One-shot prompting là gì? Đây là kỹ thuật cung cấp một ví dụ duy nhất trong prompt để giúp AI hiểu rõ nhiệm vụ và neo format đầu ra mong muốn, nằm giữa zero-shot (không ví dụ) và few-shot (nhiều ví dụ). Phương pháp này tận dụng in-context learning để AI học format và logic chỉ từ một mẫu, lý tưởng khi nhiệm vụ rõ ràng nhưng cần định dạng chính xác.
One-shot prompting là gì?
One-shot prompting là kỹ thuật prompt engineering cung cấp đúng một ví dụ mẫu (one shot example) kèm theo nhiệm vụ mới, giúp mô hình ngôn ngữ lớn (LLM) như GPT hiểu và bắt chước format anchoring – tức neo định dạng đầu ra mong muốn. Khác với zero-shot prompting chỉ dựa vào hướng dẫn thuần túy, one-shot thêm một ví dụ cụ thể để minh họa cấu trúc, logic và phong cách output, tận dụng khả năng in-context learning (học trong ngữ cảnh) của AI.
Phương pháp này đặc biệt hiệu quả khi nhiệm vụ không quá phức tạp nhưng AI dễ sai format, như trích xuất dữ liệu hoặc dịch với cấu trúc cố định. Ví dụ, thay vì chỉ bảo “Tóm tắt văn bản”, bạn cung cấp một mẫu tóm tắt hoàn chỉnh để AI “neo” theo đúng template {Tiêu đề}, {Điểm chính}, {Tóm tắt}. Điều này giúp AI generalize (khái quát hóa) từ một shot duy nhất mà không cần dữ liệu huấn luyện lớn.
One-shot prompting tiết kiệm token hơn few-shot, nhanh hơn và dễ triển khai, nhưng đòi hỏi ví dụ phải chất lượng cao để tránh hiểu lầm.
Khi nào nên dùng one-shot prompting?
Sử dụng one-shot prompting khi AI đã hiểu nhiệm vụ cơ bản (như zero-shot làm tốt) nhưng output chưa khớp format mong muốn hoặc thiếu logic nhất quán. Đây là lựa chọn chuyển tiếp lý tưởng giữa zero-shot và few-shot, giúp dạy AI hiểu format chỉ với một ví dụ mà không tốn nhiều tài nguyên.
Dưới đây là các tình huống phù hợp nhất:
- Nhiệm vụ cần structured output như JSON, table hoặc template cụ thể, nhưng AI tự do thường lệch lạc.
- Task quen thuộc với mô hình nhưng yêu cầu format anchoring chặt chẽ, ví dụ data extraction từ văn bản.
- Khi bạn muốn kiểm soát output nhanh mà không thu thập nhiều ví dụ (few-shot yêu cầu 3-5 shot trở lên).
- Trường hợp dữ liệu hạn chế, như ứng dụng thời gian thực hoặc prototype nhanh.
Tránh dùng one-shot nếu nhiệm vụ hoàn toàn mới lạ với AI (dùng few-shot) hoặc quá mơ hồ (cần chain-of-thought kết hợp). Trade-off chính: Một ví dụ kém có thể làm AI học sai pattern, dẫn đến output không ổn định hơn zero-shot thuần.
Cấu trúc prompt chuẩn cho one-shot prompting
Cấu trúc prompt one-shot cần rõ ràng, tách biệt ví dụ và nhiệm vụ mới để AI dễ format learning. Bắt đầu bằng hướng dẫn nhiệm vụ, theo sau là một ví dụ mẫu hoàn chỉnh (input + output mong muốn), rồi input mới.
Công thức chuẩn:
- Hướng dẫn nhiệm vụ: Mô tả ngắn gọn yêu cầu và format.
- Ví dụ (one shot): Input ví dụ + Output mẫu chính xác.
- Input mới: Dữ liệu cần xử lý, kết thúc bằng “Output:” hoặc tương tự.
Dưới đây là các yếu tố cần có trong một prompt one-shot hiệu quả:
- Ví dụ phải đại diện: Chọn mẫu gần giống input mới nhất, bao quát đầy đủ format.
- Tách biệt rõ ràng: Dùng dấu ###, — hoặc “Ví dụ:” để phân cách.
- Output mẫu chi tiết: Bao gồm tất cả yếu tố format bạn muốn neo, tránh mơ hồ.
- Ngắn gọn: Giữ prompt dưới 200-300 token để tránh vượt context window.
Ví dụ cấu trúc:
Hãy trích xuất thông tin từ văn bản theo format JSON: {"ten": "...", "tuoi": "...", "nghe": "..."}.
Ví dụ:
Input: Nguyễn Văn A, 30 tuổi, lập trình viên.
Output: {"ten": "Nguyễn Văn A", "tuoi": 30, "nghe": "lập trình viên"}
Input mới: Trần Thị B, 25 tuổi, designer.
Output:Các ví dụ thực tế về one-shot prompting
One-shot prompting tỏa sáng trong các task cần neo format và logic, như data extraction, code generation hoặc dịch ngữ cảnh. Dưới đây là ví dụ cụ thể để bạn áp dụng ngay.
Ví dụ 1: Data extraction (trích xuất dữ liệu)
Prompt one-shot:
Trích xuất tên, tuổi, nghề nghiệp từ văn bản thành JSON.
Ví dụ:
Văn bản: "Lan 28 tuổi là giáo viên."
Output: {"ten": "Lan", "tuoi": 28, "nghe": "giáo viên"}
Văn bản: "Minh 35 tuổi làm bác sĩ."
Output:Kết quả mong đợi: {“ten”: “Minh”, “tuoi”: 35, “nghe”: “bác sĩ”}. Một ví dụ neo format JSON giúp AI tránh output text lộn xộn.
Ví dụ 2: Code generation
Prompt one-shot:
Viết hàm Python theo format: def ten_ham(): """Mô tả""" return ket_qua.
Ví dụ:
Input: Tính bình phương số n.
Output:
def binh_phuong(n):
"""Tính n^2"""
return n**2
Input: Tính giai thừa số n.
Output:Kết quả: AI sinh code đúng format với docstring, dễ bảo trì hơn zero-shot tự do.
Ví dụ 3: Dịch ngữ cảnh (translation với format)
Prompt one-shot:
Dịch tiếng Việt sang tiếng Anh theo format: [Original] -> [Translation].
Ví dụ:
Câu: "Tôi yêu công việc này."
-> [Tôi yêu công việc này.] -> [I love this job.]
Câu: "Thời tiết hôm nay đẹp quá."
->Kết quả: Giữ format song song, neo ngữ cảnh tự nhiên thay vì dịch máy móc.
Kết luận
One-shot prompting là pattern mạnh mẽ để neo format và logic chỉ với một ví dụ, lý tưởng khi AI hiểu nhiệm vụ nhưng output chưa chuẩn. Nó cân bằng giữa tốc độ zero-shot và độ chính xác few-shot, giúp bạn tiết kiệm token mà vẫn kiểm soát chặt. Hãy thử ngay khi gặp vấn vụ format lệch lạc. Dùng one-shot khi AI hiểu nhiệm vụ nhưng chưa ra đúng format bạn cần – áp dụng hôm nay để prompt hiệu quả hơn!
Các câu hỏi thường gặp (FAQs)
### One-shot prompting khác few-shot ở đâu?
One-shot dùng đúng một ví dụ để neo format nhanh, tiết kiệm token, phù hợp task đơn giản cần định dạng cụ thể. Few-shot cần 2-5 ví dụ trở lên để học pattern phức tạp hơn, chính xác cao nhưng tốn context và thời gian hơn.
### Một ví dụ tốt trong one-shot cần những yếu tố gì?
Ví dụ phải đại diện hoàn hảo: khớp format mong muốn, gần giống input mới, chi tiết đầy đủ (input + output), và ngắn gọn. Tránh ví dụ mơ hồ hoặc lệch task để AI không học sai pattern.
### Khi nào một ví dụ vẫn chưa đủ, cần chuyển sang few-shot?
Khi nhiệm vụ phức tạp (nhiều biến đổi logic), AI output không ổn định sau one-shot, hoặc cần học nhiều pattern đa dạng. Lúc này, thêm 2-3 ví dụ giúp generalize tốt hơn, nhưng kiểm tra trade-off token trước.
### One-shot có thể kết hợp với các pattern khác không?
Có, kết hợp với chain-of-thought (thêm “Hãy suy nghĩ từng bước”) để tăng reasoning, hoặc role-playing (“Bạn là expert data analyst”) nhằm neo format + ngữ cảnh. Điều này nâng hiệu quả cho task trung bình.