Prompt Chaining

Il prompt chaining è un pattern architettonico avanzato nello sviluppo di Intelligenza Artificiale (AI) in cui un compito complesso viene scomposto in una sequenza di sotto-attività più piccole e gestibili. In questo flusso di lavoro, l'output di un passaggio—spesso generato da un Large Language Model (LLM) o da un sistema di computer vision—funge da input per il passaggio successivo. A differenza di un singolo prompt monolitico che tenta di risolvere un problema complesso tutto in una volta, il chaining consente agli sviluppatori di costruire applicazioni più affidabili, testabili e capaci. Questo approccio modulare è essenziale per creare sofisticati AI Agents in grado di ragionare, navigare sul web o interagire con ambienti fisici.

Link to this sectionLa meccanica del chaining#

Fondamentalmente, il prompt chaining affronta i limiti delle finestre di contesto e delle capacità di ragionamento nei Foundation Models. Quando a un modello viene chiesto di eseguire troppe operazioni distinte in un'unica richiesta (ad esempio, "Analizza questa immagine, estrai il testo, traducilo in spagnolo e formattalo come una fattura JSON"), la probabilità di errore aumenta. Suddividendo questo processo in una pipeline, gli sviluppatori possono verificare l'accuratezza di ogni fase.

Le catene efficaci utilizzano spesso "glue code" scritto in Python o gestito da librerie di orchestrazione come LangChain per gestire la trasformazione dei dati tra i passaggi. Ciò consente l'integrazione di tecnologie disparate, come la combinazione dell'acuità visiva dell'Object Detection con la fluidità linguistica dei modelli di testo generativi.

Link to this sectionApplicazioni nel mondo reale#

Il prompt chaining è particolarmente potente quando colma il divario tra diverse modalità di dati, consentendo ai Multi-Modal Models di funzionare in contesti industriali e commerciali dinamici.

1. Automated Visual Reporting: Nello Smart Manufacturing, un sistema di controllo qualità può concatenare un modello di visione con un LLM. Innanzitutto, un modello ad alta velocità come Ultralytics YOLO26 scansiona i componenti su una linea di assemblaggio. L'output strutturato (ad esempio, "Class: Dented_Can, Confidence: 0.92") viene convertito in una stringa di testo. Questo testo viene poi passato a un modello linguistico con un prompt come "Redigi una richiesta di manutenzione basata su questo difetto", generando un'e-mail leggibile dall'uomo per il responsabile di produzione.

2. Context-Aware Customer Support: I chatbot intelligenti utilizzano spesso il chaining per gestire complesse query degli utenti. Il primo anello della catena potrebbe utilizzare la Natural Language Processing (NLP) per classificare l'intento dell'utente. Se l'intento è tecnico, il sistema attiva un flusso di lavoro di Retrieval-Augmented Generation (RAG): genera embeddings per la query, cerca la documentazione in un database vettoriale e infine richiede a un LLM di sintetizzare i frammenti recuperati in una risposta utile.

Link to this sectionEsempio di codice Vision-to-Language#

Il seguente esempio dimostra il primo "anello" di una catena: l'utilizzo della Computer Vision (CV) per generare dati strutturati che fungono da contesto per un prompt a valle.

from ultralytics import YOLO

# Load the YOLO26 model (natively end-to-end and highly efficient)
model = YOLO("yolo26n.pt")

# Step 1: Run inference to 'see' the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Step 2: Format visual detections into a natural language string
det_names = [model.names[int(c)] for c in results[0].boxes.cls]
prompt_context = f"The scene contains: {', '.join(det_names)}. Please describe the likely activity."

# The 'prompt_context' variable is now ready to be sent to an LLM API
print(prompt_context)

Link to this sectionDistinguere concetti correlati#

Per implementare architetture di Machine Learning (ML) efficaci, è utile distinguere il prompt chaining da termini simili nel panorama AI:

• Vs. Chain-of-Thought Prompting: Chain-of-Thought (CoT) è una tecnica utilizzata all'interno di un singolo prompt per incoraggiare un modello a "mostrare il suo lavoro" (ad esempio, "Ragiona passo dopo passo"). Il prompt chaining prevede più chiamate API distinte in cui l'input per il passaggio B dipende dall'output del passaggio A.
• Vs. Prompt Engineering: Il prompt engineering è la disciplina più ampia che mira a ottimizzare gli input testuali per ottenere migliori prestazioni dal modello. Il chaining è un pattern ingegneristico specifico che si concentra sul flusso sequenziale delle operazioni e sul controllo della logica.
• Vs. Prompt Tuning: Il prompt tuning è un metodo di Model Optimization che aggiorna i parametri apprendibili (soft prompt) durante una fase di addestramento. Il prompt chaining avviene interamente durante la Real-time Inference e non altera i Model Weights del modello.

Sfruttando il prompt chaining, i team possono costruire applicazioni robuste che integrano logica, recupero dati e Action Recognition. Per la gestione dei dataset e l'addestramento dei modelli di visione che alimentano queste catene, la Ultralytics Platform offre una soluzione centralizzata per annotazione, addestramento e distribuzione.