# AI Prompt Engineering kỹ thuật lệnh

Tiếng Anh: AI Prompt Engineering

Thiết kế và tối ưu câu lệnh cho mô hình ngôn ngữ lớn nhằm đạt đầu ra chính xác trong hỗ trợ khách hàng, soạn thảo nội quy và phân tích dữ liệu ngân hàng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-prompt-engineering-ky-thuat-lenh-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI Prompt Engineering kỹ thuật lệnh là gì?

AI Prompt Engineering kỹ thuật lệnh là quy trình thiết kế, tinh chỉnh và tối ưu hóa các câu lệnh đầu vào (**prompt**) dành cho các mô hình ngôn ngữ lớn (**Large Language Model - LLM**) nhằm tạo ra đầu ra chính xác, phù hợp ngữ cảnh và đáp ứng yêu cầu nghiệp vụ cụ thể. Khác với lập trình truyền thống vốn dựa trên mã nguồn, kỹ thuật này hoạt động ở cấp độ ngôn ngữ tự nhiên — người dùng "ra lệnh" cho mô hình thông qua văn bản có cấu trúc, và chất lượng đầu ra phụ thuộc trực tiếp vào độ chính xác của câu lệnh đó. Trong ngân hàng, đây không đơn thuần là kỹ năng kỹ thuật mà là một năng lực chiến lược, bởi mọi sai sót trong prompt đều có thể dẫn đến thông tin sai lệch về lãi suất, điều kiện vay hay quy định pháp lý — những yếu tố có thể gây tổn thất tài chính và pháp lý nghiêm trọng.

Trong bối cảnh ngân hàng Việt Nam, nơi các quy định của Ngân hàng Nhà nước như Thông tư 17/2024 về hoạt động thẻ, hay chuẩn mực **Basel II/III** về quản lý rủi ro đặt ra yêu cầu khắt khe về độ chính xác thông tin, AI Prompt Engineering đóng vai trò then chốt trong triển khai các giải pháp trí tuệ nhân tạo (**Artificial Intelligence - AI**). Một prompt được thiết kế tốt giúp mô hình hiểu rõ ngữ cảnh ngân hàng — ví dụ phân biệt giữa "lãi suất danh nghĩa" và "lãi suất thực tế" (**Effective Interest Rate**), hay điểm khác nhau giữa tín dụng tiêu dùng và cho vay mua nhà — từ đó tạo phản hồi chính xác cho khách hàng và nhân viên. Ngược lại, một prompt mơ hồ có thể khiến mô hình rơi vào hiện tượng "ảo giác" (**hallucination**) — tức tự tạo thông tin sai nhưng nghe rất thuyết phục — và đây là rủi ro không thể chấp nhận trong môi trường tài chính.

Về bản chất, AI Prompt Engineering kết hợp ba yếu tố cốt lõi: (1) hiểu biết sâu về khả năng và giới hạn của mô hình ngôn ngữ, (2) kiến thức chuyên ngành ngân hàng (sản phẩm, quy trình, quy định pháp luật), và (3) kỹ năng diễn đạt ngôn ngữ có cấu trúc, rõ ràng, không mơ hồ. Quy trình này mang tính lặp lại: kỹ sư soạn thảo prompt, kiểm thử trên nhiều tình huống khác nhau, đánh giá chất lượng đầu ra, sau đó tinh chỉnh cho đến khi đạt độ tin cậy mong muốn — thường là trên 95% đối với các tác vụ ngân hàng quan trọng.

**Thuật ngữ tiếng Anh:** AI Prompt Engineering
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

AI Prompt Engineering là lĩnh vực đa dạng với nhiều kỹ thuật khác nhau, mỗi loại phù hợp với một nhóm bài toán cụ thể. Dưới đây là phân loại chi tiết các kỹ thuật phổ biến nhất hiện nay:

### Bảng phân loại các kỹ thuật AI Prompt Engineering

| Kỹ thuật | Đặc điểm chính | Ứng dụng điển hình trong ngân hàng | Ưu điểm nổi bật |
|---|---|---|---|
| **Zero-shot Prompting** (lệnh không kèm ví dụ) | Đưa yêu cầu trực tiếp, không cung cấp ví dụ mẫu | Trả lời các câu hỏi **FAQ** đơn giản về sản phẩm | Đơn giản, triển khai tức thì, chi phí thấp |
| **Few-shot Prompting** (lệnh kèm vài ví dụ) | Cung cấp 2–5 ví dụ minh họa trước khi đưa yêu cầu thực tế | Phân loại email phàn nàn của khách hàng, đánh giá sentiment | Tăng độ chính xác mà không cần huấn luyện lại mô hình |
| **Chain-of-Thought (CoT)** (chuỗi suy nghĩ) | Yêu cầu mô hình trình bày lập luận từng bước trước khi đưa ra kết luận | Phân tích hồ sơ tín dụng, giải thích lý do từ chối cho vay | Minh bạch, dễ kiểm tra, giảm hiện tượng hallucination |
| **Role Prompting** (gán vai trò) | Gán cho mô hình một "nhân vật" cụ thể (ví dụ: chuyên gia tín dụng) | Mô phỏng tư vấn viên, kiểm tra phản hồi từ góc độ tuân thủ | Tăng tính chuyên nghiệp và sát ngữ cảnh |
| **System Prompting** (lệnh hệ thống) | Thiết lập "luật chơi" tổng thể cho mọi tương tác trong phiên | Chatbot nội bộ tuân thủ quy định xử lý dữ liệu khách hàng | Kiểm soát hành vi mô hình ở cấp độ tổng thể |
| **Retrieval-Augmented Generation (RAG)** | Kết hợp truy vấn tài liệu ngoài trước khi tạo câu trả lời | Tra cứu chính sách mới nhất, văn bản quy định của NHNN | Luôn cập nhật, giảm sai sót do dữ liệu cũ |
| **Self-Consistency** (tự nhất quán) | Tạo nhiều câu trả lời rồi chọn đáp án phổ biến nhất | Phân tích các tình huống pháp lý phức tạp | Giảm sai sót trong bài toán có nhiều cách diễn giải |
| **Function Calling** (gọi hàm) | Cho phép mô hình gọi API/hệ thống nội bộ của ngân hàng | Tra cứu số dư tài khoản, lịch sử giao dịch | Kết nối trực tiếp AI với **Core Banking System** |

### Các thành phần cốt lõi của một prompt chất lượng cao

Một prompt được thiết kế bài bản trong ngân hàng thường bao gồm sáu thành phần:

1. **Vai trò (Role):** Xác định rõ mô hình đóng vai ai — ví dụ: *"Bạn là chuyên gia tư vấn tín dụng của Ngân hàng A với 10 năm kinh nghiệm, am hiểu Thông tư 39/2016 về cho vay khách hàng cá nhân"*.
2. **Ngữ cảnh (Context):** Cung cấp thông tin nền — ví dụ: thông tin khách hàng, sản phẩm liên quan, quy định pháp lý áp dụng cụ thể.
3. **Nhiệm vụ (Task):** Mô tả rõ ràng cần làm gì — viết email, phân loại yêu cầu, tạo báo cáo, kiểm tra tuân thủ.
4. **Ràng buộc (Constraints):** Giới hạn đầu ra — độ dài tối đa, giọng văn, định dạng, điều **không được phép** đề cập (ví dụ: không đưa lời khuyên đầu tư).
5. **Định dạng đầu ra (Output Format):** Yêu cầu cấu trúc cụ thể — bảng, danh sách JSON, văn bản **markdown**.
6. **Ví dụ (Examples):** Trong few-shot prompting, cung cấp mẫu để mô hình bắt chước phong cách và mức độ chi tiết.

### Đặc điểm nhận biết prompt chất lượng cao

- **Cụ thể và có thể đo lường:** Thay vì nói *"phân tích khách hàng"*, cần viết *"phân tích hồ sơ tín dụng của Khách hàng B, tập trung vào tỷ lệ nợ trên thu nhập (**Debt-to-Income ratio - DTI**) và lịch sử thanh toán trong 24 tháng qua"*.
- **Có ranh giới rõ ràng:** Quy định rõ điều mô hình được làm và không được làm, bao gồm cả các chủ đề nhạy cảm cần né tránh.
- **Không mơ hồ về ngữ nghĩa:** Tránh dùng từ đa nghĩa, đặc biệt là thuật ngữ tài chính có thể hiểu theo nhiều cách (ví dụ: "lãi" có thể là lãi suất, lãi vay, hoặc lợi nhuận).
- **Có cơ chế tự kiểm tra:** Thường kết hợp kỹ thuật self-critique — yêu cầu mô hình tự đánh giá câu trả lời trước khi đưa ra.
- **Có khả năng tái sử dụng:** Được thiết kế dưới dạng template, dễ dàng cập nhật khi quy định thay đổi.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Tối ưu chatbot chăm sóc khách hàng

Ngân hàng A triển khai chatbot AI trên ứng dụng di động nhằm giảm tải cho tổng đài viên — trung bình mỗi ngày tiếp nhận khoảng 18.000 cuộc gọi. Trước khi áp dụng AI Prompt Engineering, chatbot gặp tình trạng trả lời sai lãi suất: với câu hỏi *"Lãi suất tiết kiệm 6 tháng là bao nhiêu?"*, mô hình trả lời "8%/năm" trong khi Ngân hàng A đang áp dụng **5,5%/năm** theo biểu lãi suất cập nhật — tỷ lệ chính xác chỉ đạt 62%, dẫn đến khiếu nại và mất lòng tin từ khách hàng.

Sau khi nhóm AI Engineering thiết kế lại prompt theo phương pháp **RAG (Retrieval-Augmented Generation)**, hệ thống hoạt động với prompt yêu cầu mô hình: (1) đóng vai nhân viên tư vấn chính thức của Ngân hàng A, (2) chỉ sử dụng thông tin từ tài liệu biểu lãi suất được cung cấp trong **ngữ cảnh (context window)**, (3) trả lời *"Tôi chưa có thông tin này, vui lòng liên hệ tổng đài 1900-xxxx"* nếu dữ liệu không có, và (4) trả lời bằng tiếng Việt có dấu đầy đủ, độ dài dưới 60 từ. Kết quả sau 2 tháng triển khai: **tỷ lệ chính xác tăng từ 62% lên 96,8%**, thời gian phản hồi trung bình giảm từ 4,2 giây xuống 1,1 giây, và tỷ lệ khách hàng cần chuyển sang tổng đài viên thật giảm từ 38% xuống còn 9% — giúp ngân hàng tiết kiệm khoảng **4,2 tỷ đồng chi phí vận hành mỗi năm**.

### Ví dụ 2: Hỗ trợ soạn thảo nội quy và quy chế

Một chi nhánh của Ngân hàng B cần cập nhật quy chế hoa hồng cho nhân viên kinh doanh thẻ tín dụng để phù hợp với Thông tư 17/2024 của NHNN về giới hạn chi trả hoa hồng. Thay vì mất 2 tuần để nhân viên pháp chế soạn thảo từ đầu, phòng Chuyển đổi số đã áp dụng kỹ thuật **Chain-of-Thought Prompting** để mô hình phân tích tuần tự: (1) trích xuất các yêu cầu mới trong Thông tư 17/2024 ảnh hưởng đến hoa hồng thẻ, (2) so sánh với 14 điều khoản hiện hành trong quy chế của Ngân hàng B, (3) đề xuất các điều khoản cần sửa đổi với lý do cụ thể, (4) đánh giá tác động tài chính dự kiến đối với từng phòng ban. Kết quả là bản dự thảo đầu tiên được tạo trong **15 phút**, sau đó chuyên gia pháp lý chỉ mất **3 giờ** để rà soát và hoàn thiện — tiết kiệm **87% thời gian** so với quy trình thủ công trước đó.

### Ví dụ 3: Phân tích dữ liệu rủi ro tín dụng doanh nghiệp SME

Phòng Quản lý rủi ro của Ngân hàng A cần đánh giá hồ sơ tín dụng của **500 doanh nghiệp vỏa và nhỏ (SME)** trong quý III/2025. Đội ngũ Data Analyst sử dụng prompt có cấu trúc yêu cầu mô hình: (1) tóm tắt thông tin tài chính chính (doanh thu, biên lợi nhuận ròng, tỷ lệ nợ trên vốn chủ sở hữu — **Debt-to-Equity ratio**), (2) đánh giá các dấu hiệu cảnh báo sớm về suy giảm dòng tiền, (3) xếp hạng rủi ro theo thang 5 cấp độ với lý do cụ thể, (4) đề xuất hành động giảm thiểu rủi ro. Với prompt được tối ưu kết hợp RAG để mô hình tham chiếu **chính sách tín dụng nội bộ** của Ngân hàng A, hệ thống xử lý 500 hồ sơ trong **4 giờ** thay vì 2 tuần làm việc thủ công, độ chính xác của đánh giá đạt **91%** khi đối chiếu với chuyên gia, và quan trọng nhất — mỗi đánh giá đều kèm chuỗi lý luận minh bạch, đáp ứng yêu cầu truy nguyên (**audit trail**) của Ủy ban Kiểm toán nội bộ và NHNN.

## AI Prompt Engineering kỹ thuật lệnh trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | AI Prompt Engineering | /eɪ aɪ prɒmpt ˌɛndʒɪˈnɪərɪŋ/ |
| Tiếng Nhật | AIプロンプトエンジニアリング | AI puronputo enjiniaringu |
| Tiếng Hàn | AI 프롬프트 엔지니어링 | AI peulompeuteu enjinieoling |
| Tiếng Trung | AI 提示工程 | AI tíshì gōngchéng |
| Tiếng Tây Ban Nha | Ingeniería de prompts de IA | /inxeŋxeˈɾi.a ðe pɾomps ðe i.a/ |

## Câu hỏi thường gặp

### AI Prompt Engineering kỹ thuật lệnh khác gì Fine-tuning tinh chỉnh mô hình?

AI Prompt Engineering và **Fine-tuning** (tinh chỉnh mô hình) là hai cách tiếp cận khác nhau để cải thiện đầu ra của mô hình ngôn ngữ. Prompt Engineering hoạt động hoàn toàn ở cấp độ đầu vào — người dùng không thay đổi mô hình mà chỉ tinh chỉnh câu lệnh để mô hình phản hồi tốt hơn — trong khi Fine-tuning đòi hỏi huấn luyện lại mô hình với dữ liệu chuyên ngành, làm thay đổi trọng số nội tại của mạng nơ-ron. Với ngân hàng, Prompt Engineering thường được ưu tiên vì chi phí thấp hơn **30–50 lần**, triển khai tính bằng giờ thay vì tuần, và dễ dàng điều chỉnh khi quy định pháp luật thay đổi; Fine-tuning chỉ được cân nhắc khi cần đạt độ chính xác cực cao trên hàng triệu giao dịch mỗi ngày.

### Khi nào cần biết về AI Prompt Engineering kỹ thuật lệnh?

Bạn cần nắm vững AI Prompt Engineering khi: (1) tham gia xây dựng hoặc vận hành chatbot cũng như AI assistant phục vụ khách hàng hoặc nhân viên ngân hàng; (2) sử dụng các công cụ AI như ChatGPT, Claude, Gemini trong công việc hằng ngày để soạn thảo báo cáo, email, quy trình nội bộ; (3) làm việc tại phòng pháp chế, tuân thủ, hoặc phân tích dữ liệu — nơi AI được ứng dụng ngày càng nhiều; (4) chuẩn bị cho các kỳ thi tuyển dụng ngân hàng có phần đánh giá năng lực AI (xu hướng phổ biến từ 2024). Ngay cả khi không trực tiếp phát triển AI, hiểu về prompt engineering giúp bạn tận dụng công cụ hiệu quả hơn **gấp 3–5 lần** so với người chỉ dùng câu lệnh thông thường.

### AI Prompt Engineering kỹ thuật lệnh ảnh hưởng thế nào đến khách hàng?

Đối với khách hàng cá nhân, AI Prompt Engineering gián tiếp nâng cao trải nghiệm thông qua: chatbot trả lời chính xác hơn về lãi suất, phí và điều kiện vay; thời gian chờ giảm đáng kể (từ vài phút xuống vài giây); thông tin nhất quán bất kể giờ giấc hay kênh liên lạc; cá nhân hóa cao hơn dựa trên dữ liệu được truy xuất qua RAG. Với khách hàng doanh nghiệp, kỹ thuật này giúp tạo báo cáo phân tích tín dụng nhanh hơn, đề xuất sản phẩm phù hợp chính xác hơn, và giảm sai sót trong hợp đồng. Quan trọng nhất, prompt engineering tốt giúp mô hình **không tạo ra thông tin sai lệch** — yếu tố cốt lõi bảo vệ quyền lợi khách hàng và uy tín ngân hàng trong dài hạn.

## Tổng kết

AI Prompt Engineering không còn là khái niệm xa vời mà đã trở thành năng lực cốt lõi trong chiến lược chuyển đổi số của ngành ngân hàng. Một prompt được thiết kế bài bản có thể nâng độ chính xác của mô hình AI từ 62% lên trên 96%, tiết kiệm hàng trăm giờ lao động mỗi tháng, và đặc biệt — bảo vệ khách hàng khỏi những thông tin sai lệch trong môi trường tài chính nhạy cảm. Đối với ứng viên ngân hàng, việc hiểu và thực hành thành thạo kỹ thuật lệnh không chỉ là lợi thế cạnh tranh trong tuyển dụng mà còn là nền tảng để đồng hành cùng sự phát triển của ngân hàng số trong những năm tới. Hãy bắt đầu từ những prompt nhỏ cho công việc hằng ngày, và nâng dần độ phức tạp khi bạn đã quen với cách mô hình ngôn ngữ "suy nghĩ" và phản hồi.

## Thuật ngữ liên quan

- [Bảo vệ dữ liệu cá nhân](https://vieclam.nganhang.com/thuat-ngu/bao-ve-du-lieu-ca-nhan-la-gi) — Yêu cầu pháp lý ngân hàng phải thu thập, lưu trữ và xử lý dữ liệu cá nhân khách hàng theo Nghị định 13/2023/NĐ-CP và các quy định liên quan.
- [Hợp đồng tín dụng](https://vieclam.nganhang.com/thuat-ngu/hop-dong-tin-dung-la-gi) — Văn bản pháp lý ghi nhận thỏa thuận giữa ngân hàng và khách vay về số tiền, kỳ hạn, lãi suất, tài sản đảm bảo và các điều khoản cho vay.
- [Mô hình ngôn ngữ lớn](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-ngon-ngu-lon-la-gi) — Mô hình học sâu được huấn luyện trên lượng lớn văn bản, hỗ trợ ngân hàng trong phân tích hợp đồng, tóm tắt báo cáo tín dụng và tự động hóa dịch vụ khách hàng.
- [Nghị định 13/2023/NĐ-CP](https://vieclam.nganhang.com/thuat-ngu/nghi-dinh-132023nd-cp-la-gi) — Văn bản pháp lý quan trọng quy định về xử lý và bảo vệ dữ liệu cá nhân tại Việt Nam có hiệu lực từ ngày 01/07/2023.
- [Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân](https://vieclam.nganhang.com/thuat-ngu/nghi-dinh-132023nd-cp-ve-bao-ve-du-lieu-ca-nhan-la-gi) — Văn bản pháp lý quan trọng quy định bảo vệ dữ liệu cá nhân tại Việt Nam, áp dụng cho dịch vụ tài chính số.
- [Ngân hàng điện tử](https://vieclam.nganhang.com/thuat-ngu/ngan-hang-dien-tu-la-gi) — Tổng hợp các kênh giao dịch ngân hàng qua phương tiện điện tử bao gồm Internet Banking, Mobile Banking, SMS Banking và ATM, hoạt động 24/7.
- [Quyết định 2345/QĐ-NHNN](https://vieclam.nganhang.com/thuat-ngu/quyet-dinh-2345qd-nhnn-la-gi) — Quyết định của Ngân hàng Nhà nước Việt Nam ban hành năm 2023 quy định về bảo đảm an toàn thông tin trong hoạt động ngân hàng.
- [Thông tư 17/2024/TT-NHNN](https://vieclam.nganhang.com/thuat-ngu/thong-tu-172024tt-nhnn-la-gi) — Thông tư của Ngân hàng Nhà nước Việt Nam quy định về an toàn thông tin trong hoạt động ngân hàng, có hiệu lực từ năm 2025.