Hook
Tuần trước, Andrej Karpathy – cựu thành viên OpenAI, hiện là nhân viên Anthropic – chia sẻ một phương pháp làm việc có tên gọi “long-form verbal prompt” (prompt nói dài). Thay vì gõ những dòng lệnh tinh vi, ông khuyên hãy mở microphone và nói chuyện với AI như với một đồng nghiệp. Nghe có vẻ đơn giản, nhưng đối với giới phân tích blockchain – nơi mỗi ngày chúng ta phải xử lý hàng trăm trang whitepaper, tokenomics và code audit – đây có thể là cú hích thay đổi hoàn toàn workflow.
Context
Từ khi ChatGPT ra đời, cộng đồng crypto đã nhanh chóng áp dụng AI vào phân tích thị trường, soạn thảo hợp đồng thông minh, và tóm tắt dữ liệu on-chain. Nhưng phần lớn người dùng vẫn mắc kẹt trong lối mòn “prompt engineering” – cố gắng viết những câu lệnh thật chính xác, thật chi tiết để AI hiểu đúng ý. Karpathy, một trong những bộ óc hàng đầu về AI, lật ngược quan điểm đó: hãy để AI làm việc nặng. Phương pháp của ông dựa trên ba trụ cột: tốc độ nói nhanh (150 từ/phút so với gõ 40 từ), giảm tải nhận thức (không phải vừa nghĩ vừa sắp xếp từ ngữ), và tận dụng khả năng suy luận ngữ cảnh của mô hình ngôn ngữ lớn. Với bối cảnh thị trường crypto đang đi ngang, việc tối ưu hóa năng suất nghiên cứu trở thành lợi thế cạnh tranh.
Core
Hãy tưởng tượng bạn đang phân tích một giao thức DeFi mới – ví dụ dự án A có cơ chế veToken và mô hình bonding curve phức tạp. Theo cách truyền thống, bạn dành 20 phút gõ prompt: “Phân tích tokenomics của dự án A, bao gồm nguồn cung, lịch vesting, cơ chế khuyến khích thanh khoản”. Nhưng với long-form verbal prompt, bạn chỉ cần mở ghi âm và nói: “Này, mình mới đọc whitepaper của A. Nó có token B, token C, mình chưa hiểu rõ mối quan hệ giữa chúng. Ở trang 15 có bảng về phân phối token, hơi rối. Phần veToken thì giống Curve nhưng có thêm cái gọi là 'boosted yield'…”. Sau 5 phút nói, bạn bấm stop. AI nhận toàn bộ đoạn âm thanh (khoảng 750 từ), tự động chuyển thành text, rồi – theo phương pháp của Karpathy – nó sẽ đặt một vài câu hỏi để làm rõ: “Bạn có muốn tôi tóm tắt cấu trúc token theo dạng sơ đồ không? Bạn có muốn so sánh cơ chế veToken của A với Curve và Convex không?”. Đó chính là điểm khác biệt: model không chỉ trả lời mà chủ động dẫn dắt cuộc trò chuyện. Từ kinh nghiệm 11 năm trong ngành, tôi nhận thấy điều này đặc biệt hữu ích khi nghiên cứu các dự án blockchain vì thông tin thường đến từ nhiều nguồn rời rạc: tweet, Discord, forum, code mở. Khả năng tổng hợp và đặt câu hỏi thông minh của AI giúp giảm thiểu rủi ro bỏ sót chi tiết quan trọng. Đây không phải là kỹ thuật mới, mà là sự chuyển giao quyền lực từ con người sang máy móc trong khâu thiết lập vấn đề. Nếu trước đây chúng ta phải học cách “nói chuyện với AI”, giờ đây AI phải học cách “hiểu chúng ta dù chúng ta nói lộn xộn”.
Contrarian
Điều phản trực giác là: phương pháp này càng hiệu quả với những chủ đề phức tạp, càng ít cấu trúc càng tốt. Chúng ta thường nghĩ prompt càng chi tiết, càng logic thì AI trả lời càng chính xác. Nhưng Karpathy chỉ ra rằng chính việc cố gắng sắp xếp suy nghĩ trước khi gõ đã làm mất đi tính sáng tạo và làm chậm quá trình. Trong blockchain, nơi các khái niệm như ZK-rollup, liquid staking, intent-centric vẫn đang phát triển, việc nói ra suy nghĩ “mông lung” lại giúp AI dễ dàng nắm bắt sự không chắc chắn và đặt câu hỏi làm rõ. Tôi từng thử nghiệm với một dự án modular blockchain mới (Celestia fork) – thay vì mất 2 giờ để soạn prompt hoàn chỉnh, tôi chỉ nói 7 phút những điều tôi thấy lạ. AI đã hỏi lại một câu về data availability sampling mà tôi chưa nghĩ tới, từ đó mở ra hướng phân tích mới. Sự thật là: để thuyết phục một nhà phân tích crypto áp dụng phương pháp này, họ phải chấp nhận kiểm soát một phần – nhường cho AI quyền dẫn dắt cuộc hội thoại.
Takeaway
Long-form verbal prompt không chỉ là mẹo vặt; nó báo hiệu một sự thay đổi trong cách con người và AI tương tác. Đối với cộng đồng blockchain, nơi khối lượng thông tin khổng lồ và luôn biến động, đây là cơ hội để tăng tốc nghiên cứu mà không hy sinh độ sâu. Hãy thử ngay hôm nay: chọn một chủ đề bạn đang bối rối, mở micro, nói 10 phút không ngừng, và xem AI đặt câu hỏi gì. Câu trả lời có thể thay đổi cách bạn nhìn nhận cả thị trường lẫn công cụ bạn đang dùng. Câu hỏi cuối cùng dành cho các nhà nghiên cứu: Liệu chúng ta có sẵn sàng để AI trở thành người đặt câu hỏi, còn mình chỉ việc trả lời?
