In-Context Learning
Học trong ngữ cảnh
Bạn cho AI xem 3 email trả lời khách hàng theo phong cách công ty bạn, rồi nhờ viết email thứ 4 — bạn nghĩ chất lượng sẽ thế nào so với lúc không có ví dụ?
Giống như dạy nhân viên mới trong ngày đầu tiên
Hãy tưởng tượng bạn vừa tuyển một bạn nhân viên cực thông minh nhưng chưa biết văn hoá công ty. Bạn có hai cách:
Bạn in 3 email bạn đã từng viết, đưa cho nhân viên xem. Họ viết email mới theo cùng tone — ngay trong ngày đầu.
Đây là in-context learning của con người.
Bạn gửi nhân viên đi đào tạo chuyên sâu về phong cách công ty. Kiến thức ngấm vĩnh viễn, nhưng phải trả học phí và chờ 3 tháng.
Đây là fine-tuning — huấn luyện lại mô hình.
Hình minh họa
Cùng một câu nhận xét của khách, cùng một AI. Chỉ khác: có bao nhiêu ví dụ trong prompt. Kéo thanh dưới đây từ 0 → 1 → 3để thấy AI “thay đổi thái độ” thế nào.
Đây là nhận xét có cả mặt tích cực (nhân viên thân thiện) lẫn tiêu cực (đồ ăn hơi lạt), cần xem xét tổng thể…
Không có ví dụ, AI không biết bạn muốn output gì. Nó viết một câu dài thay vì chọn một nhãn.
Một prompt few-shot tốt có thứ tự rất rõ: task → ví dụ → câu hỏi. Các dòng dưới đây đang bị xáo trộn. Kéo chúng về đúng thứ tự một prompt hiệu quả thường có.
Gợi ý: bắt đầu bằng mô tả nhiệm vụ, kết thúc bằng câu hỏi thật.
Bạn là nhân viên kế toán. Bạn muốn AI đọc một đoạn mô tả bằng tiếng Việt và trích ra các trường (ngày, khách hàng, số lượng, giá, tổng tiền) thành bảng. Đây là lúc few-shot toả sáng rõ rệt nhất.
Cùng đoạn hoá đơn, cùng AI. Chỉ khác: có hay không 2 ví dụ mẫu.
Output là một đoạn văn — không thể nhập thẳng vào Excel. Ngày mai bạn hỏi hoá đơn khác, AI có thể viết kiểu hoàn toàn khác.
Bạn dán 4 ví dụ phân loại cảm xúc vào chat. Xong câu cuối bạn lại yêu cầu AI dịch sang tiếng Anh một câu khác. AI sẽ làm gì?
Muốn đào sâu kỹ thuật viết prompt? Xem prompt engineering. Muốn AI vừa bắt chước format vừa suy luận từng bước? Ghé chain-of-thought.
Giải thích
Ba chế độ học trong ngữ cảnh — chọn theo việc
Zero-shot — không ví dụ
Chỉ mô tả việc cần làm
- Prompt cực ngắn, rẻ nhất.
- Phù hợp việc quen thuộc (tóm tắt, dịch).
- Dễ sai format khi việc lạ.
One-shot — 1 ví dụ
Một mẫu để AI bắt chước
- AI khoá được format đầu ra.
- Dễ thiên lệch theo nhãn ví dụ duy nhất.
- Nên dùng khi format mới, task đơn giản.
Few-shot — 3–5 ví dụ
Phủ đủ mọi trường hợp
- Sweet spot cho hầu hết việc văn phòng.
- Cần phủ mọi nhãn bạn muốn AI trả về.
- Chất lượng tăng nhanh, sau 5–8 ví dụ tăng chậm.
Ba lúc few-shot “quay xe” — cần tránh
Nối việc bạn cần làm với số ví dụ khuyên dùng
Không phải việc nào cũng cần 5 ví dụ. Thử nối xem bạn đoán đúng bao nhiêu.
Chọn một mục Cột A, rồi chọn một mục Cột B để nối.
Cột A
Cột B
Danh sách 6 việc cần làm khi viết prompt có ví dụ
- 1Viết 1 câu mô tả nhiệm vụ ở đầu prompt — AI cần biết đang làm gì.
- 2Chọn 2–3 ví dụ đa dạng, phủ đủ mọi nhãn/trường hợp bạn muốn AI trả về.
- 3Copy ví dụ chính xác từng ký tự, kể cả dấu câu — format phải nhất quán.
- 4Che dữ liệu nhạy cảm bằng tên/số giả trước khi dán lên.
- 5Đặt câu hỏi thật ở cuối prompt, với cùng format như ví dụ (vd: "Câu mới: … →").
- 6Thử 5–10 câu thật, đếm xem AI đúng mấy lần — nếu sai nhiều, sửa ví dụ chứ không tăng số ví dụ.
- Bạn “dạy” AI bằng cách dán vài ví dụ vào prompt — không cần upload, không cần huấn luyện, miễn phí.
- 0 ví dụ (zero-shot) hợp việc quen; 3–5 ví dụ (few-shot) là sweet spot cho đa số việc văn phòng; nhiều hơn 8 thường không tốt hơn nữa.
- Chất lượng ví dụ quan trọng hơn số lượng — 3 ví dụ đa dạng ăn đứt 10 ví dụ na ná nhau.
- Ví dụ phải phủ mọi nhãn/trường hợp bạn muốn AI trả về, format tuyệt đối nhất quán.
- AI quên ngay khi đóng chat — muốn dùng lại, hãy lưu prompt mẫu trong Notion/Google Docs.
Kiểm tra hiểu biết
"In-context learning" (ICL) trong một câu đơn giản nhất là gì?