Bản đồ
Framework

Gói ngữ cảnh năm thành phần

Câu hỏi nó trả lời

Khi một nhóm giao cùng loại việc cho AI mỗi tuần (soạn báo cáo, trả lời khách, tóm tắt cuộc họp), nên chuẩn bị sẵn gói thông tin nào để kết quả khỏi chung chung và khỏi viết lại yêu cầu từ đầu?

Xuất xứ
Boonstra, n.d.; Anthropic, 2025; Brown et al., 2020
Loại sơ đồ
Sơ đồ trung tâm
Cấp độ phân tích
Cá nhân
Chủ đề
AI cho người lãnh đạo
Quả cầu kính với lõi mạng nơ-ron phát sáng, biểu tượng AI cho lãnh đạo

Sơ đồ

Gói ngữ cảnh năm thành phần

Gói ngữ cảnh gửi cho AI
Vai trò
Bối cảnh
Ví dụ
Yêu cầu đầu ra
Ràng buộc

Khi nào dùng, khi nào không

Nên dùng khi

Dùng khi cùng một loại việc lặp lại và bạn muốn một gói soạn sẵn, dán vào mỗi lần giao. Năm phần tương ứng với các kỹ thuật được mô tả trong (Boonstra, n.d.): gán vai, cung cấp bối cảnh, đưa ví dụ mẫu, nêu rõ dạng đầu ra, đặt ràng buộc.

Không nên dùng khi

Năm thành phần là cách gom của site từ (Boonstra, n.d.) và (Anthropic, 2025); hai nguồn không đề ra đúng bộ năm này. Với việc làm một lần, một câu hỏi ngắn thường đủ: (Anthropic, 2024) khuyên bắt đầu từ lời nhắc đơn giản rồi mới thêm phần.

Cách áp dụng từng bước

  1. Vai trò: ai đang làm việc này và cho ai đọc ((Boonstra, n.d.)).
  2. Bối cảnh: chỉ thông tin cần cho việc này. (Anthropic, 2025) khuyên tìm tập thông tin nhỏ nhất mà vẫn đủ để mô hình làm đúng.
  3. Ví dụ: vài mẫu tiêu biểu thay vì một danh sách mọi ngoại lệ ((Anthropic, 2025)); mẫu trong lời nhắc giúp mô hình làm việc mới mà không cần huấn luyện lại ((Brown et al., 2020)).
  4. Yêu cầu đầu ra: dạng, độ dài, cấu trúc cụ thể ((Boonstra, n.d.)).
  5. Ràng buộc: những điều không được làm. (Boonstra, n.d.) nghiêng về chỉ dẫn nêu điều cần làm hơn danh sách cấm, và giữ ràng buộc cho trường hợp cần chặn nội dung có hại hoặc ép định dạng chặt.

Cạm bẫy

Cạm bẫy

Nhồi cả tài liệu vào gói. (Anthropic, 2025) mô tả hiện tượng “context rot”: số token trong ngữ cảnh càng nhiều thì khả năng nhớ chính xác thông tin càng giảm.

Nguồn

Tài liệu tham khảo

Xếp A–Z theo họ tác giả, kiểu Harvard. Nguồn có DOI thì link https://doi.org/…; nguồn không có DOI thì link trang nguồn hoặc ghi rõ không có DOI.

  1. Anthropic (2024) Building effective AI agents. Anthropic Research.Không có DOIanthropic.comĐược trích trong 6 bài
  2. Anthropic (2025) Effective context engineering for AI agents. Anthropic Research.Không có DOIanthropic.comĐược trích trong 4 bài
  3. Boonstra, L. (n.d.) Prompt engineering [whitepaper].Không có DOIkaggle.comĐược trích trong 1 bài
  4. Brown, T.B., Mann, B. and Ryder, N. (2020) Language models are few-shot learners. (arXiv preprint arXiv:2005.14165).doi:10.48550/arXiv.2005.14165Được trích trong 1 bài