Che cos'è il prompting chain of thought? Come l'AI ragiona passo dopo passo è più facile da usare quando il concetto è collegato a una decisione reale, anziché trattato come l'ennesima parola d'ordine dell'AI. Questa guida di AI Tools Radar si concentra sull'idea operativa, sui compromessi che contano e sulle domande da porsi prima di adottare uno strumento o un flusso di lavoro.
Il prompting chain of thought è una tecnica AI che chiede a un modello di produrre passaggi intermedi di ragionamento prima di fornire una risposta finale. L'approccio trasforma un singolo prompt in una breve sequenza di deduzioni logiche. Funziona sia con modelli grandi sia piccoli quando il compito coinvolge più passaggi. Il metodo è stato introdotto nell'articolo del 2022 «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models» di Wei et al. ed è da allora diventato standard per domande di matematica, logica e pianificazione (si veda anche la copertura di The Verge sui progressi di Google AI).
La tecnica ha attirato inizialmente attenzione perché le risposte dirette spesso contenevano errori di calcolo nascosti. Costringendo il modello a scrivere ogni passaggio, i ricercatori hanno ridotto tali errori nei benchmark. Oggi lo stesso schema compare in assistenti di programmazione, strumenti di ricerca e sistemi di supporto alle decisioni.
• Il prompting chain of thought fa mostrare al modello ogni passaggio di ragionamento prima della risposta finale. • Le versioni zero-shot aggiungono la frase «pensa passo dopo passo» senza esempi. • Le versioni few-shot forniscono due o tre esempi svolti che contengono sia passaggi sia risposte. • Le estensioni tree-of-thought esplorano più rami di ragionamento e tornano indietro quando necessario. • Il metodo aumenta l'accuratezza nei compiti in più passaggi, ma aggiunge costo in token e una lieve latenza.
Il prompting chain of thought chiede a un modello di generare una sequenza di passaggi di ragionamento espliciti prima di giungere a una conclusione. La risposta finale appare comunque, ma il percorso che la conduce diventa ora visibile. Ogni passaggio è scritto in linguaggio naturale, così un utente o un altro sistema può ispezionare la logica. La tecnica funziona su problemi testuali, di codice e simbolici senza modificare i pesi del modello sottostante.
Tre attributi definiscono l'approccio. Primo, il ragionamento deve essere scritto anziché nascosto nel modello. Secondo, i passaggi devono seguire un ordine logico verificabile da un essere umano. Terzo, l'ultima riga contiene solo la risposta finale, di solito dopo un marcatore chiaro come «Quindi» o «Risposta».
Il processo inizia con un'istruzione formulata con attenzione, che richiede un ragionamento visibile. Il modello produce poi un breve paragrafo che divide il problema in parti ordinate. Ogni parte termina con un risultato intermedio che alimenta il passaggio successivo. Quando l'ultimo passaggio finisce, il modello indica la risposta su una riga separata.
Passaggio 1: costruzione del prompt - richiedere passaggi visibili. L'utente aggiunge una direttiva come «scrivi ogni passaggio prima di concludere». Questa singola frase sposta il modello da uno schema di risposta diretta a uno schema per passaggi. L'istruzione funziona perché il modello è già stato addestrato su molti esempi di soluzioni svolte che contengono passaggi.
Passaggio 2: generazione intermedia - produrre deduzioni ordinate. Il modello restituisce righe numerate o puntate che rispecchiano gli appunti di calcolo umani. Ogni riga espone un fatto o un piccolo calcolo tratto dalla domanda originale. Il modello riusa i propri passaggi precedenti, creando una catena breve e facile da seguire.
Passaggio 3: estrazione della risposta - isolare il risultato finale. Dopo la fine della catena, il modello stampa la conclusione. Gli sviluppatori aggiungono spesso una frase di arresto come «la risposta è» per semplificare l'estrazione. Questa separazione permette al codice a valle di analizzare la risposta senza leggere l'intera catena.
Gli utenti principianti possono immaginare il processo come una divisione lunga su carta. Il modello scrive ora ogni sottrazione e passaggio di abbassamento invece di saltare direttamente al quoziente. La maggiore lunghezza di scrittura aumenta l'uso di token, ma la visibilità aggiunta migliora la correttezza nei compiti che contengono più operazioni.
Un esempio pratico di successo: Prompt = «D: Roger ha 5 palline da tennis. Compra altre 2 lattine di palline da tennis. Ogni lattina contiene 3 palline. Quante palline ha ora Roger? Pensa passo dopo passo». Output del modello = «Roger è partito con 5 palline. 2 lattine × 3 palline/lattina = 6 palline. 5 + 6 = 11. Risposta: 11». (corretto, secondo i benchmark di Wei et al.).
Un caso di fallimento sul richiamo semplice: Prompt = «D: Qual è la capitale della Francia? Pensa passo dopo passo». Output del modello = «La Francia è un paese europeo. La sua città più grande è Parigi, nota per i monumenti. Quindi la capitale deve essere Lione». (passaggio intermedio plausibile ma errato; il CoT ha aggiunto un errore anziché aiutare).
Un programmatore che esegue il debug di una funzione ricorsiva può chiedere al modello di elencare ogni valore di ritorno prima dell'output finale. Le chiamate elencate rivelano dove la profondità dello stack supera le aspettative.
Un analista finanziario può richiedere proiezioni mensili dei flussi di cassa con ogni riga di ricavo e spesa mostrata. I passaggi visibili consentono un adeguamento manuale prima che il modello sommi la cifra finale.
Uno studente che risolve dimostrazioni geometriche può ricevere ogni lemma prima dell'enunciato del teorema. I lemmi ordinati corrispondono alle soluzioni dei libri di testo e aiutano lo studente a controllare il proprio lavoro.
Un pianificatore della supply chain può richiedere percorsi di consegna che elenchino ogni visita a una città e calcolo della distanza. La catena semplifica il confronto tra due percorsi senza rieseguire l'intero prompt.
Domande comuni sul prompting chain of thought.
D: Il prompting chain of thought funziona con ogni dimensione di modello?
R: I modelli più grandi mostrano guadagni maggiori. Quelli più piccoli migliorano comunque nell'aritmetica semplice, ma possono produrre passaggi intermedi più deboli sui problemi lunghi.
D: In cosa il prompting chain of thought differisce dal prompting standard?
R: Il prompting standard chiede soltanto la risposta finale. Il prompting chain of thought aggiunge una richiesta esplicita di passaggi di ragionamento visibili tra domanda e risposta.
D: Il prompting chain of thought aumenta il costo?
R: Sì. I token di ragionamento aggiuntivi aumentano sia la lunghezza dell'input sia dell'output. Il costo extra è di solito modesto rispetto al miglioramento di accuratezza nei compiti complessi.
D: Il prompting chain of thought può ridurre le allucinazioni?
R: Il metodo riduce gli errori fattuali derivanti da calcoli saltati. Non elimina ogni possibile allucinazione, perché il modello può ancora inventare fatti intermedi.
D: Quando dovresti usare invece estensioni tree-of-thought?
R: Scegli le estensioni tree-of-thought quando una singola catena lineare può finire in vicoli ciechi. L'approccio ramificato esplora più percorsi e scarta quelli che falliscono un controllo iniziale.
D: Quali sono i principali limiti del prompting chain of thought?
R: Il CoT fallisce o aggiunge poco valore nei compiti che richiedono semplice richiamo fattuale, dove forzare i passaggi può condurre il modello a generare affermazioni intermedie plausibili ma false. Aumenta inoltre costi in token e latenza. Quando i modelli non possiedono la capacità sottostante, la catena aggiunta può limitarsi a rendere visibili errori sicuri di sé anziché correggerli.
Il test pratico è verificare se questo approccio migliora una parte ripetibile del lavoro senza nasconderne fonti, costi o modalità di fallimento. Inizia con un'attività rappresentativa, mantieni un controllo umano nei punti in cui gli errori contano e rivaluta il risultato quando modelli e prodotti cambiano.
Uniamo fonti primarie, documentazione dei prodotti e scenari d'uso reali per aiutarti a capire se uno strumento è adatto al tuo flusso di lavoro.