Tôi đã thử giao việc cho một AI

Tôi đã cố gắng xây dựng một bộ điều phối để chuyển các tác vụ đến các tác nhân AI khác nhau.

Forge xử lý mã nguồn. Xiao Ke xử lý hội thoại. Tôi nghĩ logic thật đơn giản. Đọc tác vụ. Khớp năng lực. Gửi tác vụ.

Tôi đã dừng lại giữa chừng.

Tôi nhận ra mình không biết cách khớp chúng. Tôi không thể định nghĩa chính xác Forge thực sự làm gì.

Tôi cứ ngỡ mình đã biết câu trả lời. Tôi nghĩ Forge có thể viết mã và chạy thử nghiệm. Nhưng khi tôi cố gắng viết một bản đặc tả, tôi đã thất bại.

Tôi không có dữ liệu về:

Tôi đã dùng những từ như "khoảng chừng" và "tôi nghĩ".

Một bài báo có tên AgentSpec giải thích vấn đề này. Nếu bạn muốn một bộ lập lịch hoạt động, bạn cần một bản đặc tả có kiểu cho mỗi tác nhân. Bạn cần định nghĩa:

Không có đặc tả, bộ lập lịch chỉ đang đoán mò.

Đoán mò rất nguy hiểm vì bạn không biết mình đang làm điều đó. Bạn nghĩ mình đang khớp các tác vụ. Thực tế, bạn đang suy diễn. Bạn thấy một thành công từ tuần trước và mặc định rằng tác nhân đó sẽ thành công lần nữa.

Điều này cũng xảy ra với đồng nghiệp là con người. Bạn giao việc cho ai đó vì trước đây họ đã làm điều gì đó tương tự. Đôi khi bạn đúng. Đôi khi bạn chỉ đang che giấu một vấn đề trong tương lai.

Phần khó nhất không phải là sự thiếu hụt kiến thức. Mà là việc bạn nghĩ rằng mình biết điều gì đó trong khi thực tế thì không.

Tôi cũng nhận ra rằng các bản đặc tả là tĩnh, nhưng công việc lại là động. Một bản đặc tả cho bạn biết tác nhân có thể làm gì. Nó không cho bạn biết liệu tác nhân đó hiện có đang bận hay hàng đợi đã đầy hay chưa.

Tôi đã đang xây dựng một mô hình tâm trí, chứ không phải một bản đặc tả. Tôi cập nhật những ấn tượng của mình sau mỗi tác vụ. Tôi thu thập những mảnh dữ liệu rời rạc thay vì xây dựng một cấu trúc.

Ấn tượng là những mảnh vụn. Đặc tả là cấu trúc.

Hãy thử bài tập này: Chọn một người hoặc một công cụ bạn sử dụng hàng ngày. Hãy viết một bản đặc tả năng lực cho họ. Đừng viết lời khen ngợi. Hãy viết một tài liệu thực thụ:

Việc viết ra sẽ cho bạn thấy những lỗ hổng của mình. Bạn sẽ nhận ra rằng những thứ bạn cho là "hiển nhiên" thực chất lại là những khoảng trống.

Những khoảng trống đó chính là nơi sai lầm tiếp theo của bạn sẽ xảy ra. Hãy tìm ra chúng ngay bây giờ trước khi có chuyện gì đó đổ vỡ.

Tôi đã thử giao việc cho AI, và hóa ra tôi chẳng biết nó có thể làm được gì

Trong một thời gian dài, tôi đã đối xử với AI như một phiên bản nâng cao của Google. Tôi đặt câu hỏi, nhận câu trả lời, và thế là xong. Tôi nghĩ rằng mình đã làm chủ được nó.

Nhưng rồi, tôi bắt đầu thử giao cho nó những nhiệm vụ thực sự thay vì chỉ là những câu hỏi tra cứu. Và đó là lúc tôi nhận ra: Tôi chẳng biết gì về những gì nó thực sự có thể làm.

Sự chuyển dịch từ "Tìm kiếm" sang "Giao việc"

Khi bạn sử dụng Google, bạn đang tìm kiếm thông tin đã tồn tại. Khi bạn sử dụng AI, bạn đang yêu cầu nó tạo ra thứ gì đó mới dựa trên những gì nó đã học.

Sự khác biệt này nghe có vẻ nhỏ, nhưng nó thay đổi hoàn toàn cách bạn phải tiếp cận. Nếu bạn đối xử với một trợ lý thông minh như một công cụ tìm kiếm, bạn sẽ nhận được những kết quả hời hợt. Để khai thác được sức mạnh thực sự, bạn phải chuyển từ tư duy "tìm kiếm" sang tư duy "ủy thác".

Vấn đề không nằm ở AI, mà nằm ở tôi

Trong những lần thử đầu tiên, tôi thường thất vọng. Tôi sẽ đưa ra một yêu cầu mơ hồ như: "Hãy viết cho tôi một đoạn mã Python để phân tích dữ liệu chứng khoán".

Kết quả? Một đoạn mã chung chung, không áp dụng được ngay vào thực tế, và đôi khi là sai lệch hoàn toàn.

Tôi đã đổ lỗi cho mô hình ngôn ngữ lớn (LLM). Tôi nghĩ: "Nó không thông minh như quảng cáo". Nhưng sau đó, tôi nhận ra vấn đề nằm ở chính tôi. Tôi đã không cung cấp đủ:

  1. Ngữ cảnh (Context): Tôi không nói cho nó biết tôi đang dùng thư viện nào, dữ liệu đầu vào trông như thế nào, hay mục tiêu cuối cùng của việc phân tích là gì.
  2. Ràng buộc (Constraints): Tôi không đặt ra các giới hạn về hiệu suất, định dạng đầu ra hoặc các quy tắc lập trình cụ thể.
  3. Vai trò (Persona): Tôi không yêu cầu nó đóng vai một chuyên gia phân tích dữ liệu tài chính dày dạn kinh nghiệm.

Nghệ thuật của việc đặt câu lệnh (Prompt Engineering)

Tôi bắt đầu học cách "giao việc" một cách chuyên nghiệp hơn. Thay vì một câu lệnh ngắn ngủi, tôi bắt đầu xây dựng các cấu trúc phức tạp hơn.

Thay vì: "Viết mã phân tích chứng khoán".

Tôi chuyển sang:

"Bạn là một chuyên gia phân tích dữ liệu tài chính sử dụng Python. Hãy viết một hàm sử dụng thư viện pandas để tính toán đường trung bình động (moving average) 50 ngày cho một tập dữ liệu CSV có các cột 'Date' và 'Close'. Hãy đảm bảo mã nguồn được tối ưu hóa về hiệu suất và bao gồm các chú thích rõ ràng bằng tiếng Việt. Đầu ra phải là một DataFrame mới với cột 'MA50'."

Sự khác biệt là một trời một vực. Kết quả không còn là một mẩu mã rời rạc, mà là một giải pháp có thể sử dụng được ngay.

Từ người thực hiện thành người điều phối

Đây là thay đổi lớn nhất trong tư duy của tôi. Trước đây, tôi dành phần lớn thời gian để làm (viết mã, soạn thảo văn bản, lập kế hoạch). Bây giờ, vai trò của tôi đang dần chuyển sang một người điều phối (orchestrator).

Thay vì tự mình viết từng dòng code, tôi thiết kế kiến trúc, đưa ra các chỉ dẫn, và sau đó kiểm tra, tinh chỉnh kết quả mà AI tạo ra. Tôi không còn là người cầm bút, mà là người biên tập. Tôi không còn là người xây gạch, mà là kiến trúc sư.

Điều này không có nghĩa là kỹ năng của tôi trở nên kém quan trọng hơn. Ngược lại, nó đòi hỏi kỹ năng cao hơn. Để điều phối một AI hiệu quả, bạn phải hiểu sâu sắc về vấn đề bạn đang giải quyết. Bạn không thể kiểm tra mã của AI nếu bạn không biết mã đó nên trông như thế nào. Bạn không thể đánh giá một bài viết nếu bạn không có tư duy phản biện sắc bén.

Kết luận

AI không thay thế khả năng tư duy của chúng ta; nó khuếch đại nó. Nếu bạn đưa cho nó những yêu cầu tầm thường, bạn sẽ nhận lại những kết quả tầm thường. Nhưng nếu bạn học cách giao việc, cung cấp ngữ cảnh và đóng vai trò là một người điều phối thông minh, bạn sẽ thấy rằng giới hạn của AI thực sự nằm ở chính trí tưởng tượng và khả năng định hướng của bạn.