Trong kỹ thuật phần mềm truyền thống, định luật 'Garbage In, Garbage Out' (Đầu vào rác sẽ sinh ra đầu ra rác) là một sự thật hiển nhiên. Trong kỷ nguyên của các hệ thống AI tự hành, định luật này càng trở nên khắt khe gấp bội. Với cùng một gói SKILL, người chuẩn bị dữ liệu đầu vào có cấu trúc thường nhận được kết quả dùng được ngay từ lần chạy đầu, còn đầu vào cẩu thả dễ khiến Agent đi sai hướng và tốn nhiều token vô ích.
Giải phẫu bộ thông tin đầu vào tiêu chuẩn
Trước khi kích hoạt bất kỳ quy trình SKILL nào, bạn cần tổ chức thông tin đầu vào thành bốn lớp dữ liệu rõ ràng thay vì đưa vào một khối văn bản hỗn độn:
- Mục tiêu định lượng (Objective & Acceptance Criteria): Mô tả chính xác việc cần làm, định dạng mong muốn và các chỉ số đo lường sự thành công.
- Dữ liệu nguồn thô (Source Raw Data): File mã nguồn cần xử lý, trích xuất cơ sở dữ liệu, file tài liệu nghiệp vụ hoặc các logs phát sinh từ môi trường production.
- Ràng buộc biên (Boundary Constraints): Danh sách các điều cấm kỵ kỹ thuật, chẳng hạn như không được thay đổi public API, không được cài thêm package ngoài, hoặc giới hạn kích thước file.
- Mẫu tham chiếu chuẩn mực (Golden Reference): Một ví dụ về kết quả tốt trong quá khứ để mô hình dùng làm khuôn mẫu đối chiếu (few-shot context).
Bốn nguyên tắc vàng về vệ sinh ngữ cảnh (Context Hygiene)
Khái niệm 'Context Hygiene' phản ánh độ tinh khiết của dữ liệu được nạp vào cửa sổ ngữ cảnh (Context Window) của Agent. Để đạt hiệu suất cao nhất, hãy tuân thủ bốn nguyên tắc cốt lõi:
- Tính cô đọng và mật độ thông tin cao (High Information Density): Loại bỏ các thông tin thừa thãi, các dòng log lặp lại hàng nghìn lần hay các file rác không liên quan để tránh hiện tượng phân tán chú ý (Attention Degradation).
- Phân định ranh giới tường minh (Delimiter Separation): Sử dụng các thẻ XML hoặc Markdown rành mạch (như <input_data>, <requirements>, <rules>) để Agent phân biệt rõ dữ liệu cần xử lý với chỉ thị điều hành.
- Cấu trúc hóa dữ liệu (Machine-Readable Structuring): Khi truyền tải bảng biểu hoặc tham số, hãy ưu tiên Markdown Table, JSON hoặc YAML thay vì mô tả văn xuôi dài dòng.
- Độc lập ngữ cảnh (Self-Contained Clarity): Đảm bảo các đường dẫn tệp, định danh biến và tài liệu tham chiếu đều có thể tự giải thích mà không đòi hỏi Agent phải tự phỏng đoán giả định ngầm.
Vòng lặp tinh chỉnh phản hồi (Feedback Loop Iteration)
Đừng coi kết quả của lần chạy đầu tiên là sản phẩm hoàn chỉnh cuối cùng, hãy nhìn nhận nó như một thước đo phản ánh chất lượng của bộ đầu vào bạn vừa cung cấp. Khi phát hiện một lỗi logic hoặc sự sai lệch về định dạng, nguyên tắc chuẩn mực là quay lại tinh chỉnh chính bộ dữ liệu đầu vào hoặc bổ sung thêm một ràng buộc biên vào SKILL, thay vì cố gắng tranh cãi trong khung chat. Bằng cách này, bài học từ mỗi lần chạy được tích lũy vào kho tài sản số của doanh nghiệp.