Prompting basato sul ruolo: spiegazione
Il prompting con ruolo chiede al modello di rispondere da una specifica prospettiva professionale. Il ruolo deve essere pertinente all’attività, non teatrale. “Agisci come responsabile senior delle operazioni di assistenza” è utile per flussi di ticket; “agisci come un genio” di solito aggiunge poco.
Few-shot prompting: spiegazione
Few-shot prompting significa fornire alcuni esempi di input e dell’output desiderato. È particolarmente utile quando formato, tono o confini di classificazione sono difficili da descrivere. Da due a cinque esempi ben scelti possono essere più utili di una lunga spiegazione astratta.
Concatenamento di prompt spiegato
Il concatenamento di prompt divide un’attività complessa in passaggi più piccoli. Invece di chiedere ricerca, scaletta, bozza, critica e versione finale insieme, esegui una sequenza: estrai i fatti, crea la struttura, scrivi la bozza, valuta, revisiona. Ciò migliora il controllo e rende gli errori più facili da individuare.
Combina tecniche di prompting in sistemi che puoi testare, perfezionare, alimentare con retrieval e riutilizzare.
Un’idea più solida: progetta un sistema operativo per i prompt
Per lavori ricorrenti, il prompt migliore raramente è una singola frase brillante. Trattalo come un piccolo sistema operativo: ruolo, input, regole sulle fonti, soglia di qualità, formato di output e passaggio di revisione. Questo rende il flusso insegnabile e più facile da correggere.
“Scrivi la nostra email di onboarding.” Il modello deve dedurre pubblico, tono, dettagli del prodotto e criteri di successo.
“Usa il segmento cliente, la promessa del prodotto, la guida al tono, le affermazioni vietate, le email di esempio e la checklist qui sotto. Prepara una bozza, esegui un’autorevisione, poi restituisci l’email finale.”
Context engineering: spiegazione
Il context engineering è la disciplina che decide quali informazioni entrano nel modello al momento giusto. Comprende selezione delle fonti, gerarchia delle istruzioni, memoria, retrieval, esempi, strumenti e schemi di output. L’obiettivo non è “massimo contesto”, ma il contesto affidabile più piccolo possibile.
Come testare i prompt
Testare i prompt significa eseguire la stessa attività su esempi rappresentativi e valutare gli output. Usa una griglia di valutazione: accuratezza, completezza, rispetto del formato, tono, sicurezza e tempo di modifica. Mantieni un piccolo set di regressione per accorgerti quando una modifica migliora un caso ma ne rompe un altro.
Come ottenere risposte IA migliori
Risposte migliori derivano spesso da obiettivi più chiari, contesto migliore, vincoli espliciti, esempi e un passaggio di revisione. Chiedi al modello di dichiarare i presupposti, usare un formato specifico e segnalare l’incertezza. Per fatti importanti, fornisci fonti o richiedi citazioni dal materiale recuperato.
RAG spiegato in modo semplice
RAG significa retrieval-augmented generation. Il sistema cerca prima in una base di conoscenza, poi fornisce al modello i passaggi pertinenti e infine il modello scrive una risposta ancorata a quei passaggi. RAG è utile quando le risposte dipendono da documenti privati, mutevoli o molto grandi. È superfluo per semplici attività di scrittura.
Che cosa sono gli agenti IA?
Finora hai scritto prompt che restituiscono una risposta. Un agente IA va oltre: può pianificare più passaggi, usare strumenti (come ricerca o calcolatrice), osservare il risultato e decidere cosa fare dopo, ripetendo finché l’attività non è completata. È come la differenza tra chiedere indicazioni e dare a qualcuno le chiavi per svolgere la commissione al posto tuo.
Gli agenti sono utili per lavori in più passaggi che altrimenti richiederebbero molti prompt separati: ricerca su più pagine e poi riassunto, oppure ricerca di un’informazione e stesura di una risposta basata su di essa. Il compromesso è il controllo: poiché un agente può agire autonomamente, servono confini più chiari e spesso un passaggio di revisione prima di azioni importanti. Se vuoi i dettagli tecnici su agenti, strumenti e modelli Large Action Model (LAM), la Guida avanzata li tratta in profondità.
Temperatura spiegata in modo semplice
La temperatura controlla quanta casualità usa il modello quando sceglie i token. Una temperatura più bassa tende a essere più prevedibile e coerente. Una temperatura più alta può produrre maggiore varietà e creatività, ma può aumentare la deriva rispetto alle istruzioni. Non è una manopola della qualità; è una manopola della variazione.
Come il modello sceglie ogni parola: greedy, top-k e top-p
La temperatura è una regolazione all’interno di una fase più ampia chiamata decoding (o sampling). In ogni posizione il modello assegna una probabilità a ogni possibile token successivo e il metodo di decoding decide quale candidato viene effettivamente scelto. Queste impostazioni spiegano perché lo stesso prompt può risultare rigido, leggermente ripetitivo o molto creativo a seconda della configurazione dell’API.
I metodi comuni, dal più rigido al più flessibile:
Seleziona a ogni passaggio il token con la probabilità più alta. Ciò elimina la casualità di sampling per quel decoder, ma un output identico non è garantito tra versioni del modello, implementazioni numeriche, modifiche del backend o infrastrutture non deterministiche.
Mantiene solo i k token più probabili, ad esempio 40, poi sceglie tra quelli. È una lista di candidati di dimensione fissa indipendentemente da quanto il modello sia sicuro.
Mantiene il più piccolo insieme di token le cui probabilità sommano a p, ad esempio 0,9. La lista si restringe quando il modello è sicuro e si amplia quando è incerto.
Un’opzione più recente: mantiene i token che raggiungono almeno una frazione della probabilità del token principale. Tende a restare più stabile del top-p quando la temperatura è alta.
Queste impostazioni interagiscono, ma l’ordine esatto e i controlli disponibili dipendono dall’implementazione. In una pipeline comune, la temperatura ridimensiona i logit prima di un filtro top-k o top-p; altri runtime possono combinare o ordinare i processori in modo diverso. Alcuni fornitori consigliano di modificare temperatura oppure top-p anziché entrambi, ma segui la documentazione del modello e dell’API specifici.
