Il meta prompting è fare prompt sui prompt: invece di chiedere a un modello di svolgere un compito, gli chiedi di scrivere il prompt per quel compito, di migliorare un prompt che hai già o di dividere il compito in prompt più piccoli che eseguiranno altre chiamate al modello. I primi due sono trucchi di tutti i giorni che funzionano in ChatGPT, Claude e Gemini. Il terzo è una tecnica che viene dalla ricerca, in cui un'istanza del modello fa da direttore per diverse altre.
Tutti e tre si basano sullo stesso fatto: i modelli attuali hanno visto moltissimo testo su come dare istruzioni ai modelli, quindi sono bravi a notare cosa manca in un prompt. Sono altrettanto bravi a riempire quei vuoti con ipotesi, ed è la cosa principale da cui guardarsi.
Chiedi al modello di scrivere il prompt
Il modo più debole di generare un prompt è "scrivimi un prompt per X". Il modello non sa niente della tua X, quindi scrive un prompt generico per la versione media del lavoro. La soluzione è fargli fare prima delle domande. Le domande costringono il contesto mancante a venire allo scoperto, e le tue risposte diventano la sostanza del prompt.
- Chi legge l'email: solo le persone presenti alla riunione, o anche i responsabili e altri team?
- Cosa deve contenere sempre il riepilogo? Per esempio le decisioni prese, le attività con un responsabile e una scadenza, e le domande aperte.
- Quanto deve essere lunga, e preferisci elenchi puntati o paragrafi brevi?
- Che tono usa il tuo team nelle email: formale, neutro o informale?
- C'è qualcosa che non deve mai comparire, come discorsi a margine, commenti personali o cifre riservate?
Rispondi alle domande in un solo messaggio e ottieni un prompt che contiene le tue decisioni invece delle scelte predefinite del modello. Salvalo: un prompt con segnaposto è un template di prompt che puoi usare ogni settimana.
Migliora un prompt che hai già
"Migliora questo prompt" è uno dei meta prompt più comuni, e il suo difetto tipico si vede nella prima scheda qui sotto. Il modello rende il prompt più lungo e più sicuro di sé inventando dettagli: un pubblico, un numero di parole, una call to action. Ogni invenzione è plausibile, e ognuna è una decisione che non hai preso tu. La seconda scheda dà al modello delle regole per la riscrittura.
Ecco una versione migliorata del tuo prompt:
"Sei un content writer ed editor esperto, con anni di esperienza nell'editoria digitale. Riassumi il seguente articolo per la mia newsletter, letta da professionisti impegnati del settore tecnologico. Scrivi un riassunto coinvolgente di 150-200 parole con un tono cordiale ma professionale. Inizia con un gancio, evidenzia i tre spunti più importanti e chiudi con una call to action che inviti i lettori a leggere l'articolo completo."
Questa versione aggiunge un ruolo, un pubblico, una lunghezza, un tono e una struttura chiara, che ti daranno riassunti più mirati e utili.
La prima risposta non è sbagliata; è presuntuosa: se la tua newsletter è per appassionati di giardinaggio, "professionisti impegnati del settore tecnologico" orienterà in silenzio ogni riassunto. La seconda risposta fa meno e lascia a te le decisioni che contano. I segnaposto ti mostrano anche quale contesto mancava al tuo prompt originale, cosa utile anche se butti via la riscrittura.
Controlla un prompt generato prima di fidarti
Un prompt scritto da un modello si legge bene, e questo rende facile non notarne i problemi. Cerca queste cose prima di usarne uno:
- Requisiti inventati. Qualsiasi lunghezza, pubblico, tono o regola che non hai chiesto. Cancellali o sostituiscili con la tua risposta vera.
- Un ruolo generico. "Sei un esperto di livello mondiale" aggiunge lunghezza e poco altro. Un ruolo aiuta quando nomina il pubblico e lo standard; vedi role prompting.
- Ripetizioni. I prompt generati spesso dicono la stessa istruzione in tre modi. Una frase chiara funziona altrettanto bene e lascia meno spazio alle contraddizioni.
- Nessun test. Leggere un prompt dice poco sui suoi risultati. Eseguilo su tre o quattro input reali, compreso uno scomodo, e confronta gli output con quelli del tuo vecchio prompt. Iterare sui prompt spiega come farlo senza ingannarti.
Un modello può anche aiutarti a diagnosticare un prompt che ha fallito. Quando un prompt dà un risultato scadente, incolla il prompt, l'input e l'output sbagliato, e chiedi: "Quale parte di questo prompt ha causato con più probabilità questo output? Suggerisci la modifica più piccola che lo risolverebbe." Una diagnosi mirata è più utile di una riscrittura completa, perché scopri quale istruzione era in colpa.
Il metodo del direttore (Suzgun e Kalai, 2024)
Nella ricerca, "meta-prompting" è anche il nome di un metodo specifico dell'articolo di Suzgun e Kalai del 2024, "Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding". Un'istanza del modello, il direttore, riceve il compito insieme a istruzioni generali fisse, uguali per ogni compito. Divide il compito in parti e, per ciascuna, scrive un prompt per un "esperto": una nuova chiamata allo stesso modello, con istruzioni che il direttore ha scritto per quella parte. Gli esperti vedono solo ciò che il direttore manda loro, non tutta la cronologia, quindi controllano il lavoro con occhi nuovi. Il direttore legge le loro risposte, chiede una verifica quando dubita di una e assembla la risposta finale. In alcuni esperimenti, uno degli esperti poteva eseguire codice Python.
Gli autori l'hanno testato con GPT-4 su un insieme di compiti, tra cui il rompicapo del Gioco del 24, trovare uno scacco matto in una mossa, rompicapi di programmazione in Python e scrivere sonetti. In media su tutti i compiti, la configurazione con il direttore e un interprete Python ha superato il prompting standard e le altre impalcature di prompting con cui l'hanno confrontata.
Questo è un programma, non un singolo messaggio in chat: ogni chiamata a un esperto è una richiesta separata fatta dal tuo codice, nello stesso modo in cui il prompt chaining passa gli output tra i passaggi. La differenza è che in una catena progetti i passaggi in anticipo, mentre il direttore li decide durante l'esecuzione. Quella flessibilità costa più chiamate ed è più difficile da debuggare, quindi per un compito di cui conosci già i passaggi, una catena fissa di solito è la scelta migliore.
Domande frequenti
Cos'è il meta prompting?
Il meta prompting consiste nell'usare un modello linguistico per lavorare sui prompt invece che sul compito stesso: chiedergli di scrivere un prompt, di riscriverne uno perché dia risultati migliori o di dividere un compito in sotto-prompt per altre chiamate al modello. Quest'ultimo significato è il metodo dell'articolo di Suzgun e Kalai del 2024, "Meta-Prompting", in cui una chiamata al modello coordina nuove chiamate allo stesso modello.
Qual è un buon prompt per far scrivere prompt a ChatGPT?
Descrivi il lavoro a cui serve il prompt, poi chiedi al modello di farti domande prima di scrivere qualsiasi cosa: "Prima di scrivere il prompt, fammi fino a cinque domande su ciò che ti serve sapere." Rispondi e chiedi il prompt finale in un blocco di codice, con segnaposto per le parti che cambiano ogni volta. Le domande sono la parte che porta più valore, perché fanno emergere il contesto che hai dimenticato di dare.
I prompt generati dall'IA sono migliori di quelli che scrivo io?
Di solito sono meglio organizzati e più completi, e di solito più lunghi del necessario. Un modello non può conoscere il tuo pubblico, i tuoi dati o i tuoi standard, quindi un prompt generato riempie quei vuoti con ipotesi plausibili. Trattalo come una bozza: togli tutto ciò che non hai chiesto, poi provalo su input reali.
Perché il modello aggiunge "Sei un esperto" a ogni prompt che migliora?
Probabilmente perché tantissimi prompt pubblicati iniziano così, quindi il modello lo considera parte di come appare un prompt migliorato. Un ruolo generico da esperto raramente cambia molto; un ruolo specifico che nomina il pubblico e lo standard sì. Quando chiedi un miglioramento, di' quali tipi di aggiunte vuoi e digli di non aggiungere requisiti che non hai indicato.
