Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Prompting di un modello di ragionamento

Lezione 6 di 12 Aggiornata il 2 novembre 2026 Sviluppatore
In questa pagina
  1. Cosa è cambiato da Magistral
  2. Separare il ragionamento dalla risposta
  3. Adattamento per dominio
  4. Tre errori comuni
  5. Punti chiave

Lezione riscritta il 2 novembre 2026. Questa lezione trattava in precedenza il system prompt di Magistral, ritirato il 31 luglio 2026. La documentazione attuale sul ragionamento (Reasoning) non richiede più un system prompt dedicato: reasoning_effort è sufficiente. Le sezioni seguenti distinguono quanto affermava la documentazione di Magistral, cosa è cambiato e quali regole di prompting rimangono utili.

Cosa è cambiato da Magistral

Magistral offriva le migliori prestazioni con un system prompt predefinito, che la documentazione riportava (ora archiviato nella pagina Native reasoning (deprecated)). In sostanza, istruiva il modello a stendere prima il suo ragionamento, come un monologo interiore, seguito da una risposta autonoma; a scrivere in Markdown, usando LaTeX per le equazioni; e a rispondere nella lingua della richiesta. Includeva persino un template di ragionamento, sotto forma di un frammento thinking inserito nel messaggio di sistema. Un parametro, prompt_mode, permetteva di forzare questo prompt predefinito ("reasoning") o di disabilitarlo (None).

Con i modelli attuali, nulla di tutto ciò è necessario: la pagina sul ragionamento non menziona né un system prompt dedicato né prompt_mode. Abiliti il ragionamento con reasoning_effort e il tuo system prompt torna a essere un system prompt classico, dedicato al ruolo, al metodo e al formato atteso. Se stai migrando da Magistral, rimuovi il template di ragionamento dai tuoi messaggi di sistema e prompt_mode dalle tue chiamate, quindi confronta i risultati (Lezione 8).

Separare il ragionamento dalla risposta

Il modello dispone ora di due spazi distinti: il ragionamento, che l’utente spesso non vede, e la risposta finale. Un buon prompt ne tiene conto. Descrive il metodo atteso, ciò che un esperto del settore verificherebbe, e definisce il formato della risposta: la risposta deve essere comprensibile senza il ragionamento, poiché quest’ultimo sarà generalmente nascosto.

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

system_prompt = """Sei un esperto senior di debug Python.

METODO
- Leggi tutto il codice prima di formulare una diagnosi.
- Formula almeno due ipotesi prima di concludere.
- Verifica che la tua correzione non crei nuovi problemi.

RISPOSTA FINALE
1. La diagnosi precisa
2. La causa radice
3. Il codice corretto
4. Un test che provi la correzione"""

response = client.chat.complete(
    model="mistral-small-2603",
    messages=[
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": "Il mio codice va in crash con un RecursionError: def fibonacci(n): return fibonacci(n-1) + fibonacci(n-2)"},
    ],
    reasoning_effort="high",
)

Su questa funzione fibonacci priva di caso base, il requisito di due ipotesi esclude la diagnosi riflessa “aumenta il limite di ricorsione” e porta alla causa reale.

Adattamento per dominio

Lo stesso scheletro, metodo poi formato della risposta, si adatta al dominio specifico. In matematica, il metodo si concentra sulle ipotesi e sul tipo di dimostrazione:

math_prompt = """Sei un matematico rigoroso.

METODO
- Enuncia le ipotesi prima di ogni dimostrazione.
- Scegli esplicitamente tra induzione, contraddizione o calcolo diretto.
- Verifica il risultato su un caso specifico.

RISPOSTA FINALE
Dimostrazione formale: ipotesi, passaggi giustificati, conclusione."""

Nell’analisi strategica, si concentra sugli stakeholder e sulla quantificazione, e la risposta attesa diventa una raccomandazione accompagnata da un piano:

strategy_prompt = """Sei un consulente strategico.

METODO
- Valuta ogni opzione in base a fattibilità, impatto e rischio.
- Quantifica whenever possibile, anche solo come ordine di grandezza.
- Cerca l'obiezione più forte alla tua stessa raccomandazione.

RISPOSTA FINALE
Una raccomandazione chiara, i pro e i contro di ogni opzione, un piano d'azione con passaggi datati."""

Tre errori comuni

Il prompt è troppo vago. “Sei un assistente utile” non dice nulla sul metodo: il modello ragiona secondo le sue abitudini piuttosto che le tue. Descrivi cosa verificherebbe un esperto.

Il prompt è contraddittorio. “Sii molto conciso. Dettaglia ogni passaggio in profondità” pone il modello davanti a un’ingiunzione impossibile. Risolvi la contraddizione distribuendo i ruoli: il dettaglio appartiene al ragionamento, la concisione alla risposta finale.

good_prompt = """Sii conciso nella tua risposta finale: solo conclusioni e cifre essenziali.
Esplora i dettagli nel tuo ragionamento, non nella risposta."""

Richiedere il processo nella risposta. Chiedere di “ragionare passo dopo passo” nella risposta visibile costringe il modello a riscrivere una seconda volta ciò che ha già fatto nel suo ragionamento: la risposta si allunga e paghi due volte gli stessi passaggi in token di output. Richiedi i passaggi nella risposta solo se l’utente ha bisogno di leggerli, ad esempio in un tutor educativo.

Punti chiave

  • Il system prompt predefinito e prompt_mode erano specifici di Magistral: non sono più necessari
  • Abilita il ragionamento con reasoning_effort e mantieni il system prompt nel suo ruolo classico
  • Descrivi il metodo atteso e il formato di una risposta leggibile senza il ragionamento
  • Distribuisci i ruoli: dettaglio nel ragionamento, concisione nella risposta
  • Non far riscrivere al modello il processo nella risposta se nessuno ha bisogno di leggerlo