L’intero articolo è disponibile anche come episodio podcast:
Attenzione! Il podcast è stato creato interamente dalla mia assistente AI sulla base del mio contributo – non garantisco che il contenuto non sia corretto.
Per ripetere
Cosa significa ricerca approfondita?
La ricerca profonda si riferisce alla capacità dei chatbot AI, come ChatGPT, Perplexity o Gemini, di comprendere query di ricerca complesse, suddividerle in diversi compiti di ricerca, cercare su Internet in modo indipendente e consolidare i risultati in modo strutturato. Invece di limitarsi a elencare i link ai siti web, come siamo abituati a fare con Google, i sistemi analizzano le informazioni, le sintetizzano e forniscono all’utente una risposta completa sotto forma di un rapporto scritto in modo chiaro.
Come posso testare e utilizzare metodi di ricerca approfonditi?
Il modo più semplice per testare e utilizzare le nuove funzioni di ricerca approfondita è attraverso i fornitori di IA esistenti. Tuttavia, poiché la funzione di Ricerca Profonda richiede una capacità di calcolo significativamente maggiore, questa funzione è attualmente disponibile solo negli account a pagamento.
Come funziona la ricerca approfondita?
Il metodo di ricerca approfondita o deep research prevede sempre 4 fasi, con lievi differenze tra i fornitori (al 02-2025).
- Pianificazione: l’intelligenza artificiale elabora il compito di ricerca e pianifica in modo indipendente il processo di ricerca e le query di ricerca.
- Ricerca di informazioni: l’intelligenza artificiale cerca tra numerose fonti come articoli, relazioni e studi e filtra le informazioni irrilevanti. OpenAI utilizza le funzioni di navigazione web, mentre Gemini utilizza i servizi di Google.
- Analisi: l’intelligenza artificiale “legge” tutti i testi raccolti, estrae i fatti importanti, confronta le fonti e riconosce le contraddizioni.
- Strutturazione e preparazione: infine, i risultati vengono presentati in un report chiaramente strutturato, solitamente con un’introduzione, una sezione principale e una conclusione. I punti importanti (ad esempio i pro e i contro) sono sottolineati e i riferimenti alla fine garantiscono la trasparenza.
Importante: anche con la ricerca basata sulle fonti, i modelli linguistici possono avere delle allucinazioni. Come sempre, l’IA deve essere utilizzata come supporto e non come sostituto cieco. Il principio del controllo dei risultati si applica in particolare ai fatti critici. Per saperne di più, leggi il mio ultimo articolo su come funziona la ricerca approfondita.
Attenzione: Queste nuove regole di richiesta si applicano ai modelli di ragionamento
1. mantenere i suggerimenti semplici e diretti
Questi modelli funzionano meglio con istruzioni brevi e chiare.
I suggerimenti troppo complessi possono causare confusione o compromettere le prestazioni.
Un buon esempio:
Prompt:
“Riassumi i risultati più importanti dell’articolo sul cambiamento climatico in tre punti chiave”.
Un brutto esempio:
Prompt:
“Potresti fornire un’analisi dettagliata, passo dopo passo, dell’articolo e poi trasformarla in un riassunto strutturato, logicamente coerente e con un ragionamento preciso?”.
2. evita le sollecitazioni della catena di pensiero (CoT)
A differenza dei LLM generali, i modelli di ragionamento effettuano già analisi logiche interne.
Un’istruzione esplicita come “Pensa passo dopo passo” non migliora l’accuratezza e può addirittura peggiorare le prestazioni.
Un buon esempio (domanda diretta):
Prompt:
“Qual è la probabilità di lanciare due sei con due dadi?”.
Pessimo esempio (richiesta di CoT non necessaria):
Prompt:
“Prima spiega la probabilità di tirare un sei, poi la probabilità di tirare un altro sei e moltiplica queste probabilità alla fine”.
Nota importante:
Utilizza i processi di pensiero espliciti solo per i modelli non in grado di ragionare o se il modello fornisce una struttura logica errata.
3. usa i separatori per una maggiore chiarezza
I tag Markdown, XML o i titoli delle sezioni aiutano il modello a distinguere meglio i diversi componenti del prompt.
Particolarmente utile per gli output strutturati come JSON, tabelle o frammenti di codice.
Un buon esempio:
Prompt:
cssCopyEditExtrahiere die wichtigsten Details aus diesem Vertrag im folgenden strukturierten Format:
{
"Parteien": "Name der beteiligten Parteien",
"Gültigkeitsdatum": "Startdatum des Vertrags",
"Pflichten": "Wichtigste vertragliche Verpflichtungen",
"Kündigungsklausel": "Bedingungen für die Vertragsauflösung"
}
Un brutto esempio:
Prompt:
“Riassumi il contratto e fornisci tutti i dettagli importanti in modo strutturato”. (Troppo vago e forse non abbastanza strutturato).
4. prova prima a sparare un colpo a zero, poi qualche colpo se necessario
I modelli di ragionamento spesso funzionano bene anche senza esempi.
L’apprendimento a pochi colpi dovrebbe essere utilizzato solo se l’output deve essere migliorato.
Un buon esempio (zero colpi):
Prompt:
“Metti la seguente frase nella voce passiva:
‘La commissione ha approvato la nuova direttiva’”.
Un pessimo esempio (un’inutile promozione di pochi colpi):
Prompt:
“Metti la frase nella voce passiva. Esempio 1:
Attivo: “Ha fatto una torta.
Passivo: “Una torta è stata preparata da lei”.
Ora applica questa frase a: ‘Il comitato ha approvato la nuova politica’”.
Nota importante:
Se Zero-Shot non dà i risultati desiderati, aggiungi esempi di Few-Shot ben selezionati.
5. definire linee guida e restrizioni chiare
I modelli di ragionamento traggono vantaggio da specifiche precise.
Regole chiare aiutano a controllare la lunghezza, il formato, lo scopo o il tono.
Un buon esempio:
Prompt:
“Suggerisci un itinerario economico per New York.
Budget: meno di 500 dollari
Durata: 3 giorni
Preferenze: Include consigli su visite turistiche e ristoranti”.
Un brutto esempio:
Prompt:
“Crea un itinerario per New York City”. (Troppo generico, potrebbe superare il budget).
Nota importante:
- Definisci il formato di output desiderato (“Spiega in meno di 100 parole”).
- Usa le restrizioni per chiarire (“Includi solo i ristoranti vegani”).
6. sii molto specifico sul risultato desiderato
Criteri di successo chiaramente definiti migliorano la qualità della risposta.
Promuove la ripetizione fino al raggiungimento del risultato atteso.
Un buon esempio:
Prompt:
“Spiega il concetto di domanda e offerta in meno di 50 parole. Sii semplice ed evita il gergo”.
Un brutto esempio:
Prompt:
“Descrivi la domanda e l’offerta”. (Formulato in modo troppo aperto; può essere troppo dettagliato).
Nota importante:
- Stabilisci dei limiti di lunghezza (“Spiega in due frasi”).
- Definisci il livello di dettaglio (“Evita i dettagli inutili e usa solo esempi quotidiani”).
7. assicurarsi che venga utilizzata la formattazione Markdown (se necessario)
Da O1-2024-12-17, i modelli di ragionamento non producono più Markdown per impostazione predefinita.
Per forzare il Markdown, aggiungi la stringa “Formattazione riattivata” al prompt.
Un buon esempio:
Prompt:
nginxCopyEditFormatting re-enabled
Erstelle eine Markdown-formatierte Zusammenfassung zur Quantenmechanik.
Un brutto esempio:
Prompt:
“Dammi una risposta in Markdown sulla meccanica quantistica”. (Potrebbe essere restituita come testo normale).
Nota importante:
Per le risposte formattate, includi sempre un riferimento alla struttura desiderata.
Sommario: Regole di promessa per i modelli di ragionamento
- Mantieni i suggerimenti semplici e diretti, evitando inutili complessità.
- NON usare la catena di pensieri: i modelli di ragionamento pensano già in modo logico.
- Utilizza i separatori (JSON, Markdown, XML) per fare chiarezza – utili per un output strutturato.
- Prima lo Zero, poi il Pochi se necessario – non sovraccaricare il prompt di esempi.
- Definisci restrizioni esplicite: limiti di lunghezza, limiti di budget, formato desiderato.
- Forza la formattazione Markdown se necessario – usa “Formattazione riattivata”.
Domanda frequente: Per quali applicazioni posso usare Deep Research?
Sebbene la funzione di ricerca profonda sembri molto allettante all’inizio, non è utile per tutte le applicazioni di chatbot AI. Inoltre, questo metodo richiede una potenza di calcolo e un’energia significativamente maggiori, che dovrebbero essere utilizzate solo quando sono effettivamente necessarie.
In sostanza, la ricerca approfondita può essere utile quando si cercano molte fonti di informazioni e i risultati devono essere inseriti in un formato strutturato.
Studio scientifico: Raccolta di studi liberamente disponibili sul tema “Effetti dell’inquinamento atmosferico sulla salute”.
Ricerca tematica: creazione di una relazione strutturata su un argomento, ad esempio “Introduzione agli agenti AI”.
Scouting di tecnologia e innovazione: identificazione di tecnologie emergenti (ad esempio, informatica quantistica, tecnologia mRNA) attraverso l’analisi di notizie, post di blog e brevetti, a condizione che questi ultimi siano pubblicamente accessibili.
Analisi delle tendenze: identificazione di nuove tendenze nutrizionali o di stile di vita (ad esempio veganismo, rifiuti zero).
Ricerca e confronto dei prodotti: cerca i fornitori in categorie come le biciclette elettriche, le stampanti 3D o i nuovi sistemi di casa intelligente.
Panoramica delle notizie: compilazione e consolidamento delle notizie su un argomento.
Analisi del mercato e della concorrenza: panoramica del mercato nel settore della tecnologia medica in Germania, punti di forza e di debolezza dei principali concorrenti, cifre chiave, portafoglio prodotti, …
Altre domande
Questo articolo ti ha dato spunti di riflessione e hai altre domande? Oppure stai cercando un supporto generale con l’utilizzo di AI, ChatGPT, Deepseek e chatbot?
Sono sempre felice di ricevere i tuoi messaggi, preferibilmente tramite messaggio WhatsApp o e-mail.
Questo articolo è disponibile anche come episodio podcast
Attenzione! Il podcast è stato creato interamente dalla mia assistente AI sulla base del mio contributo – non garantisco che il contenuto non sia corretto.
