Written by on July 5, 2026

Prompt Engineering đang được Context Engineering hấp thụ

Blog

Có một cách hiểu phổ biến về lý do prompt engineering đang mất dần vị thế: mô hình ngày càng giỏi, nên phrasing khéo léo không còn quan trọng như trước. Cách hiểu này có phần đúng nhưng giải thích sai cơ chế. Sự thật gần với vấn đề quy mô hơn là vấn đề năng lực. Prompt engineering ra đời để giải một bài toán cụ thể: viết một khối văn bản, một lần, sao cho một mô hình trả lời đúng ở một lượt gọi duy nhất. Khi bài toán đổi từ một lượt gọi sang một hệ thống chạy nhiều lượt, tự gọi tool, tự tích lũy dữ liệu qua thời gian, công việc kỹ thuật cần làm cũng đổi theo, bất kể mô hình bên dưới thông minh đến đâu. Luận điểm trung tâm của bài này là: context engineering không hấp thụ prompt engineering vì mô hình học được cách tự suy luận. Nó hấp thụ vì phạm vi bài toán đã lớn hơn phạm vi mà một prompt, dù viết khéo đến đâu, có thể bao quát.

Định nghĩa: từ một lượt gọi đến một vòng lặp sống

Prompt engineering theo định nghĩa gốc

Cần quay lại chính cách ngành mô tả prompt engineering ở giai đoạn đầu để thấy phạm vi ban đầu của nó hẹp đến mức nào. Theo Anthropic, ở giai đoạn đầu làm việc với LLM, viết prompt là phần việc lớn nhất của công việc kỹ thuật AI, vì phần lớn use case ngoài chat thông thường xoay quanh các tác vụ one-shot: phân loại văn bản, sinh nội dung, trích xuất thông tin. Trọng tâm của prompt engineering, đúng như tên gọi, là làm sao viết được một prompt hiệu quả, đặc biệt là system prompt, cho một lượt suy luận. Đây là một bài toán có biên rõ ràng. Đầu vào là một khối văn bản tĩnh, đầu ra là một câu trả lời, và toàn bộ công việc tối ưu diễn ra trong phạm vi khối văn bản đó.

Context engineering: mở rộng phạm vi, không phải nâng cấp năng lực

Khi ứng dụng LLM chuyển sang dạng agent, vận hành qua nhiều lượt suy luận và khung thời gian dài hơn, biên đó vỡ. Một agent chạy trong vòng lặp liên tục sinh ra dữ liệu mới có thể liên quan đến lượt suy luận tiếp theo: kết quả tool, lịch sử hội thoại, tài liệu vừa truy xuất. Toàn bộ khối dữ liệu đang lớn dần đó phải được lọc lại sau mỗi vòng. Context engineering, theo cách Anthropic định nghĩa, là nghệ thuật và khoa học của việc chọn lọc cái gì sẽ đi vào cửa sổ ngữ cảnh có giới hạn, từ một vũ trụ thông tin đang liên tục biến đổi. Định nghĩa này không nhắc gì đến việc mô hình suy luận giỏi hơn. Nó mô tả một bài toán quản lý trạng thái qua thời gian, một bài toán không tồn tại khi ứng dụng chỉ chạy một lượt.

Bốn điểm bị hấp thụ

Từ sự mở rộng phạm vi đó, có thể chỉ ra bốn điểm cụ thể nơi công việc từng thuộc về prompt engineering bị context engineering nuốt vào làm một phần của mình.

System prompt: từ toàn bộ công việc thành một lớp tĩnh

Ở giai đoạn one-shot, viết system prompt gần như đồng nghĩa với toàn bộ công việc kỹ thuật. Ở giai đoạn agent, system prompt chỉ còn là một trong nhiều loại context phải quản lý song song, cùng với tool definitions, Model Context Protocol, dữ liệu ngoài, và lịch sử hội thoại. Một hệ quả thực tế của thay đổi này: các kiến trúc context hiện đại tách context thành phần tĩnh, system prompt, tool schema, quy tắc cố định, đặt ở đầu để tận dụng cache, và phần động, input hiện tại, kết quả tool gần nhất, tài liệu vừa truy xuất, đặt ở phần biến đổi phía sau. Việc viết system prompt hay vẫn còn giá trị, nhưng nó co lại thành một mảnh trong một pipeline lắp ráp lớn hơn, không còn là toàn bộ pipeline.

Nhồi luật vào prompt: từ liệt kê tường minh thành curate ví dụ

Một thói quen kinh điển của prompt engineering là cố nhét mọi rule, mọi edge case có thể xảy ra vào một prompt, với hy vọng mô hình sẽ tuân theo tất cả. Anthropic gọi thẳng đây là một thói quen không nên tiếp tục. Đội ngũ hay nhồi một danh sách dài các trường hợp ngoại lệ vào prompt để cố diễn đạt mọi quy tắc mà mô hình phải theo cho một tác vụ cụ thể, và khuyến nghị chính thức là không làm vậy. Thay vào đó, cách tiếp cận được đề xuất là curate một tập nhỏ các ví dụ đa dạng, mang tính đại diện, thể hiện đúng hành vi kỳ vọng của agent. Đây là một dịch chuyển rõ ràng về bản chất công việc, từ viết văn bản liệt kê quy tắc, một kỹ năng ngôn ngữ, sang tuyển chọn ví dụ đại diện, một kỹ năng gần với curation dữ liệu hơn là viết lách.

Frontload thông tin: từ đoán trước thành truy xuất đúng lúc

Kỹ năng cốt lõi của một prompt engineer giỏi từng là đoán trước mọi thông tin mô hình có thể cần, rồi nhét hết vào prompt trước khi gọi. Context engineering thay thế cách làm này bằng truy xuất tức thời. Claude Code là một ví dụ cụ thể: mô hình không lưu sẵn toàn bộ database vào bộ nhớ, mà tự viết truy vấn, dùng lệnh shell như grep hay head, và phân tích kết quả trả về theo từng bước. Việc quyết định thông tin nào cần và khi nào cần không còn nằm ở người viết prompt tại thời điểm thiết kế, mà chuyển sang chính agent tại thời điểm chạy, thông qua cơ chế tool được thiết kế sẵn. Đây là dịch chuyển từ một quyết định tĩnh, làm một lần lúc viết prompt, sang một quyết định động, lặp lại ở mỗi bước.

Ranh giới debug: tách thành hai domain kỹ thuật riêng

Một hệ quả ít được nhắc đến nhưng cho thấy rõ nhất việc phạm vi đã tách ra: khi một agent hoạt động sai, lỗi giờ được truy về một trong hai domain khác nhau. Lỗi ở phần tĩnh, cấu hình system prompt, vẫn được xem là một vấn đề prompt engineering theo đúng nghĩa cũ. Lỗi ở phần động, dữ liệu truy xuất hay cách quản lý lịch sử hội thoại, được xem là một vấn đề retrieval hoặc quản lý history, một domain kỹ thuật không có chỗ đứng trong prompt engineering cổ điển vì cổ điển không có khái niệm lịch sử tích lũy qua nhiều lượt. Sự tồn tại của domain thứ hai, với bộ kỹ năng và công cụ chẩn đoán riêng, là bằng chứng rõ nhất cho việc phạm vi công việc đã lớn hơn những gì một prompt có thể chứa.

Áp dụng: cái gì còn sống, và một câu chuyện khác chạy song song

Phần vẫn còn của prompt engineering

Bốn điểm trên không có nghĩa kỹ năng viết prompt biến mất. Viết system prompt rõ ràng, curate ví dụ chất lượng cao, phát biểu mục tiêu và tiêu chí thành công chính xác, tất cả vẫn là công việc cần làm tốt. Điều thay đổi là vị trí của công việc đó trong toàn cảnh. Trước đây nó là toàn bộ bức tranh. Giờ nó là một trong nhiều mảnh ghép phải phối hợp với retrieval, quản lý tool, quản lý lịch sử, và cơ chế nén ngữ cảnh khi hệ thống chạy dài. Kỹ năng viết một prompt hay vẫn cần thiết, chỉ không còn đủ.

Một câu chuyện khác chạy song song

Cùng thời điểm phạm vi công việc mở rộng, có một hiện tượng khác diễn ra độc lập, dễ bị nhầm là cùng một nguyên nhân. Các mô hình suy luận, dòng o1 và o3 của OpenAI, Claude với extended thinking, tự học cách tạo chuỗi suy luận nội tại qua huấn luyện tăng cường, khiến một số kỹ thuật prompt kinh điển như yêu cầu “nghĩ từng bước” hay đính kèm ví dụ mẫu để minh họa lý luận trở nên dư thừa, có lúc phản tác dụng. Tài liệu chính thức của OpenAI khuyến nghị tránh hẳn chain-of-thought tường minh với các mô hình này, và ưu tiên thử zero-shot trước khi thêm ví dụ mẫu. Anthropic ghi nhận điều tương tự với extended thinking: mô hình thường phản hồi tốt hơn với chỉ dẫn khái quát so với hướng dẫn từng bước áp đặt.

Đây là một câu chuyện thật, nhưng là câu chuyện về năng lực mô hình thay đổi, không phải về context engineering mở rộng phạm vi. Ngay cả khi dùng một mô hình không có khả năng suy luận nội tại, không hưởng lợi gì từ việc bỏ chain-of-thought, phạm vi công việc vẫn mở rộng y hệt một khi ứng dụng chuyển từ one-shot sang agent chạy nhiều lượt. Hai hiện tượng trùng thời điểm, không trùng nguyên nhân.

Tạm kết

Prompt engineering không bị context engineering hấp thụ vì trở nên lỗi thời về mặt kỹ thuật. Nó bị hấp thụ vì bài toán mà nó từng giải trọn vẹn, viết một khối văn bản tốt cho một lượt gọi, chỉ còn là một phần của một bài toán lớn hơn: quản lý một trạng thái ngữ cảnh sống, thay đổi liên tục, qua một hệ thống chạy nhiều lượt. Ai vẫn đo năng lực của mình chỉ bằng khả năng viết một prompt hay đang tối ưu đúng kỹ năng, nhưng cho một bài toán đã nhỏ hơn bài toán thực tế cần giải.

Cảm ơn bạn đã đọc bài viết này!

Nguồn tham khảo

PinYummlyLinkedInPrintShares0

Related Posts:

Written by

Hãy ngồi xuống, uống miếng bánh và ăn miếng trà. Chúng ta cùng nhau đàm đạo về đời, về code nhóe!

Leave a Reply

Your email address will not be published. Required fields are marked *