Prompt Engineering — từ làm quen đến thuần thục¶

Cùng một câu hỏi, người viết prompt tốt nhận output gấp nhiều lần chất lượng hơn — nhưng phần lớn chỉ biết "gõ câu hỏi vào ChatGPT". Prompt Engineering không phải mánh lới; nó là kỹ năng giao tiếp với AI: rõ ràng, có cấu trúc, biết khi nào dùng kỹ thuật gì.

Bài viết này đưa bạn từ làm quen (prompt là gì, tại sao quan trọng) đến thuần thục (workflow thực tế, kết hợp với Cursor). Prompt Engineering + Cursor sẽ thành bộ đôi xử lý công việc hiệu quả: bạn biết hỏi đúng, Cursor biết đúng context để trả lời.

Hành trình: làm quen → hiệu quả → thuần thục

Giai đoạn	Nội dung	Kết hợp Cursor
Làm quen	Prompt là gì, thành phần, kỹ thuật cơ bản	—
Hiệu quả	Cấu trúc prompt, context, multi-turn	@file, Rules
Thuần thục	Workflow thực tế, anti-patterns, thư viện prompt	Agent + prompt tốt

graph LR
    PE["Prompt Engineering<br/>Bạn hỏi đúng"] --> Duo["Bộ đôi"]
    Cursor["Cursor<br/>Context đúng"] --> Duo
    Duo --> Output["Output chất lượng"]

Phần I — Hiểu Prompt Engineering¶

1. Prompt Engineering là gì?¶

Prompt Engineering là cách bạn soạn và tổ chức lời nhắn gửi cho AI để nhận được output đúng ý, đủ dùng, dễ verify. Không phải "hack" AI hay học câu thần chú — mà là giao tiếp có phương pháp.

LLM không đọc suy nghĩ của bạn. Nó chỉ thấy chuỗi token bạn gửi. Prompt dở = input mơ hồ = output generic hoặc sai. Prompt tốt = input rõ ràng = output sát yêu cầu.

Hiểu sai	Đúng
"Prompt engineering = vài từ khóa đặc biệt"	= Cấu trúc + context + ràng buộc
"Chỉ cần hỏi tự nhiên"	Tự nhiên nhưng phải đủ thông tin
"AI thông minh, đoán được ý mình"	AI dự đoán token — càng rõ càng đúng

2. Tại sao tồn tại?¶

Trước khi có LLM phổ biến, "giao tiếp với máy" là lập trình: cú pháp chặt chẽ, máy không đoán. LLM cho phép ngôn ngữ tự nhiên — nhưng tự nhiên không đồng nghĩa với hiệu quả. Prompt Engineering tồn tại vì:

Context window có giới hạn — bạn phải chọn đúng thứ đưa vào.
Model không biết ngữ cảnh của bạn — project, stack, convention.
Output không có chuẩn mặc định — dài/ngắn, format, tone đều do bạn chỉ rõ.

Mục tiêu: giảm số lần "sửa lại giúp tôi" và tăng xác suất output dùng được ngay.

3. Bên trong một prompt tốt có gì?¶

Một prompt hiệu quả thường gồm vài thành phần. Không bắt buộc đủ tất cả mọi lúc — nhưng biết chúng giúp bạn thiếu gì thì bổ sung gì.

graph TD
    subgraph Prompt["Prompt"]
        R["Role / Vai trò"]
        C["Context / Ngữ cảnh"]
        T["Task / Nhiệm vụ"]
        F["Format / Định dạng"]
        X["Constraints / Ràng buộc"]
    end
    R --> O["Output chất lượng"]
    C --> O
    T --> O
    F --> O
    X --> O

Thành phần	Mục đích	Ví dụ
Role	Định hướng góc nhìn, độ sâu	"Bạn là senior Data Engineer..."
Context	Cho AI biết môi trường, dữ liệu	Stack, file đính kèm, lỗi cụ thể
Task	Nói rõ cần làm gì	"Viết unit test cho function X"
Format	Output trông thế nào	"Bảng markdown", "JSON schema"
Constraints	Giới hạn, điều tránh	"Không thêm dependency mới"

Ví dụ so sánh:

Prompt dở vs tốt

Dở: "Viết cho tôi một pipeline."

Thiếu: context (stack, data), task cụ thể, format, ràng buộc.

Tốt: "Project dùng Airflow, Python 3.12. Cần DAG chạy hàng ngày lúc 6h: (1) extract từ PostgreSQL bảng orders theo ngày, (2) transform thêm cột revenue = quantity * price, (3) load vào BigQuery bảng daily_orders. Output: 1 file Python DAG, dùng TaskFlow API, retry 3 lần. Không dùng operator mới ngoài PostgresHook và BigQuery."

Có đủ: context, task từng bước, format (1 file), constraints.

4. Các kỹ thuật cơ bản — khi nào dùng gì?¶

Kỹ thuật	Cách làm	Khi nào dùng
Zero-shot	Hỏi thẳng, không ví dụ	Câu hỏi đơn giản, rõ ràng
Few-shot	Cho 2–3 ví dụ input → output trước khi hỏi	AI cần bắt chước pattern (format, style)
Chain-of-thought	Yêu cầu "suy nghĩ từng bước"	Logic, debug, phân tích nguyên nhân
Role-play	Gán vai cho AI	Review, đánh giá, góc nhìn chuyên môn
Contrarian	Bảo AI phản biện chính output	Kiểm tra điểm yếu, edge case

Flow chọn nhanh:

graph TD
    Q{"Task của bạn?"} --> Simple["Đơn giản, 1 bước"]
    Q --> Pattern["Cần format/pattern cụ thể"]
    Q --> Reason["Cần suy luận, phân tích"]
    Q --> Review["Cần review, đánh giá"]
    Simple --> Z["Zero-shot"]
    Pattern --> F["Few-shot"]
    Reason --> C["Chain-of-thought"]
    Review --> R["Role-play"]

Kết hợp với Cursor

Trong Cursor, context thường do bạn cung cấp qua @file, @codebase — không cần paste dài vào prompt. Bạn tập trung vào task + format + constraints; Cursor lo phần đưa code vào context.

Phần II — Sử dụng hiệu quả¶

5. Ba cấp prompt — từ đơn giản đến phức tạp¶

Giống Cursor có 3 cấp tương tác (Tab → Inline Edit → Agent), prompt cũng có 3 cấp. Dùng cấp đủ thấp cho task — không cần prompt dài cho việc nhỏ.

Cấp 1 — Prompt một dòng

Một câu, rõ việc cần làm. Đủ cho autocomplete, sửa nhỏ, hỏi nhanh.

"Đổi tên biến x thành request_id"
"Thêm docstring Google style cho function này"
"Giải thích dòng 42 làm gì"

Trong Cursor: dùng với Inline Edit (Ctrl+K) hoặc Tab. Không cần role, format — context đã có từ file đang mở.

Cấp 2 — Prompt có cấu trúc (role + task + format)

Task cần output có hình dạng rõ ràng: bảng, list, code block, ADR.

Ví dụ:

Bạn là Data Engineer review code. Task: review @file pipeline.py. Focus: error handling và idempotency. Output: bảng markdown 3 cột — Vấn đề, Mức độ (High/Medium/Low), Đề xuất.

Trong Cursor: Ask mode + @file. Rules có thể đã set sẵn role (project convention) — prompt của bạn chỉ cần task + format.

Cấp 3 — Multi-turn (nhiều lượt)

Task phức tạp, nhiều bước, hoặc cần clarify trước khi implement. Bạn và AI qua vài lượt: scope → approach → chi tiết → output.

Pattern: Scope trước, implement sau. Giống Plan mode trong Cursor: lượt 1 mô tả tổng thể, AI hỏi lại hoặc đề xuất, bạn chốt rồi mới bảo implement.

Bộ đôi PE + Cursor

Prompt tốt = bạn nói rõ task, format, ràng buộc.
Cursor = đưa đúng @file / @codebase / Rules vào context.
Thiếu một trong hai: output kém. Đủ cả hai: ít sửa lại, nhanh đạt đúng ý.

6. Framework context — WECS¶

Khi output AI sai hoặc thiếu, thường là thiếu context. WECS giúp bạn tự kiểm tra:

Chữ	Yếu tố	Câu hỏi
W	What	Bạn đang làm task gì?
E	Environment	Stack, version, constraint?
C	Code/Data	Đã đưa đúng file/đoạn code/data chưa?
S	Success	Output tốt trông thế nào? (format, độ dài)

Trong Cursor: C thường giải quyết bằng @file / @folder / @codebase. E có thể ghi trong Rules (stack, convention). Bạn chỉ cần nhấn mạnh W và S trong prompt.

7. Kết hợp Prompt Engineering với Cursor¶

Hai thứ bổ sung cho nhau:

graph LR
    subgraph Your["Bạn"]
        PE["Prompt: role, task, format, constraints"]
    end
    subgraph Cursor["Cursor"]
        CTX["Context: @file, @codebase, Rules"]
        MODE["Mode: Ask / Agent / Plan / Inline"]
    end
    PE --> Result["Output"]
    CTX --> Result
    MODE --> Result

Rules = system prompt dài hạn. Những gì lặp lại mọi conversation (stack, ngôn ngữ, convention) → đưa vào .cursor/rules/. Prompt của bạn chỉ cần task cụ thể cho lần đó.

@ context = đưa đúng thứ vào. Không cần paste 500 dòng code — @file path/to/file.py. Prompt ngắn gọn, context chính xác.

Chọn mode đúng. Ask để hiểu, Plan để lên kế hoạch, Agent để implement. Prompt "thêm endpoint X theo pattern Y" phù hợp Agent + @file router hiện có. Prompt "giải thích flow" phù hợp Ask + @codebase.

Tóm tắt bộ đôi

Bạn (Prompt)	Cursor
Nói rõ task, format, constraints	Cung cấp đúng context (@, Rules)
Chọn kỹ thuật (few-shot, CoT, role)	Chọn mode (Ask / Agent / Plan)
Multi-turn khi task phức tạp	Plan mode + Agent theo từng bước

Phần III — Thuần thục¶

8. Workflow thực tế: Prompt Engineering + Cursor¶

Ba workflow minh họa cách prompt tốt kết hợp với Cursor để xử lý công việc hiệu quả.

Workflow 1: Implement feature

graph TD
    A["Prompt: mô tả feature + constraint"] -->
    B["Ask: @codebase/code hiểu pattern"]
    B --> C["Prompt: implement theo pattern X, @file Y"]
    C --> D["Agent: implement"]
    D --> E["Inline Edit: sửa nhỏ nếu cần"]

Ví dụ

Lượt 1 (Ask): "@folder src/api/ Project tổ chức API thế nào? Auth ở đâu?" → Hiểu pattern.

Lượt 2 (Agent): "Thêm CRUD orders: POST, GET by ID, GET list pagination. Follow pattern @file src/api/products/router.py. @file src/models/order.py. Viết test." → Task rõ, context đủ.

Lượt 3 (Inline Edit): select schema → Ctrl+K "thêm field created_at kiểu datetime" → Sửa nhanh, không cần prompt dài.

Workflow 2: Debug

Prompt cần context lỗi + môi trường (WECS):

API /api/orders 500 khi payload 100+ items. Error: sqlalchemy.exc.OperationalError: connection timeout. @file src/api/orders/router.py @file src/database.py Môi trường: PostgreSQL 15, pool size hiện tại 5. Cần phân tích nguyên nhân và đề xuất fix (ưu tiên không đổi infra nếu có thể).

Debug mode Cursor + prompt có context → AI gợi batch insert hoặc tăng pool, có lý do rõ ràng.

Workflow 3: Review / so sánh

Role + task + format:

Bạn là senior engineer. So sánh 2 cách implement caching trong @file service_a.py và @file service_b.py. Output: bảng markdown — Tiêu chí (performance, maintainability, edge case), Cách A, Cách B, Khuyến nghị.

Ask mode, không cần Agent. Prompt rõ format → output dễ đọc, dễ dùng.

9. Anti-patterns — tránh gì?¶

Anti-pattern	Hậu quả	Cách sửa
Prompt quá chung chung	Output generic, sai context	Thêm WECS; trong Cursor thêm @
Nhồi mọi thứ vào 1 prompt	AI bỏ sót, dễ lỗi	Chia multi-turn; dùng Plan rồi Agent
Không chỉ format	Output dài dòng, khó dùng	Nói rõ: bảng, list, JSON, độ dài
Quên Rules	AI không theo convention	Viết Rules 1 lần; prompt chỉ task
Agent khi chưa hiểu	AI sửa lung tung	Ask/Debug trước, Agent sau

Nhớ

Prompt tốt + context sai = vẫn output kém. Trong Cursor, luôn đảm bảo @ đúng file/folder/codebase và Rules cập nhật.

10. Nâng cao — khi đã thuần thục¶

Prompt library — Lưu lại prompt hiệu quả cho task lặp lại: review code, viết test, generate migration, so sánh tool. Có thể đặt trong project (markdown) hoặc trong Cursor (Rules / notepad). Mỗi lần output xuất sắc → save prompt đó.

Meta-prompting — Dùng AI để cải thiện prompt: "Đây là prompt tôi dùng: [paste]. Cải thiện để output chính xác hơn. Giải thích thay đổi." Hữu ích khi bạn mắc kẹt hoặc muốn chuẩn hóa cho team.

Kết hợp với bài Cursor — Prompt Engineering định nghĩa bạn nói gì; Cursor định nghĩa AI thấy gì (context) và AI làm gì (mode). Đọc thêm Cursor — người bạn đồng hành để tối ưu context và mode; đọc overview AI để gắn vào bức tranh lớn hơn (Layer 3 + Layer 4).

Kết¶

Prompt Engineering không phải học thuộc câu chữ — mà là cấu trúc hóa cách bạn giao tiếp với AI: rõ role, context, task, format, constraints. Từ làm quen (biết thành phần, kỹ thuật) đến thuần thục (workflow + Cursor, tránh anti-patterns), bạn giảm số lần "sửa lại" và tăng chất lượng output.

Prompt Engineering + Cursor = bộ đôi xử lý công việc hiệu quả: bạn hỏi đúng, Cursor đưa đúng context và mode. Thiếu một bên thì hiệu quả giảm; đủ cả hai thì công việc trôi chảy hơn rõ rệt.

Thử ngay

Mở Cursor, chọn 1 task bạn hay làm (ví dụ: viết unit test).
Viết prompt có đủ: task cụ thể + format (ví dụ: pytest, 3 cases) + @file cần test.
So sánh với lần trước bạn chỉ gõ "viết test cho file này".
Lưu prompt tốt vào file hoặc Rules để dùng lại.

Sau đó đào sâu context: thêm Rules cho project, tập dùng @file / @codebase đúng chỗ. Chi tiết context và mode xem trong bài Cursor — người bạn đồng hành.