# AI Prompt Engineering kỹ thuật tạo lời nhắc Tiếng Anh: AI Prompt Engineering Kỹ thuật thiết kế câu lệnh (prompt) để khai thác hiệu quả mô hình ngôn ngữ lớn, tối quan trọng cho chatbot tư vấn tài chính ngân hàng. Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-prompt-engineering-ky-thuat-tao-loi-nhac-la-gi Danh mục: AI & Machine Learning trong ngân hàng Cập nhật: 13/09/2026 ## AI Prompt Engineering (Kỹ thuật tạo lời nhắc) là gì? **AI Prompt Engineering** (Kỹ thuật tạo lời nhắc) 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**) tạo ra kết quả đầu ra chính xác, phù hợp và hữu ích nhất cho một tác vụ cụ thể. Trong bối cảnh ngân hàng, đây là kỹ năng cốt lõi giúp khai thác hiệu quả sức mạnh của các trí tuệ nhân tạo tạo sinh (**Generative AI**) phục vụ cho việc tư vấn tài chính, chấm điểm tín dụng, phát hiện gian lận và tự động hóa quy trình nội bộ. Về bản chất, **prompt** không đơn giản chỉ là một câu hỏi thông thường mà là một "chương trình" bằng ngôn ngữ tự nhiên, được cấu trúc hóa một cách có chủ đích để khai thác khả năng suy luận, tổng hợp thông tin và tạo nội dung của mô hình. Một **prompt** được thiết kế tốt có thể nâng cao độ chính xác của mô hình từ 40% lên đến 85% trong các tác vụ phân loại văn bản tài chính, theo các nghiên cứu thực nghiệm trong ngành. Ngược lại, một **prompt** mơ hồ, thiếu ngữ cảnh sẽ khiến **LLM** đưa ra câu trả lời chung chung, sai lệch hoặc thậm chí "ảo giác" (**hallucination**) – tức là bịa đặt thông tin không có thật. Trong ngành ngân hàng Việt Nam, khi các ngân hàng hàng đầu như Ngân hàng A, Ngân hàng B đang đẩy mạnh chuyển đổi số và triển khai hàng trăm mô hình AI khác nhau, **AI Prompt Engineering** trở thành năng lực chiến lược. Theo báo cáo của Ngân hàng Nhà nước, đến cuối năm 2025, hơn 60% ngân hàng thương mại tại Việt Nam đã ứng dụng **Generative AI** vào ít nhất một quy trình nghiệp vụ, và phần lớn trong số đó phụ thuộc trực tiếp vào chất lượng của đội ngũ **prompt engineer** nội bộ. **Thuật ngữ tiếng Anh:** AI Prompt Engineering **Lĩnh vực:** AI & Machine Learning trong ngân hàng --- ## Đặc điểm và phân loại **AI Prompt Engineering** không phải là một kỹ thuật đơn lẻ mà là một hệ thống nhiều phương pháp, mỗi phương pháp phù hợp với một bài toán ngân hàng cụ thể. Dưới đây là bảng phân loại chi tiết: ### Bảng 1: Các kỹ thuật Prompt Engineering phổ biến | Kỹ thuật | Mô tả | Ứng dụng trong ngân hàng | Độ phức tạp | |---|---|---|---| | **Zero-shot Prompting** | Đưa ra yêu cầu trực tiếp không kèm ví dụ | Phân loại email khiếu nại khách hàng | Thấp | | **Few-shot Prompting** | Cung cấp 2-5 ví dụ mẫu trước khi yêu cầu | Huấn luyện chatbot hiểu ngôn ngữ tài chính chuyên ngành | Trung bình | | **Chain-of-Thought (CoT)** | Yêu cầu mô hình suy luận từng bước | Phân tích khả năng trả nợ của doanh nghiệp SME | Cao | | **Role Prompting** | Gán vai trò cho mô hình (chuyên gia, tư vấn viên) | Tư vấn sản phẩm thẻ tín dụng phù hợp | Trung bình | | **Contextual Prompting** | Bổ sung ngữ cảnh, lịch sử giao dịch | Cá nhân hóa gợi ý đầu tư cho khách VIP | Cao | | **System Prompt** | Thiết lập "luật chơi" cho cả cuộc hội thoại | Đảm bảo chatbot tuân thủ quy định NHNN | Cao | | **Retrieval-Augmented Generation (RAG)** | Kết hợp truy xuất tài liệu nội bộ | Trả lời chính sách lãi suất mới nhất | Rất cao | | **Self-Consistency** | Chạy nhiều lần và lấy đáp án phổ biến nhất | Đánh giá rủi ro tín dụng nhiều lớp | Cao | ### Bảng 2: Thành phần cấu trúc của một Prompt chuẩn | Thành phần | Vai trò | Ví dụ trong ngân hàng | |---|---|---| | **Vai trò (Role)** | Xác định mô hình đóng vai ai | "Bạn là chuyên gia tư vấn tín dụng 15 năm kinh nghiệm" | | **Bối cảnh (Context)** | Cung cấp thông tin nền | "Khách hàng B là chủ doanh nghiệp logistics, doanh thu 50 tỷ/năm" | | **Nhiệm vụ (Task)** | Mô tả chính xác cần làm gì | "Phân tích khả năng vay 10 tỷ trong 5 năm" | | **Định dạng (Format)** | Quy định đầu ra | "Trả lời dưới dạng bảng gồm 3 cột: Rủi ro, Xác suất, Khuyến nghị" | | **Ràng buộc (Constraints)** | Giới hạn phạm vi | "Không đề xuất sản phẩm ngoài danh mục được cấp phép" | | **Ví dụ (Examples)** | Minh họa mong muốn | Cung cấp 1-2 ca phân tích mẫu trước | ### Đặc điểm nhận biết prompt chất lượng cao: - **Tính cụ thể (Specificity):** Thay vì "Tư vấn đầu tư", prompt tốt sẽ là "Tư vấn phân bổ 3 tỷ VNĐ cho khách hàng 45 tuổi, thu nhập 80 triệu/tháng, mục tiêu hưu trí sau 15 năm". - **Tính có cấu trúc (Structured):** Sử dụng gạch đầu dòng, đánh số, markdown để mô hình dễ "đọc". - **Tính lặp lại có kiểm soát (Iterative Refinement):** Prompt tốt thường được tinh chỉnh qua 5-10 lần thử nghiệm (A/B testing) trước khi đưa vào sản phẩm thực tế. - **Khả năng chống ảo giác (Anti-hallucination):** Yêu cầu mô hình trích dẫn nguồn, thừa nhận khi không chắc chắn. --- ## Ví dụ thực tế trong ngành ngân hàng ### Ví dụ 1: Chatbot tư vấn mở thẻ tín dụng tại Ngân hàng A Ngân hàng A triển khai chatbot AI trên ứng dụng di động, phục vụ 8 triệu khách hàng. Ban đầu, đội ngũ kỹ thuật sử dụng **prompt** đơn giản: *"Gợi ý thẻ tín dụng cho khách hàng"*. Kết quả, tỷ lệ chuyển đổi chỉ đạt 4,2%, và 35% khách hàng phản hồi rằng gợi ý "không liên quan". Sau khi áp dụng **Prompt Engineering** chuyên sâu, đội ngũ thiết kế lại prompt theo cấu trúc 6 thành phần như bảng trên. Cụ thể: - **Role:** "Bạn là chuyên gia tài chính cá nhân của Ngân hàng A với 12 năm kinh nghiệm" - **Context:** Cung cấp dữ liệu ẩn danh về thu nhập, lịch sử giao dịch, thói quen chi tiêu - **Task:** "Gợi ý tối đa 2 loại thẻ phù hợp nhất, giải thích lý do trong 3 dòng" - **Constraints:** "Chỉ gợi ý thẻ trong nhóm Visa Platinum và Cashback Plus" Kết quả sau 3 tháng: tỷ lệ chuyển đổi tăng lên **11,8%** (gấp 2,8 lần), điểm hài lòng khách hàng (CSAT) tăng từ 3,6/5 lên **4,4/5**, và thời gian xử lý yêu cầu giảm từ 8 phút xuống còn **47 giây** nhờ chatbot tự động phản hồi tức thì. Chi phí vận hành trung tâm cuộc gọi tiết kiệm khoảng **12 tỷ VNĐ/năm**. ### Ví dụ 2: Phân tích báo cáo tín dụng doanh nghiệp SME tại Ngân hàng B Ngân hàng B xử lý khoảng **25.000 hồ sơ vay** doanh nghiệp vừa và nhỏ (SME) mỗi năm. Mỗi hồ sơ đi kèm báo cáo tài chính dài 30-80 trang, khiến nhân viên tín dụng mất trung bình 4 giờ để đánh giá. Đội ngũ **Prompt Engineer** đã thiết kế một quy trình sử dụng kỹ thuật **Chain-of-Thought** kết hợp **RAG** để trích xuất dữ liệu từ báo cáo tài chính và đưa ra đánh giá sơ bộ. Prompt mẫu: *"Dựa trên báo cáo tài chính đính kèm và quy định cho vay SME số 187/QĐ-NHNB-2024, hãy: (1) Tính các chỉ số DSO, Current Ratio, Debt-to-Equity; (2) So sánh với ngưỡng quy định; (3) Đưa ra đánh giá rủi ro theo thang 5 cấp; (4) Trích dẫn chính xác số liệu từ báo cáo. Nếu thiếu dữ liệu, ghi rõ 'Không đủ cơ sở'."* Kết quả: thời gian đánh giá giảm từ 4 giờ xuống **35 phút** cho phần sơ bộ, độ chính xác của phân loại rủi ro đạt **89%** so với chuyên gia, và tỷ lệ phát hiện sớm hồ sơ rủi ro cao tăng **23%**. Ngân hàng B ước tính giảm **18%** tỷ lệ nợ xấu trong phân khúc SME chỉ trong năm đầu tiên triển khai. ### Ví dụ 3: Phát hiện gian lận qua phân tích văn bản giao dịch Một ngân hàng C (chuyên về thanh toán số) phát hiện rằng 7% giao dịch bất thường có chú thích bằng ngôn ngữ "lóng" hoặc mã hóa nhằm qua mặt hệ thống lọc từ khóa truyền thống. Bằng cách sử dụng **Prompt Engineering** với kỹ thuật **Few-shot**, đội ngũ đã "dạy" mô hình nhận diện 12 mẫu câu ví dụ (ví dụ: "ck nhanh", "gửi hoa hồng", "lại quả") tương ứng với các hành vi rửa tiền phổ biến. Hệ thống mới phát hiện thêm **480 vụ** nghi ngờ gian lận trong quý đầu tiên, trong đó **62 vụ** được xác nhận là rửa tiền có tổng giá trị **2.300 tỷ VNĐ**, giúp cơ quan chức năng điều tra thành công một đường dây xuyên quốc gia. --- ## AI Prompt Engineering 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 peulomteu enjinieoring/ | | Tiếng Trung | AI提示工程 | /AI tíshì gōngchéng/ (Pinyin: AI tíshì gōngchéng) | | Tiếng Tây Ban Nha | Ingeniería de Prompts de IA | /inxeniería de promts de i.a/ | --- ## Câu hỏi thường gặp ### AI Prompt Engineering khác gì so với lập trình truyền thống? **AI Prompt Engineering** và lập trình truyền thống đều nhằm mục đích "ra lệnh" cho máy tính, nhưng khác nhau cơ bản về bản chất. Lập trình truyền thống sử dụng ngôn ngữ hình thức (Python, Java, SQL) với cú pháp nghiêm ngặt, mọi câu lệnh đều phải chính xác tuyệt đối. Trong khi đó, **Prompt Engineering** sử dụng ngôn ngữ tự nhiên (tiếng Việt, tiếng Anh) để giao tiếp với **LLM**, nơi cùng một ý nghĩa có thể diễn đạt bằng nhiều cách và kết quả có tính xác suất. Một lập trình viên giỏi không nhất thiết trở thành **prompt engineer** giỏi và ngược lại – đây là hai kỹ năng bổ sung, không thay thế. ### Khi nào ngân hàng cần đầu tư vào năng lực Prompt Engineering? Ngân hàng cần ưu tiên phát triển năng lực **Prompt Engineering** khi bắt đầu triển khai bất kỳ sản phẩm **Generative AI** nào phục vụ khách hàng hoặc nhân viên, đặc biệt là: chatbot tư vấn, hệ thống tóm tắt văn bản pháp lý, công cụ hỗ trợ phân tích tín dụng, hoặc trợ lý ảo nội bộ. Theo kinh nghiệm thực tế, một đội ngũ 3-5 **prompt engineer** có thể tiết kiệm chi phí tương đương **8-12 tỷ VNĐ/năm** cho ngân hàng có quy mô 5 triệu khách hàng số, đồng thời rút ngắn thời gian đưa sản phẩm AI ra thị trường từ 9 tháng xuống còn 3 tháng. ### AI Prompt Engineering ảnh hưởng thế nào đến trải nghiệm khách hàng ngân hàng? **AI Prompt Engineering** ảnh hưởng trực tiếp và sâu sắc đến trải nghiệm khách hàng theo ba chiều. **Thứ nhất**, tốc độ phản hồi: một prompt tốt giúp chatbot trả lời chính xác trong 2-5 giây thay vì chuyển tiếp sang nhân viên sau 5 phút chờ đợi. **Thứ hai**, tính cá nhân hóa: khi prompt được tích hợp dữ liệu lịch sử, mỗi khách hàng nhận được lời tư vấn khác nhau phù hợp với hoàn cảnh tài chính riêng – như Khách hàng B ở ví dụ trên nhận được gợi ý thẻ khác hoàn toàn so với Khách hàng D có cùng thu nhập nhưng khác thói quen chi tiêu. **Thứ nhất** *(thực ra là thứ ba)*, mức độ tuân thủ quy định: prompt được thiết kế chuẩn sẽ giúp AI tự động từ chối các yêu cầu nằm ngoài phạm vi được cấp phép, tránh vi phạm quy định của Ngân hàng Nhà nước về bảo mật thông tin và phòng chống rửa tiền. --- ## Tổng kết **AI Prompt Engineering** đã trở thành năng lực cốt lõi không thể thiếu trong chiến lược chuyển đổi số của ngành ngân hàng Việt Nam. Từ việc tối ưu hóa chatbot tư vấn, tăng tốc phân tích tín dụng, đến phát hiện gian lận tinh vi, kỹ thuật này giúp khai thác tối đa giá trị của các **Mô hình Ngôn ngữ Lớn** mà vẫn đảm bảo tính chính xác, an toàn và tuân thủ quy định. Trong bối cảnh cạnh tranh ngày càng khốc liệt giữa các ngân hàng, khả năng sở hữu đội ngũ **prompt engineer** chuyên nghiệp có thể tạo ra lợi thế cạnh tranh khác biệt, giúp tiết kiệm hàng tỷ đồng chi phí vận hành mỗi năm đồng thời nâng cao đáng kể sự hài lòng của khách hàng. Đối với ứng viên thi tuyển vào ngân hàng, việc nắm vững khái niệm và ứng dụng thực tiễn của **AI Prompt Engineering** không chỉ là lợi thế mà đang dần trở thành yêu cầu bắt buộc trong các vị trí liên quan đến công nghệ và phân tích dữ liệu. ## 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. - [Chatbot tư vấn tài chính](https://vieclam.nganhang.com/thuat-ngu/chatbot-tu-van-tai-chinh-la-gi) — Trợ lý ảo trên ứng dụng hoặc website ngân hàng sử dụng NLP để trả lời câu hỏi, gợi ý sản phẩm và hỗ trợ mở tài khoản tự động 24/7. - [Công nghệ tài chính](https://vieclam.nganhang.com/thuat-ngu/cong-nghe-tai-chinh-la-gi) — Lĩnh vực ứng dụng công nghệ để cải tiến và tự động hóa dịch vụ tài chính, ngân hàng, thanh toán và đầu tư. - [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. - [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.