Tuần này, một dự án blockchain AI đang gây sốt vì bị phát hiện lỗ hổng trong hợp đồng thông minh sinh ra từ mô hình ngôn ngữ lớn. Nguyên nhân? Không phải do thuật toán kém, mà do prompt đầu vào quá mơ hồ. Câu chuyện này khiến tôi nhớ lại bài phân tích về RLHF và prompt design mà tôi đọc gần đây – một góc nhìn tưởng chừng thuần túy học thuật nhưng lại có ứng dụng sống còn trong blockchain.
Sự kiện cụ thể: Một nhóm phát triển DeFi đã sử dụng GPT-4 để tạo mã nguồn cho pool thanh khoản mới. Họ đưa prompt: 'Viết smart contract AMM đơn giản'. Kết quả: contract có lỗi reentrancy kinh điển, bị hack mất 200 ETH trên testnet. Nếu họ thêm điều kiện 'kiểm tra reentrancy guard' thì mọi chuyện đã khác. Prompt không chỉ là câu hỏi – nó là công cụ điều khiển hành vi của mô hình.
Bối cảnh: Các mô hình ngôn ngữ lớn (LLM) đang được tích hợp sâu vào blockchain: từ sinh code, audit contract, hỗ trợ governance đến chatbot ví. Quá trình huấn luyện sử dụng RLHF (Reinforcement Learning from Human Feedback) nhằm căn chỉnh output theo sở thích của con người. Nhưng RLHF chỉ là căn chỉnh ở phía nhà phát triển – còn ở phía người dùng, prompt design chính là 'căn chỉnh phía client'.
Trong bài báo tôi đọc, tác giả lập luận: 'Prompt design là một dạng lao động vô hình – người dùng phải dịch nhu cầu mơ hồ thành lệnh máy hiểu được.' Điều này đặc biệt đúng trong blockchain, nơi mỗi dòng code đều có giá trị tài sản. Kinh nghiệm cá nhân của tôi: khi audit contract, thay vì hỏi 'kiểm tra lỗi', tôi dùng prompt cấu trúc: 'Đóng vai auditor chuyên nghiệp. Phân tích hàm withdraw() theo 3 bước: tìm reentrancy, kiểm tra access control, đánh giá gas cost. Đưa ra ví dụ cụ thể.' Kết quả: GPT-4 phát hiện 2 lỗi mà tôi bỏ sót.
Phân tích kỹ thuật: RLHF thay đổi preferences của model bằng cách tối ưu hóa reward model. Tương tự, prompt design thay đổi cách model truy cập knowledge graph nội bộ. Trong blockchain, prompt càng chi tiết, model càng ít 'ảo tưởng' (hallucination). Ví dụ, khi hỏi về tokenomics, nếu thêm 'cung cấp dữ liệu on-chain từ Etherscan' thì output sẽ chính xác hơn. Tuy nhiên, có một trade-off: prompt quá dài có thể làm model bỏ qua ngữ cảnh quan trọng, gây ra lỗi logic.
Góc nhìn phản trực giác: Nhiều người cho rằng prompt design là 'kỹ thuật bề mặt', không quan trọng bằng model tuning. Nhưng thực tế, trong môi trường phi tập trung, nơi mỗi user đều có thể tương tác trực tiếp với LLM qua giao diện wallet, prompt design trở thành điểm mù bảo mật. Một prompt xấu có thể dẫn đến lệnh swap sai, audit thiếu sót, hoặc thậm chí kích hoạt backdoor nếu model được fine-tune với dữ liệu độc hại. Tôi từng thấy một bot trading trên Solana bị sandwich attack vì prompt sinh ra lệnh mua không kiểm tra slippage. Đây không phải lỗi của AI, mà là lỗi của người thiết kế prompt.
Kết luận: Trong tương lai, khi blockchain và AI kết hợp chặt chẽ hơn, 'căn chỉnh phía client' sẽ trở thành hạ tầng quan trọng không kém gì smart contract. Các dự nên xây dựng thư viện prompt mẫu cho từng tác vụ (audit, swap, governance) và tích hợp cơ chế kiểm tra prompt trước khi gửi đến model. Nếu không, chúng ta sẽ đối mặt với làn sóng lỗ hổng mới: không phải do code, mà do cách ta hỏi AI.