Mở đầu — vì sao bài này quan trọng
Nếu bạn đã đi qua những bài trước, bạn biết cách dùng AI để research, viết PRD, hay phân tích dữ liệu. Nhưng có một sự thật khó chịu mà nhiều PM gặp phải: cùng một con AI, cùng một việc, nhưng người này nhận được kết quả xuất sắc còn người kia chỉ nhận về thứ chung chung, vô vị. Khác biệt nằm ở chỗ bạn ra lệnh cho AI như thế nào — đó chính là prompt engineering.
Ở mức cơ bản, prompt engineering là viết câu hỏi rõ ràng. Nhưng ở mức nâng cao — chủ đề của bài này — nó là cả một bộ kỹ thuật có cấu trúc để bạn "lập trình bằng ngôn ngữ tự nhiên". Bạn không chỉ hỏi AI một câu, bạn thiết kế cách AI suy nghĩ, cách nó tự kiểm tra, cách nó tuân theo một khuôn mẫu chất lượng mà bạn định nghĩa.
Với PM, điều này cực kỳ giá trị. Công việc của bạn đầy những tác vụ phán đoán phức tạp: phân tích trade-off, ưu tiên backlog, đánh giá rủi ro, viết spec mạch lạc. Đây không phải việc "điền vào chỗ trống" mà AI làm tốt ngay. Nếu bạn biết kỹ thuật prompt nâng cao, bạn biến AI từ một trợ lý hời hợt thành một cộng sự tư duy thực sự — nó suy luận từng bước, cân nhắc nhiều góc nhìn, và đưa ra output bạn có thể tin tưởng đem vào cuộc họp.
Bài này tập trung vào các kỹ thuật prompt nâng cao — không phải liệt kê công cụ (đã có bài 9), không phải prompt cơ bản cho từng tác vụ (bài 10). Ở đây bạn học cách cấu trúc tư duy của AI: Chain of Thought, few-shot, role + context priming, output constraints, và self-critique. Đây là những kỹ thuật áp dụng được cho mọi mô hình, mọi tác vụ PM.
Khái niệm cốt lõi
Chain of Thought — bắt AI "suy nghĩ ra nháp"
Khi bạn yêu cầu AI "Viết PRD cho tính năng X", nó sẽ nhảy thẳng đến câu trả lời, dồn nén toàn bộ quá trình suy nghĩ vào một bước. Kết quả thường nông và bỏ sót logic. Chain of Thought (CoT — chuỗi suy nghĩ) là kỹ thuật yêu cầu AI giải thích từng bước trước khi kết luận.
Thay vì: "Viết PRD cho tính năng thanh toán trả góp."
Bạn viết: "Hãy suy nghĩ từng bước trước khi viết: (1) Phân tích problem statement — vấn đề thực sự của người dùng là gì; (2) Xác định các user story chính theo định dạng 'là [vai trò], tôi muốn [hành động], để [giá trị]'; (3) Liệt kê các edge case và rủi ro; (4) Sau khi đã suy luận xong các bước trên, mới tổng hợp thành PRD hoàn chỉnh."
Lý do CoT hiệu quả: mô hình ngôn ngữ sinh văn bản tuần tự, mỗi từ dựa trên những từ trước đó. Khi bạn buộc nó viết ra các bước trung gian, mỗi bước trở thành "ngữ cảnh" cho bước sau, giúp kết luận cuối cùng chính xác hơn nhiều. Nó giống như bắt một học viên giải toán phải "trình bày lời giải" thay vì chỉ ghi đáp số.
Few-shot prompting — dạy AI bằng ví dụ mẫu
AI học rất nhanh từ ví dụ. "Few-shot" nghĩa là bạn đưa vài mẫu input–output để AI bắt chước phong cách, cấu trúc, và mức độ chi tiết. Đây là cách mạnh nhất để áp đặt một chuẩn chất lượng cụ thể của công ty bạn.
Ví dụ thay vì mô tả dài dòng cách bạn muốn viết acceptance criteria, bạn dán 2 mẫu user story đã viết chuẩn rồi nói: "Viết các story còn lại theo đúng định dạng và độ chi tiết của hai ví dụ trên." AI sẽ "soi gương" và tạo ra output đồng nhất. So với "zero-shot" (không ví dụ nào), few-shot giảm đáng kể sự lệch chuẩn.
Role priming & context priming — đặt vai và bối cảnh
Trước khi giao việc, hãy gán cho AI một vai trò và cung cấp bối cảnh. "Bạn là một PM cấp senior 10 năm kinh nghiệm trong ngành fintech ở Đông Nam Á, làm việc với đội kỹ thuật 8 người, ngân sách hạn chế..." Điều này không phải trang trí — nó định hình "lăng kính" mà AI dùng để chọn từ ngữ, ưu tiên, và giả định. Một AI được priming làm PM fintech sẽ tự động nghĩ đến KYC, hạn mức, rủi ro gian lận; cùng câu hỏi đó cho một AI không priming sẽ trả lời chung chung.
Output constraints — ép khuôn định dạng
Kỹ thuật nâng cao cuối cùng là ràng buộc đầu ra: "Trả lời dưới dạng bảng với 4 cột: User Story | Priority (MoSCoW) | Acceptance Criteria | Effort estimate (S/M/L). Không viết đoạn văn giới thiệu." Khi bạn định nghĩa khuôn cứng, AI buộc phải tư duy có kỷ luật và bạn nhận được output dùng được ngay, không phải dọn dẹp.
Tình huống thực tế
Ví dụ 1: Tiki ưu tiên backlog quý bằng Chain of Thought
Một PM mảng giỏ hàng tại một sàn TMĐT lớn như Tiki có 23 đề xuất tính năng cho quý tới nhưng chỉ đủ nguồn lực làm 6. Lần đầu cô hỏi AI: "Sắp xếp ưu tiên 23 tính năng này." AI trả về một danh sách xếp hạng trông hợp lý nhưng cô không tin được — không rõ vì sao tính năng A xếp trên B.
Cô viết lại theo CoT: "Với mỗi tính năng, hãy suy luận từng bước theo khung RICE: ước tính Reach (số người dùng ảnh hưởng/quý), Impact (1–3), Confidence (%), Effort (người-tuần). Trình bày phép tính cho từng tính năng, rồi mới xếp hạng theo điểm RICE. Nếu thiếu dữ liệu để ước tính, hãy nêu rõ giả định bạn dùng."
Kết quả khác hẳn: AI trình bày bảng tính cho từng tính năng, ghi rõ giả định (ví dụ "Reach ~120.000 user/quý dựa trên 8% base hoạt động"). Cô không đồng ý với vài con số, nhưng vì AI đã phơi bày lý do, cô chỉ cần chỉnh ba con số Reach là cả thứ hạng tự cập nhật. Bài học: CoT không chỉ cho kết quả tốt hơn, nó còn cho bạn điểm để tranh luận và sửa — thứ một danh sách "hộp đen" không bao giờ có.
Ví dụ 2: Một startup logistics dùng few-shot để chuẩn hóa user story
Một startup giao hàng chặng cuối ở TP.HCM có 4 PM, mỗi người viết user story một kiểu. Đội kỹ thuật than phiền story lúc thì thiếu acceptance criteria, lúc thì mơ hồ. Trưởng nhóm sản phẩm quyết định dùng few-shot để đồng bộ.
Anh tạo một prompt chứa 3 user story "vàng" do anh tự viết — đầy đủ vai trò, giá trị, 4–6 acceptance criteria dạng Given/When/Then, và ghi chú edge case. Sau đó mỗi PM khi cần viết story mới chỉ dán prompt này kèm yêu cầu của mình. Trong hai tuần, tỷ lệ story bị đội dev trả lại để làm rõ giảm từ khoảng 40% xuống dưới 10%. Bài học: few-shot biến "chuẩn chất lượng trong đầu một người" thành thứ cả đội dùng được. Ví dụ mẫu mạnh hơn mọi bản hướng dẫn dài dòng, vì AI bắt chước thứ nó thấy tốt hơn thứ nó được mô tả.
Ví dụ 3: Self-critique cứu một bản phân tích rủi ro tại Grab
Một PM mảng ví điện tử tại một siêu ứng dụng như Grab cần phân tích rủi ro cho tính năng "chia hóa đơn nhóm". AI đưa ra bản phân tích nghe rất ổn. Nhưng thay vì dùng luôn, cô thêm một bước nâng cao: "Bây giờ hãy đóng vai một PM hoài nghi và phản biện chính bản phân tích trên: chỉ ra những rủi ro bạn đã bỏ sót, những giả định yếu, và những chỗ quá lạc quan."
AI lập tức tự phát hiện ba lỗ hổng nó vừa bỏ qua: rủi ro tranh chấp khi một thành viên không trả phần của mình, vấn đề tuân thủ khi tiền "treo" giữa các ví, và trải nghiệm khi một người trong nhóm chưa có tài khoản. Vòng tự phản biện này biến output từ "tạm được" thành "đủ sâu để mang vào cuộc họp với Risk team". Bài học: đừng tin output đầu tiên. Một prompt yêu cầu AI tự phản biện thường tìm ra nhiều sai sót hơn là bạn đọc lại thủ công — và nó miễn phí, chỉ tốn thêm một câu lệnh.
Hướng dẫn từng bước
Đây là quy trình bạn có thể áp dụng cho bất kỳ tác vụ PM phức tạp nào:
- Đặt vai và bối cảnh (role + context priming). Mở đầu prompt bằng việc gán vai trò cụ thể cho AI và mô tả bối cảnh: ngành, quy mô đội, ràng buộc, đối tượng người dùng. Càng cụ thể, "lăng kính" tư duy của AI càng đúng với tình huống của bạn.
- Cung cấp ví dụ mẫu (few-shot) nếu bạn có chuẩn riêng. Dán 1–3 mẫu output chất lượng cao mà bạn muốn AI bắt chước. Nói rõ "hãy theo đúng định dạng và độ chi tiết của các ví dụ trên".
- Yêu cầu suy luận từng bước (Chain of Thought). Liệt kê các bước tư duy bạn muốn AI đi qua trước khi kết luận. Với tác vụ phán đoán (ưu tiên, đánh giá, phân tích), thêm câu "hãy suy nghĩ từng bước và trình bày lý luận trước khi đưa ra kết luận cuối cùng".
- Ràng buộc đầu ra (output constraints). Mô tả chính xác khuôn output: bảng, danh sách, độ dài, các cột bắt buộc, những gì không được làm (ví dụ "không viết đoạn mở đầu xã giao").
- Thêm vòng tự phản biện (self-critique). Sau khi nhận output, yêu cầu AI tự phản biện: "Đóng vai một chuyên gia hoài nghi và chỉ ra điểm yếu, giả định sai, rủi ro bị bỏ sót trong câu trả lời trên". Rồi yêu cầu nó viết lại bản cải thiện.
- Lặp và tinh chỉnh (iterate). Prompt nâng cao hiếm khi hoàn hảo ngay lần đầu. Khi output lệch, đừng viết lại từ đầu — chỉ ra cụ thể chỗ sai và yêu cầu chỉnh. Lưu lại những prompt hiệu quả thành mẫu để tái sử dụng.
Lỗi thường gặp & mẹo
Lỗi 1 — Prompt quá ngắn, mong AI "đọc được suy nghĩ". PM mới thường viết "Phân tích tính năng này" rồi thất vọng vì output chung chung. AI không biết công ty bạn, người dùng bạn, hay tiêu chuẩn của bạn trừ khi bạn nói. Mẹo: dành thời gian viết context một lần, lưu lại làm mẫu, dùng lại nhiều lần.
Lỗi 2 — Nhồi quá nhiều việc vào một prompt. Yêu cầu AI vừa research, vừa viết PRD, vừa lên roadmap trong một lệnh sẽ cho kết quả hời hợt ở mọi phần. Mẹo: chia thành các bước riêng (chaining — sẽ học sâu ở bài 36), mỗi bước một mục tiêu rõ ràng.
Lỗi 3 — Tin output đầu tiên một cách mù quáng. Output trau chuốt không có nghĩa là đúng. Mẹo: luôn thêm bước self-critique cho các quyết định quan trọng, và tự kiểm tra mọi con số AI đưa ra (kỹ năng phát hiện ảo giác được học kỹ ở bài 16).
Lỗi 4 — Chain of Thought cho việc không cần. Với tác vụ đơn giản như "tóm tắt đoạn này thành 3 gạch đầu dòng", ép suy luận từng bước chỉ làm output dài dòng. Mẹo: dùng CoT cho việc cần phán đoán, không dùng cho việc cơ học.
Lỗi 5 — Few-shot với ví dụ kém chất lượng. AI bắt chước chính xác những gì bạn đưa, kể cả lỗi. Nếu mẫu của bạn cẩu thả, output cũng cẩu thả. Mẹo: đầu tư công sức làm vài ví dụ "vàng" thật chuẩn — chúng sẽ trả lại giá trị nhiều lần.
Mẹo nâng cao: dùng dấu phân tách rõ ràng (như ###, """, hoặc thẻ XML kiểu <context>...</context>) để tách context, ví dụ, và yêu cầu. AI xử lý prompt có cấu trúc tốt hơn nhiều so với một khối văn bản dài liền mạch.
Bài tập thực hành
Chọn một tác vụ PM thật mà bạn đang làm trong tuần này (ví dụ: ưu tiên backlog, viết acceptance criteria, hoặc phân tích rủi ro tính năng). Sau đó:
- Viết phiên bản "ngây thơ" — một prompt ngắn một câu, như cách bạn thường làm. Lưu lại output.
- Viết phiên bản nâng cao áp dụng đủ các kỹ thuật: bắt đầu bằng role + context priming (đặt vai PM trong ngành của bạn), thêm 1 ví dụ mẫu (few-shot), yêu cầu Chain of Thought (liệt kê 3–4 bước suy luận), và ràng buộc output thành bảng.
- Thêm vòng self-critique: yêu cầu AI tự phản biện output rồi viết lại bản cải thiện.
- So sánh ba kết quả (ngây thơ → nâng cao → sau self-critique). Ghi lại: phiên bản nâng cao tốt hơn ở điểm nào cụ thể? Self-critique tìm ra lỗi gì mà bạn đã bỏ qua?
- Lưu prompt nâng cao thành mẫu trong một file ghi chú, đặt tên rõ ràng (ví dụ "Mẫu - Ưu tiên backlog RICE"). Đây là bước đầu xây dựng thư viện prompt cá nhân của bạn.
Tóm tắt
Prompt engineering nâng cao là kỹ năng biến AI từ trợ lý hời hợt thành cộng sự tư duy thực sự cho PM. Năm kỹ thuật cốt lõi cần nhớ:
- Chain of Thought: bắt AI suy luận từng bước trước khi kết luận — vừa cho output tốt hơn, vừa phơi bày logic để bạn tranh luận và sửa.
- Few-shot: dạy AI bằng 1–3 ví dụ mẫu chất lượng cao để áp đặt chuẩn riêng của bạn.
- Role & context priming: đặt vai và bối cảnh để định hình lăng kính tư duy của AI cho đúng tình huống.
- Output constraints: ép khuôn định dạng để nhận output dùng được ngay, có kỷ luật.
- Self-critique: yêu cầu AI tự phản biện để tìm lỗ hổng trước khi bạn đem output ra cuộc họp.