Prompt Chaining

La concatenazione di prompt è un pattern architetturale avanzato nello sviluppo dell'Intelligenza artificiale (AI), in cui un'attività complessa viene scomposta in una sequenza di sottoattività più piccole e gestibili. In questo flusso di lavoro, l'output di un passaggio, spesso generato da un Grande modello linguistico (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 articolato tutto in una volta, la concatenazione consente agli sviluppatori di creare applicazioni più affidabili, verificabili e capaci. Questo approccio modulare è essenziale per creare sofisticati Agenti di intelligenza artificiale in grado di ragionare, navigare sul web o interagire con ambienti fisici.

La meccanica della concatenazione#

Nel suo nucleo, la concatenazione di prompt affronta i limiti delle finestre di contesto e delle capacità di ragionamento dei Modelli fondazionali. 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 il lavoro in una pipeline, gli sviluppatori possono verificare l'accuratezza di ogni fase.

Le concatenazioni efficaci utilizzano spesso "codice di collegamento" scritto in Python o gestito da librerie di orchestrazione come LangChain per gestire la trasformazione dei dati tra un passaggio e l'altro. Ciò consente di integrare tecnologie eterogenee, ad esempio combinando la capacità visiva del rilevamento degli oggetti con la fluidità linguistica dei modelli generativi di testo.

Applicazioni nel mondo reale#

La concatenazione di prompt è particolarmente potente quando colma il divario tra diverse modalità di dati, consentendo ai modelli multimodali di operare in contesti industriali e commerciali dinamici.

1. Report visivi automatizzati: nella produzione intelligente, un sistema di controllo qualità può concatenare un modello di visione con un LLM. Innanzitutto, un modello ad alta velocità come Ultralytics YOLO26 analizza i componenti su una catena di montaggio. L'output strutturato (ad esempio, "Classe: Lattina_ammaccata, Confidenza: 0.92") viene convertito in una stringa di testo. Questo testo viene quindi passato a un modello linguistico con un prompt come "Prepara una richiesta di manutenzione sulla base di questo difetto", generando un'e-mail leggibile dal responsabile di reparto.

2. Assistenza clienti consapevole del contesto: i chatbot intelligenti utilizzano spesso la concatenazione per gestire le richieste complesse degli utenti. Il primo anello della catena potrebbe utilizzare l'elaborazione del linguaggio naturale (NLP) per classificare l'intento dell'utente. Se l'intento è tecnico, il sistema attiva un flusso di lavoro di generazione aumentata dal recupero (RAG): genera embedding per la richiesta, cerca la documentazione in un database vettoriale e infine invia un prompt a un LLM per sintetizzare i frammenti recuperati in una risposta utile.

Esempio di codice da visione a linguaggio#

L'esempio seguente illustra il primo "anello" di una catena: l'uso della computer vision (CV) per generare dati strutturati che fungono da contesto per un prompt successivo.

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)

Distinzione tra concetti correlati#

Per implementare architetture efficaci di Machine Learning (ML), è utile distinguere la concatenazione di prompt da termini simili nel panorama dell'IA:

• Rispetto al prompting Chain-of-Thought: Chain-of-Thought (CoT) è una tecnica utilizzata all'interno di un singolo prompt per incoraggiare un modello a "mostrare il proprio ragionamento" (ad esempio, "Ragiona passo dopo passo"). La concatenazione di prompt prevede molteplici chiamate API distinte, in cui l'input del passaggio B dipende dall'output del passaggio A.
• Rispetto al Prompt Engineering: il prompt engineering è la disciplina più ampia dell'ottimizzazione degli input testuali per ottenere prestazioni migliori dal modello. La concatenazione è un pattern ingegneristico specifico che si concentra sul flusso sequenziale delle operazioni e sul controllo della logica.
• Rispetto al Prompt Tuning: il prompt tuning è un metodo di ottimizzazione del modello che aggiorna i parametri apprendibili (soft prompt) durante una fase di addestramento. La concatenazione di prompt avviene interamente durante l'inferenza in tempo reale e non modifica i pesi del modello.

Sfruttando la concatenazione di prompt, i team possono creare applicazioni robuste che integrano logica, recupero dei dati e riconoscimento delle azioni. Per gestire i dataset e addestrare i modelli di visione che alimentano queste catene, la piattaforma Ultralytics offre una soluzione centralizzata per l'annotazione, l'addestramento e la distribuzione.