# AI Prompt Engineering kỹ thuật nhắc lệnh

Tiếng Anh: Prompt Engineering

Nghệ thuật thiết kế câu lệnh để LLM trả lời chính xác trong ngữ cảnh ngân hàng, bao gồm vai trò, ví dụ và ràng buộc đầu ra.

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

## AI Prompt Engineering kỹ thuật nhắc lệnh là gì?

**AI Prompt Engineering** (hay còn gọi là **Kỹ thuật nhắc lệnh**, trong tiếng Anh là **Prompt Engineering**) là nghệ thuật và khoa học thiết kế, tinh chỉnh các câu lệnh đầu vào (prompt) để hướng dẫn các **Mô hình ngôn ngữ lớn** (**Large Language Model** – **LLM**) như GPT-4, Claude, Gemini hay các mô hình nội bộ của ngân hàng tạo ra phản hồi chính xác, phù hợp ngữ cảnh và đáp ứng đúng yêu cầu nghiệp vụ. Trong bối cảnh ngân hàng Việt Nam, nơi mà sai một con số có thể gây thiệt hại hàng tỷ đồng, **Prompt Engineering** không đơn thuần là kỹ năng kỹ thuật mà còn là năng lực cốt lõi giúp đội ngũ nhân sự khai thác hiệu quả trí tuệ nhân tạo (AI) trong các quy trình nội bộ.

**Prompt Engineering** trong ngân hàng khác biệt so với sử dụng AI thông thường ở chỗ: nó yêu cầu người thiết kế phải hiểu rõ ba yếu tố then chốt — **vai trò** (role), **ví dụ** (examples) và **ràng buộc đầu ra** (output constraints). Ví dụ, khi xây dựng một chatbot tư vấn sản phẩm thẻ tín dụng, người kỹ sư prompt phải định nghĩa rõ ràng: "Bạn là chuyên viên tư vấn tài chính tại Ngân hàng A với 10 năm kinh nghiệm, chỉ tư vấn các sản phẩm thẻ tín dụng đang có trong bảng giá 2024, không đề xuất sản phẩm không tồn tại, luôn cảnh báo lãi suất khi khách hàng có nhu cầu rút tiền mặt". Đây chính là **Role Prompting** — một trong những kỹ thuật nền tảng.

Trong ngành ngân hàng, **AI Prompt Engineering** đóng vai trò cầu nối giữa dữ liệu nội bộ (chính sách tín dụng, quy trình **Know Your Customer** – **KYC**, danh mục sản phẩm) và khả năng xử lý ngôn ngữ tự nhiên của LLM. Một prompt được thiết kế tốt có thể giúp LLM trích xuất thông tin từ hợp đồng tín dụng, tóm tắt báo cáo tuân thủ, phát hiện dấu hiệu gian lận trong mô tả giao dịch, hoặc hỗ trợ nhân viên quan hệ khách hàng (RM) soạn thảo email cá nhân hóa theo chân dung rủi ro (**risk profile**) của từng khách hàng. Theo báo cáo của McKinsey năm 2024, các ngân hàng ứng dụng **Prompt Engineering** bài bản có thể giảm 40–60% thời gian xử lý các tác vụ văn bản lặp lại.

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

## Đặc điểm và phân loại

**AI Prompt Engineering** có nhiều biến thể khác nhau, mỗi loại phù hợp với một bài toán ngân hàng cụ thể. Dưới đây là bảng phân loại chi tiết:

| **Kỹ thuật** | **Tên tiếng Anh** | **Đặc điểm chính** | **Ứng dụng trong ngân hàng** |
|---|---|---|---|
| Nhắc lệnh vai trò | **Role Prompting** | Gán cho LLM một nhân vật/chuyên gia cụ thể | Tư vấn viên ảo, trợ lý phân tích tín dụng |
| Nhắc lệnh không ví dụ | **Zero-shot Prompting** | Không cung cấp ví dụ mẫu, chỉ dựa vào mô tả nhiệm vụ | Phân loại email spam, phát hiện từ khóa nhạy cảm |
| Nhắc lệnh vài ví dụ | **Few-shot Prompting** | Cung cấp 3–5 ví dụ mẫu trong prompt | Trích xuất thông tin KYC, gán nhãn giao dịch |
| Chuỗi suy luận | **Chain-of-Thought (CoT)** | Yêu cầu LLM trình bày từng bước suy luận | Phân tích khả năng trả nợ, đánh giá rủi ro tín dụng |
| Truy xuất tăng cường | **Retrieval-Augmented Generation (RAG)** | Kết hợp LLM với cơ sở dữ liệu nội bộ | Tra cứu quy định NHNN, tìm điều khoản hợp đồng |
| Nhắc lệnh hệ thống | **System Prompting** | Thiết lập "luật chơi" xuyên suốt phiên hội thoại | Đảm bảo chatbot tuân thủ quy định pháp lý |
| Nhắc lệnh phản ví dụ | **Negative Prompting** | Chỉ rõ điều LLM **không được làm** | Chặn tư vấn đầu tư ngoài giấy phép |
| Nhắc lệnh phân khu | **Partition Prompting** | Chia nhỏ nhiệm vụ phức tạp thành các phần | Phân tích báo cáo tài chính khách hàng doanh nghiệp |
| Nhắc lệnh tự nhất quán | **Self-Consistency Prompting** | Chạy nhiều lần rồi lấy kết quả đa số | Phát hiện giao dịch rửa tiền (AML) |
| Nhắc lệnh cây suy luận | **Tree-of-Thoughts (ToT)** | Khám phá nhiều nhánh suy luận song song | Lập kế hoạch thu hồi nợ, đàm phán cơ cấu khoản vay |

**Đặc điểm nhận biết một prompt chất lượng cao trong ngân hàng:**

1. **Rõ ràng về vai trò** (Role Clarity): Prompt phải chỉ định LLM đóng vai ai — chuyên viên tín dụng, nhân viên tuân thủ, hay tổng đài viên.
2. **Ràng buộc đầu ra chặt chẽ** (Output Constraints): Quy định định dạng JSON, bảng markdown, độ dài tối đa, ngôn ngữ sử dụng.
3. **Ngữ cảnh cụ thể** (Context Specificity): Cung cấp dữ liệu nền như chính sách hiện hành, biểu phí 2024, danh sách sản phẩm đang bán.
4. **Có cơ chế bảo vệ** (Guardrails): Loại trừ các tình huống nhạy cảm (tư vấn đầu tư, khuyến nghị mua bán chứng khoán).
5. **Có ví dụ minh họa** (Demonstrations): Đặc biệt quan trọng với Few-shot Prompting — ví dụ phải sát thực tế ngân hàng Việt Nam.
6. **Có cơ chế xác minh** (Verification Hook): Yêu cầu LLM trình bày lý do, trích dẫn nguồn, hoặc đánh giá độ tin cậy.

Ngoài ra, một khía cạnh ít được đề cập là **Prompt Versioning** (quản lý phiên bản prompt) — tương tự như quản lý phiên bản mã nguồn (**source code versioning**). Các ngân hàng lớn thường lưu trữ prompt trong hệ thống Git nội bộ, kèm theo nhật ký A/B testing để đo lường hiệu quả qua các chỉ số như **độ chính xác** (**accuracy**), **tỷ lệ hallucination** (tỷ lệ LLM "bịa" thông tin), và **điểm hài lòng khách hàng** (**Customer Satisfaction Score** – **CSAT**).

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Tư vấn sản phẩm thẻ tín dụng tại Ngân hàng A

**Bối cảnh:** Ngân hàng A triển khai chatbot trên ứng dụng di động, phục vụ 2,3 triệu khách hàng cá nhân. Đội ngũ AI áp dụng **Role Prompting** kết hợp **Few-shot Prompting** như sau:

> *"Bạn là chuyên viên tư vấn thẻ tín dụng tại Ngân hàng A. Nhiệm vụ: tư vấn sản phẩm thẻ phù hợp dựa trên thu nhập và nhu cầu khách hàng. Quy tắc: (1) Chỉ tư vấn 4 sản phẩm thẻ đang kinh doanh năm 2024 gồm: Thẻ Cashback Plus, Thẻ Travel Elite, Thẻ Platinum Plus, Thẻ Visa Signature; (2) Không cam kết duyệt thẻ 100%; (3) Luôn nhắc lãi suất 18–25%/năm khi khách hỏi rút tiền mặt; (4) Trả lời tối đa 150 từ; (5) Sử dụng tiếng Việt lịch sự."*

Kết quả sau 3 tháng triển khai: tỷ lệ khách hàng yêu cầu gặp nhân viên thật giảm từ 68% xuống 34%, **CSAT** tăng từ 3,8/5 lên 4,4/5, và tỷ lệ **hallucination** (tư vấn sản phẩm không tồn tại) giảm xuống dưới 1,2%.

### Ví dụ 2: Hỗ trợ phân tích tín dụng doanh nghiệp tại Ngân hàng B

**Bối cảnh:** Ngân hàng B cần rà soát 500 hồ sơ tín dụng doanh nghiệp vừa và nhỏ (SME) mỗi tháng. Đội ngũ tín dụng ứng dụng **Chain-of-Thought Prompting** kết hợp **RAG** để trích xuất dữ liệu từ báo cáo tài chính:

> *"Bạn là chuyên gia phân tích tín dụng SME tại Ngân hàng B. Hãy phân tích hồ sơ khách hàng Công ty X theo các bước: Bước 1 — Trích xuất doanh thu, lợi nhuận, dòng tiền từ báo cáo tài chính đính kèm; Bước 2 — Tính các chỉ số: Current Ratio, Debt-to-Equity, ROE; Bước 3 — So sánh với ngưỡng ngành (xem bảng ngành trong cơ sở dữ liệu); Bước 4 — Đưa ra đề xuất: Chấp nhận / Yêu cầu bổ sung / Từ chối; Bước 5 — Giải thích lý do trong 200 từ. Trích dẫn số liệu cụ thể ở mỗi bước."*

Kết quả: Thời gian xử lý mỗi hồ sơ giảm từ 45 phút xuống còn 18 phút (giảm 60%), tỷ lệ phát hiện rủi ro sớm tăng 22%. Tuy nhiên, ngân hàng vẫn duy trì quy trình **Human-in-the-Loop** (con người xác minh lại) đối với các khoản vay trên 50 tỷ đồng.

### Ví dụ 3: Phát hiện giao dịch đáng ngờ trong phòng chống rửa tiền (AML)

**Bối cảnh:** Ngân hàng C xử lý trung bình 12 triệu giao dịch mỗi ngày. Bộ phận **Anti-Money Laundering** (**AML**) sử dụng **Self-Consistency Prompting** kết hợp **Partition Prompting**:

> *"Nhiệm vụ: Đánh giá 1.000 giao dịch trong ngày 15/03/2024. Với MỖI giao dịch, trả lời các câu hỏi: (1) Giao dịch có dấu hiệu chia nhỏ (smurfing) không? (2) Có khớp với cảnh báo đỏ của NHNN không? (3) Mức độ rủi ro: Thấp/Trung bình/Cao? Định dạng đầu ra: JSON. Chạy phân tích 3 lần và chỉ giữ kết quả nhất quán."*

Kết quả thực tế: hệ thống phát hiện thêm 17 trường hợp đáng ngờ mà hệ thống rule-based truyền thống bỏ sót, giúp Ngân hàng C tiết kiệm chi phí tuân thủ ước tính 8 tỷ đồng/năm. Tuy nhiên, nhân viên compliance vẫn là người ra quyết định cuối cùng, đảm bảo tuân thủ **Luật Phòng chống rửa tiền 2022** của Việt Nam.

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

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Prompt Engineering | /prɒmpt ˌɛndʒɪˈnɪərɪŋ/ |
| Tiếng Nhật | プロンプトエンジニアリング | Puronputo Enjinia Ringu |
| Tiếng Hàn | 프롬프트 엔지니어링 | Peulompteu Enjinieoring |
| Tiếng Trung | 提示工程 | Tíshì Gōngchéng |
| Tiếng Tây Ban Nha | Ingeniería de Prompts | /iŋ.xeˈni.e.ɾi.a ðe pɾompts/ |

**Ghi chú bổ sung:**
- Trong tiếng Nhật, thuật ngữ **プロンプトエンジニアリング** được sử dụng song song với **プロンプト設計** (Puronputo Sekkei – Thiết kế prompt) trong các tài liệu kỹ thuật của các ngân hàng lớn như MUFG, Mizuho.
- Tiếng Hàn sử dụng **프롬프트 엔지니어링** là chuẩn phổ biến, nhưng các tài liệu học thuật còn dùng **프롬프트 공학** (Peulompteu Gonghak – Công trình học về prompt).
- Tiếng Trung đôi khi dùng **提示詞工程** (Tíshì cí Gōngchéng) trong các bài viết kỹ thuật, nhấn mạnh vào "từ khóa nhắc lệnh" thay vì "kỹ thuật nhắc lệnh" tổng quát.
- Tại các nước nói tiếng Tây Ban Nha như Mexico, Tây Ban Nha, các ngân hàng BBVA và Santander sử dụng thuật ngữ **Ingeniería de Prompts** trong nội bộ, nhưng tài liệu hướng dẫn khách hàng thường dùng **Diseño de Instrucciones para IA** (Thiết kế chỉ dẫn cho AI) để dễ hiểu hơn.

## Câu hỏi thường gặp

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

**AI Prompt Engineering** là việc tinh chỉnh **câu lệnh đầu vào** để khai thác tối đa năng lực của LLM có sẵn mà **không thay đổi trọng số mô hình** (model weights). Trong khi đó, **Fine-tuning** là quá trình huấn luyện lại một phần hoặc toàn bộ mô hình trên dữ liệu riêng của ngân hàng, tốn kém hơn (về chi phí GPU, thời gian) và đòi hỏi hàng nghìn đến hàng triệu mẫu dữ liệu có nhãn. Trong ngân hàng, **Prompt Engineering** thường được ưu tiên trước vì triển khai nhanh (vài giờ đến vài ngày), chi phí thấp, dễ thay đổi. **Fine-tuning** chỉ được cân nhắc khi ngân hàng cần mô hình riêng xử lý ngôn ngữ chuyên ngành (ví dụ: tiếng Việt trong bối cảnh kế toán ngân hàng) với độ chính xác cực cao.

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

Các vị trí trong ngân hàng **bắt buộc cần thành thạo Prompt Engineering** bao gồm: (1) Chuyên viên phân tích dữ liệu (Data Analyst) khi làm việc với các công cụ AI hỗ trợ như Copilot, Cursor; (2) Chuyên viên tín dụng khi sử dụng trợ lý AI để tóm tắt hồ sơ khách hàng; (3) Nhân viên chăm sóc khách hàng khi vận hành chatbot; (4) Chuyên viên tuân thủ khi rà soát văn bản quy định; (5) Lập trình viên AI/ML khi xây dựng sản phẩm cho ngân hàng. Thời điểm lý tưởng để học là **ngay bây giờ**, vì theo khảo sát của Ngân hàng Nhà nước Việt Nam, hơn 70% ngân hàng thương mại cổ phần đã bắt đầu thử nghiệm GenAI trong năm 2024.

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

Đối với khách hàng cá nhân, **Prompt Engineering** tốt giúp rút ngắn thời gian phản hồi từ 24 giờ xuống còn vài phút cho các yêu cầu thường gặp như tra cứu lãi suất, khiếu nại giao dịch, hoặc đăng ký dịch vụ mới. Đối với khách hàng doanh nghiệp, đặc biệt SME, kỹ thuật này giúp hồ sơ vay được thẩm định nhanh hơn, giảm sai sót trong đánh giá tài chính. Tuy nhiên, khách hàng cần hiểu rằng AI vẫn có thể mắc lỗi — đặc biệt là hiện tượng **hallucination** (LLM "bịa" thông tin). Do đó, các ngân hàng uy tín luôn có cơ chế **Human-in-the-Loop**, đảm bảo con người xác minh các quyết định quan trọng như phê duyệt khoản vay, phong tỏa tài khoản, hoặc thay đổi điều khoản hợp đồng.

## Tổng kết

**AI Prompt Engineering – Kỹ thuật nhắc lệnh** đang trở thành năng lực cốt lõi không thể thiếu trong ngành ngân hàng Việt Nam trong giai đoạn chuyển đổi số 2024–2030. Từ việc tư vấn khách hàng, phân tích tín dụng, phát hiện gian lận đến tuân thủ quy định pháp lý, mỗi kỹ thuật nhắc lệnh — từ **Zero-shot** đơn giản đến **Tree-of-Thoughts** phức tạp — đều mang lại giá trị riêng biệt khi được áp dụng đúng bối cảnh. Điều quan trọng nhất là người thiết kế prompt phải hiểu rằng: **prompt tốt không phải prompt dài, mà là prompt rõ ràng, có ràng buộc, có ngữ cảnh và có cơ chế bảo vệ**. Đối với ứng viên thi tuyển vào ngân hàng, việc nắm vững **Prompt Engineering** không chỉ giúp ghi điểm trong phỏng vấn mà còn là nền tảng để làm việc hiệu quả với các công cụ AI ngay từ ngày đầu tiên. Hãy bắt đầu thực hành từ những prompt nhỏ, đo lường kết quả bằng số liệu cụ thể, và không ngừng tinh chỉnh — đó chính là con đường ngắn nhất để làm chủ kỹ năng này trong môi trường ngân hàng.

## 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.
- [Chuyển đổi số ngân hàng](https://vieclam.nganhang.com/thuat-ngu/chuyen-doi-so-ngan-hang-la-gi) — Quá trình ngân hàng chuyển đổi toàn diện từ mô hình truyền thống sang vận hành số, nâng cao trải nghiệm khách hàng.
- [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.
- [Phân loại khiếu nại](https://vieclam.nganhang.com/thuat-ngu/phan-loai-khieu-nai-la-gi) — Hệ thống phân nhóm khiếu nại theo chủ đề (thẻ, tiền gửi, cho vay) và mức độ nghiêm trọng để ưu tiên xử lý và báo cáo.
- [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.