Esempi nei prompt per l'IA: quanti servono davvero?

Sì — includere esempi ben scelti nel prompt (few-shot prompting) è una delle tecniche più efficaci per migliorare la qualità delle risposte dell'IA. Il few-shot prompting consiste nel fornire dimostrazioni all'interno del prompt per guidare il modello verso prestazioni migliori e condizionare la risposta sugli esempi forniti . Il punto ottimale è generalmente tra 2 e 5 esempi, con evidenze e indicazioni che suggeriscono come aggiungerne troppi possa portare a rendimenti decrescenti o addirittura negativi .

Risultati chiave

• Gli esempi migliorano drasticamente la precisione. Claude 3 Haiku, ad esempio, è passato dall'11% di correttezza senza esempi al 75% con soli tre esempi — eguagliando le prestazioni zero-shot di modelli molto più grandi .
• 2–5 esempi è il numero ottimale supportato dalla ricerca. Le guide sul prompting definiscono comunemente il few-shot come l'uso di circa 2–5 esempi, e uno studio individua proprio in 2–5 esempi l'intervallo ottimale tipico .
• Più non è sempre meglio. Uno studio su arXiv ha identificato un problema di "over-prompting" in cui troppi esempi possono ridurre le prestazioni del modello, sfidando l'assunzione che più esempi siano sempre d'aiuto .
• La qualità degli esempi conta più della quantità. Esempi diversificati, di alta qualità e ben stratificati possono superare la semplice aggiunta di altri esempi, mentre esempi incoerenti possono insegnare al modello schemi contraddittori .
• Per compiti complessi di ragionamento, prova prima senza esempi. Non dare per scontato che gli esempi siano sempre necessari: confronta le prestazioni zero-shot con quelle few-shot, perché l'over-prompting può ridurre le performance in alcuni contesti .

Raccomandazioni pratiche

Scenario	Approccio consigliato
Compiti sensibili al formato (JSON, etichette, tono)	Usa 2–5 esempi puliti e diversificati, poiché gli esempi possono ancorare formato, tono ed etichette .
Generazione di testo standard / classificazione	Inizia con 2–3 esempi di alta qualità, poiché le dimostrazioni few-shot possono guidare il modello verso prestazioni migliori .
Compiti complessi di ragionamento	Inizia con zero-shot; aggiungi 1–2 esempi solo se hai bisogno di un controllo più forte sul formato, e verifica se gli esempi aiutano o ostacolano .
Compiti complessi di estrazione	Usa un piccolo insieme di esempi rappresentativi che rispecchino fedelmente il compito .
In caso di dubbio	Inizia con 3 esempi, testa e regola, poiché 2–5 esempi è un intervallo comunemente raccomandato e troppi esempi possono causare over-prompting .

In sintesi: Usa esempi, mantienili tra 2 e 5, e dai priorità alla qualità e alla diversità rispetto alla quantità . Verifica sempre se il tuo modello specifico beneficia del few-shot rispetto allo zero-shot, specialmente per compiti complessi di ragionamento dove esempi extra potrebbero non essere sempre d'aiuto .