Từ prompt engineering đến specification engineering: bước chuyển tư duy bắt buộc
Specification engineering AI là kỹ năng biến những yêu cầu mơ hồ thành một bộ đặc tả rõ ràng, có thể thực thi, kiểm thử và đánh giá, giúp AI agents như chatbot, coding agents và hệ thống workflow tự động hóa hiểu đúng mục tiêu, ràng buộc và tiêu chí thành công thay vì đoán mò ý định người dùng. Điều này đánh dấu bước chuyển từ việc “hỏi cho khéo” sang “định nghĩa thế nào là hoàn thành công việc”. Prompt engineering là cách bạn đặt câu hỏi, còn specification engineering là cách bạn định nghĩa chuẩn mực của một kết quả chính xác. Nếu bạn tiếp tục dùng AI như một chatbot tạo văn bản ngắn, prompt thông minh vẫn đủ. Nhưng khi đưa AI vào coding agents, trợ lý dữ liệu hay quy trình tự động hóa, thiếu specification là tự tay gieo lỗi cho hệ thống.
Prompt engineering cơ bản: một câu lệnh nhỏ, một bước nhảy lớn
Trong hai năm qua, người dùng đã học được nhiều prompt engineering tips như bổ sung ngữ cảnh, xác định vai trò, đưa ví dụ, chỉ định định dạng đầu ra và liên tục điều chỉnh để cải thiện chất lượng phản hồi từ LLM. Nhưng trong thực tế làm việc với ChatGPT Claude Gemini, thứ thường khiến câu trả lời kém chất lượng lại là việc mô hình tự lấp đầy khoảng trống thông tin bằng phỏng đoán sai. Một tinh chỉnh cực kỳ hiệu quả là thêm vào cuối prompt câu lệnh: “Trước khi trả lời, hãy hỏi tối đa ba câu hỏi làm rõ vấn đề, chỉ khi chúng cần thiết để tránh đưa ra các giả định sai lầm. Nếu không, hãy trả lời ngay lập tức và đề cập đến bất kỳ giả định nào bạn đã thực hiện”. Việc giới hạn tối đa ba câu hỏi giúp cuộc trò chuyện vẫn trôi chảy, trong khi buộc AI phải xin thêm ngữ cảnh thay vì đoán mò. Mẹo này hoạt động tốt trên ChatGPT, Claude và Gemini, thay đổi hẳn chất lượng kết quả với chỉ một câu thêm vào.
Specification engineering: xây đặc tả để AI agent không phá việc
Prompt có thể tạo ra câu trả lời trông rất thuyết phục, nhưng chỉ có specification mới cho bạn biết câu trả lời đó có đúng điều mình cần hay không. Specification engineering AI được định nghĩa là kỹ thuật xây dựng đặc tả cho AI, tức khả năng xác định mục tiêu, ràng buộc, đầu ra mong muốn, trường hợp ngoại lệ, phương thức kiểm thử, tiêu chí thành công và những tình huống dễ khiến hệ thống thất bại. Một specification tốt thường gồm 8 thành phần: mục tiêu, ngữ cảnh, đầu vào, định dạng đầu ra, ràng buộc, tiêu chí đánh giá, trường hợp ngoại lệ và các bước xác minh. Khi bạn yêu cầu một AI coding agents “sửa lỗi”, nếu chỉ viết prompt, nó có thể tạo ra bản vá vượt qua bài kiểm thử mà bạn nhìn thấy, nhưng âm thầm phá vỡ một giả định ẩn bên trong hệ thống. Vấn đề không nằm ở mô hình, mà nằm ở việc bạn chưa định nghĩa gần đủ cho nhiệm vụ.
Ví dụ thực tế: từ vibe coding đến spec-driven workflow tự động hóa
Sự khác biệt giữa prompt engineering và specification engineering hiện rõ nhất khi bạn dùng AI coding agents để xây ứng dụng hay xử lý dữ liệu. Một prompt kiểu “Hãy xây dựng cho tôi một ứng dụng quản lý chi tiêu đơn giản” chỉ tạo ra mã trông ổn, nhưng không nói gì về công nghệ, chức năng, kiểm thử hay ràng buộc. Cách tiếp cận theo specification engineering sẽ yêu cầu: xây bằng React, có chức năng thêm/chỉnh sửa/xóa/lọc, tính tổng theo tháng, lưu bằng local storage, kiểm tra tiền > 0, ngày bắt buộc, danh mục bắt buộc, viết unit test cho các chức năng chính, không dùng API trả phí và trả về cấu trúc tệp trước khi triển khai từng tệp. Ở cấp quy trình, ai biết specification sẽ không làm việc kiểu prompt → kết quả → sửa thủ công, mà chuyển sang specification → tạo kết quả → xác thực → chỉnh sửa → kiểm toán. Đó là workflow tự động hóa có thể chịu được rủi ro và kiểm toán được.
Tương lai làm việc với AI: prompt vẫn cần, nhưng specification mới là lợi thế
Prompt engineering chưa biến mất, nó trở thành một phần trong kỹ năng rộng hơn là specification engineering. Giai đoạn đầu của kỷ nguyên AI ưu ái những ai biết ép chatbot trả lời hay hơn; giai đoạn tiếp theo sẽ ưu ái những người biết thiết kế quy trình AI đáng tin cậy với yêu cầu rõ ràng, đầu ra có cấu trúc, cơ chế đánh giá và ranh giới được xác định cụ thể. Khi yêu cầu AI “tóm tắt báo cáo”, thiếu specification có thể khiến nó bỏ qua đúng chỉ số ban lãnh đạo quan tâm, dù bản tóm tắt vẫn mạch lạc. Khi bảo AI “làm sạch dữ liệu”, nó có thể loại bỏ những dòng dữ liệu đáng lẽ cần giữ lại để điều tra. Kỹ năng quan trọng giờ đây không còn là “làm sao để mô hình trả lời?” mà là “làm sao để định nghĩa nhiệm vụ để mô hình, người dùng và người đánh giá cùng thống nhất thế nào là câu trả lời chính xác?”. Ai làm chủ được specification sẽ làm chủ được chính AI agents của mình.
