Suggerimenti generali per il prompting

Scomposizione delle attività: se l’attività è complessa e i modelli Amazon Nova dimostrano difficoltà nel seguire la logica complessa e interconnessa, consigliamo di definire l’ambito del problema e di scomporlo in una serie di chiamate discrete. Puoi farlo tramite l’utilizzo di tecniche di flusso di lavoro, come il concatenamento di prompt (ovvero il concatenamento di una sequenza di chiamate individuali) o le esecuzioni parallele (ovvero l’esecuzione simultanea di chiamate indipendenti).

Suddivisione delle istruzioni: consigliamo di suddividere le istruzioni complesse in una serie di indicazioni o in istruzioni più atomiche. Ciò è necessario per aiutare il modello a comprendere le istruzioni e migliorare le prestazioni relative al rispetto delle istruzioni.

Evitare ipotesi, fornire linee guida chiare al modello: i modelli Amazon Nova dimostrano una forte capacità di seguire le istruzioni, ma solo quando i prompt forniti sono chiari e specifici. È fondamentale evitare di fare ipotesi e offrire invece linee guida dirette e inequivocabili al modello. Più trasparente e diretto è il prompt, più efficace sarà la risposta del modello.

Caratteri Unicode con escape: il modello a volte può entrare in un ciclo ripetitivo quando incontra elementi linguistici Unicode con escape. Puoi evitare questo problema chiedendo al modello di ignorare i caratteri Unicode con escape. Ad esempio: “NON inserire mai caratteri Unicode con escape nell’output; usa semplicemente il carattere originale senza escape, ad esempio, non includere sequenze come \u3492”.

Strutturare i prompt lunghi e ricchi di informazioni: quando si condividono informazioni dettagliate come esempi, contesto, istruzioni e formati di output, consigliamo di strutturare il contenuto utilizzando tecniche di formattazione chiare. In particolare, l’utilizzo di markdown o elenchi puntati può aiutare a migliorare la capacità dei modelli Amazon Nova di comprendere e organizzare le informazioni fornite in modo più efficace.

Descrivere e poi rispondere: consigliamo di ordinare al modello di descrivere accuratamente tutto ciò che osserva nell’immagine o nel video, di riepilogare i dettagli principali e di fornire un resoconto completo prima di rispondere a una domanda specifica sul contenuto. Questa tecnica, ovvero richiedere al modello di descrivere innanzitutto la totalità delle informazioni visive e poi rispondere a una query mirata in un passaggio successivo, generalmente migliora le prestazioni del modello.

Estrazione di testo dai documenti: poiché Amazon Nova utilizza la comprensione visiva per estrarre informazioni dai PDF, se il caso d’uso prevede solo la lettura del testo di un documento, consigliamo di utilizzare un’API open source per estrarre il contenuto testuale del documento. Il testo così ottenuto può essere fornito ad Amazon Nova in modo da poter identificare ed estrarre le informazioni principali nel documento.