Sembra che il mestiere del ‘prompting’ stia subendo una rivoluzione. Anthropic, l’azienda dietro Claude, ha pubblicato una guida che manda in pezzi sei abitudini consolidate nel settore dell’Intelligenza Artificiale. L’idea è chiara: non basta più trattare il modello come una macchina perfetta; è meglio considerarlo un brillante, ma novellino, collaboratore che ha bisogno di istruzioni specifiche. In sostanza, l’autore deve imparare a ‘pensare’ come il modello lo fa. Tra i cambiamenti più importanti, vi è il superamento del ‘divieto’ a favore dell’indicazione positiva. Invece di dire a Claude ‘non usare mai i puntini di sospensione’, è più efficace spiegare *perché* (ad esempio, ‘il testo sarà letto da un sintetizzatore vocale’). Altre volte, invece di un divieto, è meglio definire semplicemente cosa deve fare. Ancora più critico è l’essere espliciti: se si vuole il massimo, bisogna chiedere il massimo, spingendo il modello a ‘andare oltre le basi’ per un’implementazione completa. Il testo approfondisce anche l’uso strategicamente dei tag XML, perfetti per mescolare istruzioni, contesto e dati variabili senza far impazzire il modello. Un suggerimento top è posizionare i documenti lunghi all’inizio del prompt, migliorando l’aderenza fino al 30%. Infine, Anthropic spinge per un ragionamento più adattivo: lasciare al modello la libertà di ‘ragionare’ piuttosto che imporre un piano rigidissimo, lasciando a lui il compito di superare anche la nostra pianificazione umana. Per concludere, non dimentichiamoci dell’eleganza di far dichiarare al modello, in caso di dubbio, che ‘non sa’, una mossa economica e vincente per evitare allucinazioni.
🇬🇧 Summary in English
If you thought prompt engineering was an art, Anthropic just uploaded the official syllabus for a masterclass. Their new guide for Claude models doesn’t just tweak old methods; it outright dismantles six common habits that prompt engineers thought were gospel. The takeaway? Don’t treat the AI like a perfect robot; treat it like a brilliant, slightly clueless, but highly capable new hire who needs crystal-clear instructions. One of the biggest paradigm shifts is moving away from telling the model what *not* to do. Instead of issuing a ‘Never use three dots’ warning, the guide advises explaining the *reason* behind the constraint (e.g., ‘this text will be read by a voice synthesizer’). Similarly, vague requests yield minimal results; achieving peak performance requires explicitly demanding the ‘absolute maximum,’ pushing the model to ‘go beyond the basics’ for a complete implementation. The guide also offers technical deep dives, such as leveraging XML tags to neatly segment instructions, context, and variables—a structural superpower. When handling massive documents, a clever trick is placing the long context at the top and the question at the bottom, which reportedly boosts adherence by 30%. Furthermore, the best practices now emphasize ‘adaptive reasoning.’ Instead of forcing a step-by-step plan, giving the model the license to simply ‘reason’ often results in output that surpasses human-dictated logic. Finally, Anthropic makes a case for proactive honesty: giving the model permission to say, ‘I don’t have enough information to assess this with certainty,’ is not only an economical prompt strategy but a crucial defensive mechanism against hallucinations. Basically, the era of guesswork is over; precision and explicitness reign supreme.
Leggi l’articolo originale su Tom’s Hardware IT →
Fonte: Tom’s Hardware IT | Argomento: Tech News
#tecnologia #innovazione #technews