Tuyệt vời! Dưới đây là phân tích chi tiết về mẫu prompt mà bạn cung cấp, theo đúng cấu trúc yêu cầu:
1. Phân tích Cấu trúc Prompt
Mẫu prompt này được thiết kế để yêu cầu một mô hình AI phân tích dữ liệu giấc ngủ. Cấu trúc của nó bao gồm:
- Hành động chính: “Phân tích dữ liệu giấc ngủ” – Đây là yêu cầu cốt lõi mà mô hình cần thực hiện.
- Biến placeholders:
[TÊN_DỮ_LIỆU_GIẤC_NGỦ]: Biến này đại diện cho tên hoặc loại cụ thể của dữ liệu giấc ngủ được cung cấp. Nó có thể là một tên file, một định dạng dữ liệu (ví dụ: “dữ liệu Apple Watch), hoặc một mô tả chung nào đó.[ID_NGƯỜI_DÙNG]: Biến này xác định người dùng mà dữ liệu giấc ngủ thuộc về. Điều này quan trọng cho việc cá nhân hóa và theo dõi.
- Phạm vi thời gian: “trong 7 ngày liên tục” – Xác định rõ khoảng thời gian mà phân tích cần được thực hiện.
- Các yêu cầu cụ thể về tính toán và phân tích:
- “Tính toán tổng thời gian ngủ và tổng thời gian thức cho mỗi ngày.”
- “Xác định tỷ lệ phần trăm thời gian ngủ trên tổng 24 giờ.”
- “Tìm kiếm các ngày có tỷ lệ mất cân bằng đáng kể (ví dụ: quá ít hoặc quá nhiều ngủ) và ghi nhận các ngày đó.”
Cấu trúc này rõ ràng, dễ theo dõi và cung cấp đủ thông tin để mô hình có thể hiểu và thực thi yêu cầu.
2. Ý nghĩa & Cách hoạt động
Về mặt kỹ thuật, mẫu prompt này hoạt động bằng cách cung cấp cho mô hình ngôn ngữ lớn (LLM) một loạt các chỉ dẫn chi tiết. Mô hình sẽ tiếp nhận các biến placeholders và thay thế chúng bằng thông tin thực tế mà người dùng cung cấp.
- Nhận diện ngữ cảnh: LLM sẽ hiểu rằng ngữ cảnh là phân tích dữ liệu sức khỏe cá nhân, cụ thể là giấc ngủ.
- Trích xuất tham số: Nó sẽ xác định các tham số quan trọng như loại dữ liệu giấc ngủ, ID người dùng và khoảng thời gian phân tích.
- Hiểu các phép tính: “Tổng thời gian ngủ”, “tổng thời gian thức”, “tỷ lệ phần trăm thời gian ngủ trên tổng 24 giờ” là các phép tính toán học cơ bản mà LLM có thể thực hiện hoặc hướng dẫn cách thực hiện nếu nó có khả năng truy cập dữ liệu và công cụ tính toán.
- Xác định tiêu chí bất thường: “tỷ lệ mất cân bằng đáng kể (ví dụ: quá ít hoặc quá nhiều ngủ)” yêu cầu mô hình phải có khả năng định nghĩa hoặc sử dụng các ngưỡng ngầm định cho giấc ngủ lành mạnh để xác định các điểm bất thường.
- Đưa ra kết quả theo định dạng mong muốn: Yêu cầu cuối cùng là “ghi nhận các ngày đó” cho thấy người dùng mong đợi một báo cáo hoặc danh sách các ngày bất thường.
Mẫu prompt này hiệu quả vì nó kết hợp yêu cầu phân tích dữ liệu với các phép tính cụ thể và tiêu chí đánh giá, đồng thời xác định rõ đối tượng và phạm vi.
3. Ví dụ Minh họa
Dưới đây là hai ví dụ về cách prompt mẫu này có thể được điền thông tin để tạo ra một yêu cầu cụ thể:
Ví dụ 1: Dữ liệu từ FitBit
Prompt được điền:
Phân tích dữ liệu giấc ngủ dữ liệu FitBit_user123_sleepraw từ thiết bị đeo của người dùng user123 trong 7 ngày liên tục. Tính toán tổng thời gian ngủ và tổng thời gian thức cho mỗi ngày. Xác định tỷ lệ phần trăm thời gian ngủ trên tổng 24 giờ. Tìm kiếm các ngày có tỷ lệ mất cân bằng đáng kể (ví dụ: quá ít hoặc quá nhiều ngủ) và ghi nhận các ngày đó.
Ví dụ 2: Dữ liệu tổng hợp hàng đêm
Prompt được điền:
Phân tích dữ liệu giấc ngủ báo cáo_giấc_ngủ_hàng_đêm từ thiết bị đeo của người dùng ANNA_B trong 7 ngày liên tục. Tính toán tổng thời gian ngủ và tổng thời gian thức cho mỗi ngày. Xác định tỷ lệ phần trăm thời gian ngủ trên tổng 24 giờ. Tìm kiếm các ngày có tỷ lệ mất cân bằng đáng kể (ví dụ: quá ít hoặc quá nhiều ngủ) và ghi nhận các ngày đó.
👉 Tóm lại
Mẫu prompt này là một ví dụ xuất sắc về thiết kế prompt hiệu quả. Nó kết hợp sự rõ ràng, chỉ dẫn chi tiết và khả năng tùy biến thông qua các biến placeholders. Bằng cách xác định rõ hành động chính, đối tượng, phạm vi thời gian và các yêu cầu phân tích cụ thể, nó cho phép mô hình ngôn ngữ lớn hiểu sâu sắc nhiệm vụ và cung cấp kết quả chính xác, hữu ích. Kỹ thuật sử dụng placeholders như [TÊN_DỮ_LIỆU_GIẤC_NGỦ] và [ID_NGƯỜI_DÙNG] giúp tái sử dụng mẫu cho nhiều tình huống khác nhau mà không cần viết lại toàn bộ câu lệnh.
