Việc tạo ra những hình ảnh đẹp bằng AI không nên giống như đang niệm chú. Thế nhưng, đó chính xác là cách mà hầu hết các đội ngũ đang thực hiện. Họ mải miết săn tìm sự kết hợp hoàn hảo của các tính từ, hy vọng rằng "cinematic" (điện ảnh), "hyper-detailed" (siêu chi tiết), hay "8K" sẽ bằng cách nào đó mở khóa được kết quả mà họ cần. Một người trong nhóm thì thề rằng phải dùng "bokeh" và "golden hour" (giờ vàng). Một người khác thì lưu giữ một bảng tính riêng chứa các từ khóa "ma thuật" tìm thấy trên một chủ đề Reddit. Kết quả thật dễ đoán: mỗi hình ảnh trông một kiểu khác nhau, chu kỳ đánh giá kéo dài lê thê, và không ai có thể giải thích tại sao một số prompt lại hiệu quả trong khi số khác lại thất bại thảm hại.

Các mẹo vặt không thể mở rộng quy mô. Chúng không bao giờ làm được điều đó. Khi mọi người viết prompt như thể đang sáng tác thơ, sự nhất quán sẽ biến mất. Một nhà thiết kế muốn phong cách tối giản. Một người khác lại muốn thứ gì đó đậm chất điện ảnh. Cả hai đều dùng những từ ngữ mơ hồ giống nhau nhưng lại hình dung ra những kết quả hoàn toàn khác biệt. Sự hỗn loạn này sẽ hiện rõ trong hàng đợi phê duyệt. Các bên liên quan bác bỏ hình ảnh vì những lý do mà không ai có thể truy ngược lại một chỉ dẫn cụ thể nào. Do cách dùng từ? Do thứ tự? Hay do tâm trạng? Các đội ngũ cuối cùng kết thúc bằng việc phải viết lại toàn bộ prompt từ đầu thay vì sửa chữa những gì thực sự sai sót.

Tôi đã dành thời gian nghiên cứu 12.502 prompt chất lượng cao từ GitHub và Evolink.ai. Mô hình hiện ra không hề liên quan đến sự sáng tạo. Những prompt tạo ra kết quả đáng tin cậy và có thể lặp lại được đọc giống như các thông số kỹ thuật, chứ không phải những câu chuyện ngắn. Những tác giả đó không cố gắng gây ấn tượng với mô hình bằng ngôn từ hoa mỹ. Họ đang xây dựng các chỉ dẫn theo cách một kỹ sư xây dựng sơ đồ kỹ thuật: chính xác, phân lớp và rõ ràng.

Điều này có nghĩa là bạn nên ngừng tư duy như một người viết văn sáng tạo và bắt đầu tư duy như một người viết thông số kỹ thuật. Sự khác biệt này không chỉ là lý thuyết suông. Viết lách sáng tạo là xếp chồng các tính từ và hy vọng vào cảm xúc. Viết thông số kỹ thuật là tách biệt các biến số và kiểm soát chúng một cách riêng biệt.

Dưới đây là cấu trúc sáu lớp luôn xuất hiện trong những prompt hiệu suất cao đó.

Goal (Mục tiêu)

Hãy bắt đầu bằng cách xác định lý do tại sao hình ảnh đó tồn tại. Bạn đang tạo một ảnh sản phẩm chủ đạo (hero shot) cho một trang đích (landing page)? Một sơ đồ kỹ thuật cho tài liệu hướng dẫn? Hay một sprite nhân vật cho trò chơi? Mục tiêu sẽ quyết định mọi quyết định tiếp theo. Nếu không có nó, bạn đang bắn vào hư không rồi lại phàn nàn về mũi tên.

Canvas (Khung hình)

Hãy thiết lập nền tảng kỹ thuật trước khi bạn mô tả bất kỳ yếu tố hình ảnh nào. Xác định tỷ lệ khung hình (aspect ratio), độ phân giải (resolution), và không gian màu (color space) hoặc dải màu (gamut) khi cần thiết. Nếu hình ảnh của bạn cần trở thành một banner mạng xã hội, hãy ghi 16:9. Nếu nó cần khớp với một biểu tượng ứng dụng di động, hãy ghi 1:1. Canvas chính là khung hình. Nếu thiết lập sai, ngay cả một chủ thể hoàn hảo cũng sẽ trông lạc lõng.

Layout (Bố cục)

Mô tả vị trí của các vật thể và điều gì là quan trọng nhất. Chủ thể nằm ở giữa? Nó được đẩy sang một phần ba bên trái để chừa chỗ cho tiêu đề? Bạn cần khoảng trống (negative space) để chèn văn bản, hay bạn muốn lấp đầy toàn bộ khung hình? Bố cục thiết lập hệ thống phân cấp. Nó cho mô hình biết cái gì nên tranh giành sự chú ý và cái gì nên có không gian để "thở". Hãy coi đó như việc phác thảo khung xương (wireframing) bằng ngôn từ.

Subject (Chủ thể)

Bây giờ hãy chi tiết hóa các yếu tố hình ảnh cốt lõi. Hãy cụ thể về vật thể, con người, động vật hoặc bối cảnh. Thay vì nói "một con chó", hãy nói "một chú chó beagle cỡ trung đang sải bước, nhìn từ góc ba phần tư từ dưới lên". Thay vì "một chiếc xe hơi", hãy nói "một chiếc sedan màu bạc đậu nghiêng 45 độ so với camera, nhìn rõ phía bên ghế lái". Lớp chủ thể là nơi sự chính xác quan trọng nhất vì các mô hình AI có xu hướng mặc định với phiên bản chung chung nhất của bất cứ thứ gì bạn mô tả. Hãy loại bỏ sự chung chung bằng cách thu hẹp hình học, góc độ và các đặc điểm có thể nhìn thấy.

Style (Phong cách)

Hãy gọi tên phong cách một cách cụ thể. Đừng mô tả một cảm giác. Hãy nói "nhiếp ảnh thời trang biên tập thập niên 1980" hoặc "minh họa vector phẳng theo phong cách áp phích du lịch giữa thế kỷ". Hãy nói "kết xuất (render) bằng Unreal Engine 5 với các vật liệu dựa trên vật lý (physically based materials)" hoặc "tranh thủy mặc trên giấy xuyến chỉ". Tham chiếu phong cách của bạn càng được định danh và giới hạn rõ ràng, mô hình càng ít phải đoán mò. Nếu bạn nói "hiện đại", mười người sẽ hình dung ra mười thập kỷ khác nhau. Nếu bạn nói "thiết kế áp phích Bauhaus từ năm 1923", bạn đã thu hẹp được khoảng cách đó.

Constraints (Ràng buộc)

Liệt kê rõ ràng những gì không được phép xuất hiện. Lớp này giúp ngăn chặn những sự cố kỳ quặc gây lãng phí thời gian trong quá trình phê duyệt. Nếu bạn đang tạo một bức chân dung cho một trang web doanh nghiệp, hãy ràng buộc để tránh khuôn mặt bị mờ, kính râm hoặc logo thương hiệu hiển thị rõ. Nếu bạn cần một nền sạch để ghép ảnh (compositing), hãy ràng buộc để tránh các dải màu chuyển sắc (gradients), văn bản hoặc các vật thể bổ sung. Các ràng buộc đóng vai trò như rào chắn bảo vệ. Nếu không có chúng, mô hình sẽ tự do chèn vào các yếu tố làm phá hủy khả năng sử dụng của hình ảnh một cách âm thầm.

Hãy để tôi cho bạn thấy điều này trông như thế nào trong thực tế. Hãy tưởng tượng bạn cần một hình ảnh cho phần đầu (header) của một bảng điều khiển SaaS.

Cách làm cũ sẽ nghe như thế này: "Một hình minh họa hiện đại, đẹp mắt về một người phụ nữ chuyên nghiệp đang hạnh phúc làm việc trên máy tính xách tay trong một văn phòng tươi sáng, đầy màu sắc, thiết kế sạch sẽ, chất lượng cao, không có bàn tay kỳ dị."

Cách làm theo framework sẽ trông như thế này:

  • Mục tiêu (Goal): Hero image cho trang giá của một B2B SaaS, phải trông đáng tin cậy và chuyên nghiệp
  • Khung hình (Canvas): Banner siêu rộng 21:9, phù hợp cho web header, RGB
  • Bố cục (Layout): Chủ thể ngồi ở 1/3 bên phải, 1/3 bên trái để trống có chủ đích để chèn văn bản, ánh mắt hướng nhẹ về phía bên trái nơi đặt tiêu đề
  • Chủ thể (Subject): Phụ nữ mặc business casual, đang gõ trên một chiếc máy tính xách tay màu bạc mỏng, góc nhìn ba phần tư từ phía bên trái camera, bàn tay hiển thị rõ ràng trên bàn phím
  • Phong cách (Style): Corporate lifestyle photography, ánh sáng ban ngày khuếch tán mềm mại, bảng màu trung tính với các điểm nhấn màu xanh lam nhẹ nhàng, độ sâu trường ảnh nông
  • Ràng buộc (Constraints): Không có logo hiển thị trên quần áo, không có văn bản trên màn hình, không có người khác, không có đồ đạc bừa bãi trên bàn, không cười quá lố

Hãy chú ý điều vừa xảy ra. Không ai đang "cầu may" cả. Mỗi lớp kiểm soát chính xác một biến số.

Tại sao điều này thay đổi mọi thứ

Cấu trúc này giải quyết hai vấn đề tốn kém mà các nhóm phải đối mặt hàng ngày.

Thứ nhất, việc lặp lại (iteration) độc lập trở nên khả thi. Khi một bên liên quan (stakeholder) nói rằng hình ảnh trông quá bình dân, bạn không cần viết lại toàn bộ prompt. Bạn chỉ cần mở lớp Style và thay "corporate lifestyle photography" bằng "studio editorial portrait". Khi bộ phận marketing nói rằng phần văn bản chèn lên bị lấn át, bạn không cần phải đoán mò các tính từ mới. Bạn chỉ cần vào lớp Layout và tăng không gian âm (negative space). Mỗi lớp được cô lập. Bạn tinh chỉnh cỗ máy mà không cần phải thay thế cả động cơ.

Thứ hai, nó tạo ra trách nhiệm giải trình thực sự. Khi một nhóm sử dụng một framework chung, bạn biết chính xác lỗi xảy ra ở đâu. Nếu bố cục lộn xộn, đó là vấn đề về Layout. Nếu hình ảnh bị mờ hoặc tiêu điểm không đúng chỗ, đó là vấn đề về Canvas hoặc Subject. Nếu thẩm mỹ không đúng tinh thần thương hiệu, đó là vấn đề về Style. Bạn sẽ ngừng những cuộc tranh luận mơ hồ về "vibes" và bắt đầu sửa chữa các lớp cụ thể. Điều đó biến những ý kiến chủ quan thành những phản hồi có thể thực hiện được.

Một prompt tốt không nằm ở sự khéo léo. Sự khéo léo thường mong manh. Một câu chơi chữ hay một sự hoa mỹ đầy chất thơ có thể làm thú vị người đọc là con người, nhưng nó lại tạo ra nhiễu cho một mô hình đang cố gắng tuân thủ các hướng dẫn. Thứ hiệu quả là cấu trúc. Thứ có thể mở rộng quy mô chính là cấu trúc.

Khi bạn xây dựng một framework, bạn ngừng dạy mọi người cách viết prompt. Bạn cung cấp cho họ một hệ thống hoạt động hiệu quả mọi lúc. Các thành viên mới không cần phải hấp thụ sáu tháng kiến thức về các từ khóa mang tính nội bộ. Họ chỉ cần điền vào sáu lớp. Những người kiểm duyệt không cần phải đuổi theo người viết prompt để hỏi ý họ là gì. Ý nghĩa đã được chia nhỏ và dán nhãn sẵn.

Đó là cách bạn đạt được cả tốc độ và chất lượng cùng một lúc. Không phải bằng những tính từ hay hơn, mà bằng một kiến trúc tốt hơn.

Nếu bạn muốn tìm hiểu sâu hơn về các quy trình làm việc với AI có cấu trúc, chúng tôi thảo luận về điều này và các hệ thống thực tế khác trong cộng đồng học tập GyaanSetu. Không cần đến các từ khóa ma thuật.