- Chatbot không chạy code trên máy bạn và không thấy dữ liệu của bạn, nên câu trả lời đầu tiên là phỏng đoán.
- Đừng xin bản vá ngay. Xin hai, ba giả thuyết, mỗi giả thuyết kèm một phép thử cho kết quả khác nhau.
- Chạy phép thử trên máy bạn rồi gửi lại kết quả; giả thuyết nào bị bác thì ghi rõ để AI không quay lại.
- Bản vá đúng sửa vào nguyên nhân, nhỏ nhất có thể, và để lại test giữ lỗi đó không quay lại, gồm cả một ca phải sai.
Code trong bài là Python, chỉ dùng thư viện chuẩn. Danh sách tên và các câu trả lời của AI là minh họa do bài tự viết.
Lỗi báo ra và lỗi lặng im
Trước khi hỏi AI, hãy xác định bạn đang gặp loại lỗi nào, vì mỗi loại cần gửi những thứ khác nhau.
Loại thứ nhất: chương trình dừng lại và in thông báo lỗi. Với Python, tài liệu chính thức giải thích cách đọc thông báo này. Dòng cuối cho biết chuyện gì đã xảy ra, gồm tên loại lỗi, như ZeroDivisionError hay TypeError, và chi tiết đi kèm. Phần phía trên là dấu vết ngăn xếp (stack traceback), chỉ ra lỗi xảy ra ở đâu. Dòng File ... cuối cùng thuộc tệp của bạn thường là chỗ cần nhìn trước. Khi hỏi AI, gửi nguyên văn cả khối thông báo, không chỉ dòng cuối, và không gõ lại bằng lời của mình.
Loại thứ hai khó hơn: chương trình chạy xong, không báo gì, nhưng kết quả sai. Lúc này AI không có manh mối nào ngoài lời bạn tả, nên bạn phải đưa đủ: đầu vào cụ thể, kết quả mong đợi, kết quả thật, và những gì đã thử.
| Lỗi báo ra | Lỗi lặng im | |
|---|---|---|
| Dấu hiệu | Chương trình dừng, in thông báo lỗi | Chạy xong nhưng kết quả sai |
| Gửi cho AI | Nguyên văn thông báo lỗi, đoạn code liên quan, đầu vào | Đầu vào, kết quả mong đợi, kết quả thật, những gì đã thử |
| Nên hỏi | Dòng nào gây lỗi, vì sao, kiểm bằng cách nào | Giả thuyết nào giải thích được chỗ lệch, và phép thử cho từng giả thuyết |
Ca lỗi trong bài thuộc loại thứ hai, loại mà hỏi theo kiểu "sửa giúp mình" dễ đi lạc nhất.
Ca lỗi: tên có trong danh sách mà tìm không thấy
Một chương trình điểm danh đọc danh sách lớp do nhiều người ghép lại, rồi kiểm tra tên người dùng gõ vào. In danh sách ra màn hình thì thấy rõ dòng "Lê Thị Hà". Nhưng gõ đúng "Lê Thị Hà" thì chương trình báo không có. Hàm kiểm tra chỉ có một dòng: return ten in ds.
Nhìn bằng mắt, hai chuỗi giống hệt nhau. Không có thông báo lỗi nào để dán. Đây đúng là tình huống mà bạn dễ hỏi vội nhất.
Câu hỏi vội và hai bản vá vội
Câu hỏi vội: "Hàm tìm tên bị lỗi, tên có trong danh sách mà báo không có. Sửa giúp mình." kèm đoạn code. Câu trả lời hay gặp, do bài viết lại để minh họa:
Có thể tên trong danh sách có khoảng trắng thừa hoặc khác chữ hoa, chữ thường. Hãy so sánh ten.strip().lower() với từng tên đã strip().lower().
Bạn sửa theo và chạy lại: vẫn không thấy. Bạn báo lại, và nhận một gợi ý mới:
Tiếng Việt có dấu nên dễ sai. Hãy bỏ hết dấu ở cả hai phía rồi mới so.
Lần này chương trình tìm thấy "Lê Thị Hà". Nhưng gõ "Lê Thị Hạ", một người không có trong lớp, nó cũng báo là có. Bản vá thứ hai không sửa lỗi; nó đổi lỗi tìm không thấy thành lỗi tìm nhầm, khó phát hiện hơn nhiều. Đây là dấu hiệu quen thuộc của bản vá che triệu chứng: triệu chứng bạn đang nhìn đã hết, nhưng không ai nói được vì sao lúc đầu nó sai.
Vấn đề không nằm ở chỗ AI kém. Nó nằm ở câu hỏi: "sửa giúp mình" đòi một bản vá trong khi chưa ai biết nguyên nhân, nên AI chỉ có thể đoán nguyên nhân phổ biến nhất rồi vá theo đó.
Hỏi giả thuyết và phép thử
Câu hỏi tốt hơn mô tả đủ những gì đã quan sát, nói rõ đã thử gì, và đòi giả thuyết thay vì bản vá:
Mình dùng Python 3.14. Hàm dưới đây kiểm tra một tên có trong danh sách lớp không.
Danh sách đọc từ tệp do nhiều người ghép lại. In ra thì thấy "Lê Thị Hà" có trong danh sách,
nhưng co_trong_lop(ds, "Lê Thị Hà") trả về False. Mình đã thử strip() và lower(), vẫn False.
[dán hàm]
Chưa sửa code. Hãy:
1. Nêu ba giả thuyết giải thích vì sao hai chuỗi in ra giống nhau mà so sánh khác nhau.
2. Với mỗi giả thuyết, cho một dòng Python để mình chạy, và kết quả sẽ thấy nếu giả thuyết đúng.
3. Xếp các giả thuyết theo khả năng, có tính tới việc strip() và lower() không giúp được gì.
Ba giả thuyết bạn có thể nhận được, minh họa:
- Ký tự vô hình nằm giữa chuỗi, như khoảng trắng không ngắt hay ký tự có độ rộng bằng 0.
strip()chỉ bỏ khoảng trắng ở hai đầu nên không gỡ được chúng. Phép thử: so độ dài hai chuỗi. - Chữ có dấu được mã hóa theo hai cách khác nhau. Phép thử: in mã Unicode của từng ký tự.
- Một chữ trông giống nhưng là ký tự khác, ví dụ chữ Đ của tiếng Việt (U+0110) và chữ Ð của tiếng Iceland (U+00D0). Phép thử: cũng là in mã từng ký tự.
Câu thứ ba trong prompt đáng giữ: nó buộc AI dùng điều bạn đã biết để loại bớt giả thuyết, thay vì đề xuất lại khoảng trắng và chữ hoa. Đây là phần AI làm rất tốt: nó biết nhiều kiểu lỗi và nghĩ ra phép thử nhanh. Phần nó không làm được là chạy những phép thử ấy trên dữ liệu của bạn.
Chạy phép thử trên máy bạn
Đoạn code dưới đây gói cả câu chuyện: hàm gốc, hai bản vá vội, phép thử in mã từng ký tự, bản sửa, và ba ca giữ lại lỗi. Tên thứ hai trong danh sách được viết bằng mã để bạn thấy rõ dấu rời.
import unicodedata
# Danh sách lớp ghép từ nhiều nguồn. Tên thứ hai được lưu ở dạng tổ hợp:
# chữ cái không dấu cộng dấu rời, viết bằng mã \u để thấy rõ.
ds = ['Nguyễn Văn An', 'Le\u0302 Thi\u0323 Ha\u0300', 'Trần Minh Khoa']
ten_go = 'Lê Thị Hà' # gõ từ bàn phím: chữ dựng sẵn
def co_trong_lop(ds, ten):
"""Bản gốc: so sánh thẳng."""
return ten in ds
def co_trong_lop_vo_vi(ds, ten):
"""Bản vá thứ nhất: bỏ khoảng trắng hai đầu, đổi về chữ thường."""
return ten.strip().lower() in [x.strip().lower() for x in ds]
def bo_dau(s):
s = unicodedata.normalize('NFD', s)
s = ''.join(c for c in s if not unicodedata.combining(c))
return s.replace('đ', 'd').replace('Đ', 'D')
def co_trong_lop_bo_dau(ds, ten):
"""Bản vá thứ hai: bỏ hết dấu rồi mới so."""
return bo_dau(ten).strip().lower() in [bo_dau(x).strip().lower() for x in ds]
def soi(s):
"""Phép thử phân biệt: mã Unicode của từng ký tự."""
return ' '.join(f'U+{ord(c):04X}' for c in s)
def chuan_hoa(s):
return unicodedata.normalize('NFC', s).strip()
def co_trong_lop_moi(ds, ten):
"""Bản sửa: đưa cả hai phía về dạng dựng sẵn (NFC) rồi mới so."""
muc_tieu = chuan_hoa(ten)
return any(chuan_hoa(x) == muc_tieu for x in ds)
print('Bản gốc:', co_trong_lop(ds, ten_go))
print('Bản vá thứ nhất:', co_trong_lop_vo_vi(ds, ten_go))
print('Độ dài hai chuỗi:', len(ten_go), len(ds[1]))
print('Chữ "Hà" gõ tay:', soi(ten_go.split()[-1]))
print('Chữ "Hà" trong danh sách:', soi(ds[1].split()[-1]))
print('Bản vá thứ hai, tìm "Lê Thị Hạ":', co_trong_lop_bo_dau(ds, 'Lê Thị Hạ'))
print('Bản sửa:', co_trong_lop_moi(ds, ten_go))
# Ba ca giữ lại lỗi này, chạy lại mỗi lần sửa hàm
assert co_trong_lop_moi(ds, 'Lê Thị Hà')
assert co_trong_lop_moi(ds, ' Lê Thị Hà ')
assert not co_trong_lop_moi(ds, 'Lê Thị Hạ')
print('Ba ca giữ lại lỗi: đạt')
Kết quả chạy:
Bản gốc: False
Bản vá thứ nhất: False
Độ dài hai chuỗi: 9 12
Chữ "Hà" gõ tay: U+0048 U+00E0
Chữ "Hà" trong danh sách: U+0048 U+0061 U+0300
Bản vá thứ hai, tìm "Lê Thị Hạ": True
Bản sửa: True
Ba ca giữ lại lỗi: đạt
Phép thử độ dài đã nói lên nhiều điều: chuỗi gõ tay dài 9 ký tự, chuỗi trong danh sách dài 12, trong khi cả hai đều hiện ra 9 ký tự nhìn thấy. Phép in mã chỉ rõ nguyên nhân. Chữ "à" gõ tay là một ký tự, U+00E0. Chữ "à" trong danh sách là hai ký tự: chữ a không dấu (U+0061) và dấu huyền rời (U+0300), dấu này ghép vào chữ đứng trước khi hiển thị. Giả thuyết 2 đúng. Ba ký tự chênh lệch về độ dài khớp đúng với ba dấu rời của ê, ị và à, nên không còn chỗ cho ký tự vô hình nào; giả thuyết 1 bị bác. Nếu in mã cả tên, bạn cũng chỉ thấy chữ cái Latin và dấu tiếng Việt bình thường, nên giả thuyết 3 cũng bị bác.
Tài liệu Python mô tả đúng hiện tượng này: cùng một chữ có thể được biểu diễn bằng những dãy mã khác nhau. Ví dụ của tài liệu là chữ ê, có thể là một mã U+00EA, hoặc chữ e cộng dấu mũ rời U+0302; in ra giống nhau, nhưng một chuỗi dài 1 và chuỗi kia dài 2. Chuẩn Unicode định nghĩa các dạng chuẩn hóa cho chuyện này: dạng D (NFD) tách mỗi chữ thành chữ gốc cộng dấu, còn dạng C (NFC) tách ra rồi ghép lại thành chữ dựng sẵn. Dữ liệu tiếng Việt gom từ nhiều nguồn có thể trộn cả hai dạng mà mắt không phân biệt được.
Sửa đúng nguyên nhân, giữ lại test
Khi đã biết nguyên nhân, bản vá trở nên nhỏ và rõ: đưa cả hai phía về cùng một dạng trước khi so, bằng unicodedata.normalize('NFC', ...). Tốt nhất là làm việc này ngay khi đọc dữ liệu vào, để mọi chỗ khác trong chương trình chỉ làm việc với một dạng duy nhất. strip() vẫn có thể giữ lại vì khoảng trắng thừa là chuyện có thật, nhưng nó không phải nguyên nhân của lỗi này.
Rồi viết các ca giữ lại lỗi, như ba dòng assert cuối đoạn code:
- tên ở dạng tổ hợp trong danh sách vẫn được tìm thấy: đúng lỗi vừa sửa;
- tên gõ thừa khoảng trắng vẫn được tìm thấy;
- "Lê Thị Hạ" không được khớp với "Lê Thị Hà": ca này chặn bản vá bỏ dấu, nếu sau này có người hay có AI đề xuất lại nó.
Ca thứ ba quan trọng hơn vẻ ngoài. Một bộ test chỉ gồm những ca phải tìm thấy thì bản vá sai vẫn qua; cần thêm ít nhất một ca phải không tìm thấy.
Nếu nhờ AI viết bản vá ở bước này, hãy yêu cầu thay đổi nhỏ nhất và đọc phần thay đổi (diff) trước khi nhận. Nó viết lại cả tệp hay thêm thư viện mới cho một lỗi so sánh chuỗi thì hỏi lại vì sao.
Gửi gì cho AI, giữ lại gì
Danh sách lớp là dữ liệu cá nhân của người khác. Đừng dán nguyên danh sách vào chatbot. Trong ca này bạn chỉ cần gửi kết quả phép thử, như dòng mã Unicode của một chữ, hoặc một tên giả viết ở dạng tổ hợp như trong đoạn code trên. Lỗi vẫn tái hiện y nguyên mà không ai cần biết tên thật.
Nguyên tắc chung: gửi đoạn nhỏ nhất còn tái hiện được lỗi; bỏ khóa API, mật khẩu, đường dẫn trên máy và dữ liệu thật trước khi gửi. Bài dùng AI an toàn có danh sách đầy đủ những thứ không nên đưa cho AI.
Khi nào dừng hỏi AI
Bạn đang đi lạc nếu bản vá ngày càng dài, lỗi chuyển chỗ chứ không mất, AI quay lại giả thuyết bạn đã bác, hoặc không ai viết được nguyên nhân thành một câu. Lúc đó hãy dừng hỏi. Quay về đoạn code nhỏ nhất còn lỗi, in giá trị các biến ở từng bước, hoặc dùng trình gỡ lỗi của trình soạn thảo để chạy từng dòng. Có quan sát mới rồi mới quay lại hỏi, kèm đúng những gì vừa thấy.
Cũng đừng quên rằng đọc lỗi là một kỹ năng của bạn, không phải của AI. Mỗi lần gỡ xong một lỗi, ghi lại bốn dòng: triệu chứng, nguyên nhân, phép thử đã chỉ ra nguyên nhân, và test đã thêm. Sau vài chục lỗi, bạn sẽ tự nghĩ ra giả thuyết trước khi kịp hỏi. Bài học lập trình với AI đặt cách hỏi giả thuyết và phép thử này vào một buổi luyện gỡ lỗi trọn vẹn, kèm cách giữ quyền chủ động.
- Dán cả dự án và chỉ viết "sửa giúp".
- Nhận bản vá đầu tiên vì nó làm hết báo lỗi, hay hết sai trên đúng một ca.
- Sửa triệu chứng: bọc lệnh trong try rồi bỏ qua lỗi, bỏ dấu cho dễ so, thêm điều kiện riêng cho một ca.
- Để AI đoán tiếp thay vì chạy phép thử nó vừa đề xuất.
- Chỉ viết test cho ca phải đúng, quên ca phải sai.
- Dán dữ liệu thật của người khác vào chatbot.
Câu hỏi thường gặp
Có nên dán cả tệp code vào ChatGPT để tìm lỗi?
Không nên. Gửi đoạn nhỏ nhất còn tái hiện lỗi, thông báo lỗi nguyên văn, đầu vào, kết quả mong đợi và kết quả thật.
Vì sao hai chuỗi tiếng Việt giống hệt nhau mà Python so là khác?
Thường do một chuỗi dùng chữ dựng sẵn, chuỗi kia dùng chữ cái cộng dấu rời. Đưa cả hai về dạng NFC bằng unicodedata.normalize rồi mới so.
AI sửa xong, chương trình chạy được rồi thì còn cần gì?
Nói được nguyên nhân trong một câu, đọc phần thay đổi, và có test giữ lỗi đó không quay lại, gồm cả một ca phải sai.
Đọc thông báo lỗi Python thế nào?
Dòng cuối cho biết loại lỗi và chi tiết; phần phía trên chỉ nơi lỗi xảy ra. Xem trước dòng File cuối cùng thuộc tệp của bạn.
Học tiếp
- Kiểm chứng code AI viết bằng test, đọc thay đổi và so với cách vét cạn: kiểm chứng việc AI làm.
- Những lỗi hay gặp trong code Python do AI viết: viết Python cùng AI.
- Khi code không sai mà chỉ khó hiểu: nhờ AI giải thích một đoạn code.
Nếu bạn muốn học Python và AI bài bản cùng giảng viên, tham khảo khóa học AI của Big-O Coding.
Khóa AI – Introduction to Machine Learning: nền tảng Máy học từ thuật toán cơ bản đến Neural Networks và LLM, học bằng Python. Học thử buổi 1 miễn phí.


