Ông tôi, một người tỉ mỉ đến lạ, lúc nào cũng để trên bàn làm việc một chiếc la bàn đồng nhỏ, đã cũ kỹ và xỉn màu. Chiếc la bàn ấy không dùng để định hướng cho những chuyến đi xa, mà tựa như một vị tiên tri thầm lặng. Thỉnh thoảng, ông lại cầm nó lên, lật đi lật lại trong lòng bàn tay rồi lẩm bẩm về việc dự đoán những cơn đổi gió, ngay cả khi không khí hoàn toàn tĩnh lặng. Những ngày này, khi làn gió kỹ thuật số bắt đầu xao động với những lời thì thầm về GPT-5, tôi lại nghĩ đến chiếc la bàn ấy.

Chuyện không phải là đoán định tương lai theo kiểu tâm linh huyền bí, hay sa vào những cuộc tranh luận bất tận về Trí tuệ Tổng hợp Nhân tạo (AGI) – những cuộc tranh luận ấy, tôi dám chắc, sẽ còn tiếp diễn rất lâu sau khi thế hệ mô hình kế tiếp ra đời. Không, tâm trí tôi hướng về một điều gì đó thực tế hơn nhiều, và có lẽ, mang tính nhân văn sâu sắc hơn: Làm thế nào để chúng ta, với bộ óc phức tạp nhưng đầy linh hoạt của mình, chuẩn bị *tư duy* cho một thế giới mà ở đó, trí tuệ nhân tạo không chỉ là một công cụ, mà là một môi trường bao trùm, phổ biến và vô hình như nước mà cá đang bơi?

Đây không phải là câu chuyện về những câu thần chú ma thuật hay lối tắt bí mật; đây là về việc dự đoán những đường nét của cảnh quan kỹ thuật số. Đó là việc, như trong môn khúc côn cầu, chúng ta phải trượt đến nơi quả bóng sẽ đến, không phải nơi nó đang ở. Và điều mà các mô hình hiện tại, từ sản phẩm của OpenAI đến Claude của Anthropic hay Gemini của Google, đang âm thầm mách bảo chúng ta – điều mà chính kiến trúc tâm trí đáng kinh ngạc của chúng đang hé lộ – là một loạt những thay đổi định hình lại mối quan hệ hợp tác trí tuệ của chúng ta với chúng. Một trong những thay đổi đó, một thay đổi mang tính nền tảng, là sự đề cao ngày càng lớn của *tính cụ thể tuyệt đối*. Hãy hình dung việc cố gắng vẽ một kiệt tác bằng cọ lăn; đó, theo một khía cạnh nào đó, chính là những ngày đầu của việc ra lệnh cho AI (prompting). Giờ đây, với các mô hình có quy mô và năng lực khổng lồ như vậy, khung vẽ đòi hỏi một cây cọ nét nhỏ, một bàn tay tỉ mỉ. Việc chỉ rõ số lượng từ chính xác, định dạng chuẩn xác, thậm chí sử dụng thẻ XML để phân định các phần – đây không phải là những ràng buộc làm quá tải mô hình, mà là những cơ chế tập trung giúp nó tinh chỉnh không gian xác suất rộng lớn của mình thành thứ gì đó đáng kinh ngạc, có tính xác định cao, và độc đáo theo phong cách của *bạn*. Đó là một sự giải phóng phản trực giác: bạn càng áp đặt những ràng buộc chặt chẽ, mô hình càng có nhiều tự do để hiện thực hóa tầm nhìn sáng tạo của bạn với độ rõ nét đáng kinh ngạc.

Một sự thật khác đang nổi lên, cũng sâu sắc không kém, là *văn bản là tiền tệ*. Chúng ta đang sống trong một thế giới mà các mô hình này có thể xử lý hàng trăm nghìn token, và chẳng bao lâu nữa, có thể lên đến hàng triệu. Đây không chỉ là một nâng cấp kỹ thuật; đó là một lời mời gọi sâu sắc để làm phong phú cuộc trò chuyện. Hãy quên đi những yêu cầu vỏn vẹn hai câu; thay vào đó, hãy nghĩ đến việc cung cấp một ngữ cảnh phong phú, toàn diện ngay từ đầu. Hãy cung cấp toàn bộ tài liệu, bức tranh cảm xúc đầy đủ, lịch sử phức tạp, những ràng buộc chính xác của tình huống bạn đang gặp phải. Nếu bạn đang tham gia một cuộc đối thoại, hãy đưa ra toàn bộ quan điểm của mình, trọn vẹn tiếng nói của mình. Ngữ cảnh dồi dào này đóng vai trò như một bánh lái, dẫn dắt mô hình đi qua không gian tiềm ẩn của nó, định hình những khám phá dựa trên xác suất của nó hướng tới một kết quả có ý nghĩa và liên quan hơn. Đó là sự chuyển dịch từ việc đặt những câu hỏi đơn giản sang việc tham gia vào một cuộc truy vấn sâu sắc, chung sức, nơi chiều sâu của đầu vào của bạn tỷ lệ thuận với sự phong phú trong phản hồi của mô hình. Đối với những người trong chúng ta trân trọng những sắc thái trong tư duy, khả năng mở rộng ngữ cảnh này giống như việc khám phá ra một căn phòng mới trong một thư viện yêu quý.

Và rồi, có cả bản chất đang phát triển của chính quy trình làm việc. Điều từng là những truy vấn rời rạc, được chắp nối thủ công, giờ đây đang dần trở thành một *hành trình đa giai đoạn liền mạch*. Chúng ta không còn cần phải giả định rằng lệnh (prompt) chỉ tồn tại trong một khoảnh khắc đơn lẻ, cô lập. Mặc dù các mô hình hiện tại có thể vẫn còn đôi chút lúng túng trong việc xâu chuỗi nhiều giai đoạn tạo tài liệu, xu hướng đã rõ ràng: chúng ta có thể yêu cầu AI bắt tay vào một cuộc thám hiểm trí tuệ đa giai đoạn, một sự tiến triển tư duy có cấu trúc. Điều này tự nhiên dẫn đến nguyên tắc kiến trúc thứ tư: *đầu ra có cấu trúc là một yêu cầu cơ bản*. Đừng chỉ đơn giản yêu cầu “suy nghĩ.” Hãy yêu cầu bảng điểm, ma trận, kế hoạch theo giai đoạn, bảng biểu chính xác. Bạn càng diễn đạt rõ ràng về *hình thức* đầu ra mong muốn, mô hình càng có thể cung cấp *nội dung* bạn tìm kiếm một cách chính xác. Đây ít về một ý tưởng mới, mà nhiều hơn là về một thực hành tốt nhất cũ kỹ cuối cùng đã tìm lại được vị thế xứng đáng, được củng cố nhờ sự ra đời của các mô hình mạnh mẽ hơn.

Ngoài kiến trúc, chính *thiết kế* của các lệnh (prompt) của chúng ta cũng đang trải qua một sự tiến hóa tinh tế nhưng quan trọng. Chúng ta cần vun đắp một *nguyên tắc chất vấn* trong các lệnh của mình, mong đợi mô hình đặt câu hỏi ngược lại. Khi các mô hình trở nên chủ động hơn, có khả năng tự đánh giá và tìm kiếm sự rõ ràng, chúng ta nên khuyến khích cuộc đối thoại này. Hơn nữa, chúng ta phải xây dựng các *vòng lặp tự đánh giá*, hướng dẫn mô hình kiểm tra công việc của chính nó, để xác thực các kết luận dựa trên xác suất của nó với thế giới thông tin rộng lớn hơn mà nó có thể truy cập. Và có lẽ quan trọng nhất, chúng ta cần *buộc mô hình đánh đổi và ưu tiên*. Các mô hình này, nếu để tự chúng hoạt động, đôi khi có thể tìm cách thoái thác, đưa ra một sự thỏa hiệp an toàn. Nhưng tư duy phản biện thực sự, loại tư duy mà chúng ta đề cao ở chính mình, thường đòi hỏi những lựa chọn khó khăn. Hãy thúc đẩy AI lựa chọn, xếp hạng, cắt bỏ. Về bản chất, bạn đang dạy một cỗ máy biết suy nghĩ cách tư duy phản biện, cách đối phó với sự phức tạp và đi đến một lập trường dứt khoát.

Tất cả những điều này có ý nghĩa gì, ở một cấp độ sâu hơn? Các lệnh (prompt), tôi dần tin rằng, không chỉ là công cụ ủy thác đơn thuần. Chúng là công cụ tư duy, những công cụ mà chúng ta sử dụng để cấu trúc suy nghĩ của chính mình nhiều như cách chúng cấu trúc suy nghĩ của AI. GPT-5, hay bất cứ điều gì sẽ đến tiếp theo, không nên thay thế tư duy của chúng ta; nó nên khuếch đại tư duy ấy. Động lực này nuôi dưỡng một mối quan hệ cộng sinh kỳ lạ và đẹp đẽ: khi bạn học cách mô hình tư duy bằng cách định hướng nó, mô hình, ngược lại, sẽ học cách *bạn* tư duy. Đó là một điệu nhảy có đi có lại, một hành trình trí tuệ chung trong một thế giới mới lạ. Và mặc dù có vẻ phản trực giác, tính cụ thể, suy cho cùng, lại là sự giải phóng. Bạn càng định nghĩa chặt chẽ tầm nhìn sáng tạo của mình, mô hình càng có nhiều tự do để hiện thực hóa nó. Hãy coi mình như một nhà quản lý dự án, chia nhỏ công việc phức tạp thành các phần dễ quản lý. Ngay cả khi các mô hình trở nên mạnh mẽ hơn, thói quen của con người là chia nhỏ các vấn đề lớn, cồng kềnh thành các bước nhỏ hơn, có thể thực hiện được vẫn sẽ vô cùng quý giá. Phương pháp “thác nước” (waterfall) cho các dự án AI phức tạp – kỳ vọng một kết quả hoàn hảo, chỉ cần một lần thực hiện – cũng sai lầm đối với LLM như nó đã từng sai lầm với phát triển phần mềm. Thay vào đó, một phương pháp linh hoạt (agile), nơi chúng ta ra lệnh để học hỏi, lặp lại và tinh chỉnh, sẽ tiếp tục mang lại những kết quả sâu sắc nhất.

Cuối cùng, điều chúng ta đang hướng tới không chỉ đơn thuần là “AI có thể và sẽ giúp được gì,” mà là “làm thế nào để tôi xây dựng một mối quan hệ đối tác với AI?” Đó là việc xây dựng một kiến trúc cho ngữ cảnh chung, một bản thiết kế về cách bộ óc của chúng ta thực sự có thể kết nối với những cỗ máy đáng kinh ngạc này. Và nếu tôi đã dành quá nhiều giờ để vò đầu bứt tóc, đối chiếu 139 trang hướng dẫn ra lệnh từ các nhà phát triển mô hình lớn, thì đó chỉ vì những đường nét đang hé lộ của mối quan hệ đối tác này quá hấp dẫn để bỏ qua. Đúng là niềm vui của một người đam mê công nghệ, nhưng quan trọng hơn, đó là con đường dẫn đến một cách tư duy phong phú hơn, được khuếch đại hơn.