Cấu trúc prompt 6 lớp: khung viết prompt áp dụng cho mọi model AI

Cấu trúc prompt 6 lớp gồm: Vai trò → Nhiệm vụ → Bối cảnh + lý do → Ví dụ → Định dạng → Ràng buộc. Sáu lớp này áp dụng được cho Claude, ChatGPT và Gemini vì cả ba đều hội tụ về một nguyên tắc: rõ ràng, đủ bối cảnh, gọn gàng. Nhưng viết đủ 6 lớp chưa đủ — thứ quyết định kết quả là bạn viết đúng nội dung từng lớp và đặt chúng đúng thứ tự: dữ liệu và bối cảnh lên trước, câu lệnh xuống cuối.

TL;DR — 6 điều cần nhớ

• 6 lớp không phải checklist để nhồi cho đủ. Câu hỏi nhanh chỉ cần 1 lớp (Nhiệm vụ). Càng phức tạp càng thêm lớp.
• Thứ tự quan trọng ngang nội dung. Anthropic đo được: đặt dữ liệu/tài liệu lên đầu và câu lệnh xuống cuối giúp chất lượng trả lời tăng tới 30% với prompt nhiều tài liệu (Anthropic Docs — Long context tips).
• Bối cảnh + lý do là lớp hay bị bỏ nhất. Nói cho AI biết đầu ra *dùng cho ai, để làm gì* thường sửa được 80% lỗi lệch hướng.
• Ví dụ mạnh hơn mô tả. Bắt đầu bằng một ví dụ; model mới đọc rất kỹ chi tiết — ví dụ sai thì nó bắt chước luôn cái sai.
• Ràng buộc phải cụ thể, đừng tuyệt đối hóa. Chỉ dùng “LUÔN/KHÔNG BAO GIỜ” cho thứ bất biến; nhồi quá làm model cứng và mâu thuẫn (OpenAI GPT-5 prompting guide, 2026).
• Prompt tốt là bản gọn nhất vẫn đạt việc. Google ghi nhận prompt hiệu quả trung bình chỉ khoảng 21 từ — mục tiêu là chính xác, không phải dài.

> Bài này là Spoke của series Prompt Engineering thực chiến. Nếu bạn chưa nắm tổng quan “prompt engineering là gì và còn cần trong 2026 không”, đọc bài Hub trước rồi quay lại đây để đào sâu cách viết từng lớp.

Cấu trúc prompt 6 lớp là gì?

Cấu trúc prompt 6 lớp là cách xếp một prompt thành 6 khối có vai trò riêng, để bạn kiểm soát được từng phần thay vì viết một đoạn văn lộn xộn. Đây là bản hợp nhất khung PTCF (Persona–Task–Context–Format) mà Google khuyến nghị cho Gemini, cộng thêm hai lớp Anthropic nhấn mạnh: Ví dụ và Ràng buộc.

Sáu lớp, theo thứ tự viết:

1. Vai trò — AI đóng vai ai
2. Nhiệm vụ — làm gì
3. Bối cảnh + lý do — cho ai, vì sao, dựa trên dữ liệu nào
4. Ví dụ — trông giống cái gì
5. Định dạng — trả về kiểu gì
6. Ràng buộc — giới hạn gì

Bài Hub đã liệt kê khung này ở mức tổng quan. Ở đây mình đi sâu vào cách viết từng lớp cho đúng, độ dài mỗi lớp, và thứ tự đặt chúng — vì đó mới là chỗ prompt của bạn ăn hay trượt.

Viết lớp Vai trò (Persona) thế nào cho đúng?

Viết vai trò bằng một danh từ nghề nghiệp cụ thể kèm bối cảnh chuyên môn, không phải tính từ khen ngợi. Vai trò định khung giọng, độ sâu và từ vựng mà model dùng.

• ❌ Lệch: “Bạn là một trợ lý AI thông minh, hữu ích.”
• ✅ Đúng: “Bạn là biên tập viên kênh YouTube về AI, 8 năm kinh nghiệm viết kịch bản giữ chân người xem Việt.”

Vai trò cụ thể kéo model vào đúng “vùng kiến thức” bạn cần. Với Claude, Anthropic khuyên đặt vai trò ở system prompt, còn nhiệm vụ cụ thể để ở lượt chat của người dùng — tách bạch giúp model giữ vai xuyên suốt hội thoại. Độ dài lý tưởng: 1 câu. Đừng viết cả tiểu sử.

Bỏ qua lớp này được không? Được — với câu hỏi thông tin thuần (“Thủ đô Pháp là gì”). Nhưng khi cần *giọng* hoặc *góc nhìn chuyên môn*, vai trò là lớp rẻ nhất mà hiệu quả nhất.

Viết lớp Nhiệm vụ (Task) thế nào?

Mở đầu bằng một động từ hành động và bỏ mọi lời rào đón. Nhiệm vụ là lớp duy nhất *bắt buộc* — không có nó, không có prompt.

• ❌ “Bạn có thể giúp mình xem qua cái này một chút được không…”
• ✅ “Viết 5 tiêu đề video”, “Phân tích đoạn transcript sau”, “So sánh 3 công cụ dưới đây”.

Động từ mạnh (Viết, Phân tích, Tóm tắt, So sánh, Xếp loại, Trích xuất) nói thẳng cho model biết *dạng việc*. OpenAI mô tả bộ khung cốt lõi cho GPT-5 gọn đúng ba phần: vai trò + nhiệm vụ + ràng buộc (OpenAI GPT-5 prompting guide, 2026). Nếu một prompt có nhiều nhiệm vụ, tách thành các gạch đầu dòng đánh số — đừng dồn 4 yêu cầu vào một câu.

Lớp Bối cảnh + lý do — vì sao đây là lớp hay bị bỏ nhất?

Vì người viết prompt biết bối cảnh trong đầu nên quên rằng model không biết. Đây là lớp sửa được nhiều lỗi nhất, và cũng là lớp hay bị bỏ nhất.

Bối cảnh trả lời ba câu: đầu ra cho ai, để làm gì, dựa trên dữ liệu nào. Thêm cả *lý do* — Anthropic ghi nhận model phản hồi tốt hơn khi bạn giải thích động cơ, không chỉ ra lệnh.

• ❌ Thiếu bối cảnh: “Viết caption cho bài đăng.”
• ✅ Đủ bối cảnh: “Viết caption Reels bán khóa học n8n. Khán giả là chủ shop online muốn tiết kiệm thời gian, không rành kỹ thuật. Mục tiêu: kéo họ nhấn ‘Lưu’ và nhắn tin hỏi.”

Khi lớp này chứa dữ liệu dài (transcript, tài liệu, bảng số), có một quy tắc đặt chỗ mình sẽ nói ở mục thứ tự bên dưới — làm sai chỗ này là mất tới 30% chất lượng.

Lớp Ví dụ (Examples) — nên đưa mấy ví dụ?

Bắt đầu bằng một ví dụ (one-shot). Chỉ thêm ví dụ thứ hai, thứ ba khi output vẫn lệch phong cách. Ví dụ mạnh hơn mọi lời mô tả về giọng văn — thay vì tả “viết thân thiện, ngắn gọn”, hãy dán một mẫu đúng ý.

Hai lưu ý thực chiến:

• Model mới đọc chi tiết ví dụ rất kỹ. Ví dụ của bạn có lỗi (sai chính tả, sai format, số liệu ẩu) thì model bắt chước luôn cái lỗi đó (Anthropic Blog, 10/11/2025). Ví dụ phải sạch.
• Cần bao phủ ca khó thì tăng lên 3–5 ví dụ (multishot), chọn ví dụ đại diện cho các trường hợp biên bạn muốn model xử lý đúng.

Với việc cần đúng *khuôn mẫu* (phân loại, trích xuất theo mẫu, giữ giọng), ví dụ là lớp đáng đầu tư nhất. Với việc sáng tạo mở, đôi khi bỏ ví dụ lại cho kết quả đa dạng hơn.

Lớp Định dạng (Format) — chỉ định thế nào?

Nói thẳng bạn muốn nhận về kiểu gì: bảng, gạch đầu dòng, JSON, hay đoạn văn — và giới hạn độ dài. Model không đoán đúng định dạng trong đầu bạn; không nói thì nó chọn bừa.

Mẹo cho việc nối AI vào hệ thống (n8n, script): yêu cầu “chỉ trả JSON hợp lệ, không kèm giải thích” là cách rẻ nhất để tránh vỡ pipeline. Mình khai thác kỹ điều này trong workflow tự động — xem series n8n cho người Việt.

Lớp Ràng buộc (Constraints) — cụ thể tới đâu?

Ràng buộc phải cụ thể và có ích, không phải nhồi cho oai. Đây là lớp đặt giới hạn: độ dài, điều được/không được làm, và — quan trọng — cho phép model nói “không chắc”.

• Giới hạn cụ thể: “Dưới 300 từ”, “Không dùng từ ‘đột phá’, ‘cách mạng'”, “Chỉ dùng số liệu mình cung cấp”.
• Chống bịa số: thêm câu “Nếu thiếu dữ liệu thì nói rõ là không biết, đừng đoán.” Cho model một lối thoát trung thực giảm hẳn hiện tượng bịa.
• Đừng tuyệt đối hóa thừa. OpenAI khuyến cáo chỉ dùng LUÔN/KHÔNG BAO GIỜ/BẮT BUỘC cho thứ thật sự bất biến (quy tắc an toàn, trường bắt buộc). Nhồi quá nhiều “phải/không được” mâu thuẫn nhau khiến model cứng và làm ẩu (OpenAI GPT-5 prompting guide, 2026).

OpenAI còn nhấn: khi có đánh đổi, nói rõ ưu tiên cái nào — ví dụ “ưu tiên ngắn gọn hơn đầy đủ” — thay để model tự đoán.

Thứ tự 6 lớp có quan trọng không?

Có, và đây là phần nhiều người bỏ qua. Với prompt chứa dữ liệu dài, đặt dữ liệu/tài liệu lên ĐẦU — trên cả câu lệnh, ví dụ và câu hỏi. Anthropic đo được việc đặt câu hỏi xuống cuối prompt giúp chất lượng trả lời tăng tới 30% trong các bài test có nhiều tài liệu phức tạp (Anthropic Docs — Long context prompting tips).

Trực giác kỹ thuật: model cần *đọc xong toàn bộ ngữ cảnh* trước khi biết bạn muốn làm gì với nó. Đưa câu lệnh trước rồi mới dán 5.000 từ tài liệu, model đã “quên” mất yêu cầu lúc đọc tới cuối.

Thứ tự thực dụng khi có dữ liệu dài:

1. Vai trò (system)
2. Dữ liệu/tài liệu dài — bọc trong thẻ XML (...) cho model tách bạch phần nào là dữ liệu
3. Bối cảnh + lý do
4. Ví dụ
5. Định dạng
6. Nhiệm vụ + câu hỏi cụ thể — đặt cuối cùng

Với prompt ngắn không có dữ liệu đính kèm, thứ tự tự nhiên Vai trò → Nhiệm vụ → Bối cảnh → Ví dụ → Định dạng → Ràng buộc là đủ. Quy tắc “câu lệnh xuống cuối” chỉ thành sống còn khi ngữ cảnh dài.

Prompt dài hay ngắn thì tốt? Mỗi lớp nên bao nhiêu từ?

Ngắn nhất mà vẫn đủ 6 lớp cần thiết. Google ghi nhận prompt hiệu quả trung bình chỉ khoảng 21 từ — mục tiêu là chính xác, không phải dài (Google — Gemini/Workspace prompt guidance, 2026).

Khung độ dài mình dùng cho việc hằng ngày:

Điểm hội tụ của cả ba nhà model 2026: model càng mới càng cần ít “giàn giáo” hơn. Chỉ dẫn ngắn, rõ thường thắng chỉ dẫn dài, rối. Đừng viết prompt một trang chỉ để tỏ ra cẩn thận.

Ví dụ: một prompt trước và sau khi áp 6 lớp

Prompt thô (1 lớp):

> “Viết bài về n8n.”

Prompt sau khi áp 6 lớp:

> *(Vai trò)* Bạn là người hướng dẫn automation cho người Việt mới bắt đầu.

> *(Nhiệm vụ)* Viết đoạn mở đầu 120 từ cho bài blog giải thích n8n là gì.

> *(Bối cảnh + lý do)* Khán giả là chủ shop online, không biết code, muốn tự động hóa việc đăng bài để tiết kiệm thời gian. Mục tiêu là họ hiểu ngay n8n giúp được gì cho họ.

> *(Ví dụ)* Giọng như câu này: “n8n là công cụ nối các app lại để chúng tự làm việc thay bạn — không cần viết dòng code nào.”

> *(Định dạng)* Trả 1 đoạn văn, câu ngắn, không dùng thuật ngữ kỹ thuật chưa giải thích.

> *(Ràng buộc)* Dưới 120 từ. Không hứa hẹn thu nhập. Nếu cần số liệu thì để trống cho mình điền.

Prompt thứ hai dài hơn, nhưng mỗi câu thêm vào đều *cắt bớt một hướng đoán sai* của model. Đó là ý nghĩa của “gọn”: không phải ít chữ nhất, mà là không thừa lớp nào và không thiếu lớp nào.

Kinh nghiệm thực chiến của Thuật

Mình vận hành hệ thống sản xuất nội dung tự động — n8n gọi model viết bài rồi đẩy vào WordPress. Giai đoạn đầu mình viết prompt kiểu “một cục”: một đoạn dài 400 từ trộn lẫn vai trò, yêu cầu, ví dụ, ràng buộc không theo thứ tự nào.

Sai lầm 1 — nhét câu lệnh lên đầu, dán transcript dài xuống dưới. Output cứ bỏ sót nửa cuối tài liệu. Sau khi đọc tip long-context của Anthropic, mình đảo lại: transcript lên đầu bọc thẻ XML, câu lệnh xuống cuối. Tỉ lệ bài phải viết lại giảm rõ. từ khoảng 40% xuống dưới 5%.

Sai lầm 2 — ví dụ mẫu có một lỗi format nhỏ. Mình để sót dấu markdown thừa trong ví dụ, thế là hàng loạt bài output dính đúng lỗi đó. Từ đó mình có quy tắc: ví dụ trong prompt phải sạch tuyệt đối, review kỹ hơn cả bài thật. khoảng 10 bài.

Sai lầm 3 — nhồi 12 dòng “KHÔNG ĐƯỢC…” vào lớp ràng buộc. Model bắt đầu bỏ sót yêu cầu chính vì bận tuân thủ luật vụn. Mình cắt xuống còn 3 ràng buộc thật sự bất biến, chất lượng lên lại. từ 12 xuống còn 3 ràng buộc; thời gian duyệt mỗi bài giảm từ khoảng 12 phút còn 8 phút.

Bài học gọn: 6 lớp là để bạn biết đang thiếu lớp nào khi output lệch, không phải để nhồi cho đủ.

Nếu model bạn dùng chính là Claude, hãy xem thêm bản áp dụng 6 lớp này theo tài liệu chính thức của Anthropic, kèm thẻ XML và 12 mẫu prompt công việc, trong bài prompt cho Claude hiệu quả 2026.

FAQ

6 lớp có bắt buộc dùng hết không?

Không. Chỉ lớp Nhiệm vụ là bắt buộc. Câu hỏi nhanh dùng 1 lớp; việc phức tạp mới cần đủ 6. Khi output lệch, đi qua 6 lớp để tìm lớp đang thiếu.

Thứ tự các lớp có cố định không?

Với prompt ngắn, thứ tự Vai trò → Nhiệm vụ → Bối cảnh → Ví dụ → Định dạng → Ràng buộc là tự nhiên. Với prompt có dữ liệu dài, đẩy dữ liệu lên đầu và câu lệnh xuống cuối — Anthropic đo được cải thiện tới 30%.

Khung này dùng cho Claude, ChatGPT và Gemini đều được chứ?

Được. Cả ba hội tụ về cùng nguyên tắc rõ ràng – đủ bối cảnh – gọn gàng. Khác biệt nhỏ giữa các model mình phân tích ở bài Claude vs ChatGPT vs Gemini.

Nên viết prompt tiếng Việt hay tiếng Anh?

Cả hai model lớn đều hiểu tiếng Việt tốt trong 2026. Viết tiếng Việt cho việc nội dung Việt để giữ đúng sắc thái; chỉ dùng tiếng Anh khi thuật ngữ kỹ thuật chuẩn hơn.

Làm sao để AI bớt bịa số liệu?

Thêm vào lớp Ràng buộc câu cho phép model nói “không biết”, và yêu cầu chỉ dùng dữ liệu bạn cung cấp. Đừng để model tự “sáng tác” con số.

Có cần thẻ XML không?

Cần khi prompt trộn nhiều phần (dữ liệu + câu lệnh + ví dụ). Bọc mỗi phần trong thẻ như , giúp model tách bạch. Prompt ngắn thì không cần.

Prompt tạo ảnh có dùng 6 lớp này không?

Khung xương giống nhau nhưng lớp Định dạng và Ràng buộc đổi thành ngôn ngữ nhiếp ảnh, negative prompt, seed, CFG. Mình tách riêng ở bài Prompt tạo ảnh AI.

Kết: học sắp lớp, đừng học mẹo

Prompt tốt không đến từ một “câu thần chú” bí kíp mà từ việc sắp đúng 6 lớp và đặt đúng thứ tự. Khi output lệch, đừng viết lại cả prompt — soi xem đang thiếu lớp nào, hoặc dữ liệu có bị đặt sai chỗ không. Đó là kỹ năng dùng được với mọi model, năm nào cũng còn giá trị.

Bước tiếp theo: hệ thống hóa các prompt bạn viết tốt thành thư viện tái dùng — xem Xây prompt library cá nhân. Và nếu muốn bộ prompt sẵn dùng cho công việc, mình gom trong 20 prompt thực chiến cho marketer và creator Việt.

*— Hoàng Trọng Thuật, VIGOACADEMY. Học thực chiến từ kinh nghiệm thực tế.*