Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Contesto e vincoli

Lezione 4 di 16 Aggiornata il 28 luglio 2026 Principiante
In questa pagina
  1. Contesto: dai al modello ciò che non sa
  2. Tre tipi di contesto da fornire
  3. Definisci il formato atteso
  4. Vincola la lunghezza
  5. Vincola tono e registro
  6. Vincola l’ambito
  7. Combina contesto e vincoli
  8. Punti chiave

Contesto: dai al modello ciò che non sa

I modelli Mistral possiedono una vasta conoscenza generale, ma non sanno nulla della tua situazione specifica: la tua azienda, il tuo progetto, il tuo pubblico, i tuoi vincoli aziendali. Il contesto che fornisci nel tuo prompt colma questa lacuna. È ciò che fa la differenza tra uno strumento generico e un assistente specializzato. Senza contesto, il modello produce risposte generiche: corrette in media, inutilizzabili nel concreto. Con il contesto giusto, genera risposte su misura.

Tre tipi di contesto da fornire

Il primo è il contesto situazionale: la situazione che circonda la tua richiesta. Un direttore marketing che scrive semplicemente “proponi un piano di marketing” otterrà un piano da manuale. Se specifica la sua situazione, tutto cambia:

Context: I am the marketing director of an SME with 50 employees
specializing in B2B office furniture sales.
We are launching a new eco-friendly line in September 2026.
Our annual marketing budget is €80,000.

Ogni frase in questo contesto elimina dozzine di risposte fuori tema: niente strategie B2C, nessun budget a sette cifre, nessuna raccomandazione estranea al lancio.

Il secondo è il contesto documentale: i dati che il modello deve analizzare o utilizzare. Il modello non conosce le tue cifre interne: devi fornirgliele, idealmente delimitate da tag per separarle dalle istruzioni:

Here are the quarterly results to analyze:

<data>
Q1 2026: Revenue €1.2M, margin 23%, 145 new clients
Q2 2026: Revenue €1.5M, margin 21%, 178 new clients
Q3 2026: Revenue €1.1M, margin 19%, 112 new clients
</data>

Identify trends and propose 3 corrective actions for Q4.

Il terzo è il contesto del pubblico: a chi è destinato il contenuto generato. Non spieghi lo stesso argomento nello stesso modo a un principiante e a un esperto. Specifica, ad esempio: “Il testo è rivolto a sviluppatori Python esperti (oltre 5 anni di esperienza) che scoprono per la prima volta le API dei modelli linguistici. Non serve spiegare le basi di Python, ma approfondisci i concetti legati agli LLM.” Il modello calibrerà così il suo livello di dettaglio esattamente dove il tuo lettore ne ha bisogno.

Definisci il formato atteso

Il formato di output è uno dei vincoli più potenti. Senza indicazioni, il modello sceglierà un formato predefinito, spesso un testo discorsivo, che dovrai poi rielaborare. Specificando il formato, ottieni esattamente ciò che ti serve, pronto all’uso.

Per un elenco, dillo esplicitamente: “Elenca i vantaggi come punti elenco (massimo 5).” Per una tabella: “Presenta i risultati in una tabella Markdown con le colonne Funzionalità | Disponibilità | Priorità.” Per l’integrazione software, il JSON strutturato è fondamentale e merita di essere specificato campo per campo:

Return the response in the following JSON format:
{
  "summary": "string (max 100 words)",
  "keywords": ["string"],
  "sentiment": "positive | neutral | negative",
  "confidence_score": "number (0-1)"
}

Lo stesso principio vale per il codice: “Scrivi la funzione in Python 3.11+. Aggiungi docstring in stile Google e hint di tipo. Includi 2 esempi di utilizzo nei commenti alla fine.” Più descrivi precisamente il formato, meno rielaborazioni dovrai fare.

Vincola la lunghezza

I modelli Mistral tendono a essere esaustivi se non imposti dei limiti. Puoi vincolare la lunghezza per numero di parole (“Rispondi in massimo 150 parole”), per struttura (“Rispondi in esattamente 3 paragrafi da 2-3 frasi ciascuno”) o per elementi (“Fornisci esattamente 5 raccomandazioni, ciascuna in una frase”).

Tuttavia, un avvertimento: i modelli linguistici contano male parole e caratteri. Chiedere “esattamente 150 parole” produrrà un testo di circa 150 parole, raramente preciso al punto. Se la lunghezza è davvero cruciale per te, preferisci vincoli strutturali, come il numero di paragrafi, punti o sezioni, che il modello segue molto più fedelmente rispetto ai conteggi precisi.

Vincola tono e registro

Il tono della risposta influenza direttamente la sua utilità: un testo con il tono sbagliato è un testo che devi riscrivere. Sii esplicito, anche se significa accumulare specifiche: “Tono: professionale ma accessibile. Evita il gergo tecnico a meno che non sia inevitabile (in tal caso, definiscilo). Usa un linguaggio formale. Niente emoji o linguaggio informale.”

Consiglio pratico: le direttive di tono più efficaci spesso paragonano il compito a una situazione professionale nota. “Rispondi come un consulente senior che si rivolge a un comitato esecutivo”, “Adotta un tono pedagogico, come un professore che spiega a studenti magistrali”, oppure “Sii diretto e conciso, come un rapporto di audit interno”: ciascuna di queste frasi condensa in un’unica immagine, che il modello sa decodificare, un intero insieme di scelte lessicali, di lunghezza e di postura.

Vincola l’ambito

Delimitare l’ambito significa dire al modello dove fermarsi. Ecco un esempio di vincoli:

Scope constraints:
- Focus ONLY on the French market
- Do NOT mention US or UK regulations
- Ignore tax aspects (another expert handles this)
- If information is missing, state it explicitly
  rather than inventing it

Presta molta attenzione all’ultimo vincolo: è la tua migliore difesa contro le allucinazioni. Un modello a cui si chiede una risposta completa tende a colmare le lacune con informazioni plausibili; autorizzandolo esplicitamente ad ammettere i propri limiti, trasformi l’invenzione silenziosa in un segnale visibile che puoi poi gestire.

Combina contesto e vincoli

Nella pratica, un prompt professionale combina naturalmente tutto quanto sopra: contesto e regole permanenti nel prompt di sistema, dati e formato atteso nel messaggio utente. Ecco un esempio completo di analisi HR:

messages = [
    {
        "role": "system",
        "content": """You are a senior HR analyst at a tech company.
Rules:
- Formal English, professional tone
- Base your analysis solely on the provided data
- If data is missing, flag it with [MISSING_DATA]
- Format: sections with headings, bullet points, no prose"""
    },
    {
        "role": "user",
        "content": """Analyze the absenteeism data below and propose an action plan.

Q1 2026 Data:
- Overall absenteeism rate: 7.2% (+1.8 points vs Q1 2025)
- Most affected department: Customer Support (12.1%)
- Main reason: short-term sick leave (< 5 days)
- Average tenure of absent employees: 2.3 years

Expected format:
1. Diagnosis (3 points max)
2. Probable causes (3 hypotheses)
3. Action plan (5 concrete measures with timeline)"""
    }
]

Nota come ogni elemento trattato in questa lezione trovi il suo posto: ruolo e registro nel sistema, dati delimitati nel messaggio utente, formato numerato alla fine del messaggio e la barriera anti-invenzione ([MISSING_DATA]) impostata una volta per tutte.

Punti chiave

  • Il contesto trasforma una risposta generica in una personalizzata
  • Fornisci, se necessario, contesto situazionale, documentale e del pubblico
  • Definisci sempre il formato di output atteso (JSON, elenco, tabella, ecc.)
  • Vincola la lunghezza tramite la struttura piuttosto che con il conteggio delle parole
  • Delimita l’ambito e autorizza il modello a segnalare le informazioni mancanti