Prompt Engineering — Progettazione di Istruzioni per Modelli Linguistici di Grandi Dimensioni
Il prompt engineering è la pratica di creare istruzioni strutturate in linguaggio naturale — i prompt — per ottenere output mirati da modelli linguistici di grandi dimensioni (LLM). Formalizzato da Brown et al. (2020) nel contesto di GPT-3 ed esteso da Wei et al. (2022) con il chain-of-thought prompting, esso comprende quattro strategie principali: zero-shot, few-shot, chain-of-thought e tree-of-thought. Invece di riaddestrare un modello, l'analista modella il comportamento del modello interamente attraverso la progettazione del testo di input.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 33, 1877-1901. link ↗
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (NeurIPS), 35. link ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/it/text-mining/prompt-engineering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Classificazione di testi con pochi esempiText mining↔ compare
- Fine-Tuning di GPTApprendimento profondo↔ compare
- LoRA e PEFTApprendimento profondo↔ compare
- Generazione del linguaggio naturaleText mining↔ compare
- Generazione Aumentata da Recupero (RAG)Text mining↔ compare
- Classificazione del testoText mining↔ compare
- Classificazione Zero-ShotText mining↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →