Prompt (istruzione)

Rivisto : Come rivediamo le schedeAggiornato il

In breve

Un prompt è il testo (istruzioni, contesto, esempi) fornito a un modello di IA per ottenere una risposta; la sua formulazione influenza molto la qualità del risultato.

Fonti[1][2][3]

Definizione

Un prompt (in italiano, istruzione o richiesta) è l’insieme del testo fornito a un modello linguistico: la domanda, le istruzioni, il contesto ed eventuali esempi. Progettare prompt efficaci si chiama prompt engineering.

Tecniche comuni

  • Istruzioni chiare e precise: obiettivo, pubblico, formato di uscita atteso, vincoli di lunghezza.
  • Contesto: fornire le informazioni necessarie invece di dare per scontato che il modello le conosca.
  • Esempi (few-shot): mostrare uno o più esempi di ciò che ci si aspetta. L’articolo su GPT-3 ha evidenziato l’efficacia di questo approccio.
  • Ragionamento passo passo (chain-of-thought): chiedere al modello di esplicitare il ragionamento può migliorare i risultati su alcuni problemi di logica o di calcolo, come hanno mostrato Wei et al. I cosiddetti modelli «di ragionamento» lo fanno già internamente: OpenAI sconsiglia di chiedere loro di «ragionare passo passo».
  • Ruolo e formato: precisare l’atteggiamento atteso e la struttura della risposta (elenco, tabella, JSON…).

Limiti

Un buon prompt non garantisce una risposta esatta: il modello può avere allucinazioni. I risultati variano da un modello all’altro e da un’esecuzione all’altra; bisogna provare e ripetere.

Generatore di prompt

Compila i campi: il generatore compone un prompt strutturato secondo le buone pratiche di questa scheda. Più dettagli fornisci, migliore sarà la risposta.

Parti da un modello

Buone pratiche da aggiungere
Qualità del promptDa completare · 1/6
  • Obiettivo preciso
  • Contesto fornito
  • Pubblico definito
  • Formato scelto
  • Esempio fornito
  • Salvaguardie

Descrivi almeno la tua richiesta per generare il prompt.

Il prompt resta nel tuo browser. Incollalo nell’assistente che preferisci (ChatGPT, Claude, Le Chat…) e affina la risposta conversando.

Fonti

  1. Brown et al., «Language Models are Few-Shot Learners» (2020)
  2. Wei et al., «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models» (2022)
  3. OpenAI, «Reasoning best practices» (documentazione)