Panoramica delle strategie di prompting

Sebbene non esista un modo giusto o sbagliato per progettare un prompt, esistono strategie comuni che puoi utilizzare per influenzare le risposte del modello. Test e valutazioni rigorosi rimangono fondamentali per ottimizzare il rendimento del modello.

I modelli linguistici di grandi dimensioni (LLM) vengono addestrati su grandi quantità di dati testuali per apprendere i pattern e le relazioni tra le unità di linguaggio. Quando viene fornito un testo (il prompt), i modelli linguistici possono prevedere ciò che è probabile che venga dopo, come uno strumento di completamento automatico sofisticato. Pertanto, quando progetti i prompt, tieni conto dei diversi fattori che possono influenzare ciò che un modello prevede che venga dopo.

Flusso di lavoro di prompt engineering

Il prompt engineering è un processo iterativo e basato sui test che può migliorare il rendimento del modello. Quando crei i prompt, è importante definire chiaramente gli obiettivi e i risultati previsti per ogni prompt e testarli sistematicamente per identificare le aree di miglioramento.

Il seguente diagramma mostra il flusso di lavoro di prompt engineering:

Come creare un prompt efficace

Esistono due aspetti di un prompt che influiscono in definitiva sulla sua efficacia: contenuto e struttura.

• Contenuto:

  Per completare un'attività, il modello ha bisogno di tutte le informazioni pertinenti associate a l'attività. Queste informazioni possono includere istruzioni, esempi, informazioni contestuali e così via. Per maggiori dettagli, vedi Componenti di un prompt.

• Struttura:

  Anche quando tutte le informazioni richieste vengono fornite nel prompt, la struttura delle informazioni aiuta il modello ad analizzarle. Aspetti come l'ordinamento, l'etichettatura e l'utilizzo di delimitatori possono influire sulla qualità delle risposte. Per un esempio di struttura del prompt, vedi Esempio di template di prompt.

Componenti di un prompt

La tabella seguente mostra i componenti essenziali e facoltativi di un prompt:

A seconda delle attività specifiche in questione, potresti scegliere di includere o escludere alcuni dei componenti facoltativi. Puoi anche modificare l'ordine dei componenti e verificare in che modo può influire sulla risposta.

Esempio di template di prompt

Il seguente template di prompt mostra un esempio di come potrebbe apparire un prompt ben strutturato:

      <OBJECTIVE_AND_PERSONA>
      You are a [insert a persona, such as a "math teacher" or "automotive expert"]. Your task is to...
      </OBJECTIVE_AND_PERSONA>

      <INSTRUCTIONS>
      To complete the task, you need to follow these steps:
      1.
      2.
      ...
      </INSTRUCTIONS>

      ------------- Optional Components ------------

      <CONSTRAINTS>
      Dos and don'ts for the following aspects
      1. Dos
      2. Don'ts
      </CONSTRAINTS>

      <CONTEXT>
      The provided context
      </CONTEXT>

      <OUTPUT_FORMAT>
      The output format must be
      1.
      2.
      ...
      </OUTPUT_FORMAT>

      <FEW_SHOT_EXAMPLES>
      Here we provide some examples:
      1. Example #1
          Input:
          Thoughts:
          Output:
      ...
      </FEW_SHOT_EXAMPLES>

      <RECAP>
      Re-emphasize the key aspects of the prompt, especially the constraints, output format, etc.
      </RECAP>
    

Best practice

Le best practice per la progettazione dei prompt includono le seguenti:

• Fornisci istruzioni chiare e specifiche
• Includi esempi few-shot
• Aggiungi informazioni contestuali
• Utilizza le istruzioni di sistema
• Struttura i prompt
• Chiedi al modello di spiegare il suo ragionamento
• Suddividi le attività complesse
• Sperimenta con i valori dei parametri
• Strategie di iterazione dei prompt

Elenco di controllo dell'integrità dei prompt

Se un prompt non funziona come previsto, utilizza il seguente elenco di controllo per identificare potenziali problemi e migliorare il rendimento del prompt.

Problemi di scrittura

• Errori di battitura: controlla le parole chiave che definiscono l'attività (ad esempio, sumarize anziché summarize), i termini tecnici o i nomi delle entità, poiché gli errori di ortografia possono comportare un rendimento scadente.
• Grammatica: se una frase è difficile da analizzare, contiene frammenti di frasi, ha soggetti e verbi non corrispondenti o sembra strutturalmente goffa, il modello potrebbe non comprendere correttamente il prompt.
• Punteggiatura: controlla l'utilizzo di virgole, punti, virgolette e altri separatori, poiché una punteggiatura errata può indurre il modello a interpretare erroneamente il prompt.
• Utilizzo di gergo non definito: evita di utilizzare termini, acronimi o iniziali specifici del dominio come se avessero un significato universale, a meno che non siano definiti esplicitamente nel prompt.
• Chiarezza: se ti chiedi l'ambito, i passaggi specifici da eseguire o le ipotesi implicite, è probabile che il prompt non sia chiaro.
• Ambiguità: evita di utilizzare qualificatori soggettivi o relativi che non hanno una definizione concreta e misurabile. Fornisci invece vincoli oggettivi (ad esempio, "scrivi un riepilogo di massimo 3 frasi" anziché "scrivi un breve riepilogo").
• Informazioni chiave mancanti: se l'attività richiede la conoscenza di un documento specifico, delle norme aziendali, della cronologia utente o del set di dati, assicurati che le informazioni siano incluse esplicitamente nel prompt.
• Scelta di parole errata: controlla il prompt per individuare frasi inutilmente complesse, vaghe o prolisse, in quanto potrebbero confondere il modello.
• Revisione secondaria: se il modello continua a funzionare male, chiedi a un'altra persona di rivedere il prompt.

Problemi con istruzioni ed esempi

• Manipolazione eccessiva: rimuovi dal prompt il linguaggio al di fuori dell'attività principale che tenta di influenzare il rendimento utilizzando appelli emotivi, adulazione o pressione artificiale. Sebbene i modelli di base di prima generazione abbiano mostrato miglioramenti in alcune circostanze con istruzioni come "accadranno cose molto brutte se non lo fai correttamente", il rendimento dei modelli di base non migliorerà più e in molti casi peggiorerà.
• Istruzioni ed esempi in conflitto: controlla se sono presenti contraddizioni logiche o discrepanze tra le istruzioni o tra un'istruzione e un esempio.
• Istruzioni ed esempi ridondanti: esamina il prompt e gli esempi per verificare se la stessa istruzione o lo stesso concetto viene ripetuto più volte in modi leggermente diversi senza aggiungere nuove informazioni o sfumature.
• Istruzioni ed esempi irrilevanti: verifica se tutte le istruzioni e gli esempi sono essenziali per l'attività principale. Se è possibile rimuovere istruzioni o esempi senza ridurre la capacità del modello di svolgere l'attività principale, potrebbero essere irrilevanti.
• Utilizzo di "few-shot" esempi: se l'attività è complessa, richiede un formato specifico o ha un tono sfumato, assicurati che siano presenti esempi concreti e illustrativi che mostrino un input di esempio e l'output corrispondente.
• Mancanza di specifica del formato di output: evita di lasciare che il modello indovini la struttura dell'output; utilizza invece un'istruzione chiara ed esplicita per specificare il formato e mostrare la struttura dell'output negli esempi few-shot.
• Mancanza di definizione del ruolo: se intendi chiedere al modello di agire in un ruolo specifico, assicurati che il ruolo sia definito nelle istruzioni di sistema.

Problemi di progettazione di prompt e sistemi

• Attività non specificata: assicurati che le istruzioni del prompt forniscano un percorso chiaro per la gestione dei casi limite e degli input imprevisti e forniscano istruzioni per la gestione dei dati mancanti anziché presupporre che i dati inseriti siano sempre presenti e ben formati.
• Attività al di fuori delle funzionalità del modello: evita di utilizzare prompt che chiedono al modello di svolgere un'attività per la quale è nota una limitazione fondamentale.
• Troppe attività: se il prompt chiede al modello di eseguire diverse azioni cognitive distinte in un unico passaggio (ad esempio, 1. Riassumi, 2. Estrai entità, 3. Traduci e 4. Scrivi un'email), è probabile che stia cercando di fare troppo. Suddividi le richieste in prompt separati.
• Formato dei dati non standard: quando gli output del modello devono essere leggibili dalla macchina o seguire un formato specifico, utilizza uno standard ampiamente riconosciuto come JSON, XML, Markdown o YAML che può essere analizzato da librerie comuni. Se il tuo caso d'uso richiede un formato non standard, valuta la possibilità di chiedere al modello di generare l'output in un formato comune e poi utilizzare il codice per convertire l'output.
• Ordine errato della catena di pensiero (CoT): evita di fornire esempi che mostrino il modello che genera la risposta finale strutturata prima di aver completato il ragionamento passo passo.
• Pensiero e ragionamento: se utilizzi la funzionalità Pensiero, prova a chiedere senza istruzioni passo passo su come il modello deve ragionare sull'attività. Prova invece a fare affidamento sulla funzionalità Pensiero e verifica se il ragionamento passo passo generato da Pensiero migliora il rendimento rispetto alle istruzioni di ragionamento passo passo esplicite.
• Riferimenti interni in conflitto: evita di scrivere un prompt con logica non lineare o condizionali che richiedono al modello di mettere insieme istruzioni frammentate da più posizioni diverse nel prompt.
• Rischio di prompt injection: verifica se esistono misure di protezione esplicite per l'input utente non attendibile inserito nel prompt, in quanto può rappresentare un grave rischio per la sicurezza.

Passaggi successivi

• Scopri come ottimizzare i prompt per l'utilizzo con i modelli Google utilizzando l' ottimizzatore di prompt (anteprima) della piattaforma agentica Gemini Enterprise.
• Scopri le best practice per l'AI responsabile e i filtri di sicurezza della piattaforma agentica.