Catena di prompt: cos’è, come funziona e perché migliora i risultati con l’AI

Chi lavora con i sistemi di intelligenza artificiale da un po’ conosce bene la sensazione: una richiesta dettagliata, costruita con cura, con tutto il contesto necessario, e la risposta che arriva è tecnicamente corretta ma completamente inutile. Generica, mal strutturata, o semplicemente lontana da quello che si aveva in testa.

La causa, quasi sempre, sta nell’architettura della richiesta. Quando si comprime dentro un unico prompt obiettivi diversi, istruzioni che si sovrappongono e aspettative implicite, si chiede a un sistema di fare troppe cose insieme.

La catena di prompt, o prompt chaining, affronta proprio questo problema alla radice: si costruisce una sequenza di passaggi collegati, ognuno con un compito preciso, invece di scrivere un unico prompt che prova a gestire tutto.

Nel video qui sotto abbiamo introdotto questo design pattern AI con una demo pratica. Ne chiariamo il meccanismo, vediamo dove si applica e mostriamo come lo abbiamo usato per costruire uno strumento concreto per chi gestisce riunioni di lavoro.

Nel 1994 un gruppo di ingegneri del software pubblica un libro che diventa un riferimento per generazioni di sviluppatori: Design Patterns: Elements of Reusable Object-Oriented Software, firmato dalla cosiddetta Gang of Four. Il ragionamento alla base è che certi problemi si ripresentano sempre, in contesti diversi ma con la stessa struttura. Ha senso raccogliere le soluzioni che hanno già funzionato e renderle riutilizzabili come schemi concettuali, non come codice da copiare.

Negli anni 2000 questi pattern entrano nel vocabolario comune di chi sviluppa software. Oggi lo stesso tipo di ragionamento si applica al lavoro con i modelli linguistici. Anche lì i problemi ricorrenti esistono, e avere degli schemi collaudati su come affrontarli fa la differenza tra un uso casuale e un uso strutturato di questi strumenti.

L’output di ogni passaggio diventa l’input del successivo, creando una pipeline AI fluida e controllabile.

Il modello lavora su un compito alla volta, con istruzioni chiare e senza ambiguità su cosa ci si aspetta. Ogni step del concatenamento di prompt produce qualcosa di verificabile: se il risultato finale non va bene, si risale la catena e si trova dove qualcosa è andato storto. Si corregge solo quel passaggio, senza toccare il resto.

La qualità dell’output finale migliora in modo misurabile rispetto a quella di un prompt singolo, perché al modello si fanno domande più sensate.

Pensiamo a un dirigente che deve leggere un contratto di quaranta pagine prima di firmarlo. Ha bisogno di sapere quali clausole meritano attenzione, quali rischi portano con sé, su cosa vale la pena tornare con il legale.

Una catena di prompt su quel documento potrebbe articolarsi così:

• Estrazione delle clausole rilevanti
• Valutazione dei rischi clausola per clausola
• Sintesi dei punti critici
• Lista di domande da portare allo studio legale

Ogni passaggio alimenta il successivo. Il risultato finale è qualcosa di direttamente utilizzabile, pronto per una conversazione con il legale.

Chi gestisce la comunicazione di un prodotto su più canali sa quanto sia ripetitivo riscrivere lo stesso messaggio in formati diversi. Con una catena si costruisce una sola fonte di verità: si analizza il prodotto e il suo pubblico, si sviluppa un testo completo e ben lavorato, e poi lo si adatta per email, LinkedIn o altri canali in passaggi separati. Il messaggio resta coerente, e il lavoro di adattamento si riduce sensibilmente.

Prendendo come esempio un report aziendale: il primo passaggio pulisce e normalizza i dati grezzi, il secondo identifica i trend, il terzo li interpreta in chiave di business e l’ultimo produce il report esecutivo. Se i trend del secondo passaggio sono sbagliati, si corregge lì. Il resto della catena resta intatto, il che rende il processo molto più gestibile specialmente quando i dati cambiano spesso.

L’obiettivo che abbiamo esplicitato nel video sopra era costruire qualcosa di utile per chi lavora in azienda: uno strumento che prende la trascrizione grezza di una riunione e produce un documento strutturato con decisioni prese, punti aperti e azioni da fare.

Le trascrizioni che arrivano da sistemi di speech-to-text sono piene di rumore: problemi col microfono, conversazioni laterali, ripetizioni, linguaggio colloquiale che ha senso in una chiamata ma diventa confuso su carta.

Primo passaggio: pulizia. Il modello usato, DeepSeek R1 da 14 miliardi di parametri eseguito in locale, riceve un system prompt che lo specializza come assistente per la pulizia di trascrizioni audio. Il suo unico compito è rimuovere il rumore e produrre un testo leggibile.

Secondo passaggio: estrazione delle informazioni. La trascrizione pulita passa a un secondo LLM con un system prompt diverso. Stavolta il modello lavora come analista di verbali: identifica i temi discussi, le decisioni prese, i punti rimasti aperti. L’output è strutturato e pensato per alimentare il passaggio successivo.

Terzo passaggio: composizione del report. Quelle informazioni strutturate arrivano a un terzo modello, istruito a produrre documentazione professionale per team aziendali. Il formato dell’output, le sezioni, il livello di dettaglio: tutto specificato nel prompt. Quello che esce è un documento pronto per essere condiviso.

Ognuno ha un ruolo preciso e non fa più di quello per cui è stato istruito.

Per costruire questa pipeline nel video abbiamo usato Rivet, un ambiente di sviluppo visuale per sistemi AI. È open source, gratuito, e ha una community di sviluppatori che lo mantiene attivamente.

La natura visuale aiuta concretamente: si vede la pipeline e si segue il flusso dei dati da uno step all’altro, il che rende più facile capire subito dove qualcosa non funziona.

Chi vuole sperimentare senza partire da zero con il codice trova in Rivet un buon punto di partenza. Tra le alternative più diffuse ci sono LangChain e n8n.

Costruire una catena di prompt richiede più lavoro rispetto a scrivere un prompt singolo. Bisogna capire il problema abbastanza bene da scomporlo in passaggi che abbiano senso presi uno per uno. È spesso questa la parte più impegnativa: capire bene il proprio obiettivo prima ancora di aprire qualsiasi strumento.

La specializzazione dei prompt conta moltissimo. Un system prompt generico produce un modello generico. Più si restringe il ruolo, per esempio “assistente specializzato nella pulizia di trascrizioni audio prodotte da sistemi speech-to-text” piuttosto che “assistente utile”, più il comportamento del modello diventa prevedibile e affidabile.

Rendere i prompt parametrici, con placeholder per il contenuto dinamico, semplifica tutta la gestione nel tempo. Il testo del prompt rimane fisso: varia solo il contenuto che gli si passa come input. Questo rende la catena più facile da manutenere e da migliorare progressivamente, senza dover riscrivere tutto ogni volta che si aggiusta qualcosa.

C’è anche un aspetto meno ovvio. Pensare a un problema come a una sequenza di passaggi costringe a capirlo meglio. La difficoltà nel costruire una catena spesso sta nel chiarire a se stessi cosa si sta cercando di ottenere. E pensiamo che quella chiarezza, a prescindere dall’AI, abbia un valore proprio.