M09 · Prompting, la lente d'ingrandimento¶
Il prompt è una lente d'ingrandimento. L'LLM è il sole. Se non posizioni bene la lente, l'energia non si concentra e il fuoco non parte.
Perché¶
Le aziende stanno rendendo i modelli sempre più capaci di capire anche i prompt scritti male. Il cerchio di luce arriva comunque per terra, ma diffuso: ottieni una risposta generica a una richiesta che non era a fuoco. Più focalizzi, più il risultato si avvicina alle tue aspettative.
Nel prompting non esistono il giusto e lo sbagliato. Ci sono "ha capito / non ha capito" e "ha funzionato / non ha funzionato rispetto alle mie aspettative". È alchimia empirica: provi, osservi, aggiusti.
Obiettivi¶
- Passare dal prompt ingenuo al prompt strutturato (i cinque pilastri).
- Conoscere e provare quattro tecniche: few-shot, clarify before answering, meta prompting, reverse meta prompting.
- Usare delimitatori (Markdown) per rendere il prompt leggibile e riutilizzabile.
- Sapere quando ha senso un prompt lungo e strutturato e quando no.
I cinque pilastri¶
| Pilastro | Cosa chiedersi | Esempio di trappola |
|---|---|---|
| Ruolo | Chi deve essere la chat? | "Agisci come mio padre": il modello non sa chi è tuo padre. Descrivilo |
| Compito | Cosa deve fare, concretamente? (diverso dall'obiettivo generale) | Un bambino con una bottiglia in mano: deve portarla, versarla, aprirla? |
| Contesto | Quali informazioni servono? Necessarie e sufficienti | Troppo contesto disperde, troppo poco lascia decidere al modello |
| Output | Formato (testo, tabella, elenco, CSV…) e tono | Se non lo dici, decide lui: titoletti, emoji, elenchi puntati |
| Regole e vincoli | Limiti, divieti, criteri | Un bando con 500 caratteri massimo: chiedine 450, perché non sa contare |
Le tecniche¶
| Tecnica | In una frase | Quando la uso |
|---|---|---|
| Few-shot | Do esempi di cosa voglio, e anche di cosa non voglio | Classificazioni, formati ripetitivi, imitare uno stile |
| Clarify before answering | "Prima di rispondere fammi al massimo N domande, una alla volta" | Quando non ho le idee chiare. Per me è la tecnica che cambia di più l'uso quotidiano |
| Meta prompting | "Agisci come esperto di prompt e scrivi il prompt per ottenere…" | Per superare la paura della pagina bianca; poi lo modifico io |
| Reverse meta prompting | "Analizza questo testo di riferimento, poi scrivi un prompt per ottenere testi simili" | Uniformare uno stile, replicare un formato |
Una scelta didattica: il meta prompting lo insegno per ultimo. Se lo mostro subito, nessuno prova più a scrivere un prompt da sé.
Un trucco che spiega molto: chiedere al modello di analizzare prima e generare poi non serve a "farlo ragionare". Serve a mettere nella finestra di contesto informazioni che influenzeranno i token successivi.
Come lo conduco¶
- La lente (5 min).
- I cinque pilastri (15 min), con il sito di supporto a tre livelli (base, intermedio, avanzato).
- La mail delicata (30 min). Scheda: mail al collaboratore. Si prende uno scenario scritto come muro di testo e lo si scompone nei cinque blocchi, come mattoncini Lego.
- Le quattro tecniche (60 min), ognuna su uno scenario: classificare commenti (few-shot), organizzare un evento di team building (clarify), trasformare appunti di riunione in verbale (meta), poesia nello stile di un testo di riferimento (reverse).
- Markdown in due minuti (10 min). Cancelletti, asterischi, trattini: per l'umano sono fastidiosi, per la macchina sono struttura.
- L'esame finale (30 min). Il simulatore di scenari: un prompt che ti chiede ruolo e settore, ti dà una sfida su misura, valuta il tuo prompt e ti dà consigli.
Frasi che uso¶
- "Chi ben comincia è a metà dell'opera: per i compiti complessi, partite da un buon prompt e poi conversate."
- "Quando non avete le idee chiare, fatevi fare le domande invece di scrivere cose a caso."
- "Se scrivete già bene, il prompting vi porta meno vantaggi. Se scrivete come capita, ve ne porta tanti."
Punti critici e da verificare¶
- Dati sul chain of thought: il miglioramento (dal 17,7% al 78,7%) viene da Kojima et al. (2022), con un solo modello e su un benchmark di aritmetica. Va citato con questo contesto, non come percentuale generale.
- Esercizi su scenari generici (la mail, l'evento): alcuni partecipanti li sentono lontani dalla realtà ("una mail palesemente scritta con l'AI a un collaboratore da motivare viene sgamata"). È un feedback utile. Gli esercizi vanno portati sui problemi reali dei partecipanti.
- Autenticità della scrittura: in aula è nato un dibattito ("mi sento disonesta a farmi scrivere le mail"). Non ho una risposta unica: è una scelta personale e di contesto. Io i miei post li scrivo a mano e uso la chat come revisore. Il tema merita uno spazio dedicato, non una battuta.
- Omologazione dello stile: i testi rifiniti dall'AI tendono ad assomigliarsi tutti. Rompere le regole a un certo punto serve.
Collegamenti¶
- Prima: M08 · Dopo: M10 · Agenti
- Riferimento: Kojima et al. (2022), Large Language Models are Zero-Shot Reasoners.