Lộ trình học AI trong 30 ngày cho người mới: Cách mình học từ số 0 để dùng AI hiệu quả trong công việc thật

Nếu bạn hỏi mình: “Học AI có khó không?”

Câu trả lời thật lòng là: không khó, nhưng rất dễ học sai cách.

Mình gặp rất nhiều người nói rằng họ đã dùng ChatGPT, Claude, Gemini… suốt nhiều tháng, thậm chí mỗi ngày. Nhưng khi hỏi sâu hơn thì câu chuyện thường lặp lại: AI lúc trả lời rất hay, lúc lại “ngớ ngẩn”; có lúc giúp được việc, có lúc làm mình mất thêm thời gian vì phải sửa lại từ đầu.

Vấn đề không nằm ở AI. Vấn đề nằm ở thứ tự mình học và cách mình dùng.

Trong bài viết này, mình muốn chia sẻ lộ trình học AI trong 30 ngày (chia thành 4 tuần) mà nếu được quay lại từ đầu, mình sẽ chọn đi theo. Lộ trình này không dành cho kỹ sư AI, cũng không cần biết lập trình, mà dành cho những người muốn dùng AI hiệu quả trong công việc thật: viết lách, marketing, kinh doanh, vận hành, học tập.

Vì sao phần lớn mọi người học AI sai cách?

Sai lầm phổ biến nhất mà mình thấy là nhảy thẳng vào công cụ.

Nghe AI tạo ảnh đẹp là lao vào tạo ảnh. Thấy người khác “bắt AI viết content viral” là copy prompt về dùng. Thấy trên mạng nói về chatbot, agent, fine-tuning là bắt đầu cảm thấy mình bị tụt hậu.

Trong khi đó, rất ít người dừng lại để hỏi những câu rất cơ bản:

• AI thật sự hoạt động như thế nào?
• Vì sao cùng một câu hỏi, lúc AI trả lời hay, lúc lại dở?
• Vì sao có lúc AI quên mất thứ mình vừa nói vài câu trước?

Không hiểu nền tảng, nên khi dùng AI có vấn đề, mình chỉ biết đổ cho “AI ngu”, thay vì nhận ra rằng mình đang giao việc sai cách.

Tuần 1: Hiểu AI đang làm gì (để không kỳ vọng sai)

Tuần đầu tiên, mình không cố gắng làm cho AI “ra sản phẩm”. Mục tiêu duy nhất của mình là hiểu đúng bản chất.

AI không “hiểu” như con người

Điều đầu tiên mình phải chấp nhận là: AI không suy nghĩ, không có ý thức, không hiểu theo nghĩa con người hiểu. AI giỏi ở một việc duy nhất: dự đoán từ tiếp theo dựa trên xác suất từ dữ liệu đã học.

Trước hết, AI là gì nếu nói một cách dễ hiểu? Với mình, AI (trí tuệ nhân tạo) đơn giản là máy “bắt chước” cách con người suy nghĩ và trả lời. Trong số đó, thứ chúng ta gặp nhiều nhất hiện nay là AI biết đọc và viết chữ, như ChatGPT hay Claude.

Để không bị rối, mình chỉ cần nhớ AI có ba tầng. Tầng lớn nhất là AI – tên gọi chung. Bên trong đó là Machine Learning, nơi AI học từ dữ liệu thay vì làm theo quy tắc cứng. Sâu hơn nữa là Deep Learning, dạng học sâu, cũng chính là nền tảng của các AI hiện đại ngày nay.

AI không “hiểu” theo kiểu con người hiểu, mà rất giỏi trong việc đoán từ tiếp theo dựa trên lượng dữ liệu đã học.

Ví dụ:

Khi mình gõ:

“Hôm nay trời rất…”

AI sẽ dự đoán tiếp những từ có xác suất cao nhất như “đẹp”, “nóng”, “mưa”.

Nó làm việc này tốt đến mức khiến mình có cảm giác là nó hiểu mình. Nhưng thực ra, nó chỉ đang đoán chữ rất giỏi.

Hiểu điều này giúp mình:

• Bớt kỳ vọng AI “tự hiểu ý”
• Bắt đầu học cách nói rõ ràng hơn

Token – cách AI đọc chữ (và vì sao viết dài chưa chắc tốt)

Token là gì?

Hãy tưởng tượng bạn đang đọc một cuốn sách, nhưng thay vì đọc từng chữ cái, bạn đọc theo “mảnh từ”. Token chính là những “mảnh” mà AI dùng để xử lý ngôn ngữ.

AI không đọc chữ theo kiểu từng ký tự như con người. Nó đọc theo token – những mảnh nhỏ của từ, có thể là một từ hoàn chỉnh, một phần của từ, hoặc thậm chí là dấu câu.

Ví dụ thực tế với tiếng Việt:

• “Xin chào” → thường rơi vào khoảng 2 tokens
• “Ngọc Đến Rồi” → khoảng 4-5 tokens (vì mỗi từ có dấu được tách riêng)
• Một đoạn 100 chữ tiếng Việt có thể tương đương 130–150 tokens

Ví dụ với tiếng Anh (dễ thấy hơn):

• “Hello” → 1 token
• “Hello world!” → 3 tokens (Hello / world / !)
• “I don’t understand” → 4 tokens (I / don / ‘t / understand)

Tại sao token lại quan trọng?

1. AI tính chi phí theo token
   • ChatGPT Plus, Claude Pro… đều giới hạn số token bạn dùng mỗi tháng
   • Nếu bạn dùng bản API trả theo usage, mỗi token đều có giá
   • Ví dụ: GPT-4 tính khoảng $0.03/1000 tokens input
2. Viết càng dài → càng tốn token → càng tốn tiền
   • Một prompt 500 chữ tiếng Việt ≈ 650-700 tokens
   • Nếu AI trả lời thêm 1000 chữ ≈ 1300 tokens
   • Tổng cộng gần 2000 tokens chỉ cho 1 lần hỏi đáp
3. Khi token quá nhiều, AI dễ quên ý hoặc trả lời bị cắt ngang
   • Mỗi model AI có giới hạn context window (sẽ giải thích ở phần Context bên dưới)
   • GPT-4: 8,000 – 128,000 tokens tùy phiên bản
   • Claude: 200,000 tokens
   • Gemini: 1,000,000 tokens

Bài học thực tế của mình:

Từ lúc hiểu token, mình thay đổi hẳn cách viết prompt: ít chữ hơn, nhưng rõ ý hơn.

Thay vì viết:

“Tôi muốn bạn giúp tôi viết một bài blog dài khoảng 1000 chữ nói về chủ đề làm việc từ xa, trong đó cần phải đề cập đến những lợi ích, những thách thức, và cách vượt qua những thách thức đó. Bài viết cần phải có giọng văn thân thiện, dễ đọc, phù hợp với người Việt Nam…”

Mình viết ngắn gọn:

“Viết bài 1000 chữ về làm việc từ xa: lợi ích, thách thức, giải pháp. Giọng thân thiện, dễ hiểu, cho độc giả Việt.”

Kết quả giống nhau, nhưng tiết kiệm được 30-40% tokens!

Context – trí nhớ tạm thời của AI

Context là gì?

Context (hay context window) giống như “khối óc tạm thời” của AI trong mỗi cuộc trò chuyện. Nó quyết định AI có thể “nhớ” được bao nhiêu thông tin cùng lúc.

Một hiểu lầm rất phổ biến là nghĩ rằng AI “nhớ hết mọi thứ”. Thực tế, AI chỉ nhớ được một lượng thông tin nhất định trong mỗi cuộc trò chuyện, được đo bằng số lượng tokens.

Tình huống quen thuộc:

Mình gửi cho AI 4–5 đoạn hướng dẫn dài. Sau đó quay lại hỏi về đoạn đầu tiên. AI trả lời sai hoặc quên hẳn.

Không phải AI ngu. Nó chỉ đang quá tải trí nhớ.

Ví dụ cụ thể để hiểu rõ hơn:

Hãy tưởng tượng context window như một cuốn sổ tay có 100 trang:

• Trang 1-20: Bạn viết hướng dẫn chi tiết về dự án A
• Trang 21-50: Bạn hỏi về dự án B, AI trả lời dài
• Trang 51-80: Bạn hỏi về dự án C
• Trang 81-100: Bạn quay lại hỏi về dự án A

Lúc này, AI phải “lật lại” 80 trang để tìm thông tin về dự án A. Nếu context window đã đầy (hết 100 trang), những thông tin đầu tiên sẽ bị “xóa đi” để nhường chỗ cho thông tin mới.

Kích thước context window của các AI phổ biến:

• GPT-3.5: 4,096 tokens (~3,000 chữ tiếng Anh, ~2,000 chữ tiếng Việt)
• GPT-4: 8,000 – 128,000 tokens (tùy phiên bản)
• Claude 3.5 Sonnet: 200,000 tokens (~150,000 chữ tiếng Anh)
• Gemini 1.5 Pro: 1,000,000 tokens (khủng nhất hiện nay)

Cách mình khắc phục vấn đề context:

1. Tóm tắt lại ý chính trước khi hỏi tiếp
   • Thay vì để AI nhớ hết 10 câu hỏi trước, mình tóm lại thành 2-3 điểm chính
2. Chia nội dung dài thành từng phần
   • Không gửi 1 lúc 20 trang tài liệu
   • Chia thành 4-5 phần nhỏ, hỏi dần
3. Nhắc lại bối cảnh quan trọng khi cần
   • Ví dụ: “Như đã nói ở đầu cuộc trò chuyện, mình là một blogger…”
   • Hoặc: “Quay lại vấn đề A mà mình đã đề cập lúc đầu…”

Mẹo pro:

Nếu cuộc trò chuyện quá dài và AI bắt đầu “quên”, mình thường:

• Mở cuộc trò chuyện mới
• Copy phần tóm tắt quan trọng nhất vào đầu
• Tiếp tục từ đó

Temperature – nút chỉnh độ sáng tạo mà ít người để ý

Temperature là gì?

Temperature (nhiệt độ) là một thông số kỹ thuật điều chỉnh độ “ngẫu nhiên” hoặc “sáng tạo” trong cách AI chọn từ.

Hãy tưởng tượng AI đang đứng trước 100 cánh cửa (100 từ khả thi), mỗi cửa có xác suất mở khác nhau:

• Temperature thấp (0-0.3): AI luôn chọn cửa có xác suất cao nhất → câu trả lời nhất quán, an toàn, ít bất ngờ
• Temperature cao (0.8-1.5): AI có thể chọn cửa xác suất thấp hơn → câu trả lời đa dạng, sáng tạo, nhưng đôi khi “lạc đề”

Ví dụ cực kỳ cụ thể:

Mình hỏi AI: “Hôm nay trời đẹp, tôi nên làm gì?”

Với Temperature = 0.1 (thấp):

“Bạn có thể đi dạo công viên, tận hưởng không khí trong lành.”

Với Temperature = 0.7 (trung bình):

“Sao không thử đi picnic với gia đình? Hoặc đạp xe quanh hồ cũng rất thú vị!”

Với Temperature = 1.2 (cao):

“Ôi trời đẹp thế này mà không đi nhảy dù à? Hoặc… thử vẽ tranh ngoài trời xem sao? Chưa bao giờ thử thì càng hay!”

Bạn thấy sự khác biệt chưa?

Khi nào nên dùng Temperature nào?

Temperature thấp (0–0.3):

• Dùng khi: Cần câu trả lời chính xác, nhất quán, logic
• Ví dụ:
  • Viết checklist công việc
  • Tổng hợp dữ liệu
  • Trả lời câu hỏi kỹ thuật
  • Dịch thuật chính xác

Temperature trung bình (0.6–0.8):

• Dùng khi: Cần cân bằng giữa sáng tạo và logic
• Ví dụ:
  • Viết email marketing
  • Viết bài blog
  • Brainstorm ý tưởng có chủ đích

Temperature cao (trên 1.0):

• Dùng khi: Muốn AI “phá cách”, sáng tạo tối đa
• Ví dụ:
  • Viết truyện, thơ
  • Brainstorm tự do
  • Tạo slogan quảng cáo độc đáo

Cạm bẫy mà mình gặp:

Rất nhiều người chê AI trả lời “kỳ”, nhưng thực ra chỉ là đang dùng sai temperature.

Mình từng dùng temperature cao (0.9) để viết hướng dẫn kỹ thuật → kết quả AI bịa thêm tính năng không có thật! Sau khi chỉnh về 0.2, mọi thứ ổn ngay.

Cách điều chỉnh temperature:

• ChatGPT (bản web): Không điều chỉnh được, mặc định ~0.7
• ChatGPT (API): Có thể set từ 0 đến 2
• Claude (web): Không điều chỉnh được
• Claude (API): Có thể set từ 0 đến 1

Nếu bạn dùng bản web và muốn kiểm soát, cách duy nhất là dùng prompt gợi ý:

• “Hãy trả lời ngắn gọn, chính xác, không phát triển thêm ý” → giả lập temperature thấp
• “Hãy sáng tạo, đưa ra nhiều góc nhìn khác nhau” → giả lập temperature cao

Tuần 2: Học cách nói chuyện với AI (prompt là kỹ năng cốt lõi)

Nếu tuần 1 là “hiểu AI”, thì tuần 2 là “hiểu chính mình”.

AI giống một nhân viên rất nhanh nhưng không đoán được ý

Mình hay ví AI như một nhân viên mới, cực kỳ nhanh, nhưng không đọc được suy nghĩ. Nếu mình giao việc mơ hồ, kết quả sẽ mơ hồ.

Ví dụ prompt kém:

“Viết bài về AI”

Prompt tốt hơn rất nhiều:

“Viết một bài 800 chữ, giải thích AI cho người chưa từng học công nghệ, dùng ví dụ đời thường, giọng văn như đang chia sẻ kinh nghiệm cá nhân.”

Chỉ thay đổi cách nói, chất lượng khác hẳn.

Prompt không phải là “mẹo”, mà là tư duy

Rất nhiều người đi tìm prompt mẫu, nhưng mình nhận ra: prompt tốt không nằm ở câu chữ, mà nằm ở cách tư duy.

Mình đã viết rất kỹ về điều này trong bài “5 cấp độ viết prompt AI” trên blog Ngọc Đến Rồi. Nếu bạn muốn đi sâu hơn về kỹ năng prompt, mình khuyên bạn nên đọc bài đó song song, vì nó giúp bạn hiểu từ tư duy cơ bản đến cấp độ dùng AI như một cộng sự thực sự.

Bạn có thể xem thêm bài: 5 cấp độ viết prompt AI

System prompt – định vai cho AI ngay từ đầu

System prompt là gì?

System prompt (hay system instruction) là lệnh “thiết lập bản sắc” cho AI ngay từ đầu cuộc trò chuyện, trước khi bạn bắt đầu hỏi bất cứ điều gì.

Nó giống như việc bạn nói với một người mới gặp:

• “Này, trong cuộc nói chuyện này, bạn đóng vai một chuyên gia tài chính nhé”
• Hoặc: “Bạn là một người bạn thân, nói chuyện thoải mái, không cần trang trọng”

Ví dụ cụ thể:

Không có system prompt (mặc định):

Bạn hỏi: “Tôi nên đầu tư Bitcoin không?”

AI trả lời:

“Bitcoin là một loại tiền điện tử có tính biến động cao. Việc đầu tư phụ thuộc vào khẩu vị rủi ro của bạn. Bạn nên tham khảo chuyên gia tài chính…”

(Câu trả lời an toàn, trung lập, hơi… nhạt)

Có system prompt:

System prompt:

“Bạn là một cố vấn kinh doanh thẳng thắn, ưu tiên tính thực tế, không ngại chỉ ra rủi ro. Bạn nói chuyện như một người bạn có kinh nghiệm, không dùng ngôn ngữ sách vở.”

Bạn hỏi: “Tôi nên đầu tư Bitcoin không?”

AI trả lời:

“Thẳng thắn luôn nhé: Bitcoin không phải cho người mới. Nếu bạn chưa hiểu rõ về crypto, chưa có quỹ dự phòng ít nhất 6 tháng chi tiêu, đừng vội. Nó có thể tăng 50% trong 1 tháng, nhưng cũng có thể giảm 30% chỉ qua đêm. Bạn đã sẵn sàng chưa?”

(Câu trả lời cá nhân hóa, thẳng thắn, hữu ích hơn nhiều!)

Cách dùng system prompt trên các nền tảng:

• ChatGPT (web): Không có tính năng riêng, nhưng bạn có thể viết ở đầu cuộc trò chuyện
• ChatGPT (API): Có trường system để nhập
• Claude (web): Vào Settings → Add custom instructions
• Claude (API): Dùng system prompt trong request
• Gemini: Viết vào đầu cuộc trò chuyện hoặc dùng “Customize responses”

Template system prompt mình hay dùng:

Bạn là [VAI TRÒ CỤ THỂ], chuyên về [LĨNH VỰC]. 
Khi trả lời, bạn luôn:
- [ĐẶC ĐIỂM 1: ví dụ "Dùng ví dụ thực tế"]
- [ĐẶC ĐIỂM 2: ví dụ "Tránh ngôn ngữ kỹ thuật phức tạp"]
- [ĐẶC ĐIỂM 3: ví dụ "Chỉ ra cả ưu và nhược điểm"]

Giọng văn: [PHONG CÁCH: ví dụ "thân thiện như người bạn"]