Viết phán đoán trong đầu thành tài liệu: kỹ thuật ngữ cảnh và mức độ tuân thủ của mô hình
Mấy năm nay, sau khi đưa AI vào công việc, tôi dần dần tháo rời những phán đoán vốn chỉ tồn tại trong đầu tôi, externalize (ngoại hóa) chúng, rồi sắp xếp thành một “tài liệu kỹ thuật ngữ cảnh” (Context Engineering Document) có thể kiểm soát được.
Tôi đánh giá một mô hình qua ba điều
Hiện tại, khi đánh giá một mô hình có phù hợp với công việc “kỷ luật cao, truy nguồn cao” hay không, tôi chủ yếu nhìn vào ba điều:
- nó có tuân thủ được các quy tắc đã định hay không;
- khi thiếu thông tin, nó có tự mình “lấp chỗ trống” hay không;
- nội dung nó xuất ra có truy vết và kiểm tra được hay không.
Vài cảm nhận thực tế ở thời điểm này
Dưới đây là những cảm nhận thực tế gần đây của tôi — xin nói trước, đây thuần túy là trải nghiệm sử dụng cá nhân của tôi ở thời điểm hiện tại; các mô hình cũng liên tục được cập nhật, nên chưa chắc đã đúng với mọi người và mọi phiên bản:
- Claude: mức độ tuân thủ ngữ cảnh cao nhất, chạy bám sát các quy tắc đã định hơn cả, nên tôi coi nó là mô hình chủ lực, dùng để gánh lớp phán đoán.
- GPT: xếp sau. Khả năng truy nguồn tương đối dễ kiểm soát, nhưng khi thiếu thông tin nó thỉnh thoảng lấy dữ liệu huấn luyện ra lấp chỗ trống, nên tôi chủ yếu dùng nó làm phương án dự phòng và cho một số tác vụ nhất định.
- Gemini: khá đuối với kiểu công việc dài hơi, đòi hỏi kỷ luật cao như thế này; nó từng một lèo liệt kê cả loạt nguồn hư cấu, nên tạm thời đã rút khỏi tuyến chính này.
Thứ tạo ra khoảng cách là “sự tuân thủ những phán đoán đã được ngoại hóa”
Với tôi, chìa khóa thực sự tạo ra khoảng cách giữa các mô hình thật ra không chỉ là năng lực của bản thân mô hình, mà là nó có “tuân thủ” được phần phán đoán chuyên môn mà tôi đã ngoại hóa hay không.
Công cụ sẽ còn cập nhật tiếp, nhưng trước hết hãy viết cho rõ những phán đoán trong đầu — việc này, thật ra, quan trọng ngang với chuyện bạn chọn dùng công cụ nào.