Errori dovuti al contesto mancante

I modelli di IA conoscono moltissime informazioni grazie ai dati di addestramento, ma non sanno nulla della sua situazione specifica, a meno che non gliela descriva. I prompt che danno per scontate informazioni che il modello non possiede producono risposte genericamente corrette, ma inutili nella situazione concreta.

«Corregga il bug.» — Quale bug? In quale codice? Che cosa fa attualmente? Che cosa dovrebbe fare invece?

Il modello inventerà una risposta invece di segnalare che le informazioni non sono sufficienti. Quella risposta inventata è quasi mai ciò di cui ha bisogno.

A meno che non glielo fornisca, il modello non conosce:

• Il suo codice, progetto o documento specifico
• La sua azienda, il suo prodotto, il suo brand o i suoi clienti
• La conversazione avuta in una sessione precedente (ogni conversazione inizia da zero)
• Ciò che ha già provato e il motivo per cui non ha funzionato
• Le sue preferenze personali, il suo stile o i suoi standard
• Le conoscenze del suo pubblico
• I vincoli del suo ambiente (stack tecnologico, budget, scadenza)

Tutto ciò che il modello sa del suo compito deve provenire dalla conversazione in corso.

«Corregga il bug» è un classico prompt privo di contesto. Il modello non riceve informazioni su:

• Quale linguaggio o framework utilizzare
• Che cosa dovrebbe fare il codice
• Che cosa fa effettivamente il codice (il sintomo)
• Quale errore o output errato viene visualizzato
• Che cosa è stato provato senza successo

Un prompt completo per la correzione di un bug fornisce tutti e cinque gli elementi: «Questa funzione Python dovrebbe restituire la somma di tutti i numeri pari di un elenco, ma restituisce 0 per [2,4,6]. Ecco il codice: [incolli il codice]. L'errore è...»

«Continui da dove ci siamo fermati.» — Un errore comune che rivela un fraintendimento fondamentale: il modello non conserva la memoria tra le sessioni.

Ogni nuova conversazione inizia completamente da zero. Il modello non può accedere alle conversazioni precedenti, anche se ha usato lo stesso account o strumento. Se serve il contesto di una sessione precedente, deve incollarlo esplicitamente nella conversazione corrente.

Alcuni strumenti, come Claude Projects o i sistemi di memoria personalizzati, forniscono un contesto tra sessioni, ma si tratta di una funzionalità dello strumento, non di una capacità intrinseca del modello.

Un errore comune relativo al contesto consiste nel presumere che il modello condivida le sue conoscenze implicite:

• «Lo adatti al nostro brand» (quale brand? Quali sono le linee guida del brand?)
• «Lo scriva come l'ultima volta» (il modello non può accedere alla sessione precedente)
• «Usi lo stesso formato degli altri report» (incolli il formato o un report di esempio)
• «Lo mantenga coerente con ciò di cui abbiamo discusso» (se si tratta di una nuova conversazione, non è stato discusso nulla)

La soluzione è sempre la stessa: renda esplicito ciò che è implicito. Indichi che cosa presume che il modello sappia.

Per iniezione del contesto si intende la fornitura esplicita delle informazioni di base necessarie al modello per rispondere correttamente. Esistono tre modalità:

Incolli il contenuto pertinente: includa direttamente nel prompt il codice, il documento, l'e-mail o i dati.

Descriva la situazione: riassuma le informazioni di base rilevanti in 2-5 frasi prima dell'istruzione del compito.

Indichi i vincoli: menzioni l'ambiente, lo stack tecnologico, il pubblico e ogni decisione precedente pertinente.

L'iniezione del contesto trasforma la conoscenza generica del modello in risposte specifiche per la situazione.

Per i compiti complessi, strutturi il contesto usando sezioni con etichette prima dell'istruzione del compito:

Non tutto il contesto ha lo stesso valore. Un contesto insufficiente produce output generici; un contesto eccessivo nasconde le informazioni rilevanti in mezzo al rumore e può relegare l'istruzione effettiva del compito troppo in basso nel prompt.

Calibri il livello di contesto chiedendosi: che cosa dovrebbe sapere un esperto umano attento per svolgere bene questo compito?

• Includa: pubblico, obiettivo, vincoli, terminologia specifica del dominio, decisioni precedenti pertinenti
• Escluda: informazioni di base che chiunque conoscerebbe già, storia irrilevante, dettagli marginali

Una regola utile: il contesto dovrebbe essere abbastanza specifico da impedire a un estraneo di scriverlo per un'altra azienda o situazione.

Poiché il modello non conserva memoria tra le sessioni, la soluzione consiste in un contesto introduttivo riutilizzabile: un blocco standard di contesto da incollare all'inizio di ogni sessione su un argomento ricorrente:

Un errore correlato al contesto mancante è la specifica incompleta: fornire un po' di contesto, ma non abbastanza perché il modello possa gestire i casi limite.

Esempio: «Scriva una funzione che filtri gli utenti in base allo stato dell'abbonamento.»

Qual è la struttura dei dati? Quali sono i valori validi dello stato? Che cosa dovrebbe accadere agli utenti privi di stato? La ricerca deve distinguere tra maiuscole e minuscole? Che cosa dovrebbe restituire se l'elenco è vuoto?

Il modello farà delle supposizioni per tutte queste domande. Tali supposizioni potrebbero essere errate. Le specifiche complete prevedono esplicitamente i casi limite.

Per i prompt relativi al codice, un set minimo di informazioni di contesto produce output utili in modo affidabile:

• Linguaggio e versione: Python 3.11, TypeScript 5.0
• Framework: FastAPI, Next.js, React Native
• Che cosa dovrebbe fare il codice: input e output previsti
• Che cosa fa attualmente di sbagliato: sintomo e messaggio di errore
• Che cosa è stato provato: evita di ripetere approcci già falliti
• Vincoli: non deve usare dipendenze esterne, deve essere eseguito in meno di 50 ms

Questo set minimo elimina le cause più comuni dei suggerimenti di codice generati dall'IA che sono corretti in generale, ma sbagliati nel contesto specifico.

Uno sviluppatore invia il seguente prompt: «Mi aiuti a ottimizzare questo.» senza fornire altre informazioni. Qual è la descrizione più accurata di ciò che accadrà?

Gli errori dovuti al contesto mancante si verificano quando un prompt presume informazioni che il modello non possiede: il codice, il brand, le sessioni precedenti o le decisioni del team. Il modello colma queste lacune con delle supposizioni, producendo output generici o errati.

La soluzione è l'iniezione del contesto: incolli i contenuti pertinenti, descriva la situazione e indichi esplicitamente i vincoli. Per i compiti ricorrenti, un contesto introduttivo riutilizzabile risolve il problema della memoria tra sessioni. Per i compiti di programmazione, includa sempre linguaggio, framework, input e output, comportamento attuale e vincoli.

Nella lezione conclusiva del corso unirà tutti questi insegnamenti in una checklist sistematica per il debug dei prompt.