Có hàng chục framework prompt engineering trên mạng: CO-STAR, RACE, CRISPE, CRAFT, BROKE, RTF, APE. Mỗi cái có 4–7 thành phần. Đọc xong vẫn không biết cái nào nên dùng. Bài này nói về VPRC — framework Soni Learn dùng để chấm điểm prompt — vì sao chọn đúng 4 trục, không thêm cũng không bớt, và tại sao nó hợp với cách người Việt thực sự viết prompt.

VPRC = Vai trò · Persona · Request · Context. Nó không phải sáng tạo từ chân không — VPRC tổng hợp 3 năm quan sát thực tế: hơn 800 prompt người Việt paste vào Prompt Lab, lỗi nào lặp lại nhiều nhất, sửa cái gì là output cải thiện rõ nhất. Bốn trục này là những thứ thiếu nhiều nhất chứ không phải đẹp về lý thuyết.

V — Vai trò: định danh AI trước khi nó đoán

Lỗi phổ biến nhất của người Việt khi viết prompt là bắt đầu bằng câu hỏi mà không nói AI đang đóng vai gì. Ví dụ: 'Viết email xin nghỉ ốm cho sếp'. Không có Vai trò → AI mặc định ở chế độ trợ lý chung → output trung lập, an toàn, vô vị. Thay vì vậy: 'Bạn là HR manager công ty IT 50 nhân viên ở Hà Nội. Viết email xin nghỉ ốm cho sếp...' — output ngay lập tức có giọng phù hợp môi trường VN, biết dùng 'em' với sếp, biết cấu trúc email công sở Việt.

Vai trò khác với Persona. Vai trò là 'AI đang là ai khi xử lý prompt này' (HR manager, copywriter, lập trình viên backend). Persona là 'output đang nói chuyện với ai'. Lẫn lộn 2 cái là lỗi cấp 2 — sẽ giải thích ở mục P phía dưới.

P — Persona: ai là người nhận output?

Output cùng nội dung nhưng nói cho boomer 50 tuổi khác hẳn nói cho Gen Z 22 tuổi. Người Việt thường viết prompt mà không nói target audience → AI sẽ chọn an toàn (trung lập, formal) → không bao giờ converge với giọng thực của brand. Persona cần cụ thể: tuổi, ngành, mức quen với AI, ngôn ngữ thường dùng (Anh-Việt mix? thuần Việt? slang Gen Z?).

Case study: một creator TikTok ở Sài Gòn paste vào Prompt Lab: 'Viết caption TikTok về AI cho dân văn phòng'. Output trả về cứng nhắc, dài, dùng từ Hán Việt nặng. Sau khi thêm Persona: 'Audience là dân văn phòng 25-32 tuổi ở SG, đã dùng ChatGPT lèo lèo, muốn caption ngắn 3-4 dòng, có 1 hook tò mò + 1 câu chốt' → output ngay lập tức chuẩn. Đây không phải magic prompt, là chỉ thêm 1 trục thông tin AI cần để chọn voice.

R — Request: yêu cầu cụ thể, có thể đo được

Đây là trục yếu nhất của người Việt. 80% prompt trong Prompt Lab có Request mơ hồ: 'Viết bài hay', 'làm cho hấp dẫn', 'tóm tắt ngắn gọn'. Hay là gì? Hấp dẫn ra sao? Ngắn là bao nhiêu chữ? AI không đọc được ý — nó đoán. Đoán đúng thì may, đoán sai thì user copy-paste-cry. Request tốt phải có: action verb cụ thể (viết, tóm tắt, so sánh, dịch), độ dài định lượng (300 từ, 5 bullet, 1 đoạn), tiêu chí thành công (có 3 ví dụ, có CTA cuối, có số liệu).

Mẹo VN-specific: dùng đơn vị đo người Việt hiểu thay vì international. 'Viết bài blog 1500 từ' rõ hơn 'short blog post'. 'Tóm tắt thành 5 ý chính, mỗi ý 1-2 câu' rõ hơn 'concise summary'. AI hiểu cả 2 nhưng cái sau khó verify hơn — bạn không biết khi nào nó đã đủ ngắn.

C — Context: thông tin nền AI không thể tự biết

Context là dữ liệu/bối cảnh AI chưa biết về tình huống của bạn. Ví dụ: 'Viết email từ chối ứng viên' — AI viết được nhưng generic. Thêm Context: '...ứng viên này đã qua 3 vòng, fail vòng cuối vì culture fit không khớp (team nhỏ, ứng viên quen làm corporate); cần giữ quan hệ tốt vì có thể là ứng viên sau này' → output cụ thể, personalized, đúng nuance. Đây là khác biệt lớn nhất giữa output 'dùng được' và output 'phải sửa lại'.

Context KHÔNG phải chỗ đổ data lung tung. Lỗi cấp 3: paste 2000 từ context cho 1 yêu cầu 100 từ → AI bị nhiễu, output lệch. Quy tắc Soni Learn: context = 1.5 đến 3 lần độ dài của output mong muốn, max thôi. Hơn nữa là quá tải.

Vì sao đúng 4 trục, không 3 hay 5?

Bỏ Vai trò → output không có giọng. Bỏ Persona → không biết viết cho ai. Bỏ Request → AI đoán mò. Bỏ Context → output generic. Bỏ bất kỳ trục nào trong 4 cái này là mất 1 chiều thông tin AI cần. Thêm trục thứ 5 (như CO-STAR có thêm Style, Tone, Audience) thực ra là chia nhỏ Persona — gây overlap, người Việt khó nhớ.

Test thực tế: cho 50 người Việt 2 nhóm. Nhóm A học VPRC (4 trục), nhóm B học CO-STAR (6 trục). Sau 1 tuần — nhóm A nhớ và áp dụng được trung bình 3.7/4 trục. Nhóm B nhớ 3.1/6 trục. Ít hơn nhưng dùng nhiều hơn = output tốt hơn. Đây là lý do triết lý Soni Learn ưu tiên framework gọn.

So sánh VPRC vs CO-STAR vs RACE

CO-STAR (Context · Objective · Style · Tone · Audience · Response) là framework Singapore phổ biến trên LinkedIn. Đầy đủ nhưng cồng kềnh. RACE (Role · Action · Context · Example) gần VPRC nhưng thiếu Persona — output dễ generic khi không biết audience. APE (Action · Purpose · Expectation) quá tối giản — bỏ qua role và persona cả hai.

VPRC nằm ở sweet spot: đủ chi tiết để output có chất lượng, đủ ít để người Việt nhớ và áp dụng. Đây là tiêu chí tối ưu cho framework giáo dục — không phải framework cho researcher dùng trong paper.

Case study: trước và sau VPRC

Prompt gốc của một sinh viên gửi vào Prompt Lab: 'Giúp tôi viết CV xin internship'. AI trả về CV template chuẩn quốc tế, định dạng formal, không phù hợp ngành. Score VPRC: V=0 (không có vai trò), P=0 (không có persona), R=2/4 (chỉ có action 'viết CV'), C=0 (không context).

Prompt sửa theo VPRC: 'V: Bạn là HR senior từng làm 5 năm ở Vietnam Tech (Tiki, Shopee, MoMo). | P: Tôi là sinh viên năm 3 HUST, chuyên Software, GPA 3.4, có 1 dự án cá nhân về AI chatbot. | R: Viết CV 1 trang xin internship Frontend Dev, kèm 3 dòng cover letter highlight project. | C: Apply cho Shopee Tech, deadline 2 tuần, hiện chưa có kinh nghiệm freelance.' → output: CV format Việt Nam, highlight project AI để cover gap kinh nghiệm, cover letter có giọng confident nhưng không hype. Khác hẳn output trước.

Áp dụng VPRC ngay hôm nay

Mở Prompt Lab tại sonilearnai.com/prompt-lab, paste prompt bạn dùng nhiều nhất tuần này. AI sẽ chấm 4 trục V-P-R-C cho bạn, gợi ý cụ thể cần thêm gì. Sau 5 lần dùng tool này, bạn sẽ tự động viết prompt có cấu trúc — không cần nhớ framework nữa, nó thành phản xạ. Đó là mục tiêu: VPRC không phải để học thuộc, là để training reflex.

VPRC có hợp với mọi tool AI không?

Có. VPRC là framework structure, không phải prompt template gắn với 1 tool. Tao đã test trên ChatGPT-5, Claude Opus 4.6, Gemini 2.0, Llama 3.3 local — cả 4 đều cải thiện output rõ khi prompt có đủ 4 trục VPRC. Đặc biệt với open-source LLM nhỏ hơn (7B-13B params), VPRC còn quan trọng hơn vì các model này dễ generic hơn khi prompt mơ hồ.

Một số tool có UI bắt buộc bạn fill từng trục (ví dụ AnythingLLM custom prompt builder). Đó thực ra là VPRC variant — Role, Audience, Task, Context. Tên khác nhau nhưng essence giống nhau. Master VPRC = transfer được sang bất kỳ framework nào trong tương lai.

Tại sao framework giáo dục cần ngắn?

Nguyên tắc nhận thức: con người chỉ giữ được 4±1 chunk trong working memory cùng lúc (theo nghiên cứu Cowan, 2001). Framework 7 thành phần buộc não phải chia nhỏ → quên 1-2 cái. Framework 4 thành phần vừa khít working memory → nhớ hết, áp dụng tự động.

Đó là lý do VPRC chọn đúng 4. Không phải vì 4 là magic number — vì 4 là điểm sweet spot giữa độ chi tiết (đủ trục để output chất lượng) và độ nhớ (vừa khít não bộ). Đây là design giáo dục, không phải design framework cho expert.

Common pitfall khi học VPRC

Lỗi 1 — Người mới nhồi quá nhiều vào 1 trục. Ví dụ Context dài 1000 từ cho 1 yêu cầu 100 từ. Rule: context = 1.5x đến 3x output mong muốn. Lỗi 2 — Lẫn Vai trò và Persona. Vai trò = AI là ai. Persona = output nói chuyện với ai. Hai chuyện khác nhau.

Lỗi 3 — Bỏ Request vì nghĩ 'AI tự hiểu'. AI KHÔNG tự hiểu — nó đoán. Request mơ hồ = AI đoán random. Lỗi 4 — Không định lượng output (bao nhiêu từ, bao nhiêu ý). Output dài lung tung. 4 lỗi này tao thấy 70-80% người mới mắc trong tuần đầu dùng VPRC. Bài '5 lỗi prompt người Việt' trên blog này phân tích sâu hơn.