[Hướng dẫn 1/10] Prompt engineering là gì và vì sao quan trọng với AI agent

Hướng dẫn Prompt Engineering · Phần 1/10. Hãy bắt đầu từ đây. Phần 1–6 nối tiếp nhau nên đọc theo thứ tự; phần 7–10 áp dụng chúng vào công việc hằng ngày. Tiếp theo: Phần 2: LLM hoạt động thế nào: kiến thức nền về generative AI.

Prompt engineering là việc thiết kế đầu vào cho một generative AI model để nó tạo ra đúng kết quả bạn cần một cách ổn định. Nghe như kỹ năng ngách của chuyên gia AI, nhưng trên thực tế nó quyết định việc ChatGPT, Claude, Gemini hay một coding agent giúp bạn tiết kiệm một giờ hay làm bạn mất thêm một giờ.

Ai dùng các công cụ này cũng từng gặp cả hai kết quả. Một yêu cầu cho ra thứ có thể dùng ngay. Một yêu cầu tương tự lại cho ra văn bản chung chung, chi tiết bịa đặt hoặc đoạn code giải sai bài toán. Cả hai lần đều là cùng một model. Chỉ có prompt là khác.

Hướng dẫn này giải thích prompt là gì, điều gì biến việc viết prompt thành engineering, và vì sao kỹ năng này càng quan trọng khi AI agent đọc file hướng dẫn, gọi tool và tự làm việc trong nhiều phút hoặc nhiều giờ. Mỗi phần đều có ví dụ để bạn sao chép, chạy thử và điều chỉnh.

Prompt là gì?

Prompt là toàn bộ những gì model đọc trước khi trả lời. Trong khung chat, đó là tin nhắn của bạn. Bên dưới, nó thường còn gồm system prompt do ứng dụng viết, các tin nhắn trước đó trong cuộc hội thoại, file bạn đính kèm và, với agent, mô tả các tool mà model được phép gọi.

Một prompt hữu ích chứa bốn loại nội dung: chỉ dẫn (instruction, cần làm gì), ngữ cảnh (context, dữ kiện và tài liệu để làm việc), ví dụ (examples, thế nào là tốt) và định dạng đầu ra (output format, hình thức của câu trả lời). Prompt ngắn vẫn có thể có đủ cả bốn. Hãy thay nội dung ticket bên dưới bằng một ticket bất kỳ trong hệ thống của bạn:

Tóm tắt ticket hỗ trợ này cho kỹ sư trực (on-call).
Dùng đúng 3 gạch đầu dòng: Impact, Likely cause, Next step.
Nếu ticket không nói rõ điều gì, hãy ghi "unknown".

Ticket:
"""
Từ 09:40 khách hàng ở Singapore gặp lỗi "502 Bad Gateway" khi thanh toán.
Các khu vực khác vẫn bình thường. Chúng tôi đã deploy payment-service v3.8.1 lúc 09:35.
Đến nay có khoảng 120 đơn hàng thất bại.
"""

- Impact: Thanh toán lỗi 502 với khách hàng ở Singapore từ 09:40; khoảng 120 đơn hàng thất bại. Các khu vực khác không bị ảnh hưởng.
- Likely cause: payment-service v3.8.1, deploy lúc 09:35, năm phút trước khi lỗi bắt đầu.
- Next step: Rollback payment-service về phiên bản trước ở khu vực Singapore và xác nhận thanh toán hoạt động trở lại.

Chỉ dẫn nêu rõ người đọc và nhiệm vụ, dấu phân cách ("""), tách phần tài liệu khỏi phần yêu cầu, và quy tắc định dạng giúp câu trả lời dễ lướt đọc. Quy tắc "unknown" cho model biết phải làm gì khi thiếu thông tin, thay vì để nó đoán.

Prompt engineering là gì?

Prompt engineering là thiết kế, thử nghiệm và tinh chỉnh prompt cho đến khi model tạo ra kết quả bạn cần, một cách nhất quán. Hai chữ cuối chính là điểm khác biệt giữa viết một prompt và làm engineering với nó. Một prompt chỉ chạy tốt một lần chỉ là một tin nhắn may mắn. Một prompt chạy tốt với năm mươi đầu vào kế tiếp mới là một thành phần bạn có thể dựa vào.

Lĩnh vực này rất rộng. The Prompt Report, một khảo sát năm 2024 của các nhà nghiên cứu từ University of Maryland, OpenAI, Stanford và nhiều nơi khác, đã liệt kê 58 kỹ thuật prompting cho văn bản và 40 kỹ thuật khác cho các modality khác. Bạn không cần phần lớn trong số đó. Bạn cần vòng lặp bên dưới và một số kỹ thuật cốt lõi, những thứ mà phần còn lại của series sẽ trình bày.

Một cách nhanh để bắt đầu làm engineering: nhờ model xem lại prompt của bạn như một đồng nghiệp mới. Hướng dẫn prompting của Anthropic gọi đây là quy tắc vàng: nếu một đồng nghiệp có rất ít ngữ cảnh thấy khó hiểu, model cũng sẽ vậy. Hãy dán bất kỳ prompt nào bạn dùng lại:

Hãy đóng vai người review khắt khe cho prompt dưới đây. Một đồng nghiệp mới,
không có nền tảng gì, sẽ dùng nó. Liệt kê:
1. Điểm mơ hồ: từ ngữ hoặc yêu cầu có thể hiểu theo hai cách.
2. Dữ kiện còn thiếu: những điều prompt mặc định người đọc đã biết.
3. Tiêu chí thành công còn thiếu: làm sao biết kết quả là đúng?
Sau đó viết lại prompt để sửa các vấn đề này. Giữ nguyên ý định của tôi; không thêm mục tiêu mới.

Prompt:
"""
{paste your prompt}
"""

1. Điểm mơ hồ
- "Bản tóm tắt ngắn": không nêu độ dài. Hai câu hay hai đoạn?
- "Đội": đội nào? Giọng điệu của kết quả phụ thuộc vào điều này.

2. Dữ kiện còn thiếu
- Ngày phát hành và các gói dịch vụ mà tính năng áp dụng.

3. Tiêu chí thành công còn thiếu
- Không có quy tắc về những gì bắt buộc phải có, nên bạn không thể kiểm tra kết quả.

Prompt đã viết lại:
"Viết bản tóm tắt dưới 80 từ cho đội customer success ..."
(đã rút gọn)

Cùng một model, kết quả rất khác nhau

Cách nhanh nhất để thấy vì sao prompt engineering quan trọng là giao cùng một việc cho một model hai lần. Đây là yêu cầu mà đội phần mềm nào cũng gặp: release notes dành cho khách hàng.

Viết release notes cho phiên bản mới của chúng tôi.

# Release Notes – Version 2.0

Chúng tôi rất vui mừng thông báo phiên bản mới nhất của sản phẩm! Bản
phát hành này mang đến các tính năng mạnh mẽ, cải thiện hiệu năng và
nhiều bản sửa lỗi quan trọng.

## New Features
- **Dark Mode**: Giao diện mới sang trọng, dịu mắt hơn.
- **Enhanced Dashboard**: Nắm bắt thông tin nhanh hơn bao giờ hết.
...
(đã rút gọn)

Không có gì trong kết quả đó dùng được. Model không biết sản phẩm, các thay đổi hay người đọc, nên nó tạo ra một bản mẫu rồi điền vào đó những tính năng không hề tồn tại. Đó không phải lỗi của model; đó là câu trả lời hợp lý duy nhất cho một yêu cầu trống rỗng. Giờ là cùng nhiệm vụ đó, nhưng có dữ kiện và người đọc được nêu rõ:

Bạn đang viết release notes dành cho khách hàng của Taskflow, một ứng dụng
quản lý dự án B2B.

Đối tượng đọc: admin của các nhóm tại công ty nhỏ. Họ không phải lập trình viên.
Họ muốn biết điều gì thay đổi với nhóm của mình và liệu họ có phải làm gì không.

Dữ kiện (chỉ dùng những dữ kiện này; không thêm tính năng):
- Phiên bản 4.2 có mặt từ ngày 12 tháng 11.
- Mới: đăng nhập một lần (SAML) với Okta và Microsoft Entra ID. Chỉ gói Business.
- Mới: xuất audit log ra CSV. Tất cả gói trả phí.
- Đã sửa: một số người dùng ở múi giờ UTC+7 đến UTC+9 nhận nhắc hạn chót hai lần.
- Cần hành động: không. Đăng nhập một lần vẫn tắt cho đến khi admin bật.

Định dạng:
- Tiêu đề tối đa 8 từ, rồi một câu tóm tắt
- Các mục: "New", "Fixed", "Do I need to do anything?"
- Ngôn ngữ đơn giản, không dùng từ tâng bốc quảng cáo, dưới 150 từ

Taskflow 4.2: Đăng nhập một lần và xuất audit log

Taskflow 4.2, có mặt từ ngày 12 tháng 11, bổ sung đăng nhập một lần cho
gói Business và xuất audit log cho mọi gói trả phí.

New
- Đăng nhập một lần (SAML) với Okta và Microsoft Entra ID, trên gói Business.
- Xuất audit log ra CSV trên mọi gói trả phí.

Fixed
- Một số người dùng ở múi giờ UTC+7 đến UTC+9 nhận nhắc hạn chót
  hai lần. Giờ mỗi lời nhắc chỉ được gửi một lần.

Do I need to do anything?
Không. Đăng nhập một lần vẫn tắt cho đến khi admin bật.

Prompt thứ hai mất thêm hai phút để viết. Nó giúp tránh việc viết lại, việc kiểm chứng các tính năng bịa đặt và rủi ro đăng chúng lên. Sự đánh đổi đó, vài phút đặc tả so với một giờ làm lại, chính là toàn bộ lý lẽ kinh tế cho prompt engineering.

Vì sao mọi kỹ sư và người dùng AI đều cần prompt engineering

Một large language model được thiết kế để đa dụng. Nó biết ngôn ngữ, code và rất nhiều kiến thức công khai. Nó không biết mục tiêu của bạn, người đọc, dữ kiện, ràng buộc, hay "xong" nghĩa là gì với nhiệm vụ này. Năm thứ đó chỉ tồn tại trong đầu bạn, và prompt là cách duy nhất để đưa chúng vào đầu vào của model.

Điều đó biến prompt thành một bản đặc tả, và nó hỏng theo cách mà các bản đặc tả vẫn hỏng:

• Mơ hồ vào thì đoán mò ra. Bất cứ chỗ nào bạn để trống, model sẽ lấp bằng câu trả lời điển hình nhất. Điển hình hiếm khi là thứ tình huống của bạn cần.
• Thiếu dữ kiện thì thành dữ kiện bịa. Khi được hỏi về điều không được cung cấp, model thường đưa ra câu trả lời nghe hợp lý thay vì thừa nhận khoảng trống. Phần 2 giải thích lý do.
• Làm lại là chi phí ẩn. Mỗi vòng trao đổi mơ hồ tốn thời gian đọc, thời gian sửa và, với code, thời gian debug. Chi phí này cộng dồn trong cả đội.

Điều này đúng với lập trình viên nhờ viết migration script, kế toán nhờ viết công thức đối chiếu và quản lý nhờ soạn báo cáo tiến độ dự án. Khi bạn không chắc model cần gì, hãy để nó tự nói. Prompt này dùng được cho gần như mọi sản phẩm đầu ra:

Tôi cần {describe the deliverable, e.g. "a one-page onboarding guide for
new backend engineers"}.

Trước khi viết bất cứ điều gì, hãy hỏi tôi tối đa 5 câu hỏi mà câu trả lời
sẽ thay đổi kết quả nhiều nhất: đối tượng đọc, mục đích, dữ kiện bắt buộc có,
ràng buộc và định dạng. Đánh số các câu hỏi. Chờ tôi trả lời và
không viết bản nháp cho đến khi tôi phản hồi.

Rất sẵn lòng. Trước khi viết bản nháp, tôi có vài câu hỏi:

1. Ai sẽ đọc: sinh viên mới ra trường, hay kỹ sư giàu kinh nghiệm mới vào công ty?
2. Họ cần làm được gì khi kết thúc tuần đầu tiên?
3. Cần bao quát những hệ thống nào (repo, CI/CD, môi trường, on-call)?
4. Có quy tắc nào họ phải biết ngay từ ngày đầu, như chính sách bảo mật hoặc code review?
5. Định dạng: checklist, một trang văn xuôi, hay bảng theo ngày?

Mẹo: Hãy trả lời các câu hỏi trong một tin nhắn, rồi nói "Giờ hãy viết." Bạn vừa biến một yêu cầu mơ hồ thành một bản đặc tả mà không cần biết trước phải đưa những gì vào.

Prompt engineering trong thời đại AI agent

AI agent là model dùng tool trong một vòng lặp: nó đọc file, chạy lệnh, tìm kiếm, chỉnh sửa và tự quyết định bước tiếp theo. Các coding agent như Claude Code, Cursor hay GitHub Copilot hoạt động theo cách này, nhiều agent hỗ trợ khách hàng và phân tích dữ liệu cũng vậy. Với agent, tin nhắn bạn gõ là phần nhỏ nhất trong những gì model đọc.

Anthropic mô tả context engineering là bước phát triển tự nhiên của prompt engineering: chọn lọc toàn bộ các token mà model nhìn thấy, gồm system instruction, tool, dữ liệu bên ngoài và lịch sử tin nhắn, chứ không chỉ prompt bạn gõ. Mỗi lớp trong số đó đều do ai đó viết ra. System prompt, mô tả tool và file hướng dẫn của dự án đều là prompt, được đọc lại ở mỗi bước.

File hướng dẫn là ví dụ dễ thấy nhất. Nhiều coding agent đọc file AGENTS.md, được những người duy trì nó mô tả là "a README for agents"; Claude Code đọc CLAUDE.md ở đầu mỗi session. Một file ngắn, chính xác sẽ thay đổi hành vi của mọi tác vụ sau đó:

# AGENTS.md

## Project
Invoice API. Node.js 22, TypeScript (strict), PostgreSQL 16.

## Commands
- Install: pnpm install
- Test: pnpm test   (phải pass trước khi bạn báo một tác vụ là đã xong)
- Lint: pnpm lint

## Rules
- Tiền được lưu dưới dạng số nguyên cent. Không bao giờ dùng số thực cho số tiền.
- Mỗi endpoint mới cần một Zod schema và ít nhất một test.
- Không bao giờ sửa tay các file trong src/migrations/. Hãy chạy pnpm db:migrate:create.

## Ask first
Hỏi trước khi xóa dữ liệu, thay đổi API công khai hoặc thêm một dependency.

Mỗi quy tắc tồn tại vì nếu thiếu nó, agent sẽ đoán một cách hợp lý nhưng sai: dùng số thực cho tiền, endpoint chưa test, migration sửa tay. Mô tả tool cũng hoạt động theo cách tương tự. Đoạn văn bên dưới là thứ model đọc khi quyết định có gọi một tool hay không và gọi thế nào, nên nó cũng là một prompt:

{
  "name": "search_invoices",
  "description": "Search invoices by customer ID and date range. Use this before answering any question about amounts owed. Returns at most 20 invoices, newest first. Amounts are integer cents.",
  "input_schema": {
    "type": "object",
    "properties": {
      "customer_id": { "type": "string" },
      "from": { "type": "string", "description": "ISO date, inclusive" },
      "to": { "type": "string", "description": "ISO date, inclusive" }
    },
    "required": ["customer_id"]
  }
}

Mức độ rủi ro cao hơn trong chat. Một câu trả lời mơ hồ trong chat chỉ tốn một lần viết lại. Một chỉ dẫn mơ hồ cho agent bị lặp lại qua hàng chục bước, và agent hành động: chúng sửa file, gửi request và thay đổi dữ liệu. Lỗi đặc tả nhân lên trước khi bạn kịp nhìn thấy.

Vì sao kỹ năng này không phai nhạt khi model tốt hơn

Một nhận định phổ biến là model thông minh hơn sẽ khiến prompt engineering lỗi thời. Một phần điều đó đúng, và nên tách nó khỏi phần không đúng.

Phần phai đi là lớp mẹo vá: những cụm từ thần chú, lời đe dọa, thủ thuật định dạng cầu kỳ và danh sách quy tắc dài vốn dùng để bù cho các model yếu. Anthropic lưu ý trong cùng bài về context engineering rằng model thông minh hơn cần ít engineering mang tính áp đặt hơn. Tốt thôi.

Phần ở lại là bài toán thông tin, và ba xu hướng khiến nó quan trọng hơn:

1. Model không thể suy ra điều bạn chưa nói. Dù thông minh đến đâu cũng không tìm lại được ngày phát hành, ngân sách, điều khoản hợp đồng của khách hàng hay quy ước của đội bạn. Những dữ kiện đó phải nằm trong đầu vào.
2. Khả năng làm theo chỉ dẫn tốt hơn khiến chỉ dẫn chính xác có giá trị hơn. Các model hiện nay làm đúng nghĩa đen hơn những gì được bảo. Hướng dẫn của Anthropic khuyên nên yêu cầu rõ ràng nếu bạn muốn hành vi "above and beyond" thay vì mong model tự suy ra. Một prompt chính xác giờ cho kết quả chính xác; một prompt mơ hồ nhận về cách hiểu theo nghĩa đen của sự mơ hồ.
3. Việc giao phó ngày càng dài hơn. Khi agent làm việc hàng giờ, vai trò của con người chuyển từ viết từng bước sang nêu trước mục tiêu, ràng buộc, tiêu chí thành công và các bước kiểm tra. Đó là prompt engineering ở quy mô một bản brief dự án.

Thói quen thực tế rút ra: mỗi khi giao việc cho một model hoặc agent, hãy viết ra "xong" nghĩa là gì. Khối này dùng được ở cuối bất kỳ prompt giao việc nào:

Task: {what to do, e.g. "add CSV export to the /reports endpoint"}

Done means:
- {observable check 1, e.g. "pnpm test passes"}
- {observable check 2, e.g. "the CSV opens in Excel with UTF-8 headers"}

Out of scope: {what must not change, e.g. "the JSON response format"}

Nếu không đáp ứng được một điều kiện kiểm tra, hãy dừng lại và báo cáo lý do. Không được tìm cách lách qua.

Đã xong:
- Thêm GET /reports/export?format=csv với UTF-8 BOM để Excel đọc đúng tiêu đề.
- pnpm test pass (3 test mới).

Không thay đổi: JSON response của GET /reports.

Lưu ý: các báo cáo rất lớn (trên 100k dòng) mất khoảng 8 giây. Tôi chưa thêm
streaming vì nằm ngoài phạm vi. Bạn có muốn tôi làm không?

Một mẫu prompt dùng lại được để bắt đầu ngay hôm nay

Phần lớn prompt tốt đều trả lời cùng những câu hỏi. Mẫu bên dưới sắp xếp chúng theo thứ tự. Hãy điền vào các dấu ngoặc nhọn, xóa phần nào không áp dụng, và giữ khối dữ kiện bất cứ khi nào cần độ chính xác. Phần 3 giải thích chi tiết từng phần và thứ tự.

# Role
Bạn là {role, e.g. "an HR operations specialist"}.

# Goal
Tôi cần {deliverable} để {what the reader will do with it}.

# Audience
{who reads it and what they already know}

# Facts
Chỉ dùng các dữ kiện dưới đây. Nếu thiếu điều gì cần thiết, hãy nói rõ thay vì đoán.
"""
{paste facts, notes, data or code}
"""

# Constraints
- Length: {e.g. "under 120 words"}
- Tone: {e.g. "friendly, plain, no jargon"}
- Must include / must avoid: {...}

# Output format
{e.g. "a Slack message with a bold first line and 3 bullets"}

# Check
Trước khi trả lời, hãy đối chiếu kết quả với các ràng buộc và liệt kê mọi giả định bạn đã đặt ra.

Khi điền cho một thông báo Slack về chính sách làm việc từ xa mới, mẫu này trả về:

*Chính sách làm việc từ xa mới từ ngày 1 tháng 12* 🏠

- Bạn có thể làm việc từ xa tối đa 3 ngày mỗi tuần.
- Giờ làm việc cốt lõi là 10:00–15:00 (ICT); vui lòng có mặt trong khung giờ này.
- Đặt các ngày làm từ xa của tuần sau trên cổng HR trước thứ Năm.

Có câu hỏi? Hãy trả lời trong thread này hoặc nhắn cho đội HR.

Giả định: không có. Mọi chi tiết đều lấy từ các dữ kiện đã cung cấp.

Lỗi thường gặp và cách sửa

Lỗi đầu tiên là lỗi tốn kém nhất, vì chi tiết bịa trông y hệt chi tiết thật. Hãy thêm một dòng để các khoảng trống lộ ra thay vì bị lấp đầy:

Chỉ dùng các dữ kiện dưới đây. Nếu thiếu một chi tiết cần thiết, hãy ghi
[MISSING: what you need] vào vị trí đó thay vì đoán.

Facts:
"""
{paste facts}
"""

Webinar bắt đầu lúc 15:00 ICT vào [MISSING: date] và kéo dài 45
phút. Đăng ký tại [MISSING: registration link].

Hướng dẫn Prompt Engineering này gồm những gì

Series có mười phần. Nếu mới bắt đầu, hãy đọc theo thứ tự, hoặc chuyển thẳng tới phần ứng dụng bạn cần. Mỗi phần theo cùng định dạng với bài này: giải thích ngắn gọn và ví dụ có thể sao chép.

• Nền tảng. Bài này, tiếp theo là LLM hoạt động thế nào: token, context window, chatbot so với model thô, và những giới hạn bạn phải thiết kế xoay quanh.
• Kỹ thuật cốt lõi. Cấu trúc prompt, chỉ dẫn và vai trò, từ zero-shot đến few-shot, và kết hợp các kỹ thuật với priming và lặp cải tiến.
• Ứng dụng. Tóm tắt, bảng và phân tích tài liệu, email, blog và marketing, coding assistant, và chatbot cơ sở tri thức với RAG.

FAQ

Prompt engineering còn phù hợp với các AI model mới không?

Có. Model mới cần ít mẹo hơn, nhưng chúng vẫn không thể biết mục tiêu, dữ kiện, ràng buộc hay định nghĩa "xong" của bạn nếu bạn không nêu ra. Khi agent đảm nhận các tác vụ dài hơn, việc nêu rõ những điều này càng quan trọng.

Tôi có cần biết lập trình để học prompt engineering không?

Không. Hầu hết kỹ thuật nằm ở việc viết chỉ dẫn rõ ràng và cung cấp đúng tài liệu. Lập trình hữu ích khi bạn tích hợp prompt vào ứng dụng, nội dung của Phần 9 và 10.

Prompt engineering khác context engineering thế nào?

Prompt engineering tập trung vào việc viết chỉ dẫn. Context engineering bao quát mọi thứ model nhìn thấy ở mỗi bước, gồm tool, tài liệu được truy xuất và lịch sử. Context engineering bao hàm prompt engineering; nó không thay thế prompt engineering.

Cùng một prompt có dùng được trong ChatGPT, Claude và Gemini không?

Prompt rõ ràng chuyển giữa các model khá tốt vì chúng dựa vào thông tin chứ không phải đặc điểm riêng của từng model. Cách diễn đạt, độ dài và sở thích định dạng có khác đôi chút, nên hãy thử một prompt quan trọng trên chính model bạn sẽ dùng.

Nguồn và tài liệu đọc thêm

• Learn Prompting: Prompt Engineering Guide (phần giới thiệu)
• Learn Prompting: Introduction to Prompt Engineering
• Schulhoff et al., The Prompt Report: A Systematic Survey of Prompt Engineering Techniques (arXiv:2406.06608)
• Anthropic: Effective context engineering for AI agents
• Anthropic: Prompting best practices for Claude
• OpenAI: Prompt engineering guide
• Google: Gemini prompt design strategies
• AGENTS.md: an open format for guiding coding agents
• Claude Code: Manage Claude's memory (CLAUDE.md)

Hướng dẫn Prompt Engineering: tất cả các phần

Tiếp theo: Phần 2: LLM hoạt động thế nào: kiến thức nền về generative AI →

Hãy đọc Phần 1–6 theo thứ tự: mỗi phần dựa trên phần trước. Phần 7–10 là phần áp dụng và có thể đọc theo thứ tự bất kỳ khi bạn đã nắm kiến thức nền.

• Phần 1: Prompt engineering là gì và vì sao quan trọng (bạn đang ở đây)
• Phần 2: LLM hoạt động thế nào: kiến thức nền về generative AI
• Phần 3: Cấu trúc prompt: năm thành phần của một prompt
• Phần 4: Instruction prompting và role prompting
• Phần 5: Zero-shot, one-shot và few-shot prompting
• Phần 6: Kết hợp kỹ thuật, priming và vòng lặp cải tiến
• Phần 7: Prompt cho tóm tắt, bảng biểu và phân tích tài liệu
• Phần 8: Prompt cho email, bài blog và marketing
• Phần 9: Prompt cho trợ lý lập trình
• Phần 10: Xây dựng chatbot cơ sở tri thức (RAG)