Thiết kế vòng lặp thay vì câu lệnh Prompt: Tại sao AI tự kiểm tra lại là điểm yếu?

Thiết kế vòng lặp, không phải câu lệnh Prompt

"Chúng ta không còn viết prompt nữa. Chúng ta thiết kế các vòng lặp." — Một kỹ sư tại Anthropic, tháng 6 năm 2026.

Câu nói này xuất hiện cách đây vài tuần và dường như đã trở thành chân lý trong giới phát triển AI. Chúng ta đã từ bỏ việc cố gắng tinh chỉnh một câu lệnh prompt hoàn hảo để chuyển sang xây dựng các hệ thống có khả năng thử nghiệm, tự kiểm tra công việc và cải thiện qua nhiều bước. Một mô hình có khả năng sửa đổi chính nó luôn có giá trị hơn một mô hình chỉ trả lời một lần rồi dừng lại.

Tuy nhiên, điều mà câu nói đó bỏ qua chính là "cái giá phải trả". Một vòng lặp khó xác thực hơn nhiều so với một lời gọi đơn lẻ. Trong một lời gọi, bạn chỉ kiểm tra một kết quả đầu ra, nhưng trong một vòng lặp, mỗi bước đều có thể bị chệch hướng, và khả năng xảy ra lỗi nhân lên theo từng lần lặp. Phần khó nhất không còn là tạo nội dung (generation), mà là xác thực (verification).

Sơ đồ quy trình

Bề mặt xác thực mở rộng theo từng bước

Một lời gọi đơn lẻ chỉ có một nơi để sai: câu trả lời. Một vòng lặp ba bước có bản nháp đầu tiên, sự phê bình bản nháp, bản sửa đổi, sự phê bình bản sửa đổi và quyết định dừng lại. Mỗi bước đó đều là kết quả của mô hình, và mỗi bước đều có thể sai một cách đầy tự tin. Bạn không loại bỏ vấn đề xác thực bằng cách thêm vòng lặp; bạn đang nhân nó lên.

Mắt xích yếu nhất: Mô hình tự chấm điểm công việc của chính mình

Bộ xác thực phổ biến nhất hiện nay là chính mô hình đó. Sau khi soạn thảo, bạn hỏi nó: "Điều này có đúng không?". Nó rẻ, không cần cơ sở hạ tầng bổ sung và tạo cảm giác như sự phản tư. Vấn đề là mô hình tối ưu hóa cho những gì "nghe có vẻ đúng". Một câu trả lời tự tin, trôi chảy nhưng sai lệch vẫn nghe có vẻ đúng. Do đó, việc tự phê bình (self-critique) thường bỏ qua chính những lỗi mà bạn muốn bắt nhất.

Giải pháp: Xác thực dựa trên nguồn (Source-Anchored) và có tính quyết định (Deterministic)

Thay vì hỏi ý kiến của mô hình, chúng ta cần một bộ xác thực có hai thuộc tính:

Dựa trên nguồn (Source-anchored): Kiểm tra xem câu trả lời có dựa trên nguồn thực tế hay không, thay vì chỉ xem nó có đọc xuôi tai hay không.
Có tính quyết định (Deterministic): Cùng một đầu vào, cùng một phán quyết. Bạn có thể kiểm tra, ghi nhật ký và tin tưởng nó qua nhiều lần chạy.

Bộ xác thực được đề xuất sử dụng phương pháp hình học: nhúng câu hỏi, câu trả lời ứng viên và nguồn vào một siêu cầu vector (vector hypersphere) và đọc các góc giữa chúng. Một câu trả lời có căn cứ sẽ nằm gần nguồn; một câu trả lời ảo tưởng sẽ trôi xa khỏi nguồn.

Thí nghiệm và Kết quả

Thiết kế thí nghiệm cô lập một biến: vòng lặp xác thực dựa trên cái gì?

Open-book reference: Generator được cung cấp nguồn. Không kiểm tra. Đây là mức trần.
Single (closed-book): Một câu trả lời, không kiểm tra. Đây là mức sàn.
Self-critique: Closed-book; mô hình tự đánh giá và sửa đổi (tối đa 3 lần).
Source-anchored: Closed-book; bộ xác thực hình học chấm điểm, nếu có cờ báo lỗi, nó sẽ chèn nguồn và yêu cầu viết lại (tối đa 3 lần).

Kết quả:

Self-critique: Không giúp ích gì. Tỷ lệ lỗi là 43.3%, thậm chí tệ hơn mức sàn 40.0%.
Source-anchored: Giảm tỷ lệ lỗi xuống còn 19.2%, giảm tương đối 52% so với mức sàn.

Kết luận

Bạn không thể nói dối một vòng lặp. Một bộ xác thực khen ngợi câu trả lời sai nhưng tự tin sẽ khiến vòng lặp tối ưu hóa sự trôi chảy thay vì sự thật. Một bộ xác thực dựa trên nguồn cung cấp tín hiệu phần thưởng liên quan đến tính căn cứ (grounding).

Nếu bạn đang xây dựng các vòng lặp đại lý (agent loops), hãy hướng bộ xác thực của vòng lặp vào một thứ gì đó nằm ngoài ý kiến của mô hình: một bộ kiểm tra xác định, có thể kiểm tra được dựa trên nguồn thực tế. Bạn sẽ nhận được các vòng lặp hiệu quả hơn, đáng tin cậy hơn và có kết quả có thể tái lập.

Mã nguồn mở của bộ xác thực này có sẵn tại: github.com/groundlens-dev/groundlens