Giáo sư Andrew Ng, nhà sáng lập Google Brain và giảng viên tại Đại học Stanford, cho rằng đôi khi người dùng không cần quá chi tiết khi nhập yêu cầu (prompt) cho AI.

Trong một bài đăng trên X, ông Ng gọi đây là phương pháp “lazy prompting” – tức là đưa thông tin vào AI với rất ít ngữ cảnh hoặc không kèm theo chỉ dẫn cụ thể. “Chúng ta chỉ nên thêm chi tiết vào prompt khi thật sự cần thiết", đồng sáng lập Coursera và DeepLearning cho biết.

Ví dụ điển hình được Ng đưa ra là các lập trình viên khi gỡ lỗi. Họ thường sao chép và dán toàn bộ đoạn thông báo lỗi – đôi khi dài tới vài trang – vào mô hình AI mà không cần nói rõ yêu cầu.

“Đa số mô hình ngôn ngữ lớn (LLM) đủ thông minh để hiểu bạn cần nó phân tích và đề xuất cách sửa lỗi, dù bạn không hề nói ra điều đó”, ông viết.

Theo Ng, đây là bước tiến cho thấy LLM đang dần vượt qua khả năng phản hồi theo câu lệnh đơn thuần, bắt đầu hiểu được mục đích của người dùng và lý luận để đưa ra giải pháp phù hợp – một xu hướng mà các công ty phát triển mô hình AI đang theo đuổi.

Tuy vậy, “lazy prompting” không phải lúc nào cũng hiệu quả. Ng lưu ý rằng kỹ thuật này chỉ nên áp dụng khi người dùng có thể kiểm thử nhanh như qua giao diện web hoặc ứng dụng của AI, và mô hình đủ năng lực để suy đoán ý định từ ít thông tin.

Ông Ng nhấn mạnh: “Nếu AI cần rất nhiều ngữ cảnh để phản hồi chi tiết, hoặc không thể nhận ra lỗi tiềm ẩn, thì prompt đơn giản sẽ không giúp được gì".

Về mặt lý thuyết, kỹ thuật "lazy prompting" giúp tiết kiệm thời gian và công sức, đặc biệt với những người không quen viết câu lệnh chi tiết. Tuy nhiên, nó không phải là "lối tắt" dành cho mọi đối tượng.

Người dùng phổ thông – chưa quen tư duy theo cách máy “hiểu ngầm” – có thể gặp khó khi prompt quá mơ hồ, dẫn đến kết quả không như mong đợi. Trừ khi AI đã quen với ngữ cảnh cụ thể (như đoạn chat trước đó), hoặc người dùng có kinh nghiệm lặp lại và điều chỉnh nhanh yêu cầu, thì phương pháp này mới phát huy hiệu quả.

Trong khi đó, với dân lập trình hoặc người làm việc nhiều với AI, việc rút gọn prompt đôi khi còn giúp mô hình không bị “nhiễu” vì quá nhiều chỉ dẫn thừa. Vì vậy, Ng nhấn mạnh đây là kỹ thuật nâng cao, phù hợp với những ai đã hiểu rõ khả năng phản hồi của mô hình.