- Khi cộng tác với các LLM như Claude hay Codex trong thời gian dài, cảm giác mệt mỏi tích tụ sẽ khiến năng suất giảm mạnh
- Chất lượng prompt suy giảm do mệt mỏi làm chất lượng đầu ra tệ hơn, và càng ngắt hoặc sửa mô hình giữa chừng thì hiệu năng càng giảm
- Vòng phản hồi chậm và bối cảnh phình to quá mức khiến việc thử nghiệm lặp lại trở nên khó khăn, từ đó làm giảm hiệu quả công việc
- Cách tiếp cận hiệu quả là duy trì niềm vui khi viết prompt và ý thức rõ ràng về mục tiêu, đồng thời xác định chính vòng lặp chậm là vấn đề cần cải thiện
- Cốt lõi của việc tận dụng LLM là phản hồi nhanh và đặt ra tiêu chí thành công rõ ràng; nhờ đó có thể giảm thời gian debug và đạt được kết quả thông minh hơn
Mệt mỏi và tốc độ thử nghiệm chậm
- Khi mệt mỏi về tinh thần tích tụ, chất lượng prompt sẽ giảm, và kết quả là chất lượng phản hồi của LLM cũng đi xuống
- Trong trạng thái mệt mỏi, người dùng dễ gửi prompt mà bỏ sót ngữ cảnh cốt lõi; nếu sau đó liên tục sửa hoặc ngắt giữa chừng thì kết quả càng tệ hơn
- Trong Claude Code hay Codex, kiểu ‘can thiệp giữa chừng’ này phá vỡ tính nhất quán và dẫn đến kết quả xấu hơn
- Tốc độ chậm của vòng phản hồi được chỉ ra là một vấn đề
- Với những tác vụ tốn nhiều thời gian như phân tích file dung lượng lớn, mỗi lần chạy lại đều chậm nên chu kỳ thử nghiệm bị kéo dài
- Khi bối cảnh gần chạm ngưỡng bão hòa, mô hình sẽ trở nên ‘ì ạch’ hoặc không phản ánh đúng các thử nghiệm gần đây
Con đường cộng tác hiệu quả với AI
- Cần tránh vòng xoáy luẩn quẩn do prompt tệ (‘doom-loop psychosis’)
- Nếu việc viết prompt აღარ còn thú vị hoặc bạn cứ lặp lại những đầu vào ngắn, qua loa, thì đó là lúc nên nghỉ ngơi
- Kỳ vọng AI tự lấp đầy chỗ trống khi bản thân chưa suy nghĩ đủ kỹ về vấn đề là một cái bẫy nguy hiểm
- Prompt với mục tiêu rõ ràng và sự chắc chắn là chìa khóa thành công
- Prompt được viết với hình dung cụ thể về kết quả mong muốn sẽ dẫn đến phản hồi chất lượng cao
- Ngược lại, nếu được viết trong trạng thái thiếu chắc chắn hoặc nóng vội thì kết quả thường không như ý
Xác định vòng phản hồi chậm là vấn đề cần giải quyết
- Cần đặt chính tốc độ của vòng phản hồi làm mục tiêu cải thiện
- Ví dụ, khi xử lý vấn đề parsing, hãy nêu rõ mục tiêu giảm thời gian vòng lặp xuống dưới 5 phút và yêu cầu tái hiện nhanh các trường hợp thất bại
- Đây là cách tiếp cận tương tự phát triển hướng kiểm thử (TDD), giúp tăng tốc độ thử nghiệm lặp lại
- Đưa ra tiêu chí thành công rõ ràng sẽ tối đa hóa hiệu quả của LLM
- Nếu đưa ra điều kiện cụ thể như “hãy tái hiện trường hợp thất bại trong vòng 5 phút”, LLM sẽ tối ưu đường đi của mã và loại bỏ những phần không cần thiết
- Khi có được vòng phản hồi nhanh như vậy, mức tiêu thụ ngữ cảnh giảm xuống và mô hình hoạt động ‘thông minh hơn’
Kết luận
- Sự mệt mỏi khi làm việc với LLM nhiều khi không phải vấn đề kỹ thuật mà là ‘vấn đề kỹ năng (skill issue)’
- Mệt mỏi nhận thức và xu hướng thuê ngoài tư duy (cognitive outsourcing) là những cái bẫy làm giảm năng suất
- Chỉ nên tiếp tục khi quá trình viết prompt vẫn còn thú vị và bạn tự tin rằng mình có thể hài lòng trên 95% với kết quả
- Nếu cảm thấy tiến độ chậm và quá tải ngữ cảnh, hãy xem chính điều đó là bài toán cần giải quyết và cùng LLM thiết kế cấu trúc lặp nhanh hơn
Chưa có bình luận nào.