Tuyệt vời! Dưới đây là phân tích chi tiết về cấu trúc và cách hoạt động của prompt bạn cung cấp, được trình bày bằng tiếng Việt và định dạng HTML.
1. Phân tích Cấu trúc Prompt
Prompt template này được thiết kế để yêu cầu AI phân tích dữ liệu bất động sản một cách cụ thể và có cấu trúc. Chúng ta có thể xem xét cấu trúc của nó như sau:
- Mục đích chính: So sánh tỷ lệ Cung/Cầu bất động sản.
- Địa điểm cụ thể: Yêu cầu chỉ định các quận/huyện để so sánh. Điều này được đại diện bởi biến
[QUẬN_HUYỆN_1], [QUẬN_HUYỆN_2], .... Việc sử dụng dấu ba chấm (...) ngụ ý rằng có thể liệt kê nhiều hơn hai quận/huyện. - Phạm vi địa lý rộng hơn: Xác định thành phố nơi các quận/huyện đó thuộc về, thông qua biến
[TÊN_THÀNH_PHỐ]. - Khung thời gian: Giới hạn phân tích vào một quý và một năm cụ thể, được đại diện bởi
[QUÝ]và[NĂM]. - Yêu cầu phân tích sâu:
- Xác định khu vực có nguồn cung dồi dào.
- Xác định khu vực có nguồn cung khan hiếm.
- Phân tích ảnh hưởng của sự chênh lệch cung cầu đến giá bán.
Các phần trong ngoặc vuông ([...]) là các biến cần được người dùng điền vào để tạo ra một prompt hoàn chỉnh. Sự linh hoạt này cho phép người dùng tùy chỉnh phạm vi và đối tượng phân tích.
2. Ý nghĩa & Cách hoạt động
Prompt này hoạt động bằng cách cung cấp cho mô hình ngôn ngữ lớn (LLM) một tập hợp các chỉ dẫn rõ ràng và các tham số cụ thể. Cách nó hoạt động có thể được diễn giải như sau:
- “So sánh tỷ lệ Cung/Cầu bất động sản giữa…”: Đây là yêu cầu cốt lõi, hướng mô hình tập trung vào việc tính toán và đối chiếu tỷ lệ Cung/Cầu. Tỷ lệ này thường được hiểu là (Số lượng sản phẩm bất động sản có sẵn – Số lượng sản phẩm bất động sản đã bán) / (Số lượng sản phẩm bất động sản có sẵn), hoặc các biến thể tương tự tùy theo cách diễn giải dữ liệu.
- “…các quận/huyện [QUẬN_HUYỆN_1], [QUẬN_HUYỆN_2], …, trong [TÊN_THÀNH_PHỐ]…”: Các biến này định vị địa lý cho yêu cầu. Mô hình sẽ cần truy cập hoặc giả định có quyền truy cập vào dữ liệu bất động sản được phân loại theo đơn vị hành chính này.
- “…dựa trên dữ liệu quý [QUÝ] năm [NĂM].”: Yếu tố thời gian này đảm bảo tính thời sự và khả năng tái lập của kết quả phân tích. Mô hình sẽ lọc và chỉ sử dụng dữ liệu thuộc khoảng thời gian được chỉ định.
- “Xác định khu vực nào đang có nguồn cung dồi dào và khu vực nào đang khan hiếm nguồn cung.”: Đây là các yêu cầu tổng hợp dữ liệu phụ. Mô hình sẽ cần định nghĩa các ngưỡng (ví dụ: tỷ lệ Cung/Cầu cao = dồi dào, tỷ lệ thấp = khan hiếm) hoặc dựa vào phân tích so sánh để đưa ra kết luận.
- “Phân tích ảnh hưởng của sự chênh lệch này đến giá bán.”: Đây là yêu cầu phân tích mối quan hệ nhân quả. Mô hình sẽ áp dụng kiến thức về kinh tế học thị trường bất động sản để giải thích lý do tại sao sự mất cân bằng cung cầu lại ảnh hưởng đến giá.
Về cơ bản, prompt này là một yêu cầu phân tích dữ liệu theo một khuôn mẫu, kết hợp việc xác định **đối tượng**, **địa điểm**, **thời gian** và các **yêu cầu phân tích cụ thể**. Người dùng điền các giá trị cho biến, và LLM sẽ thực hiện toàn bộ quy trình xử lý, phân tích và tổng hợp thông tin để đưa ra câu trả lời.
3. Ví dụ Minh họa
Dưới đây là hai ví dụ về cách prompt này có thể được sử dụng để tạo ra các yêu cầu cụ thể:
Ví dụ 1: Phân tích Cung/Cầu căn hộ tại TP.HCM
Prompt đã điền:
So sánh tỷ lệ Cung/Cầu bất động sản giữa các quận/huyện Quận 1, Quận 2, Quận 7, trong TP. Hồ Chí Minh dựa trên dữ liệu quý 3 năm 2023. Xác định khu vực nào đang có nguồn cung dồi dào và khu vực nào đang khan hiếm nguồn cung. Phân tích ảnh hưởng của sự chênh lệch này đến giá bán.
Khả năng LLM phản hồi: Mô hình sẽ tìm kiếm hoặc giả định dữ liệu về số lượng căn hộ chào bán và số lượng giao dịch thành công tại Quận 1, Quận 2, Quận 7 của TP.HCM trong Quý 3/2023. Sau đó, nó sẽ tính toán tỷ lệ Cung/Cầu cho từng quận, xác định quận nào có cung dồi dào (ví dụ: nhiều căn hộ trống, ít giao dịch) và quận nào khan hiếm. Cuối cùng, nó sẽ giải thích tại sao tỷ lệ đó lại ảnh hưởng đến giá chào bán trung bình tại các khu vực này.
Ví dụ 2: Phân tích Cung/Cầu đất nền tại Đà Nẵng
Prompt đã điền:
So sánh tỷ lệ Cung/Cầu bất động sản giữa các quận/huyện Quận Hải Châu, Quận Cẩm Lệ, Huyện Hòa Vang, trong TP. Đà Nẵng dựa trên dữ liệu quý 4 năm 2022. Xác định khu vực nào đang có nguồn cung dồi dào và khu vực nào đang khan hiếm nguồn cung. Phân tích ảnh hưởng của sự chênh lệch này đến giá bán.
Khả năng LLM phản hồi: Tương tự như ví dụ trên, nhưng tập trung vào đất nền và số liệu của Quý 4/2022 tại Đà Nẵng. Mô hình sẽ thực hiện các bước so sánh, xác định, và phân tích ảnh hưởng đến giá bán đất nền tại các khu vực được chỉ định.
👉 Tóm lại
Prompt template này là một công cụ mạnh mẽ để yêu cầu LLM thực hiện các phân tích dữ liệu chuyên sâu về thị trường bất động sản. Nó kết hợp tính linh hoạt trong việc chỉ định các biến như địa điểm và thời gian với các yêu cầu phân tích cụ thể về tỷ lệ Cung/Cầu, sự phân bố nguồn cung và tác động của nó đến giá bán. Bằng cách cung cấp các tham số rõ ràng, người dùng có thể nhận được các báo cáo phân tích chi tiết, đáng tin cậy và có tính ứng dụng cao.
