Large language model dự đoán chuỗi token hợp lý từ pattern đã học khi training. Nó xử lý ngôn ngữ rất tốt nhưng không phải database fact được bảo đảm hay con người có chủ ý.
Large language model dự đoán chuỗi token hợp lý từ pattern đã học khi training. Nó xử lý ngôn ngữ rất tốt nhưng không phải database fact được bảo đảm hay con người có chủ ý.
| Câu hỏi | Câu trả lời thực tế |
|---|---|
| Dùng khi nào? | Khi nhận câu hỏi và note liên quan, LLM dự đoán answer từng token; đổi context, sampling hoặc wording có thể đổi kết quả. |
| Cần làm gì? | Hỏi cùng câu factual và creative khi có/không có context cung cấp, rồi so accuracy, consistency, citation và uncertainty. |
| Biết là đúng bằng cách nào? | Bạn xác định được claim nào dựa trên evidence đã đưa, tái hiện setting và nhận ra lúc cần retrieval hay human verification. |
| Lỗi hay gặp? | Không coi giọng tự tin, nhiều chi tiết hay cảm xúc là bằng chứng model hiểu hoặc trả lời đúng. |
flowchart LR
A[Câu hỏi] --> B[Large language model bằng ngôn ngữ dễ hiểu]
B --> C[Ví dụ nhỏ]
C --> D[Bằng chứng]
Điểm quan trọng của sơ đồ là không dừng ở định nghĩa: hãy nối khái niệm với một ví dụ nhỏ và bằng chứng có thể quan sát.
Khi nhận câu hỏi và note liên quan, LLM dự đoán answer từng token; đổi context, sampling hoặc wording có thể đổi kết quả.
Trước khi làm, hãy viết dấu hiệu thành công. Sau đó chỉ thay đổi một yếu tố, quan sát kết quả và ghi lại assumption. Với Large language model bằng ngôn ngữ dễ hiểu, cách này giúp tách điều bạn biết khỏi điều bạn chỉ đang đoán.
Mục tiêu: Hỏi cùng câu factual và creative khi có/không có context cung cấp, rồi so accuracy, consistency, citation và uncertainty.
Kết quả mong đợi: Bạn xác định được claim nào dựa trên evidence đã đưa, tái hiện setting và nhận ra lúc cần retrieval hay human verification.
Không coi giọng tự tin, nhiều chi tiết hay cảm xúc là bằng chứng model hiểu hoặc trả lời đúng.
Khi kết quả khác dự đoán, đừng đổi nhiều thứ cùng lúc. Kiểm tra input, version, environment, quyền truy cập và log trước; sau đó lặp lại từ ví dụ nhỏ nhất.
Mở resource hoặc repository đi kèm ở cuối trang khi bạn cần implementation đầy đủ. Hãy kiểm tra version hiện hành trước khi dùng command trong dự án thật.
Five practical habits for running Claude Cowork efficiently, from capping your root instructions file to knowing when to build a workstation versus a skill.
Hiểu agent loop, vai trò của tool và memory, cùng các cơ chế biến output của model thành công việc có thể kiểm chứng.
Các kỹ thuật cốt lõi để viết prompt hiệu quả cho LLM.