# AI Prompt Engineering kỹ thuật tạo câu lệnh

Tiếng Anh: Prompt Engineering

Thiết kế câu lệnh đầu vào cho mô hình ngôn ngữ lớn, giúp nhân viên ngân hàng tận dụng AI tóm tắt hợp đồng và tra cứu nhanh.

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

## AI Prompt Engineering kỹ thuật tạo câu lệnh là gì?

**AI Prompt Engineering** (kỹ thuật tạo câu lệnh) là quá trình thiết kế, tinh chỉnh và tối ưu hóa các câu lệnh đầu vào — gọi là **prompt** — nhằm hướng dẫn mô hình ngôn ngữ lớn (Large Language Model – **LLM**) như GPT, Claude, Gemini hay các mô hình nội bộ của ngân hàng tạo ra kết quả chính xác, đúng trọng tâm và phù hợp với ngữ cảnh nghiệp vụ. Nếu ví **LLM** giống như một chuyên gia thông minh nhưng cần được "ra đề" rõ ràng, thì **Prompt Engineering** chính là cách ngân hàng "ra đề" để nhận được câu trả lời có giá trị cao nhất.

Trong ngành ngân hàng, nơi khối lượng văn bản pháp lý, hợp đồng tín dụng, báo cáo tuân thủ và email khách hàng được tạo ra mỗi ngày lên tới hàng trăm nghìn trang, **Prompt Engineering** đã trở thành năng lực cốt lõi của đội ngũ chuyển đổi số. Một prompt tốt có thể giúp nhân viên quan hệ khách hàng (RM) tóm tắt hợp đồng tín dụng 50 trang chỉ trong 30 giây, hoặc giúp phòng pháp chế rà soát điều khoản vi phạm trong tích tắc thay vì mất 3-4 giờ đọc thủ công.

Ở góc độ chiến lược, **Prompt Engineering** không đơn thuần là "đặt câu hỏi hay" mà là một ngành kỹ thuật có hệ thống, kết hợp giữa ngôn ngữ học, tâm lý nhận thức và hiểu biết nghiệp vụ ngân hàng. Theo khảo sát của Hiệp hội Ngân hàng Việt Nam năm 2025, khoảng 67% ngân hàng thương mại cổ phần đã thành lập đội ngũ **AI Champion** chuyên trách về **Prompt Engineering**, và 41% trong số đó đã đưa nội dung đào tạo này vào chương trình **onboarding** cho nhân viên mới.

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

## Đặc điểm và phân loại

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

### 1. Phân loại theo mức độ cung cấp ví dụ

| Kỹ thuật | Đặc điểm | Ứng dụng ngân hàng |
|---|---|---|
| **Zero-shot Prompting** | Không cung cấp ví dụ, chỉ đưa yêu cầu trực tiếp | Trả lời FAQ khách hàng về lãi suất tiết kiệm |
| **Few-shot Prompting** | Cung cấp 2-5 ví dụ mẫu để mô hình học theo | Phân loại email khách hàng vào nhóm khiếu nại/đề xuất |
| **Many-shot Prompting** | Cung cấp hàng chục đến hàng trăm ví dụ | Trích xuất điều khoản vi phạm từ hợp đồng tín dụng |
| **Chain-of-Thought (CoT)** | Yêu cầu mô hình suy luận từng bước | Phân tích khả năng trả nợ của doanh nghiệp SME |
| **Tree-of-Thought (ToT)** | Mô hình sinh nhiều nhánh suy luận, chọn nhánh tối ưu | Lên kịch bản xử lý nợ xấu theo nhiều phương án |

### 2. Phân loại theo mục đích sử dụng

- **Prompt tóm tắt (Summarization Prompt):** Dùng để rút gọn văn bản dài. Ví dụ: *"Tóm tắt hợp đồng tín dụng dưới 200 từ, làm nổi bật 3 rủi ro pháp lý lớn nhất theo khung Basel II."*
- **Prompt trích xuất (Extraction Prompt):** Lấy thông tin cụ thể từ tài liệu. Ví dụ: *"Trích xuất mã số khách hàng, số tiền vay, thời hạn và lãi suất từ hợp đồng đính kèm."*
- **Prompt phân loại (Classification Prompt):** Gán nhãn văn bản. Ví dụ: *"Phân loại giao dịch sau vào một trong các nhóm: bình thường, đáng ngờ, có dấu hiệu rửa tiền."*
- **Prompt sinh nội dung (Generation Prompt):** Tạo nội dung mới. Ví dụ: *"Soạn thư từ chối cho vay lịch sự, đề xuất phương án vay thế chấp thay thế."*
- **Prompt phân tích (Analysis Prompt):** Đánh giá rủi ro, xu hướng. Ví dụ: *"Phân tích báo cáo tài chính Q3 của Khách hàng B, cho điểm tín nhiệm theo thang 1-10."*

### 3. Đặc điểm nhận biết một prompt chất lượng cao

Một prompt tốt trong ngân hàng cần đáp ứng **6 tiêu chí** sau:

1. **Rõ ràng (Clear):** Chỉ rõ vai trò của AI ("Bạn là chuyên gia phân tích tín dụng có 15 năm kinh nghiệm")
2. **Cụ thể (Specific):** Nêu rõ định dạng đầu ra ("Trả lời dưới dạng bảng Markdown gồm 4 cột")
3. **Có ngữ cảnh (Contextual):** Cung cấp thông tin nền ("Khách hàng B là doanh nghiệp sản xuất gạo, doanh thu 2024 đạt 120 tỷ đồng")
4. **Có ràng buộc (Constrained):** Giới hạn phạm vi ("Chỉ sử dụng dữ liệu từ báo cáo đính kèm, không suy đoán")
5. **Có tiêu chí đánh giá (Evaluable):** Đặt ra chuẩn đo lường ("Độ chính xác phải đạt tối thiểu 95% theo checklist kiểm định")
6. **Có ví dụ minh họa (Exemplified):** Cho một mẫu kết quả mong muốn ("Ví dụ: Đầu ra mong muốn — 'Hạng A, rủi ro thấp, đề xuất cho vay'")

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Tóm tắt hợp đồng tín dụng tại Ngân hàng A

Ngân hàng A triển khai hệ thống **AI tóm tắt hợp đồng** cho đội ngũ RM vào quý II/2025. Trước đây, mỗi RM phải đọc trung bình 12-15 hợp đồng tín dụng mỗi tuần, mỗi hợp đồng dài 40-80 trang, tốn khoảng 90 phút/hợp đồng. Sau khi áp dụng **Prompt Engineering** theo công thức **R-C-S-C** (Role – Context – Steps – Constraints), thời gian giảm xuống còn 8 phút, bao gồm cả thời gian đọc lại để kiểm tra.

Prompt mẫu được sử dụng:

> *"Bạn là chuyên gia phân tích tín dụng tại Ngân hàng A. Hãy đọc hợp đồng tín dụng đính kèm và tạo báo cáo tóm tắt gồm: (1) Thông tin khách hàng, (2) Mục đích vay, (3) Tài sản đảm bảo, (4) Các điều khoản đặc biệt, (5) 3 rủi ro pháp lý lớn nhất. Trình bày dạng bảng Markdown, dưới 300 từ."*

**Kết quả:** Đội ngũ 220 RM của Ngân hàng A tiết kiệm được khoảng **18.700 giờ làm việc mỗi quý**, tương đương **9,3 tỷ đồng** chi phí nhân sự (tính theo mức lương trung bình 500.000 đồng/giờ). Tỷ lệ phát hiện điều khoản bất lợi tăng từ 71% lên 89%.

### Ví dụ 2: Phát hiện giao dịch đáng ngờ tại Ngân hàng B

Phòng **Compliance** của Ngân hàng B phải xử lý trung bình **45.000 cảnh báo giao dịch** mỗi tháng theo quy định của Ngân hàng Nhà nước về phòng chống rửa tiền (AML/CFT). Trước đây, mỗi chuyên viên compliance xử lý khoảng 80-100 cảnh báo/ngày, với tỷ lệ cảnh báo sai (false positive) lên tới 62%.

Sau khi triển khai mô hình **Few-shot Prompting** kết hợp **Chain-of-Thought**, Ngân hàng B xây dựng được thư viện 150 mẫu giao dịch đáng ngờ và 150 mẫu giao dịch hợp lệ để "dạy" AI phân biệt. Prompt mẫu:

> *"Bạn là chuyên viên compliance tại Ngân hàng B. Dựa trên 5 ví dụ giao dịch đáng ngờ và 5 ví dụ hợp lệ dưới đây, hãy phân tích giao dịch [chi tiết giao dịch]. Giải thích từng bước suy luận, sau đó đưa ra kết luận: Đáng ngờ / Hợp lệ, kèm mức độ rủi ro (Thấp – Trung bình – Cao)."*

**Kết quả sau 4 tháng:** Tỷ lệ false positive giảm từ 62% xuống 28%, tỷ lệ phát hiện đúng giao dịch đáng ngờ tăng từ 38% lên 73%, giúp Ngân hàng B tiết kiệm **4,2 tỷ đồng** chi phí vận hành compliance mỗi năm.

### Ví dụ 3: Hỗ trợ khách hàng 24/7 qua Chatbot

Ngân hàng B tích hợp **Prompt Engineering** vào chatbot tư vấn sản phẩm. Khi khách hàng hỏi: *"Tôi muốn gửi tiết kiệm 500 triệu trong 12 tháng, có lãi suất tốt nhất"*, prompt được thiết kế để chatbot:
- Xác định **chân dung khách hàng** (dựa trên dữ liệu CRM)
- So sánh **3-5 sản phẩm tiết kiệm** phù hợp
- Trình bày bảng lãi suất cập nhật theo ngày
- Đề xuất **2 phương án** tối ưu (ưu tiên an toàn / ưu tiên lợi nhuận)

Kết quả: Tỷ lệ chuyển đổi từ tư vấn sang mở sổ tiết kiệm online tăng **34%**, điểm hài lòng khách hàng (CSAT) đạt **4,6/5**, tỷ lệ chatbot xử lý thành công không cần chuyển nhân viên đạt **81%**.

## AI Prompt Engineering kỹ thuật tạo câu 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 enjiniaringu |
| Tiếng Hàn | 프롬프트 엔지니어링 | peurompteu enjinieoring |
| Tiếng Trung | 提示工程 | tíshì gōngchéng |
| Tiếng Tây Ban Nha | Ingeniería de prompts | /iŋxeˈnjeɾi.a ðe pɾompts/ |

## Câu hỏi thường gặp

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

**Fine-tuning** là quá trình huấn luyện lại mô hình trên tập dữ liệu riêng của ngân hàng để mô hình "học" sâu kiến thức nội bộ, thường tốn **vài tuần đến vài tháng** và chi phí từ 200 triệu đến 2 tỷ đồng. Trong khi đó, **Prompt Engineering** chỉ thay đổi cách đặt câu hỏi đầu vào, không chạm vào mô hình gốc, triển khai trong **vài giờ** với chi phí gần như bằng 0. Ví dụ: Ngân hàng A dùng **Fine-tuning** để mô hình hiểu sản phẩm riêng, nhưng dùng **Prompt Engineering** để trích xuất thông tin từ hợp đồng theo từng trường hợp cụ thể.

### Khi nào nhân viên ngân hàng cần biết về AI Prompt Engineering?

Nhân viên ngân hàng cần nắm vững **Prompt Engineering** khi làm việc với **3 nhóm công việc chính**: (1) Xử lý văn bản — tóm tắt hợp đồng, email, báo cáo; (2) Phân tích dữ liệu — trích xuất thông tin từ báo cáo tài chính, phát hiện giao dịch bất thường; (3) Sáng tạo nội dung — soạn thư từ chối, email marketing, kịch bản chăm sóc khách hàng. Theo lộ trình của Ngân hàng B, từ năm 2026, **Prompt Engineering** sẽ là kỹ năng bắt buộc trong chương trình đào tạo chứng chỉ nội bộ cho vị trí RM, compliance và chuyên viên tín dụng.

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

Đối với khách hàng, **Prompt Engineering** mang lại **3 lợi ích trực tiếp**: (1) **Thời gian phản hồi nhanh hơn** — từ 24 giờ xuống còn vài phút cho các yêu cầu thông thường; (2) **Độ chính xác cao hơn** — giảm sai sót trong hồ sơ tín dụng và tư vấn sản phẩm; (3) **Cá nhân hóa tốt hơn** — AI hiểu rõ nhu cầu từng khách hàng để đề xuất giải pháp phù hợp. Tuy nhiên, khách hàng cần lưu ý rằng mọi quyết định quan trọng (phê duyệt khoản vay lớn, đầu tư) vẫn phải được chuyên viên ngân hàng xác nhận, AI chỉ đóng vai trò **hỗ trợ ra quyết định (Decision Support)**, không thay thế con người.

## Tổng kết

**AI Prompt Engineering** không còn là kỹ năng "nice-to-have" mà đã trở thành **năng lực cốt lõi** trong ngân hàng hiện đại, đặc biệt từ khi các mô hình ngôn ngữ lớn được ứng dụng rộng rãi từ năm 2024. Một prompt được thiết kế tốt có thể tiết kiệm hàng trăm giờ làm việc mỗi tháng, giảm thiểu rủi ro tuân thủ và nâng cao trải nghiệm khách hàng. Đối với ứng viên tham gia tuyển dụng ngân hàng, việc hiểu rõ khái niệm **Prompt Engineering**, các kỹ thuật **Zero-shot, Few-shot, Chain-of-Thought** cùng khả năng áp dụng vào nghiệp vụ thực tế (tóm tắt hợp đồng, phân tích tín dụng, compliance) sẽ là **lợi thế cạnh tranh lớn** trong các vòng phỏng vấn và bài thi chuyên ngành ngân hàng từ 2026 trở đi.

## Thuật ngữ liên quan

- [Bảo mật thông tin khách hàng](https://vieclam.nganhang.com/thuat-ngu/bao-mat-thong-tin-khach-hang-la-gi) — Tập hợp các biện pháp kỹ thuật và quy trình bảo vệ dữ liệu khách hàng ngân hàng khỏi truy cập trái phép, là yêu cầu pháp lý và đạo đức trong hoạt động CRM.
- [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.
- [Chuyên viên tín dụng](https://vieclam.nganhang.com/thuat-ngu/chuyaen-viaen-taan-daeang-la-gi) — Phụ trách thẩm định và quản lý các khoản 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.
- [Nhân viên chăm sóc khách hàng](https://vieclam.nganhang.com/thuat-ngu/nhan-vien-cham-soc-khach-hang-la-gi) — Cán bộ ngân hàng chuyên trách tư vấn, hỗ trợ và giải quyết yêu cầu của khách hàng qua các kênh tiếp xúc, đóng vai trò then chốt trong trải nghiệm CRM.
- [Rủi ro công nghệ thông tin](https://vieclam.nganhang.com/thuat-ngu/rui-ro-cong-nghe-thong-tin-la-gi) — Rủi ro từ hệ thống CNTT bị lỗi, gián đoạn, lạc hậu hoặc không đáp ứng yêu cầu bảo mật, gây tác động tiêu cực đến hoạt động ngân hàng.