư công kiểm tra ở các bước đầu sẽ tiết kiệm cả một báo cáo sai ở cuối.
Ví dụ 2: Một startup SaaS ở TP.HCM phân tích đối thủ (Parallel chain)
Giả định bạn là PM tại một startup SaaS quản lý nhà hàng đang chuẩn bị gọi vốn vòng A. Nhà đầu tư yêu cầu một bảng so sánh cạnh tranh với 4 đối thủ: KiotViet, Sapo, iPOS và một đối thủ ngoại là Toast.
Nếu hỏi AI "so sánh giúp tôi 4 công ty này" trong một prompt, bạn sẽ nhận một đoạn văn lờ mờ, mỗi đối thủ được nhắc qua loa hai câu. Thay vào đó, bạn dùng parallel pattern:
- Fan-out: chạy 4 lượt riêng biệt, mỗi lượt tập trung một đối thủ, với cùng một khung câu hỏi cố định — định giá, tính năng cốt lõi, phân khúc khách hàng, điểm yếu được khách phàn nàn. Vì mỗi lượt chỉ lo một công ty, AI đào sâu hơn hẳn.
- Fan-in: gom 4 kết quả vào một prompt tổng hợp cuối, yêu cầu dựng thành một bảng so sánh thống nhất theo đúng các trục đó, và highlight 3 khoảng trống thị trường mà cả 4 đối thủ đều bỏ ngỏ.
Bài học: song song hóa không chỉ nhanh hơn — nó còn buộc mỗi nhánh phải sâu, và nếu bạn chuẩn hóa cấu trúc đầu ra thì bước tổng hợp gần như tự động.
Ví dụ 3: Viết user story cho tính năng ví điện tử (Iterative loop)
Giả định bạn là PM một ví điện tử (kiểu MoMo, ZaloPay) và cần viết user story cho tính năng "chia tiền nhóm". Bạn dùng vòng lặp draft–critique–refine:
- Draft: yêu cầu AI viết 6 user story cho tính năng theo format "Là [vai trò], tôi muốn [mục tiêu], để [giá trị]".
- Critique: ở một lượt riêng, đưa lại 6 story đó nhưng đóng vai một QA lead khó tính, yêu cầu chỉ ra story nào mơ hồ, thiếu acceptance criteria, hoặc bỏ sót trường hợp biên (ví dụ: chia tiền khi một thành viên chưa có ví).
- Refine: đưa cả bản nháp lẫn lời phê bình vào lượt thứ ba, yêu cầu viết lại bản hoàn chỉnh.
Bài học: vòng lặp tự phê bình tận dụng được điểm mạnh của LLM trong vai trò "người phản biện" — thường mạnh hơn vai trò "người tự đánh giá".
Hướng dẫn từng bước
Đây là quy trình thiết kế một multi-step workflow từ đầu:
- Viết ra mục tiêu cuối cùng bằng một câu. Ví dụ: "Một bản tóm tắt một trang về 3 vấn đề NPS lớn nhất kèm đề xuất." Nếu không gọi tên được đầu ra cuối, bạn chưa sẵn sàng thiết kế chuỗi.
- Đi ngược từ đầu ra để liệt kê các bước. Hỏi: "Để có được đầu ra này, ngay trước đó tôi cần gì?" Cứ lùi dần. Bạn sẽ thấy một chuỗi tự nhiên hiện ra.
- Chọn mẫu chaining phù hợp. Các bước nối tiếp phụ thuộc nhau → linear. Các phần độc lập làm cùng lúc → parallel. Cần phân loại trước rồi xử lý khác nhau → conditional. Cần tinh chỉnh chất lượng → iterative loop. Một workflow thật thường trộn nhiều mẫu.
- Định nghĩa rõ đầu vào và đầu ra của TỪNG bước. Đây là phần quan trọng nhất. Với mỗi bước, viết ra: nhận cái gì, trả cái gì, ở định dạng nào (bảng, JSON, danh sách bullet). Định dạng đầu ra của bước trước phải khớp với định dạng đầu vào bước sau.
- Viết prompt cho từng bước, mỗi prompt một nhiệm vụ duy nhất. Đừng để một bước làm hai việc. Nếu thấy chữ "và" trong mô tả nhiệm vụ một bước, hãy cân nhắc tách đôi.
- Chạy thủ công toàn chuỗi một lần và kiểm tra mỗi chặng. Đừng tự động hóa vội. Chạy tay, xem đầu ra mỗi bước, sửa prompt cho đến khi cả chuỗi chạy mượt.
- Quyết định có tự động hóa không. Nếu workflow sẽ lặp lại đều đặn, hãy chuyển sang Zapier/Make/n8n hoặc một script. Nếu chỉ chạy một lần, giữ thủ công.
- Ghi lại workflow thành tài liệu. Lưu các prompt và sơ đồ chuỗi vào một nơi dùng chung. Đây trở thành một "tài sản" tái sử dụng cho cả team.
Lỗi thường gặp & mẹo
Lỗi 1 — Chuỗi quá dài. Người mới hay chia một việc thành 12 bước li ti. Mỗi bước thêm vào là một điểm có thể hỏng và một lần chờ. Mẹo: gộp các bước rất nhỏ lại; nhắm tới 3–6 bước cho hầu hết workflow.
Lỗi 2 — Lỗi tích lũy (error propagation). Trong linear chain, một lỗi nhỏ ở bước 1 sẽ phình to ở bước 4. Mẹo: đặt một bước "kiểm tra" sau các bước nhạy cảm, hoặc luôn xem bằng mắt đầu ra của bước đầu tiên trước khi cho chạy tiếp.
Lỗi 3 — Mất ngữ cảnh giữa các bước. Khi tách bước, bước sau không "nhớ" được bối cảnh bước trước nếu bạn không truyền lại. Mẹo: ở mỗi bước, đưa kèm đủ ngữ cảnh cần thiết — đừng giả định mô hình nhớ những gì lượt trước nó "biết".
Lỗi 4 — Định dạng đầu ra không nhất quán. Bước trước trả văn xuôi, bước sau cần bảng — thế là vỡ trận. Mẹo: ép định dạng cứng. Yêu cầu rõ "trả về dưới dạng bảng Markdown với đúng các cột X, Y, Z" để đầu ra ăn khớp với bước kế.
Lỗi 5 — Tự động hóa quá sớm. Dựng cả pipeline trên Make.com rồi mới phát hiện prompt bước 2 sai logic — bạn vừa lãng phí cả buổi. Mẹo: luôn validate toàn chuỗi bằng tay trước, tự động hóa sau.
Mẹo vàng — Chuẩn hóa "hợp đồng dữ liệu" giữa các bước. Hãy coi đầu ra mỗi bước như một "hợp đồng": cấu trúc cố định, gọi tên rõ ràng. Khi các bước nói cùng một "ngôn ngữ dữ liệu", việc nối chuỗi (và sau này tự động hóa) trở nên dễ dàng.
Bài tập thực hành
Bài 1 — Thiết kế chuỗi trên giấy. Chọn một tác vụ lặp lại trong công việc của bạn (ví dụ: tổng hợp ghi chú từ 5 cuộc phỏng vấn người dùng thành insight). Vẽ ra sơ đồ chuỗi: liệt kê từng bước, ghi rõ đầu vào và đầu ra mỗi bước, và đánh dấu nó thuộc mẫu nào (linear/parallel/conditional/loop). Mục tiêu: 3–5 bước.
Bài 2 — Chạy một linear chain thật. Lấy khoảng 30–50 phản hồi khách hàng (có thể từ App Store, Google Play, hoặc một khảo sát cũ). Tự tay chạy chuỗi: phân loại chủ đề → đếm tỷ lệ → trích dẫn chứng → viết tóm tắt. Sau mỗi bước, ghi lại một câu nhận xét: đầu ra có dùng được cho bước sau không?
Bài 3 — Thử vòng lặp draft–critique–refine. Viết một đoạn mô tả tính năng bất kỳ. Lượt 1: AI viết bản nháp. Lượt 2: yêu cầu AI đóng vai một người phản biện khó tính chỉ ra điểm yếu. Lượt 3: viết lại. So sánh bản đầu và bản cuối — bạn thấy khác biệt ở đâu?
Bài 4 — Quyết định tự động hóa. Với workflow ở Bài 1, viết một đoạn ngắn trả lời: workflow này nên giữ thủ công hay tự động hóa? Vì sao? Nếu tự động, công cụ nào (Zapier/Make/n8n/script) và bước nào là điểm dễ hỏng nhất cần giám sát?
Tóm tắt
Công việc thật của PM hiếm khi gói gọn trong một prompt. Kỹ năng cốt lõi của bài này là chuyển từ tư duy "một câu hỏi một câu trả lời" sang tư duy chuỗi nhiều bước: chia việc lớn thành các bước nhỏ, mỗi bước làm tốt một nhiệm vụ, rồi nối chúng lại.
Bạn đã học bốn mẫu chaining — linear (nối tiếp), parallel (song song), conditional (rẽ nhánh), và iterative loop (tinh chỉnh) — cùng cách chọn mẫu phù hợp. Quy trình thiết kế là: gọi tên đầu ra cuối, đi ngược để liệt kê bước, định nghĩa rõ đầu vào/đầu ra từng bước, chạy thủ công để kiểm tra, rồi mới cân nhắc tự động hóa.
Hai điều cần khắc cốt: thứ nhất, đặt trạm kiểm tra ở các bước đầu để chặn lỗi tích lũy; thứ hai, chuẩn hóa định dạng đầu ra giữa các bước để chuỗi ăn khớp và dễ tự động hóa sau này. Khi bạn thành thạo việc nối chuỗi các tác vụ AI, bạn không còn dùng AI như một cái máy bán hàng tự động — bạn đang vận hành nó như một dây chuyền sản xuất insight. Đó là bước đệm trực tiếp để sau này bạn hiểu và xây dựng AI agent thực thụ.