Hook: Một tweet 200 từ đang làm rung chuyển cách tôi tư vấn narrative cho quỹ đầu tư
Tuần trước, khi đang crawl dữ liệu Twitter sentiment cho một dự án Layer2 mới, tôi tình cờ đọc được tweet của Andrej Karpathy – cựu thành viên OpenAI, hiện đang làm việc tại Anthropic. Anh ấy chia sẻ một phương pháp làm việc với AI mà tôi gọi là "long-form verbal prompting" – bỏ qua bàn phím, bật mic, nói liên tục 10 phút những suy nghĩ hỗn độn, để AI tự hỏi lại vài câu, rồi nhận về output hoàn chỉnh. Thoạt nghe có vẻ chỉ là mẹo vặt. Nhưng sau 11 năm săn ICO, audit DeFi, và viết newsletter phân tích tâm lý đám đông, tôi nhận ra đây không chỉ là cách viết prompt tốt hơn. Đây là một sự thay đổi trong cách chúng ta tương tác với AI – và nó sẽ ảnh hưởng trực tiếp đến cách chúng ta xây dựng sản phẩm crypto, từ giao thức DeFi đến NFT collection.
Context: Khi AI và crypto đang tiến đến điểm giao thoa
Từ 2017, tôi đã dùng bot phân tích ngôn ngữ trên Bitcointalk để săn ICO. Năm 2020, tôi code Python crawl dữ liệu token trên Etherscan và Twitter sentiment để dự đoán “viral token”. Năm 2022, trong bear market, tôi xây dựng bot Telegram theo dõi từ khóa “zkRollup” và “Arbitrum” – phát hiện sớm trend giúp tôi kiếm 3000 USD từ trading. Tất cả những công việc đó đều yêu cầu tôi phải viết prompt cực kỳ chính xác: “hãy lọc các tweet có từ X và Y trong 24 giờ qua, loại trừ retweet, tính sentiment score trung bình theo công thức Z”. Mỗi lần điều chỉnh prompt là mất 30 phút. Đó là kiểu “strong prompt engineering” – bạn phải lập trình bằng ngôn ngữ tự nhiên cho AI. Nhưng Karpathy đang nói về một paradigm khác: weak prompt engineering. Bạn không cần viết prompt tinh vi. Bạn chỉ cần nói chuyện với AI như với một đồng nghiệp thông minh nhưng hơi lười – đổ hết suy nghĩ ra, để nó tự hỏi lại, rồi nó trả về output. Tôi lập tức thử nghiệm. Tôi mở voice memos, nói 10 phút về một bài phân tích tôi định viết cho Substack: “Tại sao các Bitcoin Layer2 tự xưng thực chất là Ethereum đổi thương hiệu”. Tôi nói lung tung, nhảy từ câu chuyện năm 2021 về Stacks sang định nghĩa kỹ thuật của BitVM, rồi quay lại phê phán marketing của Merlin Chain. Kết quả? AI hỏi tôi 4 câu: “Bạn có dữ liệu on-chain nào chứng minh sự khác biệt về cấu trúc không?”, “Bạn muốn giọng văn thế nào – mỉa mai hay khách quan?”, “Có cần so sánh với Lightning Network không?”, “Bạn đã kiểm tra số lượng giao dịch thực tế trên các chain đó chưa?”. Sau 15 phút trả lời, tôi nhận về một bản outline dài 2000 từ, chặt chẽ hơn bất kỳ thứ gì tôi tự viết trong 2 giờ. Tôi không cần gõ một chữ nào. Đây chính là điểm cốt lõi: phương pháp này chuyển gánh nặng từ kỹ năng viết prompt của người dùng sang khả năng hiểu ngữ cảnh và tự động hỏi lại của mô hình.
Core: Cơ chế hoạt động và phân tích kỹ thuật dưới góc nhìn blockchain
Để hiểu tại sao điều này lại quan trọng với crypto, tôi sẽ phân tích cơ chế như một giao thức DeFi.
Bước 1 – Đầu vào hỗn độn (Mempool dữ liệu) Bạn nói 10 phút, tốc độ khoảng 150 từ/phút – tổng cộng 1500 từ. Trong blockchain, mempool chứa các giao dịch chưa được xác nhận, lộn xộn, có thể có spam hoặc giao dịch hợp lệ. Ở đây, 10 phút nói có thể bao gồm: ý tưởng chính, ví dụ ngẫu nhiên, câu chuyện cá nhân, cảm xúc (tức giận, phấn khích), thậm chí cả những câu như “à mà thôi, cái này không quan trọng”. Mô hình AI không thể xử lý tất cả cùng lúc – nó cần một cơ chế “đóng gói” (packing) giống như block builder. Nhưng khác với mempool, AI không có phí ưu tiên. Nó phải dựa vào ngữ cảnh và suy luận để xác định đâu là “giao dịch quan trọng”.
Bước 2 – Tái cấu trúc mục tiêu (Consensus mechanism) AI không chỉ đơn giản ghi nhớ. Nó phải “tái cấu trúc mục tiêu thực sự” từ những mảnh vỡ. Điều này giống như một thuật toán đồng thuận Proof-of-Stake phải thống nhất trạng thái của chain từ nhiều block có thể xung đột. Ở đây, AI sử dụng khả năng suy luận ngữ nghĩa (semantic reasoning) để tìm ra “sự thật” đằng sau lời nói của bạn. Điểm mấu chốt: khả năng này phụ thuộc hoàn toàn vào chất lượng của mô hình nền tảng. Một mô hình nhỏ (7B tham số) sẽ không làm được. Bạn cần 70B+ tham số. Điều này giải thích tại sao Karpathy – người từng làm việc với GPT-4 và Claude – mới đưa ra lời khuyên này. Các mô hình nhỏ hơn (như Llama 3 8B) có thể bỏ lỡ tín hiệu hoặc suy diễn sai.
Bước 3 – Chủ động hỏi lại (Oracle problem) Phần quan trọng nhất: AI không chỉ im lặng và trả lời. Nó hỏi lại bạn 2-3 câu. Điều này, dưới góc nhìn kỹ thuật, là một hành vi Agent ẩn (implicit Agent behavior). Nó yêu cầu mô hình phải: (1) nhận ra rằng thông tin hiện tại chưa đủ, (2) xác định lỗ hổng thông tin cụ thể, và (3) tạo ra câu hỏi phù hợp. Trong blockchain, đây giống như một oracle cần dữ liệu từ nhiều nguồn trước khi đưa ra quyết định. Nếu oracle chỉ dựa vào một nguồn, nó dễ bị tấn công giá. Tương tự, nếu AI không hỏi lại, nó sẽ dựa vào suy luận mơ hồ và có thể sinh ra hallucination.
Bước 4 – Đầu ra có cấu trúc (Finality) Kết quả cuối cùng là một văn bản có cấu trúc (outline, bài viết, kế hoạch). Nhưng tính “finality” ở đây khác với blockchain: bạn có thể chỉnh sửa, yêu cầu AI làm lại. Finality là khi bạn hài lòng, không phải khi mạng đồng thuận. Tuy nhiên, nếu bạn không kiểm tra kỹ, bạn có thể đưa ra quyết định dựa trên output sai (giống như reorg 51% attack).
Phân tích tâm lý – Tại sao nó hiệu quả với tôi? Tôi là ENTP – thích suy nghĩ nhảy vọt, ghét viết chi tiết. Khi tôi gõ bàn phím, tôi bị phân tâm bởi việc sắp xếp câu chữ, kiểm tra chính tả, căn lề. Nói chuyện với AI giải phóng tôi khỏi những ràng buộc đó. Tôi có thể “dump” toàn bộ suy nghĩ, và AI làm nhiệm vụ “structuring” – giống như một layer2 xử lý giao dịch off-chain rồi đưa về mainnet. Kết quả: giảm 70% thời gian từ ý tưởng đến bản nháp đầu tiên. Nhưng điều này cũng có mặt tối: tôi mất dần thói quen tư duy cấu trúc. Tôi trở nên phụ thuộc vào AI để “suy nghĩ thay” tôi. Tôi sẽ bàn về điều này ở phần Contrarian.
Contrarian: Góc nhìn phản trực giác – Phương pháp này ẩn chứa rủi ro mà 90% người dùng bỏ qua
Hầu hết mọi người sẽ đọc tweet của Karpathy và nghĩ: “Tuyệt, tôi sẽ dùng cái này để viết bài phân tích nhanh hơn.” Nhưng tôi, với tư cách một kẻ săn câu chuyện thị trường, thấy ngay 3 cái bẫy.
Bẫy thứ nhất – Mất đi tính chính xác kỹ thuật. Khi tôi nói 10 phút để AI viết bài về DeFi, tôi có thể quên hoặc bỏ qua các chi tiết kỹ thuật quan trọng – ví dụ: “Con số TVL 100 triệu đó đã được tính gấp 4 lần qua các pool thanh khoản chéo chưa?” AI không biết, và nếu tôi không hỏi, nó sẽ mặc định dùng con số đó. Kết quả: một bài viết đẹp nhưng sai về mặt kỹ thuật. Với tôi, bài viết sai về mặt kỹ thuật còn tệ hơn bài viết không có insight. Nó đánh lừa độc giả và làm mất uy tín của tôi. Giải pháp: luôn dành 10 phút cuối để review lại, kiểm tra số liệu. Nhưng nếu bạn đã quen “tự động hóa” việc này, bạn sẽ trở nên lười biếng và mắc sai lầm.
Bẫy thứ hai – Suy giảm khả năng tư duy cấu trúc. Tôi từng viết một bài phân tích về sự sụp đổ của CryptoPunks khi floor price chạm 100 ETH – bài viết đó đòi hỏi tôi phải tự xây dựng luận điểm, sắp xếp ý tưởng, và phản biện lại chính mình. Nếu tôi dùng phương pháp Karpathy, tôi sẽ chỉ “nói” những gì tôi nghĩ, AI sẽ sắp xếp lại, và tôi sẽ mất đi cơ hội rèn luyện kỹ năng đó. Điều này đặc biệt nguy hiểm với các writer trẻ. Tôi thấy điều tương tự khi học sinh dùng ChatGPT để viết bài tập: điểm số tăng, nhưng khả năng tư duy giảm. Việc ủy thác cấu trúc cho AI là một con dao hai lưỡi.
Bẫy thứ ba – Rủi ro về quyền riêng tư và bảo mật dữ liệu. Khi bạn nói 10 phút về dự án crypto bạn đang tư vấn, bạn có thể vô tình tiết lộ thông tin nhạy cảm: chiến lược marketing chưa công bố, số liệu TVL thực tế, danh sách đối tác tiềm năng. Những dữ liệu này được gửi lên máy chủ của OpenAI/Anthropic. Ngay cả khi họ tuyên bố không lưu trữ, bạn không thể chắc chắn. Trong crypto, chúng ta dạy nhau “not your keys, not your coins”. Ở đây cũng vậy: “not your data, not your privacy”.
Góc nhìn phản trực giác khác: Karpathy làm việc tại Anthropic, và Claude nổi tiếng với khả năng đối thoại dài, nhẹ nhàng, biết hỏi lại. Có thể phương pháp này được tối ưu cho Claude hơn là GPT-4 hay Gemini. Đây không chỉ là một mẹo kỹ thuật, mà còn là một chiến thuật marketing ẩn – quảng bá cho thế mạnh của sản phẩm mà anh ấy đang làm. Tôi không nói điều này là xấu, nhưng khi viết bài phân tích, tôi luôn cố gắng nhìn ra motive đằng sau mỗi advice.
Một góc nhìn khác: Phương pháp này chỉ hiệu quả với các tác vụ khám phá (exploration), như brainstorm ý tưởng, viết outline, tạo chiến lược. Với các tác vụ khai thác (exploitation), như kiểm tra smart contract, phân tích dữ liệu on-chain, nó không thể thay thế việc viết prompt chính xác. Thử thách AI hỏi lại về một reentrancy bug – nó sẽ hỏi lung tung. Bạn cần phải biết chính xác mình muốn gì.
Takeaway: Câu chuyện tiếp theo – Bạn sẽ làm gì với “weak prompt engineering”?
Tôi đã thử áp dụng phương pháp này vào công việc hàng ngày của mình. Kết quả: tôi tiết kiệm 2 giờ mỗi ngày khi viết báo cáo cho quỹ. Nhưng tôi cũng phải xây dựng một quy trình kiểm tra nghiêm ngặt: sau khi nhận output, tôi dành 15 phút để kiểm tra chéo từng số liệu với dữ liệu on-chain, và tự hỏi: “Nếu tôi viết bài này từ đầu, tôi có trình bày khác không?” Nếu câu trả lời là “có”, tôi yêu cầu AI làm lại. Tôi không để AI kiểm soát narrative của tôi.
Câu hỏi dành cho bạn: Bạn có sẵn sàng đánh đổi sự chính xác và tư duy độc lập lấy tốc độ? Hay bạn sẽ dùng phương pháp này như một công cụ, không phải một người thay thế? Trong thị trường crypto, nơi mà một bài phân tích sai có thể khiến bạn mất hàng nghìn USD, việc lựa chọn đúng cách tương tác với AI là một quyết định sống còn.
Và hãy nhớ: Karpathy là một thiên tài, nhưng anh ấy không phải là người dùng cuối. Anh ấy có thể handle được sự hỗn độn của voice memos. Còn bạn? Hãy thử và tự đánh giá. Tôi tin rằng, trong 6 tháng tới, không chỉ các nhà phát triển AI, mà cả những người làm narrative trong crypto, sẽ phải xây dựng một framework mới cho “AI collaboration”. Đây là cơ hội để bạn đi trước – nếu bạn biết kiểm soát nó, thay vì để nó kiểm soát bạn.