Mastering Prompt Engineering

Prompt Engineering

Per un utilizzo efficiente di un LLM è fondamentale saper progettare e sviluppare prompt ottimizzati.
Questo processo è noto come Prompt Engineering.

In genere possiamo suddividere un prompt in 4 blocchi:

• Context: il contesto del prompt, cioè un insieme di informazioni esterne che guidano il modello su come eseguire compiti. (definisce chi è il modello e la sua competenza.)
• Instructions: un task che il modello deve eseguire con la descrizione del compito da eseguire. (descrive cosa deve fare.)
• Input data: i dati che il modello deve utilizzare per eseguire il task. (fornisce i dati concreti su cui lavorare.)
• Output indicator: delle indicazioni sul formato della risposta che il modello deve produrre. (specifica il formato atteso.)

Un classico prompt può essere il seguente:

[Context]
Sei un nutrizionista esperto specializzato in diete mediterranee.
Hai 20 anni di esperienza nella creazione di piani alimentari personalizzati per pazienti con intolleranze alimentari.

[Instructions]
Analizza il profilo del paziente fornito e crea un piano alimentare settimanale (7 giorni) che rispetti le sue intolleranze, mantenendo un apporto calorico giornaliero tra 1800 e 2000 kcal.

[Input data]
Paziente: Marco, 35 anni, 80 kg, 175 cm.
Intolleranze: lattosio, glutine.
Obiettivo: perdita di peso graduale.
Attività fisica: corsa 3 volte a settimana.
Preferenze: cucina italiana, non ama il pesce crudo.

[Output indicator]
Presenta il piano in formato tabella con colonne: Giorno, Colazione, Spuntino, Pranzo, Merenda, Cena.
Sotto la tabella, aggiungi una nota con il totale calorico medio giornaliero e le macro (proteine, carboidrati, grassi) in percentuale.

A partire da questo schema dei 4 blocchi è possibile effettuare delle variazioni di prompt per ottenere risultati diversi.

Negative Prompting

Un negative prompt è un prompt che viene utilizzato per impedire al modello di produrre risposte specifiche o impedire di produrre risposte che contengono determinate parole.
Può aiutare a mantenere il focus del modello su un determinato argomento e quindi migliorare la chiarezza delle risposte.

Riprendendo l’esempio precedente, possiamo aggiungere dei negative prompting:

[Context]
Sei un nutrizionista esperto specializzato in diete mediterranee.
Hai 20 anni di esperienza nella creazione di piani alimentari personalizzati per pazienti con intolleranze alimentari.

[Instructions]
Analizza il profilo del paziente fornito e crea un piano alimentare settimanale (7 giorni) che rispetti le sue intolleranze, mantenendo un apporto calorico giornaliero tra 1800 e 2000 kcal.
Non suggerire integratori alimentari o prodotti commerciali specifici.
Non includere ricette elaborate che richiedano più di 30 minuti di preparazione.
Non proporre pasti ripetitivi: ogni giorno deve avere piatti diversi.

[Input data]
Paziente: Marco, 35 anni, 80 kg, 175 cm.
Intolleranze: lattosio, glutine.
Obiettivo: perdita di peso graduale.
Attività fisica: corsa 3 volte a settimana.
Preferenze: cucina italiana, non ama il pesce crudo.

[Output indicator]
Presenta il piano in formato tabella con colonne: Giorno, Colazione, Spuntino, Pranzo, Merenda, Cena.
Sotto la tabella, aggiungi una nota con il totale calorico medio giornaliero e le macro (proteine, carboidrati, grassi) in percentuale.
Non aggiungere disclaimer medici o avvertenze legali.
Non inserire spiegazioni o commenti al di fuori della tabella e della nota riassuntiva.

Zero-shot Prompting

Nello zero-shot prompting non si fornisce alcun esempio al modello: si descrive solo il task da eseguire e ci si affida alla conoscenza già acquisita dal modello durante il training.
Funziona bene per compiti semplici e comuni.

Classifica il sentimento della seguente frase come “positivo”, “negativo” o “neutro”.
Frase: “Il ristorante aveva un’atmosfera fantastica ma il cibo era mediocre.”

One-shot Prompting

Nel one-shot prompting si fornisce un singolo esempio prima di porre una domanda. L’esempio guida il modello sul formato e sul tipo di risposta attesi.

Classifica il sentimento della frase.

Esempio
Frase: “Il film mi ha commosso profondamente.”
Sentimento: positivo

Frase: “Il ristorante aveva un’atmosfera fantastica ma il cibo era mediocre.”
Sentimento:

Few-shot Prompting

Nel few-shot prompting si forniscono più esempi per aiutare il modello a fornire una risposta corretta.

Classifica il sentimento della frase. ù

Esempi Frase: “Il film mi ha commosso profondamente.”
Sentimento: positivo

Frase: “Ho perso il treno e sono arrivato in ritardo.”
Sentimento: negativo

Frase: “La riunione è stata spostata a domani.”
Sentimento: neutro

Frase: “Il ristorante aveva un’atmosfera fantastica ma il cibo era mediocre.”
Sentimento:

Chain of Thought Prompting

Nel Chain of Thought (CoT) prompting si chiede al modello di esplicitare i passaggi intermedi del ragionamento, tramite un ragionamento a step, prima di arrivare alla risposta finale. Questo migliora le prestazioni su task che richiedono logica, calcolo o ragionamento multi-step.

Scriviamo una breve presentazione per un’azienda che produce olio d’oliva biologico in Puglia.

Prima, descrivi l’azienda e il territorio.
Poi, presenta il metodo di produzione.
Successivamente, spiega cosa rende unico il prodotto.
Infine, concludi con un invito all’acquisto.

Scrivi la presentazione seguendo questo piano. Ragiona passo per passo.

Prompt Template

Un prompt template è un prompt con dei placeholder che vengono sostituiti dinamicamente al momento dell’uso.
Questo permette di riutilizzare la stessa struttura di prompt per input diversi, senza doverlo riscrivere ogni volta.
I placeholder sono tipicamente racchiusi tra doppie parentesi, es: ((variabile)).
I prompt template sono utili quando si integra un LLM all’interno di un’applicazione software, dove i valori dei placeholder vengono popolati programmaticamente.

[Context]
Sei un esperto scrittore di sceneggiature cinematografiche con 30 anni di esperienza a Hollywood.

[Instructions]
In base alla descrizione del film fornita dall’utente, scrivi una sinossi professionale di massimo 10 righe, seguita da una lista di 3 personaggi principali con nome e breve descrizione.

[Input data]
Descrizione dell’utente: “((descrizione_film))”

[Output indicator]
Rispondi con due sezioni: “Sinossi” e “Personaggi principali”.

L’applicazione chiede all’utente: “Descrivi il film che vuoi creare” e inserisce la sua risposta nel placeholder ((descrizione_film)).
Ad esempio, se l’utente risponde "Un thriller ambientato su una stazione spaziale dove l'equipaggio scopre che uno di loro non è umano", il prompt generato sarà:

[Context]
Sei un esperto scrittore di sceneggiature cinematografiche con 30 anni di esperienza a Hollywood.

[Instructions]
In base alla descrizione del film fornita dall’utente, scrivi una sinossi professionale di massimo 10 righe, seguita da una lista di 3 personaggi principali con nome e breve descrizione.

[Input data]
Descrizione dell’utente: “Un thriller ambientato su una stazione spaziale dove l’equipaggio scopre che uno di loro non è umano”

[Output indicator]
Rispondi con due sezioni: “Sinossi” e “Personaggi principali”.

E’ possibile che il template contenga esempi (few shot) per aiutare il modello nella comprensione del task, e che questi siano completatamente trasparenti all’utente esterno che utilizza l’applicazione e fornisce il suo prompt.