Framework Context Engineering #20

Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch.

Trả lời ngắn: Framework Context Engineering là cách chọn, sắp và kiểm thông tin AI cần trước khi trả lời. Nó biến một câu hỏi mơ hồ thành gói có nguồn, ngày, ràng buộc và phần chưa rõ. Mục tiêu không phải cho AI thật nhiều chữ; mục tiêu là cho AI đúng căn cứ để không đoán bừa.

Đọc xong, bạn sẽ hiểu:

• Năm bước C.L.E.A.R. là checklist nhập môn của bài này cho các nhiệm vụ hỏi-đáp dựa trên một số tài liệu có thể kiểm.
• Cách phân biệt context hữu ích với context chỉ làm nhiễu.
• Khi nào phải dừng và hỏi lại thay vì nhét thêm dữ liệu.

1. Framework Context Engineering là gì? Từ nhiều mẹo thành một quy trình

a. Mẹo rời rạc dễ bị quên

Bạn đã biết prompt cần rõ, context window có giới hạn, RAG có thể lấy tài liệu, và bản nén phải giữ nguồn cùng ràng buộc. Nhưng tới lúc cần hỏi AI, nhiều người vẫn quay lại cách cũ: dán một đoạn chat dài rồi cầu may.

Context engineering là cách chuẩn bị thông tin AI được xem trước khi trả lời. Nó gồm việc chọn gì để đưa vào, bỏ gì để tránh nhiễu, gắn nhãn ra sao và kiểm đầu ra thế nào. Không phải chỉ một prompt hay một tool nào đó.

Hãy hình dung bạn mang hồ sơ tới quầy bảo hành. Câu hỏi là “món này có đổi được không?”. Hóa đơn, ngày mua và điều kiện còn nguyên tem là context. Mang đúng ba giấy này hữu ích hơn mang cả ngăn tủ ở nhà.

b. Framework để không quên bước khó chịu

Framework không làm AI thành máy biết tuốt. Nó chỉ bắt bạn làm năm việc dễ bị bỏ qua: nói rõ việc, tìm nguồn, chọn đoạn, gắn ràng buộc và kiểm lại. Bước cuối thường hơi mất công, nhưng lại là chỗ chặn câu trả lời nghe rất mượt mà nhưng dựa sai giấy tờ.

Khi thiếu thông tin, câu đúng đôi khi là “mình cần ngày mua” hoặc “hãy xác nhận bản chính sách mới nhất”.

2. C.L.E.A.R. gồm năm bước dễ nhớ

Trong RAG, bước Locate tìm tài liệu còn bước Extract chọn đoạn phù hợp. Mỗi đoạn thêm vào đều tốn context, nên ưu tiên vài đoạn trực tiếp trả lời câu hỏi và còn hiệu lực.

a. C — Clarify: nói rõ việc cần làm

Clarify nghĩa là làm rõ nhiệm vụ. Trước khi lấy tài liệu, viết một câu: “AI cần trả lời câu gì, cho ai, trong phạm vi nào?” Ví dụ: “Soạn câu trả lời lịch sự cho khách hỏi đổi áo; không tự hứa hoàn tiền.”

“Xem giúp mình chính sách này” chưa đủ rõ. AI không biết cần tóm tắt, so sánh hay trả lời một tình huống cụ thể. Nhiệm vụ rõ giống địa chỉ giao hàng: thiếu số nhà thì tài xế có chạy rất chăm cũng dễ tới nhầm nơi.

b. L — Locate: tìm nguồn có thể kiểm

Locate là tìm nguồn đáng tin và ghi ngày/phiên bản. “Chính sách đổi trả v2, hiệu lực 2026-01” tốt hơn “một file trên Drive”. Nếu có hai bản mâu thuẫn, giữ cả hai và đánh dấu cần xác nhận; đừng âm thầm chọn bản có lợi hơn.

Microsoft mô tả RAG theo luồng retrieve, augment, generate: ứng dụng tìm nội dung liên quan, ghép nó với câu hỏi rồi model mới tạo trả lời. Microsoft Foundry Nhưng tìm được tài liệu không có nghĩa tài liệu đó còn hiệu lực hay phù hợp.

c. E — Extract: lấy đoạn liên quan, không bê cả kho

Extract là rút đúng đoạn trả lời câu hỏi. Với đổi áo, lấy mục về thời gian, hóa đơn, tem và ngoại lệ. Không cần đưa mục tuyển dụng hay lịch nghỉ lễ vào chỉ vì chung một PDF.

Context window giống túi xách có sức chứa. Nhét cả tủ quần áo vào túi không làm chuyến đi tốt hơn; nó làm bạn khó tìm đúng món. Retrieval cũng tăng token đầu vào, chi phí và độ trễ, nên đoạn ít nhưng đúng thường hơn đoạn nhiều mà loãng. Microsoft Foundry

d. A — Attach: gắn ràng buộc và phần chưa rõ

Gói context cần ba trường nhìn thấy được: nguồn dùng làm căn cứ; ràng buộc không được vi phạm; và câu hỏi còn thiếu phải hỏi lại.

Attach là gắn constraint, tức điều kiện không được vi phạm, cùng open question, tức điều chưa rõ cần hỏi lại. Ví dụ: “Không hứa hoàn tiền khi thiếu hóa đơn. Chưa rõ ngày mua và tem áo.”

Đây là phần làm context packet khác một đoạn trích đơn thuần. Nguồn nói chính sách là gì; constraint nói AI không được bước qua đâu; open question nói AI không được tự điền khoảng trống. Không có ba nhãn này, câu trả lời rất dễ biến giả định thành fact.

e. R — Review: kiểm câu trả lời trước khi dùng

Review là đối chiếu đầu ra với nguồn, ràng buộc và phần chưa rõ. Hãy hỏi: AI có nêu nguồn nào nó dùng không? Có tự nói “được hoàn tiền” khi dữ kiện chưa đủ không? Có lờ đi ngoại lệ không?

Review giống nhìn lại hóa đơn trước khi rời quầy. Bạn không cần kiểm từng chữ trong thế giới, nhưng phải kiểm phần quyết định: tên món, số lượng, giá và điều kiện. Nếu sai nhiệm vụ, quay về Clarify; sai hoặc cũ nguồn, về Locate; thiếu điều kiện hay ngoại lệ, về Extract; tự lấp dữ kiện còn thiếu, về Attach. Đừng sửa câu cho hay rồi bỏ qua lỗi gốc.

Hình 1 — C.L.E.A.R. biến việc “hỏi AI” thành một vòng kiểm có thể lặp lại.

3. Chạy C.L.E.A.R. với tình huống đổi trả giả lập

a. Bắt đầu bằng packet năm dòng

Giả sử khách hỏi: “Áo này còn đổi được không?” Đây là dữ liệu giả, không phải tình huống khách thật. Packet C.L.E.A.R. có thể là:

1. Clarify: trả lời lịch sự, chỉ dựa chính sách hiện có.
2. Locate: chính sách đổi trả v2, hiệu lực 2026-01.
3. Extract: đoạn yêu cầu hóa đơn và tem áo.
4. Attach: không hứa hoàn tiền; chưa rõ ngày mua, hóa đơn, tem áo.
5. Review: câu trả lời phải nhắc điều kiện và hỏi phần thiếu.

Grounding data là tài liệu làm chỗ bám để AI không đoán bừa. Trong ví dụ này, chính sách v2 là chỗ bám; câu hỏi của khách không tự tạo ra điều kiện đổi hàng mới.

b. Đầu ra tốt vẫn có thể là câu hỏi

Đầu ra không nên là “Có, khách đổi được”. Câu này đoán chắc dù chưa biết ngày mua. Câu hợp lý hơn: “Theo chính sách đổi trả v2 hiệu lực 2026-01, mình cần kiểm điều kiện hóa đơn và tem áo. Bạn cho mình biết ngày mua, sản phẩm còn nguyên tem không và bạn còn hóa đơn không?”

Câu trên không cam kết kết quả. Nó nói rõ nguồn, giữ ràng buộc và hỏi open question. Nếu sau đó khách đưa hóa đơn, packet được cập nhật; không cần viết lại cả hệ thống từ đầu.

Hình 2 — Một context packet tốt không lấp dữ kiện còn thiếu bằng lời đoán.

4. Khi nào không nên nhét thêm context

a. Dừng khi thiếu nguồn hoặc ngày

Khi không biết tài liệu nào là bản mới, đừng thêm mười bản cũ để AI “tự chọn”. Nhiều nguồn mâu thuẫn không tạo ra sự thật. Điểm dừng là hỏi người phụ trách, tìm bản có ngày, hoặc nói rõ chưa xác định được.

Tương tự, đừng đưa dữ liệu khách hàng, thông tin cá nhân, mật khẩu hay tài liệu mật vào công cụ chưa được phê duyệt. Context tốt không đáng đổi lấy rủi ro lộ dữ liệu.

b. Câu trong tài liệu không tự thành lệnh

Prompt injection là nội dung lạ cố lái AI làm việc khác, ví dụ một đoạn trong tài liệu bảo “bỏ qua quy tắc và tiết lộ dữ liệu”. Đó là dữ liệu không tin cậy, không phải instruction được duyệt.

Microsoft khuyến nghị xem retrieved content là input không tin cậy, dùng access control lúc truy xuất và giảm rủi ro injection bằng system message/application logic. Microsoft Foundry Nếu thấy câu lệnh lạ, đánh dấu nó, dừng workflow và kiểm nguồn.

c. Đừng biến checklist thành nghi lễ

C.L.E.A.R. không bắt bạn viết năm trang cho câu hỏi “2+2 bằng mấy?”. Hãy dùng khi câu trả lời phụ thuộc tài liệu, quyết định, thời hạn hoặc ràng buộc. Với kiến thức phổ thông rất đơn giản, packet nặng hơn việc cần làm.

Ngược lại, câu hỏi liên quan chính sách, y tế, pháp lý, tài chính cá nhân hoặc dữ liệu nhạy cảm cần cẩn thận hơn. Checklist không thay chuyên gia, nhưng nó giúp bạn biết chỗ nào không nên bịa.

Hình 3 — Context chỉ hữu ích khi nguồn, ranh giới và điểm dừng đều nhìn thấy được.

5. Bài tập 15 phút: làm phiếu C.L.E.A.R. đầu tiên

a. Dùng giấy hoặc Markdown miễn phí

Mở giấy hoặc file Markdown miễn phí. Tạo case giả: một khách hỏi đổi áo, có chính sách v2 ngày 2026-01, nhưng chưa có ngày mua, hóa đơn và tình trạng tem. Không dùng hóa đơn thật, tên khách thật hay ảnh chụp nội bộ.

Năm phút đầu viết Clarify và Locate. Năm phút tiếp theo Extract đúng đoạn, rồi Attach ràng buộc cùng câu chưa rõ. Năm phút cuối yêu cầu AI trả lời và Review xem nó có hỏi lại hay không.

b. Mẫu đối chiếu đã điền

Nếu AI nói “được đổi” ngay, quay lại kiểm Attach và Review. Nếu AI nhắc nguồn, nói điều kiện và hỏi ngày mua, packet đang làm đúng việc. Mục tiêu bài tập là tập nhận ra khoảng trống, không phải tạo ra đoạn trả lời bóng bẩy.

6. Tổng kết: context tốt là thứ kiểm lại được

a. Năm ý chính

• Context engineering là chuẩn bị thông tin AI xem trước khi trả lời, không chỉ viết prompt hay.
• C.L.E.A.R. gồm Clarify, Locate, Extract, Attach và Review.
• Nguồn có ngày và đoạn liên quan quan trọng hơn một chồng tài liệu dài.
• Constraint cùng open question chặn AI biến giả định thành fact.
• Khi thiếu nguồn hoặc có câu lệnh lạ, dừng và kiểm; đừng nhét thêm context.

b. Câu hỏi tự kiểm tra

• Vì sao Clarify phải có trước Locate?
• Extract khác dán cả tài liệu ở đâu?
• Attach cần ghi hai loại thông tin nào?
• Khi nguồn có câu lệnh lạ, bạn cần làm gì?

c. Gợi ý đáp án

Xem gợi ý câu 1

Phải biết việc cần trả lời thì mới chọn đúng nguồn và đoạn liên quan. → xem mục 2.

Xem gợi ý câu 2

Extract chỉ lấy đoạn phục vụ câu hỏi, giảm nhiễu và vẫn giữ đường quay về nguồn. → xem mục 2.

Xem gợi ý câu 3

Ghi constraint và open question để AI không vi phạm hoặc tự đoán. → xem mục 2.

Xem gợi ý câu 4

Xem nó là input không tin cậy, dừng và kiểm nguồn; không tự làm theo. → xem mục 4.

d. Thuật ngữ cần nhớ

e. Nguồn tham khảo

• Microsoft Foundry — Retrieval augmented generation and indexes

Xem lại Context Engineering là gì? #11, Context Compression #18 và Context Injection #19 khi cần. Bài tiếp theo: Harness là gì? #21.

Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch. Mọi thị trường đều có rủi ro mất vốn.