Anti-pattern da evitare
In questa pagina
- Errori che sabotano i tuoi prompt
- Anti-pattern 1: Linguaggio soggettivo
- Anti-pattern 2: Istruzioni contraddittorie
- Anti-pattern 3: Chiedere al modello di contare
- Anti-pattern 4: Generazione eccessiva di token
- Anti-pattern 5: Scale numeriche
- Anti-pattern 6: Istruzioni vaghe
- Anti-pattern 7: Ignorare il pre-riempimento
- Punti chiave
Errori che sabotano i tuoi prompt
Padroneggiare la creazione di prompt significa anche sapere cosa non fare. Alcune abitudini, perfettamente naturali nella comunicazione umana, producono risultati scadenti con i modelli Mistral, proprio perché si basano su una comprensione implicita che il modello non possiede. Questa lezione elenca i sette anti-pattern più frequenti, fornendo per ciascuno la versione errata, quella corretta e la logica alla base della correzione. Probabilmente riconoscerai alcune delle tue abitudini lungo il percorso.
Anti-pattern 1: Linguaggio soggettivo
Tra colleghi, l’espressione «scrivimi un testo non troppo lungo» funziona perché condividete un contesto: il collega conosce il caso d’uso, il lettore e le abitudini aziendali. Il modello non percepisce le parole soggettive come fai tu. Termini come «breve», «lungo», «molti», «interessante» o «non troppo» sono ambigui e producono risultati imprevedibili da un’esecuzione all’altra.
Sbagliato:
Write a text not too long about AI.
Include many interesting examples.
Corretto:
Write a text of 200 to 300 words about generative AI.
Include 3 concrete examples of application in business
(marketing, HR, customer service).
La regola di correzione è meccanica: sostituisci ogni termine soggettivo con una misura oggettiva. «Non troppo lungo» diventa «200-300 parole», «molti esempi» diventa «3 esempi» e «interessante» diventa una descrizione precisa del tipo di esempi attesi.
Anti-pattern 2: Istruzioni contraddittorie
Quando il tuo prompt contiene istruzioni incompatibili – «sii esaustivo e copri tutti gli aspetti» seguito da «rispondi in massimo 3 frasi» – il modello deve scegliere quale seguire, e tale scelta è imprevedibile. Un giorno ottieni tre frasi superficiali, il giorno dopo un muro di testo completo. La correzione consiste nel riconciliare i due requisiti in un’unica istruzione coerente: «Copri i 3 aspetti principali dell’argomento. Per ogni aspetto, fornisci una frase di sintesi (max 25 parole)». L’esaustività diventa un ambito definito, la brevità un vincolo per elemento: nessun conflitto.
Se le tue regole sono davvero complesse, con comportamenti diversi a seconda del caso, non accumularle: strutturale come un albero decisionale, dove ogni ramo è esplicito:
If the client is an individual:
→ Use an accessible tone, avoid technical jargon
→ Propose the Starter offer first
If the client is a business:
→ Use a professional and technical tone
→ Propose the Enterprise offer first
If you are unsure:
→ Politely ask if this is for personal or professional use
Anti-pattern 3: Chiedere al modello di contare
I modelli linguistici sono scarsi nel contare. Non contano effettivamente parole, caratteri o frasi: stimano, perché manipolano token e non unità di testo. Chiedere «esattamente 150 parole» o «verifica che ogni frase sia inferiore a 20 parole» è come chiedere a un pittore di misurare in micron: non è il loro strumento.
Sbagliato:
Write a text of exactly 150 words.
Check that each sentence is less than 20 words.
Corretto:
Write a short text (around 150 words, 2-3 paragraphs).
Use concise and direct sentences.
E se il conteggio è davvero critico per la tua applicazione – ad esempio un limite di caratteri imposto da un’interfaccia – eseguilo nel codice dopo aver ricevuto la risposta del modello, non nel prompt. Il tuo linguaggio di programmazione conta perfettamente; il modello no.
Anti-pattern 4: Generazione eccessiva di token
Ogni token generato ha un costo, sia finanziario che in termini di latenza. Chiedere al modello di produrre informazioni che non utilizzerai è puro spreco: paghi di più per aspettare più a lungo un testo che non leggerai. Il caso tipico è l’analisi del codice in cui chiedi «spiega ogni riga in dettaglio», più «la storia del linguaggio» e «le possibili alternative», quando solo i bug ti interessano.
Corretto:
Analyze this code and identify:
1. Potential bugs (with the line concerned)
2. A proposed fix for each bug
Nothing else.
L’istruzione finale «nient’altro» è sorprendentemente potente: dice esplicitamente al modello di non aggiungere i complementi, gli avvertimenti e le espansioni che produce spontaneamente. La tua risposta arriva più velocemente, costa meno e va dritta al punto.
Anti-pattern 5: Scale numeriche
Chiedere al modello di valutare su una scala da 1 a 5 o da 1 a 10 sembra rigoroso: in realtà è l’opposto. Il modello non dispone di una calibrazione interna affidabile per queste scale: lo stesso testo potrebbe ricevere 6/10 oggi e 8/10 domani, senza criteri che spieghino il divario. La soluzione consiste nel sostituire i numeri con scale verbali con criteri espliciti:
Evaluate the quality of this text according to these levels:
- Insufficient: factual errors, incoherent structure
- Acceptable: correct but lacks depth or clarity
- Good: well structured, clear, with relevant examples
- Excellent: publication-ready, original, brings clear added value
Choose one level and justify in 2 sentences.
Essendo ogni livello definito da criteri osservabili, la valutazione diventa riproducibile e giustificata: sai perché un testo è «Accettabile» piuttosto che «Buono», e il modello applica gli stessi criteri a ogni chiamata.
Anti-pattern 6: Istruzioni vaghe
«Migliora questo testo» è l’esempio perfetto di un’istruzione che sembra chiara e non lo è affatto. Migliorare cosa? L’ortografia? Lo stile? La struttura? Il modello sceglierà per te, rischiando di riscrivere passaggi che volevi mantenere intatti. La versione professionale delimita sia cosa correggere sia cosa lasciare intatto:
Improve this text by correcting:
1. Spelling and grammar mistakes
2. Sentences longer than 30 words (simplify them)
3. Word repetitions within a range of 3 sentences
Do NOT modify:
- The meaning of sentences
- Technical terms (even if synonyms exist)
- Paragraph structure
Il blocco «NON modificare» è importante quanto il primo: senza di esso, un modello zelante sostituirà i tuoi termini tecnici con sinonimi approssimativi.
Anti-pattern 7: Ignorare il pre-riempimento
L’ultimo anti-pattern è un’opportunità mancata piuttosto che un errore attivo: molti utenti ignorano la possibilità di pre-riempire la risposta tramite il ruolo assistant, visto nella lezione sui ruoli. Eppure è una leva potente per forzare un formato. Con un semplice messaggio utente che richiede JSON, il modello può aggiungere una frase introduttiva, backtick, un commento finale: tutti elementi che romperanno il tuo parsing. Terminando i tuoi messaggi con l’inizio di una risposta assistant, il formato diventa quasi garantito:
Senza pre-riempimento (formato imprevedibile):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."}
]
Con pre-riempimento (formato garantito):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."},
{"role": "assistant", "content": "{\"advantages\": [", "prefix": True}
]
Il modello si trova già «nel processo di scrittura» dell’oggetto JSON: non può fare altro che completarlo.
Punti chiave
- Sostituisci il linguaggio soggettivo e le istruzioni vaghe con istruzioni misurabili e delimitate
- Evita le istruzioni contraddittorie: struttura i casi complessi come un albero decisionale
- Non chiedere mai al modello di contare: i conteggi critici si eseguono nel codice
- Limita la generazione alle informazioni effettivamente utilizzate, preferendo scale verbali a quelle numeriche
- Sfrutta il pre-riempimento dell’assistant per garantire il formato di output