Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Tecniche di suggerimento avanzate
Queste sezioni forniscono indicazioni avanzate su come migliorare la qualità dei prompt e sfruttare funzionalità chiave come il pensiero esteso.
## Usa la modalità Reasoning
I modelli Amazon Nova 2 offrono una modalità di ragionamento opzionale che migliora l'approccio del modello alla risoluzione di problemi complessi consentendogli di risolvere i problemi in modo sistematico prima di rispondere. Sfruttare la modalità di ragionamento del modello è un modo efficace per migliorare la precisione dei suggerimenti.
**Quando utilizzarla: la** modalità Reasoning è consigliata per attività complesse come casi d'uso con:
+ **Diverse fasi di ragionamento:** dimostrazioni matematiche, progettazione di algoritmi, architettura del sistema
+ **Informazioni incrociate:** analisi dei documenti, confronto delle opzioni, valutazione dei compromessi
+ **Calcoli soggetti a errori: modellazione finanziaria, analisi dei dati**, debug complessi
+ **Pianificazione con vincoli**: ottimizzazione delle risorse, gestione delle dipendenze, valutazione del rischio
+ **Classificazioni complesse:** categorizzazione multietichetta, tassonomie gerarchiche, limiti decisionali differenziati
+ **Scenari di utilizzo degli strumenti: flussi** di lavoro API in più fasi, ottimizzazione delle interrogazioni dei database, integrazioni di sistemi coordinate
**Nota**
Per ulteriori informazioni sulla modalità di ragionamento, fare riferimento a. [Usare il ragionamento](using-converse-api.md#converse-api-reasoning)
## Adotta un approccio dall'alto verso il basso
Nelle situazioni in cui il modello deve valutare diversi approcci per risolvere il problema, suggeritegli di adottare un approccio **dall'alto** verso il basso.
+ I modelli Amazon Nova 2 offrono prestazioni migliori quando il modello parte da un quadro generale e poi lo suddivide in sottoproblemi o passaggi più piccoli e dettagliati.
+ Chiedi esplicitamente al modello di identificare innanzitutto l'obiettivo principale, quindi di scomporlo in componenti gestibili prima di elaborare i dettagli di ogni parte.
+ Questo approccio strutturato aiuta il modello a organizzare il suo pensiero e a produrre catene di ragionamento più coerenti.
**Esempio**:
```
{{User query}}. Start with the big picture and break it down into progressively smaller, more detailed subproblems or steps.
```
## Dirigi la catena di pensiero
Sebbene la modalità di ragionamento offra una maggiore precisione attraverso la risoluzione sistematica dei problemi, esistono scenari specifici in cui i suggerimenti di Chain of Thought (CoT) in modalità non ragionamento possono soddisfare meglio le vostre esigenze.
**Quando utilizzarla:**
+ **Trasparenza e verificabilità:** quando si desidera vedere, verificare o controllare il processo di ragionamento del modello, CoT offre una visibilità completa in ogni fase. Questo è fondamentale per i settori regolamentati, per le decisioni ad alto rischio o quando si desidera documentare la logica alla base di una risposta.
+ **Strutture di ragionamento personalizzate:** utilizzate CoT per applicare modelli o metodologie di ragionamento specifici. Potete guidare il modello affinché segua i quadri decisionali della vostra organizzazione, utilizzi approcci di risoluzione dei problemi specifici del dominio o assicuratevi che i fattori siano considerati in un ordine specifico.
+ **Sviluppo e debug rapidi: durante la fase di progettazione tempestiva**, CoT aiuta a capire in che modo il modello affronta i problemi, a identificare i punti in cui il ragionamento si interrompe e a iterare in base alle richieste in modo più efficace.
+ **Approcci ibridi:** prendete in considerazione l'utilizzo di CoT durante lo sviluppo per perfezionare i prompt, quindi passate alla modalità di ragionamento per l'implementazione in produzione una volta che sarete sicuri dell'approccio del modello al vostro caso d'uso specifico.
**Nota**
Non tutte le attività richiedono CoT. Per attività più semplici, consenti al modello di utilizzare il proprio processo di ragionamento.
**Guida alla direzione del CoT del modello:**
```
{{User query}} Please follow these steps:
1. {{Step 1}}
2. {{Step 2}}
...
```
## Utilizzo di finestre contestuali lunghe
I modelli Amazon Nova 2 hanno una lunghezza del contesto supportata di 1 milione di token ed eccellono nella comprensione del codice e nella risposta alle domande su documenti lunghi. Le sue prestazioni (inclusa la tempestiva aderenza del sistema e l'uso degli strumenti) possono diminuire leggermente all'aumentare delle dimensioni del contesto.
**Come utilizzarlo:**
+ **Metti i dati in formato lungo all’inizio**: posiziona i documenti e gli input lunghi vicino all’inizio del prompt. Inseriscili prima della domanda, delle istruzioni e degli esempi.
+ **Metti le istruzioni alla fine**: posiziona le istruzioni alla fine del prompt. Il modello funziona al meglio quando il contesto viene fornito per primo e le istruzioni vengono fornite alla fine.
+ **Strutturate gli indicatori di inizio e fine del contenuto del documento:** utilizzate i marcatori di inizio e fine, come `DOCUMENT {idx} START` e`DOCUMENT {idx} END`, per indicare l'inizio e la fine di documenti lunghi in cui {idx} rappresenta l'indice del documento specifico.
**Modello di esempio:**
```
// Provide your long inputs at the top of your prompt
BEGIN INPUT DOCUMENTS
DOCUMENT 1 START
{{Your document}}
DOCUMENT 1 END
END INPUT DOCUMENTS
// Then specify your query and instructions
BEGIN QUESTION
{{User query}}
END QUESTION
BEGIN INSTRUCTIONS
{{Instructions}}
END INSTRUCTIONS
```
## Risposte fondate nel testo di supporto
Ti consigliamo di fornire al modello informazioni attendibili pertinenti alla query di input. Queste informazioni, insieme alla query di input, fanno spesso parte del sistema chiamato retrieval augmented generation (RAG).
+ In questo processo, alcuni documenti o informazioni pertinenti e contestuali vengono aggiornati in base alle richieste effettive dell'utente, in modo che il modello ottenga contenuti affidabili per generare una risposta pertinente e accurata.
+ Chiedere ad Amazon Nova 2 di rispondere utilizzando un testo di riferimento proveniente da una fonte attendibile può guidarlo a redigere la risposta sulla base del materiale fornito e garantire che la risposta sia basata su informazioni accurate e pertinenti, migliorando l'affidabilità e la credibilità dei contenuti generati.
+ L'uso di un testo di riferimento può aiutare a evitare allucinazioni, migliorando così la qualità e l'affidabilità complessive delle risposte. Per ridurre al minimo le allucinazioni, consigliamo di menzionare esplicitamente `DO NOT USE INFORMATION THAT IS NOT IN REFERENCE TEXTS!` nelle istruzioni del modello.
Modello Prompt
```
System:
In this session, the model has access to search results and a user's question, your job is to answer the user's question using only information from the search results.
Model Instructions:
- DO NOT USE INFORMATION THAT IS NOT IN SEARCH RESULTS!
User: {Query}
Resource: Search Results: {Reference texts}
```
### Esempio: fornire un contesto di base aiuta a prevenire allucinazioni al modello
Questo esempio mostra come il contesto di base può impedire al modello di avere allucinazioni.
Sistema:
```
In this session, the model has access to search results and a user's question, your job is to answer the user's question using only information from the search results. Model Instructions:- DO NOT USE INFORMATION THAT IS NOT IN SEARCH RESULTS!
```
Utente:
```
What were the economic impacts of the COVID-19 pandemic on the United States in 2020?
Resource: Search Results: In 2020, the United States experienced significant economic impacts due to the COVID-19 pandemic. The U.S. economy contracted by 3.5% in 2020, according to the Bureau of Economic Analysis. Unemployment rates surged to 14.7% in April 2020, the highest since the Great Depression, before gradually declining. Small businesses faced severe challenges, with millions of firms closing permanently. Additionally, consumer spending dropped sharply as people reduced non-essential expenditures and saved more. Government intervention played a critical role in mitigating these impacts through stimulus packages and support programs, such as the Paycheck Protection Program (PPP) for small businesses and direct payments to individuals. Despite these measures, the economic recovery remained uneven across different sectors and regions.
```
### Terra usando marcatori di citazione
Per le attività relative a documenti lunghi, consigliamo di indicare al modello Amazon Nova 2 di basare le proprie risposte utilizzando citazioni dalle sezioni pertinenti dei documenti prima di procedere con l'attività.
Questo approccio aiuta il modello a concentrarsi sulle informazioni più pertinenti ed evitare di farsi distrarre da contenuti estranei. Quando richiedi che il modello basi la sua risposta, le sezioni che possono essere citate devono essere numerate. Ad esempio`Passage %[1]%`, `Passage %[2]%` e così via.
#### Esempi: utilizzo di marcatori di citazione
**Example Richiesta dei marcatori di citazione**
```
You are an AI financial assistant. Your task is to find patterns and insights from multi-year financial documents
Passage %[1]%
{{Your document}}
Passage %[2]%
{{Your document}}
## Task:
Analyze my LLC's reports across multiple years to identify significant performance trends, segment growth patterns and strategic shifts.
## Context information:
- You have access to my LLC's annual financial reports (10-K) for multiple fiscal years in PDF format
- These reports contain comprehensive financial data including income statements, balance sheets, cash flow statements and management discussions
- The analysis should focus on year-over-year comparisons to identify meaningful trends
- I operate two business segments, one in Massachusetts and one in New York
Based on the provided Context, extract key financial metrics from each year's reports phrases from the documents.
Place citations as inline markers (e.g., %[1]%, %[2]%, etc.) directly within the relevant parts of the response
text. Do not include a separate citation section after the response.
## Response Schema:
%% (Extracted Financial Metrics)
%% (Extracted Financial Metrics)
%% (Extracted Financial Metrics)
...
```
Dopo aver estratto le informazioni chiave in base all'attività dell'utente, puoi utilizzare le metriche finanziarie estratte per rispondere alle domande pertinenti, come mostrato:
**Example Analisi di follow-up con metriche estratte**
```
## Task
Analyze my LLC's financial reports across multiple years to identify significant performance trends, segment growth patterns and strategic shifts.
{{extracted financial metrics}}
## Model Instructions:
- Organize data chronologically to identify meaningful trends
- DO compare segment performance across the five-year period
- DO identify significant strategic shifts or investments mentioned in management discussions
- DO NOT make speculative predictions beyond what is supported by the data
- ALWAYS note any changes in accounting practices or reporting methodologies that might affect year-over-year comparisons
## Response style and format requirements:
- Respond in markdown
- Structure the analysis with clear headings and subheadings
- Present key financial metrics in tabular format showing all five years side-by-side
- Include percentage changes year-over-year for all major metrics
- Create a section dedicated to visualizing the most significant trends (with descriptions of what would be shown in charts)
- Limit the executive summary to 250 words maximum
- Format segment analysis as separate sections with consistent metrics across all segments
- MUST include a Key Insights bullet-pointed list at the end of each major section
```
### Usa Nova Web Grounding
Invece di richiedere direttamente le citazioni per fondare il modello nel testo di supporto, i modelli Amazon Nova 2 forniscono uno strumento di web grounding interno che può essere utilizzato. Se abilitati, i modelli di Amazon Nova 2 interrogheranno direttamente il Web e i grafici della conoscenza di Amazon e baseranno la risposta finale con citazioni.
Per ulteriori informazioni su come sfruttare Amazon Nova Web Grounding, puoi fare riferimento alla guida per l'utente di [Amazon Nova Web Grounding](https://docs.aws.amazon.com/nova/latest/nova2-userguide/web-grounding.html).
## Produci output strutturati
Per garantire formati di output coerenti e strutturati, puoi utilizzare output strutturati, inclusi formati come XML, JSON, Markdown o utilizzare la funzionalità di utilizzo degli strumenti.
+ Questo approccio consente ai sistemi a valle di comprendere e analizzare in modo più efficace gli output generati dal modello.
+ Fornendo istruzioni esplicite al modello, le risposte vengono generate in modo tale da aderire a uno schema predefinito.
Ad esempio, se il parser downstream prevede convenzioni di denominazione specifiche per le chiavi in un oggetto JSON, è necessario specificare lo schema di risposta alla fine del prompt. Inoltre, se preferisci che le risposte siano in formato JSON senza alcun testo di preambolo, istruisci il modello di conseguenza. **Cioè, dichiarate esplicitamente Please, generate solo l'output JSON. NON fornire alcun preambolo.** per garantire un output pulito.
**Suggerimento**
Osserviamo la migliore aderenza ai requisiti di formato dei dati quando sono definiti nello schema stesso anziché attraverso l'uso di esempi (ad esempio, la specificazione delle date nel formato). YYYY/MM/DD
Per output JSON semplici con un massimo di 10 chiavi, puoi trovare lo schema seguente. Per schemi più complessi, ti consigliamo di definire lo schema tramite uno strumento. L'uso degli strumenti sfrutta una tecnica chiamata decodifica vincolata che aumenterà l'aderenza del modello a questi schemi complessi.
### Schemi di formattazione comuni
Di seguito sono riportati alcuni esempi di schemi di formattazione comuni.
------
#### [ JSON ]
```
JSON_format = """Write your response following the JSON format below:
```json
{
"key1": "value1",
"key2": "value2",
key3: [{
"key3_1": "value_3_1 written in YYYY/MM/DD format",
"key3_2": "value_3_2 day of the week written in full form",
...}```
"""
```
------
#### [ XML ]
```
XML_format = """Write your response following the XML format below:
"""
```
------
#### [ Markdown ]
```
markdown_schema = """Write your response following the markdown format below:
## Introduction
( 2-3 line intro)
## Design Guidance
(Bulleted list of design guidance)
## Step by Step Instructions on Execution
( Bulleted list of instructions with each with bold title.
## Conclusion
( conclusion )
"""
```
------
### Precompila il contenuto dell'assistente
Se state producendo un output strutturato in modalità non ragionata, potete modificare la risposta del modello precompilando il contenuto dell'assistente.
Il preriempimento migliora la coerenza del formato di output in modalità non ragionata. Consente di indirizzare le azioni del modello, ignorare i preamboli e applicare formati di output specifici come JSON e XML. Ad esempio, se precompilate il contenuto dell'assistente con `{` or````json`, tale input guida il modello a generare l'oggetto JSON senza informazioni aggiuntive.
**Suggerimento**
Se state cercando esplicitamente di estrarre JSON, uno schema comune consiste nel precompilare ````json` e aggiungere una sequenza di interruzioni. ````` Ciò garantisce che il modello produca un oggetto JSON che può essere analizzato a livello di codice.
**Example Precompila i contenuti dell'assistente**
Il codice seguente dimostra come precompilare con le API:
```
import boto3
import json
# Create a Bedrock Runtime client.
client = boto3.client(
"bedrock-runtime",
region_name="us-east-1"
)
request_body = {
"system": [
{"text": "You write JSON objects based on the given instructions"}
],
"messages": [
{
"role": "user",
"content": [{"text": "Provide details about the best selling full-frame cameras in past three years. Answer in JSON format with keys like name, brand, price and a summary."}]
},
{
"role": "assistant",
"content": [{"text": " Here is the JSON response: ```json"}]
}
],
"inferenceConfig": {
"maxTokens": 1000,
}
}
# Invoke the model and extract the response body.
response = client.invoke_model(
modelId="amazon.nova-2-lite-v1:0",
body=json.dumps(request_body)
)
model_response = json.loads(response["body"].read())
```
### Specificate uno strumento da utilizzare per schemi complessi
Un altro approccio consiste nell'utilizzare strumenti per forzare uno schema specifico per la risposta del modello includendo lo schema *JSON pydantic nella sezione dello schema* di utilizzo degli strumenti. Puoi specificare la scelta dello strumento nello schema fornito e la risposta di Amazon Nova sarà strutturata in base allo strumento selezionato. [Per saperne di più su come sfruttare l'uso degli strumenti, consulta Tool Use.](https://docs.aws.amazon.com/nova/latest/userguide/tool-use.html)
### Esempi
#### Esempio 1: aggiungere uno schema di output
L’aggiunta della sezione Schema di output con lo schema appropriato fa sì che il modello preferisca adattarsi a tale schema. Tuttavia, l'output del modello non è deterministico e può variare rispetto allo schema di output.
------
#### [ Unspecific Prompt ]
Utente:
```
Provide details about the best selling full-frame cameras in past three years.
Answer in JSON format with keys like name, brand, price and a summary.
```
Assistente:
```
```json
[
{
"name": "Sony Alpha A7R IV",
"brand": "Sony",
"price": "Approximately $3,500",
"summary": "The Sony Alpha A7R IV is renowned for its exceptional image quality, thanks to a 61-megapixel full-frame sensor. It also features 4K video recording and a robust build, making it a favorite among professional photographers and videographers."
},
{
"name": "Canon EOS R5",
"brand": "Canon",
"price": "Approximately $3,900",
"summary": "The Canon EOS R5 combines high-resolution imaging with advanced video capabilities. It houses a 45-megapixel sensor, 8K video recording, and impressive autofocus performance, appealing to both photography and filmmaking professionals."
},
{
"name": "Nikon Z7 II",
"brand": "Nikon",
"price": "Approximately $2,800",
"summary": "The Nikon Z7 II offers a 45.7-megapixel full-frame sensor and is praised for its high resolution and excellent dynamic range. It also supports 4K video recording and features a versatile Z-mount lens system, making it a strong contender in the full-frame market."
},
{
"name": "Fujifilm GFX 100S",
"brand": "Fujifilm",
"price": "Approximately $7,000",
"summary": "While not a traditional full-frame camera, the Fujifilm GFX 100S stands out with its 102-megapixel medium format sensor. It is lauded for its stunning detail and color reproduction, though it comes at a higher price point and is aimed at specialized users."
}
]
```
```
------
#### [ Specific Prompt ]
Utente:
```
Provide details about the best selling full-frame cameras in past three years.
You MUST answer in JSON format only. Write your response following the the format below:
[{
“name”: “name goes here”,
“brand”: “brand goes here”,
“price”: “price goes here“,
"summary": "summary goes here"
}]
```
Assistente:
```
[
{
"name": "Nikon D850",
"brand": "Nikon",
"price": "$3,296.95",
"summary": "The Nikon D850 is a professional full-frame DSLR camera known for its exceptional image quality, 45.7-megapixel resolution, 7 fps continuous shooting, and 4K video capabilities."
},
{
"name": "Canon EOS 5D Mark IV",
"brand": "Canon",
"price": "$3,499.00",
"summary": "The Canon EOS 5D Mark IV is a popular full-frame DSLR appreciated for its 30.4-megapixel sensor, 4K video recording, robust build quality, and reliable autofocus system."
},
{
"name": "Sony A7R III",
"brand": "Sony",
"price": "$3,198.00",
"summary": "The Sony A7R III is a high-resolution full-frame mirrorless camera renowned for its 42.4-megapixel sensor, excellent low-light performance, and versatile lens compatibility."
},
{
"name": "Fujifilm GFX 100S",
"brand": "Fujifilm",
"price": "$5,999.99",
"summary": "The Fujifilm GFX 100S is a medium format mirrorless camera that stands out for its 102-megapixel sensor, high dynamic range, and exceptional color reproduction."
},
{
"name": "Sony A7 III",
"brand": "Sony",
"price": "$1,998.00",
"summary": "The Sony A7 III is a full-frame mirrorless camera popular among enthusiasts and professionals for its 24.2-megapixel sensor, fast autofocus, and 4K video capabilities."
}
]
```
------
#### Esempio 2: precompila la risposta del modello
Un altro approccio prevede la precompilazione della risposta del modello includendo il testo iniziale desiderato nel messaggio dell’assistente. In questo caso, la risposta del modello di Amazon Nova continuerà dal punto in cui è stato interrotto il messaggio dell’assistente.
**Suggerimento:** la precompilazione è valida solo quando il ragionamento non è abilitato.
Utente:
```
Provide details about the best selling full-frame cameras in past three years.
Your response should be in JSON format, with the following keys: name, brand, year, price, summary.
```
Assistente (precompilazione):
```
```json
```
Assistente:
```
{
"cameras": [
{
"name": "Sony Alpha A7 III",
"brand": "Sony",
"year": 2018,
"price": "$1999",
"summary": "The Sony Alpha A7 III is a highly acclaimed full-frame mirrorless camera known for its excellent image quality, advanced autofocus system, and 4K video capabilities."
},
{
"name": "Canon EOS R5",
"brand": "Canon",
"year": 2020,
"price": "$3899",
"summary": "The Canon EOS R5 is a top-tier full-frame mirrorless camera that offers stunning 45MP images, 8K video recording, and exceptional performance in various lighting conditions."
},
{
"name": "Nikon Z7 II",
"brand": "Nikon",
"year": 2020,
"price": "$2999",
"summary": "The Nikon Z7 II is a flagship full-frame mirrorless camera with a 45.7MP sensor, superb image quality, and advanced video recording features."
},
{
"name": "Fujifilm GFX 100S",
"brand": "Fujifilm",
"year": 2020,
"price": "$7999",
"summary": "The Fujifilm GFX 100S is a medium format mirrorless camera known for its impressive 102MP sensor, beautiful film simulations, and versatile lens options."
},
{
"name": "Sony Alpha A7R IV",
"brand": "Sony",
"year": 2019,
"price": "$3499",
"summary": "The Sony Alpha A7R IV features a 61MP sensor, excellent low-light performance, and advanced video capabilities, making it a favorite among professional photographers."
}
]
}
```
```
#### Esempio 3: specifica uno strumento da utilizzare
In alternativa all'utilizzo della tecnica di preriempimento per l'output strutturato, puoi combinare la funzionalità dello strumento Nova con ToolChoice. In questo esempio, il modello genererà una chiamata allo strumento che aderisce allo schema JSON fornito e richiamerà lo strumento specifico specificato nel formato JSON completo definito. Per ulteriori informazioni, consulta Advanced Systems.
Utente:
```
From the below provided Query, extract the relevent entities
Query:
John works in BUILDING-0987 and have been incharge of product id 23564#. His performance have been excellent in past year and is up for a raise.
Use the extract_ner tool.
```
ToolConfig:
```
{
"tools": [
{
"toolSpec": {
"name": "extract_ner",
"description": "Extract all the named entities. based on provided input",
"inputSchema": {
"json": {
"type": "object",
"properties": {
"entities": {
"type": "array",
"items": {
"type": "object",
"properties": {
"name": {
"type": "string",
"description": "The extracted entity name. This should be a name of a person, place, animal or thing"
},
"location": {
"type": "string",
"description": "The extracted location name. This is a site name or a building name like SITE-001 or BUILDING-003"
},
"product": {
"type": "string",
"description": "The extrcted product code, this is generally a 6 digit alphanumeric code such as 45623#, 234567"
}
},
"required": [
"name",
"location",
"product"
]
}
}
},
"required": [
"entities"
]
}
}
}
}],
"toolChoice": {
"tool": {
"name": "extract_ner"
}
}
}
```
## Casi d'uso multilingue
I modelli Amazon Nova 2 sono stati formati in più di 200 lingue e ottimizzati per 15 lingue.
**Topics**
+ [Richiesta di traduzioni accurate](#accurate-translations)
+ [Applica convenzioni di scrittura coerenti](#consistent-writing-conventions)
### Richiesta di traduzioni accurate
Per sfruttare questa funzionalità per le traduzioni in forma breve (poche frasi) puoi indicare al modello di tradurre il testo nella lingua di destinazione specificata.
**Example Richieste di traduzione**
```
Translate the following text into {target language}. Please output only the translated text with no prefix or introduction: {text}
```
```
Translate the following sentence from {source_language} to {target language}: {text}
```
```
{text} How do you say this sentence in {target_language}
```
### Applica convenzioni di scrittura coerenti
Nei linguaggi basati su caratteri, i modelli Amazon Nova 2 possono utilizzare il set di caratteri della lingua di origine. È possibile utilizzare il seguente prompt per imporre un output coerente.
**Example Applica le convenzioni di scrittura**
```
When translating, ensure to use the correct orthography / script / writing convention of the target language, not the source language's characters
```
## Chiamata di strumenti
### Sistemi agentici
**Topics**
+ [Imposta i parametri di inferenza corretti](#set-inference-parameters)
+ [Considera i requisiti di latenza](#consider-latency-requirements)
+ [Usa una formulazione intenzionale per le istruzioni di chiamata degli strumenti](#intentional-wording-tool-calling)
+ [Sfrutta i comandi di «pensiero»](#leverage-thinking-commands)
+ [Ordinazione delle chiamate agli strumenti](#tool-call-ordering)
+ [Create schemi di strumenti di qualità](#designing-tool-schema)
+ [Crea subagenti](#create-sub-agents)
+ [Utilizzate strumenti per input multimodali](#use-tools-multimodal-inputs)
+ [Fasi successive](#next-steps-best-practices)
#### Imposta i parametri di inferenza corretti
La chiamata degli strumenti richiede un output strutturato molto specifico del modello ed è migliorata utilizzando i seguenti parametri di inferenza:
+ **Modalità non ragionata: Temperatura:** 0,7 e Top P: 0,9
+ **Modalità di ragionamento: Temperatura:** 1 e Top P: 0,9
#### Considera i requisiti di latenza
**Suggerimento**
I modelli Amazon Nova 2 sono in grado di effettuare chiamate tramite strumenti con ragionamento attivato e disattivato. Tuttavia, le modalità di ragionamento hanno un impatto significativo sulla latenza.
Per le applicazioni sensibili alla latenza, è necessario ottimizzare la modalità ragionamento disattivato e semplificare le chiamate agli strumenti necessarie, ove possibile. Suddividi i flussi di lavoro a più fasi in fasi distinte per ridurre la dipendenza del modello dal rigurgito di parametri non necessari.
#### Usa una formulazione intenzionale per le istruzioni di chiamata degli strumenti
**Nomi degli strumenti:** nei sistemi di chiamata degli strumenti è comune fare riferimento agli strumenti nel prompt di sistema per indicare al modello quando chiamare uno strumento. Quando si fa riferimento agli strumenti nel prompt, si consiglia di utilizzare il nome dello strumento anziché riferimenti o esempi xml o pitonici.
##### Esempio di buon riferimento allo strumento
```
Use the 'run_shell_command' tool for running shell commands
```
##### Esempio di riferimento errato all'utensile
```
Call run_shell_command() to run shell commands
```
#### Sfrutta i comandi di «pensiero»
Per tutti i casi d'uso in cui il pensiero è utile per richiamare gli strumenti, ti consigliamo di sfruttare la modalità di ragionamento invece di chiedere al modello di «pensare per tag» o di utilizzare uno strumento di «riflessione».
I modelli di Amazon Nova 2 sono ampiamente addestrati per la modalità di ragionamento e produrranno risultati ottimali se utilizzati in modalità di ragionamento per la catena di pensiero.
#### Ordinazione delle chiamate agli strumenti
Nei casi d'uso che potrebbero richiedere l'uso simultaneo di strumenti integrati e la chiamata degli strumenti nativi, il modello preferisce chiamare prima gli strumenti integrati.
Non date istruzioni al modello in modo che agisca diversamente nel prompt. Progetta invece il tuo flusso di lavoro in modo da tenerne conto.
Ad esempio, se non desiderate che il modello utilizzi strumenti integrati, non includeteli nel flusso di lavoro in modo che il modello non li utilizzi.
#### Create schemi di strumenti di qualità
Gli schemi di utensili sono uno dei punti chiave in cui è possibile richiedere la progettazione di sistemi di chiamata degli strumenti efficaci. Tuttavia, è importante considerare ciò che viene registrato nello schema dello strumento stesso, il modo in cui ogni elemento dello schema viene descritto semanticamente e il modo in cui il prompt di sistema fa riferimento agli strumenti e agli elementi dello schema nelle istruzioni di sistema.
I modelli Amazon Nova 2 sono ottimizzati per descrizioni concise negli schemi degli strumenti. Sii breve.
**Lo schema degli strumenti rispetto alle linee guida dei prompt di sistema:**
**Includi nello schema dello strumento:**
+ Funzionalità di base: cosa fa lo strumento (si consigliano 20-50 parole)
+ Specifiche dei parametri: descrizioni chiare di ogni parametro (circa 10 parole per parametro)
+ Formati previsti: tipi di dati (come enum, int, float), campi obbligatori e intervalli di valori validi
**Includi nel prompt di sistema:**
+ Dedica una `#Tool Usage` sezione alla logica di orchestrazione (quando e perché utilizzare strumenti specifici) e alle regole aziendali (logica condizionale, requisiti di sequenziamento e dipendenze).
+ **Strategie di gestione degli errori:** aggiungi una `#Error Handling and Troubleshooting` sezione con le istruzioni su come rispondere a guasti o output imprevisti
+ **Formattazione dell'output:** aggiungi dettagli su come presentare all'utente
##### Esempio
```
You are a software engineering issue root cause analysis agent. You are tasked with reviewing a customer issue and examining the repository to identify a plan to resolve the issue.
# Core Mandates
- **DO NOT** update the original issue that was posted by the user. You only add *additional* comments to the reported issue if necessary
# Primary Workflows
1. **Understand:** Analyze the user's request and explore the codebase thoroughly using **get_file_contents** to grasp file structures and conventions.
2. **Plan:** Create a coherent, evidence-based plan for resolving the task and share it with the user following the format below
# Tool Usage
- **Read the Issue:** Always start by using the **read_issue** tool to get the details about the requested issue
- **File Paths:** Always end the file path with "/" if you are searching a directory using the **get_file_contents** tools
- **Parallelism:** Execute multiple independent tool calls in parallel when feasible
# Error Handling and Troubleshooting
- **File Exploration:** If you get an error that a file doesn't exist, try searching at the directory level first to validate the file path
# Output Formatting
Return your plan in markdown in the following format
## Issue
## Resolution Plan
```
#### Crea subagenti
Prendi in considerazione la possibilità di creare subagenti specializzati anziché un singolo agente con molti strumenti quando ti imbatti in:
+ Il **numero di utensili supera i 20:** i set di utensili di grandi dimensioni diventano difficili da gestire e aumentano gli errori di selezione
+ **Domini funzionali distinti:** gli strumenti si raggruppano naturalmente in categorie separate (ad esempio recupero dei dati, elaborazione o reportistica)
+ **Schemi complessi: quando la** profondità dei parametri supera i 3-4 livelli o gli strumenti hanno interdipendenze complesse
+ **Durata della conversazione:** i flussi di lavoro che superano regolarmente i 15-20 turni possono avvalersi di subagenti specializzati
+ **Degrado delle prestazioni:** se si osserva una diminuzione della precisione nella selezione degli strumenti o un aumento della latenza
**Suggerimento**
I server MCP sono dotati di strumenti e schemi che non puoi controllare. Includi solo gli strumenti necessari al flusso di lavoro per completare l'attività richiesta.
#### Utilizzate strumenti per input multimodali
Per le attività multimodali, non abbiamo osservato una maggiore precisione nell'utilizzo di strumenti per attività strutturate (come l'estrazione o la generazione di timestamp).
Ti consigliamo invece di consultare le sezioni pertinenti nella sezione Richiesta di input multimodali per scoprire come richiedere correttamente il modello utilizzando i modelli forniti.
#### Fasi successive
+ Per i prompt multimodali, vedere. [Richiesta di ingressi multimodali](prompting-multimodal.md)