# AI Prompt Engineering tạo lệnh

Tiếng Anh: Prompt Engineering

Thiết kế câu lệnh đầu vào cho mô hình ngôn ngữ lớn để tối ưu chất lượng phản hồi trong chatbot và hỗ trợ nhân viên ngân hàng.

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

## AI Prompt Engineering (Kỹ thuật tạo lệnh) là gì?

**AI Prompt Engineering** (kỹ thuật tạo lệnh cho trí tuệ nhân tạo) là quá trình thiết kế, tinh chỉnh và tối ưu hóa các câu lệnh đầu vào (gọi là **prompt**) gửi đến các mô hình ngôn ngữ lớn (**Large Language Model - LLM**) hoặc hệ thống trí tuệ nhân tạo tạo sinh (**Generative AI**), nhằm tạo ra kết quả đầu ra chính xác, phù hợp với ngữ cảnh và có giá trị sử dụng cao. Trong bối cảnh ngân hàng hiện đại, kỹ năng này được xem là "cầu nối" giữa con người và các hệ thống AI, đóng vai trò quyết định trong việc khai thác hiệu quả sức mạnh của mô hình đồng thời kiểm soát rủi ro sai lệch thông tin.

Về bản chất kỹ thuật, một **prompt** không đơn thuần là một câu hỏi hay yêu cầu thông thường, mà là một chuỗi hướng dẫn có cấu trúc bao gồm: ngữ cảnh (**context**), vai trò (**role**), nhiệm vụ cụ thể (**task**), các ràng buộc về định dạng (**format constraints**), và ví dụ minh họa (**examples**) nếu cần. Chất lượng đầu ra của mô hình phụ thuộc trực tiếp vào chất lượng prompt — một quy luật thường được tóm gọn bằng khẩu hiệu "Garbage In, Garbage Out" (rác vào thì rác ra). Trong ngành ngân hàng, nơi mà sai số 0,01% có thể dẫn đến thiệt hại hàng tỷ đồng hoặc vi phạm quy định pháp lý, việc thiết kế prompt cẩn trọng càng trở nên tối quan trọng.

Tại Việt Nam, khi làn sóng chuyển đổi số ngân hàng đang diễn ra mạnh mẽ theo Quyết định 810/QĐ-NHNN và Chiến lược chuyển đổi số quốc gia đến năm 2025, định hướng 2030, **Prompt Engineering** đã trở thành một năng lực cốt lõi trong chương trình đào tạo nội bộ của nhiều tổ chức tín dụng. Không chỉ dành cho đội ngũ kỹ thuật (IT), kỹ năng này hiện được yêu cầu ở cả các vị trí nghiệp vụ như tín dụng, kế toán, chăm sóc khách hàng, phân tích dữ liệu, nhằm tận dụng AI như một "trợ lý ảo" thông minh trong công việc hằng ngày.

**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 loại tác vụ cụ thể. Dưới đây là bảng phân loại chi tiết:

| Kỹ thuật | Đặc điểm | Ứng dụng trong ngân hàng | Mức độ phức tạp |
|---|---|---|---|
| **Zero-shot Prompting** | Yêu cầu trực tiếp mô hình mà không cung cấp ví dụ minh họa | Trả lời câu hỏi thường gặp về lãi suất, biểu phí dịch vụ | Thấp |
| **Few-shot Prompting** | Cung cấp 2-5 ví dụ mẫu để mô hình học theo khuôn mẫu | Phân loại giao dịch gian lận, gắn nhãn dữ liệu tín dụng | Trung bình |
| **Chain-of-Thought (CoT)** | Yêu cầu mô hình trình bày từng bước logic trước khi đưa ra kết luận | Phân tích báo cáo tài chính doanh nghiệp, đánh giá rủi ro tín dụng | Cao |
| **Role Prompting** | Gán cho mô hình một vai trò cụ thể (ví dụ: chuyên gia phân tích tín dụng) | Tư vấn sản phẩm, mô phỏng hội thoại với khách hàng VIP | Trung bình |
| **Prompt Chaining** | Kết nối nhiều prompt liên tiếp để xử lý tác vụ phức tạp nhiều bước | Quy trình thẩm định khoản vay tự động, xử lý hồ sơ phức tạp | Rất cao |
| **Retrieval-Augmented Generation (RAG)** | Kết hợp prompt với cơ sở dữ liệu nội bộ để cung cấp thông tin cập nhật | Tra cứu quy định nội bộ, quy trình nghiệp vụ mới nhất | Rất cao |
| **System Prompt** | Câu lệnh hệ thống thiết lập "tính cách" và giới hạn cho mô hình | Xây dựng chatbot tuân thủ quy định pháp lý, bảo mật dữ liệu | Trung bình |

**Các thành phần cấu tạo nên một prompt chất lượng cao:**

1. **Context (Ngữ cảnh):** Cung cấp thông tin nền tảng để mô hình hiểu rõ bối cảnh. Ví dụ: "Bạn đang hỗ trợ nhân viên tín dụng tại một ngân hàng thương mại Việt Nam với khung lãi suất cho vay hiện hành theo Thông tư 39/2016/TT-NHNN."

2. **Role (Vai trò):** Xác định mô hình đóng vai trò gì. Ví dụ: "Bạn là chuyên gia phân tích tín dụng với 15 năm kinh nghiệm."

3. **Task (Nhiệm vụ):** Mô tả rõ ràng, cụ thể điều cần thực hiện. Ví dụ: "Hãy phân tích báo cáo tài chính quý 3/2024 của Khách hàng B và đánh giá 5 chỉ tiêu tài chính quan trọng nhất."

4. **Format (Định dạng):** Yêu cầu cấu trúc đầu ra. Ví dụ: "Trình bày kết quả dưới dạng bảng markdown gồm: chỉ tiêu, giá trị, đánh giá, khuyến nghị."

5. **Constraints (Ràng buộc):** Giới hạn phạm vi đầu ra. Ví dụ: "Không đưa ra khuyến nghị đầu tư, chỉ tập trung phân tích rủi ro tín dụng."

**Các tham số kỹ thuật quan trọng cần nắm:**

- **Token:** Đơn vị xử lý cơ bản của mô hình, tương đương khoảng 0,75 từ tiếng Anh hoặc 1-2 tiếng Việt. Một câu prompt trung bình có 50-200 token.
- **Context Window:** Giới hạn lượng thông tin mô hình có thể "nhớ" trong một lần tương tác, thường từ 4.000 đến 200.000 token tùy model.
- **Temperature Parameter:** Tham số kiểm soát mức độ sáng tạo (0 = chính xác, 1 = đa dạng). Trong ngân hàng thường đặt 0,1-0,3.
- **Top-p (Nucleus Sampling):** Tham số kiểm soát phân phối xác suất cho các từ tiếp theo.

## Ví dụ thực tế trong ngành ngân hàng

**Ví dụ 1: Hỗ trợ phân tích báo cáo tài chính khách hàng doanh nghiệp**

Tại Ngân hàng A, khi nhân viên tín dụng cần thẩm định một hồ sơ vay 50 tỷ đồng của Khách hàng B (một doanh nghiệp sản xuất), thay vì đọc thủ công bộ báo cáo tài chính 80 trang, nhân viên có thể sử dụng prompt sau:

> *"Bạn là chuyên gia phân tích tín dụng. Hãy phân tích báo cáo tài chính năm 2023 của Khách hàng B (doanh nghiệp sản xuất, vốn điều lệ 80 tỷ đồng). Tập trung vào: (1) Hệ số thanh toán hiện hành, (2) Hệ số nợ trên vốn chủ sở hữu, (3) Tỷ suất lợi nhuận gộp, (4) Dòng tiền từ hoạt động kinh doanh, (5) Khả năng trả nợ gốc và lãi đúng hạn. Trình bày kết quả dưới dạng bảng kèm nhận xét tối đa 200 từ. Nếu thiếu dữ liệu, hãy nêu rõ thay vì suy đoán."*

Kết quả: Thay vì mất 3-4 giờ phân tích thủ công, nhân viên chỉ cần 15-20 phút để có được bản phân tích sơ bộ, sau đó tập trung thời gian vào các điểm bất thường để đào sâu thêm. Theo thống kê nội bộ, prompt engineering đúng cách giúp giảm 60-70% thời gian xử lý hồ sơ tín dụng.

**Ví dụ 2: Xây dựng chatbot chăm sóc khách hàng 24/7**

Ngân hàng B triển khai chatbot AI trên ứng dụng di động với hệ thống prompt được thiết kế cẩn trọng, bao gồm system prompt cố định:

> *"Bạn là trợ lý ảo của Ngân hàng B. Nhiệm vụ: hỗ trợ khách hàng về sản phẩm thẻ tín dụng, lãi suất tiền gửi, quy trình mở tài khoản. Quy tắc: (1) Không bao giờ xác nhận giao dịch cụ thể của khách hàng, (2) Luôn cảnh báo nếu khách hàng chia sẻ thông tin nhạy cảm (CMND, mã OTP), (3) Chuyển tiếp đến tổng đài viên thật nếu yêu cầu phức tạp, (4) Không đưa ra tư vấn đầu tư."*

Kết quả sau 6 tháng triển khai: 1,2 triệu cuộc hội thoại/tháng, tỷ lệ giải quyết tự động đạt 68%, giảm tải cho tổng đài viên 45%, điểm hài lòng khách hàng (CSAT) đạt 4,3/5. Đặc biệt, hệ thống đã phát hiện và cảnh báo 230 trường hợp có dấu hiệu lừa đảo (social engineering) nhờ các ràng buộc trong prompt.

**Ví dụ 3: Hỗ trợ tra cứu quy trình nghiệp vụ nội bộ**

Tại Ngân hàng A, với hơn 2.500 quy trình nghiệp vụ (SOP) được cập nhật liên tục, việc nhân viên mới tra cứu mất nhiều thời gian. Bộ phận chuyển đổi số đã xây dựng hệ thống RAG kết hợp prompt engineering: nhân viên gõ "Quy trình xử lý nợ quá hạn 90 ngày đối với khách hàng cá nhân", AI sẽ tự động truy xuất đoạn văn bản liên quan từ tài liệu nội bộ và tóm tắt theo định dạng chuẩn. Thời gian tra cứu trung bình giảm từ 25 phút xuống còn 2 phút.

## AI Prompt Engineering (Kỹ thuật tạo 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 | Puranputo Enjiniaringu |
| Tiếng Hàn | 프롬프트 엔지니어링 | Peulompeuteu Enjinieoring |
| Tiếng Trung | 提示工程 (Tíshì gōngchéng) | /tʰǐʂɻ̩⁵¹ kʊŋ⁵⁵ ʈʂʰəŋ³⁵/ |
| Tiếng Tây Ban Nha | Ingeniería de Prompts | /iŋxeˈnjeɾi.a ðe pɾompts/ |

## Câu hỏi thường gặp

### AI Prompt Engineering khác gì so với Fine-tuning (tinh chỉnh mô hình)?

**AI Prompt Engineering** và **Fine-tuning** đều nhằm cải thiện chất lượng đầu ra của mô hình AI, nhưng khác nhau cơ bản về bản chất. **Fine-tuning** là quá trình tái huấn luyện mô hình với dữ liệu chuyên biệt, làm thay đổi trọng số bên trong mô hình, đòi hỏi tài nguyên tính toán lớn (GPU, hàng trăm GB RAM), thời gian từ vài giờ đến vài tuần, và chi phí cao (có thể từ vài triệu đến hàng trăm triệu đồng). Ngược lại, **Prompt Engineering** không thay đổi mô hình, chỉ tối ưu cách đặt câu lệnh đầu vào, triển khai trong vài phút với chi phí gần như bằng 0. Trong ngân hàng, 80-90% trường hợp có thể giải quyết hiệu quả bằng prompt engineering trước khi cân nhắc fine-tuning.

### Khi nào nhân viên ngân hàng cần trang bị kiến thức về Prompt Engineering?

Nhân viên ngân hàng cần thành thạo **Prompt Engineering** khi: (1) Sử dụng các công cụ AI như ChatGPT, Microsoft Copilot, Google Gemini trong công việc hằng ngày để tăng năng suất; (2) Tham gia xây dựng hoặc tinh chỉnh hệ thống AI nội bộ (chatbot, trợ lý ảo, công cụ phân tích dữ liệu); (3) Chuẩn bị cho các kỳ thi nâng cao năng lực số trong chương trình chuyển đổi số ngân hàng; (4) Làm việc tại các phòng ban như tín dụng, kế toán, marketing, chăm sóc khách hàng, phân tích rủi ro — những nơi AI có thể tạo ra giá trị gia tăng lớn. Theo khảo sát của Ngân hàng Nhà nước năm 2024, có khoảng 35-40% nhân viên ngân hàng thương mại Việt Nam đã được đào tạo về ứng dụng AI cơ bản, và con số này dự kiến đạt 70% vào năm 2026.

### Prompt Engineering ảnh hưởng thế nào đến trải nghiệm và sự an toàn của khách hàng?

**Prompt Engineering** ảnh hưởng trực tiếp đến trải nghiệm khách hàng thông qua hai khía cạnh. Về mặt tích cực: prompt được thiết kế tốt giúp chatbot phản hồi chính xác, nhanh chóng và nhất quán 24/7, giảm thời gian chờ đợi từ 5-8 phút xuống còn dưới 30 giây với các câu hỏi thường gặp. Về mặt an toàn: prompt phải được thiết kế có các ràng buộc bảo mật nghiêm ngặt, ví dụ từ chối cung cấp thông tin cá nhân, cảnh báo khi phát hiện dấu hiệu lừa đảo, không xử lý giao dịch chuyển tiền mà không có xác thực đa yếu tố. Sai sót trong thiết kế prompt có thể dẫn đến rò rỉ dữ liệu khách hàng, tư vấn sai về sản phẩm tài chính, hoặc bị kẻ xấu lợi dụng qua kỹ thuật **prompt injection** (chèn lệnh độc hại). Do đó, việc kiểm thử prompt thường xuyên và giám sát đầu ra là yêu cầu bắt buộc trong môi trường ngân hàng.

## Tổng kết

**AI Prompt Engineering** (kỹ thuật tạo lệnh) không chỉ là một kỹ năng kỹ thuật phụ trợ mà đã trở thành năng lực cốt lõi trong thời đại ngân hàng số, đặc biệt trong bối cảnh các ngân hàng Việt Nam đang đẩy mạnh chuyển đổi số theo lộ trình đến năm 2025 và định hướng 2030. Kỹ năng này đòi hỏi người học vừa nắm vững kiến thức nghiệp vụ tài chính - ngân hàng, vừa hiểu rõ đặc tính và giới hạn của mô hình AI, đồng thời ý thức sâu sắc về tuân thủ pháp lý và bảo mật dữ liệu theo Nghị định 13/2023/NĐ-CP và các quy định của Ngân hàng Nhà nước. Đối với người ôn thi ngân hàng, việc thành thạo Prompt Engineering không chỉ là lợi thế cạnh tranh trong tuyển dụng mà còn là nền tảng để phát triển sự nghiệp trong môi trường tài chính ngày càng số hóa, nơi "AI literacy" sẽ sớm trở thành yêu cầu bắt buộc ở mọi vị trí — từ giao dịch viên đến chuyên gia phân tích cấp cao.

## 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 chăm sóc khách hàng](https://vieclam.nganhang.com/thuat-ngu/chatbot-cham-soc-khach-hang-la-gi) — Bot tự động xử lý các yêu cầu thường gặp trên website, app và mạng xã hội, tự chuyển sang chuyên viên khi vượt khả năng hiểu.
- [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.
- [Quản trị rủi ro mô hình](https://vieclam.nganhang.com/thuat-ngu/quan-tri-rui-ro-mo-hinh-la-gi) — Khung quy trình quản lý vòng đời mô hình phân tích nhằm đảm bảo độ chính xác và tuân thủ theo quy định NHNN.
- [Trí tuệ nhân tạo tạo sinh](https://vieclam.nganhang.com/thuat-ngu/tri-tue-nhan-tao-tao-sinh-la-gi) — Mô hình AI có khả năng tạo nội dung văn bản, hình ảnh và mã nguồn, được kỳ vọng hỗ trợ tư vấn tài chính và tự động hóa chăm sóc khách hàng ngân hàng.