Xây ứng dụng AI đáng tin cậy và tiết kiệm: tool use, structured outputs, prompt caching, batch processing và điều chỉnh mức nỗ lực.

60 phútNâng cao
Bạn sẽ học được
  • Vòng lặp tool use
  • Structured outputs đảm bảo đúng lược đồ JSON
  • Prompt caching và batch để giảm chi phí
  • Mức nỗ lực (effort) và suy nghĩ thích ứng

Cơ sở lý thuyết

Tính năngTác dụng
Tool useKhai báo công cụ (hàm), Claude chọn gọi với tham số phù hợp; ứng dụng thực thi và trả kết quả để Claude tiếp tục
Structured outputsBảo đảm phản hồi tuân theo JSON Schema, hoặc tham số công cụ hợp lệ (strict tool use)
Prompt cachingTái sử dụng phần đầu prompt đã lưu đệm từ yêu cầu gần đây để giảm thời gian và chi phí
Batch processingXử lý lượng lớn yêu cầu bất đồng bộ với giá bằng một nửa
EffortĐiều khiển lượng token Claude dùng khi trả lời, đánh đổi giữa độ kỹ lưỡng và hiệu suất
CitationsGắn câu trả lời với đoạn nguồn trong tài liệu
  • Tác tử (agent) thực chất là vòng lặp: mô hình → gọi công cụ → nhận kết quả → quyết định bước tiếp theo, cho đến khi xong.
  • Prompt caching phù hợp khi nhiều yêu cầu dùng chung phần đầu dài (system prompt, tài liệu tham chiếu).
  • Batch phù hợp với việc không cần phản hồi tức thì: chấm sơ bộ hàng nghìn câu trả lời, phân loại phản hồi khảo sát.

Tool use và đầu ra có cấu trúc

import anthropic, json
client = anthropic.Anthropic()

tools = [{
    "name": "tra_cuu_diem",
    "description": "Tra điểm học phần của sinh viên theo mã sinh viên và mã học phần",
    "input_schema": {
        "type": "object",
        "properties": {"ma_sv": {"type": "string"}, "ma_hp": {"type": "string"}},
        "required": ["ma_sv", "ma_hp"],
    },
}]

tin = client.messages.create(
    model="claude-sonnet-5-5", max_tokens=1024, tools=tools,
    messages=[{"role": "user", "content": "Điểm môn WEB01 của sinh viên 2610010001 là bao nhiêu?"}],
)
for khoi in tin.content:
    if khoi.type == "tool_use":
        print(khoi.name, json.dumps(khoi.input, ensure_ascii=False))
        # Gọi CSDL thật, rồi gửi kết quả lại với vai trò user, kiểu "tool_result"

Ứng dụng thực tế

Bài toán: phân tích 5.000 ý kiến tự do trong khảo sát sinh viên cuối học kỳ. Thiết kế:

Quyết địnhLựa chọn
Xử lýBatch processing (không cần tức thì, giảm 50% chi phí)
PromptHướng dẫn phân loại và bảng mã chủ đề đặt đầu prompt, bật prompt caching
Đầu raStructured outputs: {chu_de, cam_xuc, muc_do, trich_dan}
Mô hìnhHaiku hoặc Sonnet với mức nỗ lực thấp
Kiểm chứngLấy ngẫu nhiên 100 ý kiến để người chấm đối chiếu

Kết quả JSON nạp thẳng vào Excel hoặc dashboard, không phải xử lý văn bản thủ công.

Thực hành
  1. Viết một công cụ đơn giản và hoàn thành vòng lặp tool use.
  2. Yêu cầu đầu ra JSON theo lược đồ và kiểm tra bằng code.
  3. Tính chi phí trước và sau khi bật prompt caching cho một prompt dài.

Nguồn chính: Features overview, Tool use. Tính năng và giá có thể thay đổi; hãy đối chiếu với trang chính thức.

Tóm tắt bài học
  • Tác tử = vòng lặp mô hình – công cụ.
  • Structured outputs cho dữ liệu tin cậy.
  • Caching và batch giảm mạnh chi phí.