TL;DR
Il prompt chaining divide un enorme compito in una sequenza di piccoli prompt dipendenti — ogni output che diventa l'input del successivo — invece di pretendere il prodotto finito in un respiro impossibile. La qualità si capitalizza lungo la catena: gli errori vengono catturati alla stazione dove costano poco, e ogni passo parte da materiale verificato invece che da un'ipotesi.
L'analogia
Ci sono due modi per avere un'auto.
Il primo è la Magic Box: un capannone con un'unica macchina enorme. Minerale grezzo e gomma entrano da un lato; un'auto finita esce dall'altro. È un'idea seducente — un passo, zero sforzo. È anche il motivo per cui nessuno ne ha mai costruita una. Una macchina che deve simultaneamente fondere acciaio, soffiare vetro, cucire sedili e calibrare freni non può essere ottimizzata per nessuna di queste cose, e quando produce una porta difettosa, l'intera auto è rottame — perché il difetto è nato al passo uno e scoperto al passo cinquanta.
Il secondo è la catena di montaggio: dozzine di stazioni, ognuna che fa esattamente una cosa supremamente bene. L'acciaio è stampato qui, e ispezionato prima di muoversi. Le porte sono saldate lì, e controllate prima della verniciatura. Quando appare un difetto, viene catturato alla sua stazione — dopo poche operazioni, non dopo l'intera vettura. Il controllo qualità non è una scommessa finale; è costruito tra ogni coppia di passi. Non è la debolezza della linea, l'essere "più lenta" — è l'intero motivo per cui le auto sono diventate affidabili ed economiche.
Chiedere all'IA un deliverable complesso in un singolo mega-prompt — "ricerca il mio mercato, scrivi il report, disegna le slide e redigi l'email di annuncio" — è un ordine per la Magic Box. Il modello deve giocolare con quattro competenze a una volta, e non si ottimizza per nessuna. Peggio: un errore fatto durante la fase invisibile di "ricerca" emerge solo nell'email finale, vestito di tutto punto come lavoro finito, con ogni passo successivo costruito sopra l'errore.
Il prompt chaining sei tu che costruisci la catena di montaggio invece. Piccole stazioni. Un'operazione ciascuna. Ispezione tra i passi. Il nastro trasportatore tra le stazioni esiste già — è la conversazione stessa.
Come funziona
Ogni catena produttiva segue la stessa spina dorsale a tre stazioni — Raccogli → Trasforma → Rifinisci — estesa con tante stazioni intermedie quante il lavoro richiede.
| Stazione | Compito | Prompt di esempio |
|---|---|---|
| Raccogli | Produci materia grezza: fatti, opzioni, ricerca | "Elenca le 8 obiezioni più comuni ai veicoli elettrici, una riga ciascuna" |
| Trasforma | Converti il materiale in struttura: scaletta, bozza, scheletro | "Raggruppa quelle obiezioni in 3 temi e fa' una scaletta di sezione per tema" |
| Rifinisci | Finisci un output di stazione alla volta: stile, stringi, audita | "Scrivi solo la sezione 1, 150 parole, tono sicuro" |
Tre meccaniche fanno funzionare la catena:
1. Ogni stazione eredita tutto. Il modello rilegge l'intera conversazione prima di ogni risposta — quella è la finestra di contesto, il bancone della lezione due. Il passo tre non ha bisogno che tu reincolli la scaletta del passo due; è già sul bancone, insieme alle obiezioni del passo uno. La memoria della catena è il nastro trasportatore. (È anche il motivo per cui le catene vivono in una chat per progetto: il nastro collega solo le stazioni sulla stessa linea.)
2. Ogni stazione è abbastanza piccola da verificare. Una lista di obiezioni a otto righe si controlla in dieci secondi — la #6 è davvero un'obiezione reale? Catturala lì, e la scaletta non la erediterà mai. Questa è la magia della qualità: gli errori si capitalizzano in un mega-prompt ma vengono intercettati in una catena. Hai già incontrato la versione a due stazioni di questa idea — il prompt Auditor è esattamente una catena: la stazione uno redige, la stazione due attacca, la stazione tre corregge. Il chaining generalizza quel ritmo a qualsiasi scala.
3. Ogni stazione ottiene la sua piena attenzione. Un modello a cui si chiede una cosa dà a quella cosa tutto ciò che ha. Lo stesso modello a cui si chiedono quattro cose a una volta sta negoziando un budget interno tra loro — e la stazione di rifinitura è sempre la prima vittima del mega-prompt. Su una linea, ogni stazione è l'unico lavoro del modello.
La regola operativa:
Una stazione, un'operazione, un'ispezione. Se l'output di un passo non potesse essere controllato in meno di un minuto, la stazione è troppo grande — dividila.
Prima e dopo (i prompt)
Esempio 1 — il report di mercato
Ricerca il mercato del fitness domestico e scrivi un report completo di 1.500 parole con riassunto esecutivo, analisi della concorrenza, tre opportunità di crescita con argomentazioni a supporto e una conclusione. Rendilo professionale e persuasivo.
La Magic Box. Ciò che torna ha la forma di un report, ma il ragionamento è invisibile — non puoi dire quale "opportunità di crescita" poggia su un fatto che il modello ha inventato sotto tutto quel carico simultaneo. Quando l'opportunità #2 si rivela vuota, non sai se ha fallito la ricerca o la scrittura. Ricostruisci da zero.
Passo 1: Elenca i 5 principali concorrenti del fitness domestico con il loro prezzo e un differenziatore ciascuno, come tabella. Se incerto su una cifra, segnala [VERIFICARE].
Controlla la tabella. Due minuti. Correggi l'unico [VERIFICARE] che conta, e il materiale grezzo è ora noto come buono — ogni stazione successiva ci sta sopra.
Passo 2: Basandoti su quella tabella, fa' la scaletta di un report a 4 sezioni: una sezione per ogni opportunità di crescita difendibile da questi dati, più un riassunto esecutivo. Solo titoli di sezione, una riga di argomentazione ciascuno.
Controlla la scaletta. L'opportunità #3 è davvero difendibile dalla tabella, o sono vibrazioni? Uccidila ora — prima che esista prosa che la faccia sembrare più intelligente di com'è.
Passo 3: Scrivi solo il riassunto esecutivo — 120 parole, sicuro, nessuna affermazione che vada oltre la tabella sopra.
Un'intera stazione di piena attenzione, costruita su struttura verificata. Poi continua lungo la linea, una sezione per prompt, nell'ordine che vuoi. Il report finale non è fortuna; è l'ultima stazione di una linea dove ogni stazione precedente ha passato l'ispezione.
Esempio 2 — il piano di viaggio
Pianifica un viaggio perfetto di 7 giorni in Portogallo per una famiglia con due bambini, includendo città, hotel, ristoranti e attività giornaliere.
Un mega-prompt, cinque competenze (logistica, budget, a misura di bambino, ritmo, cibo), zero intermedi ispezionabili.
Passo 1: Siamo una famiglia con bambini di 6 e 9 anni, prima volta in Portogallo, 7 giorni, budget medio. Fammi fino a 5 domande — una alla volta — su qualsiasi cosa cambi il piano.
L'intervista come stazione uno: la stazione di raccolta per i fatti che solo tu hai. Poi:
Passo 2: Date le mie risposte, proponi 3 scheletri di itinerario — sequenze di città e ritmi diversi. Formato tabella, una riga per giorno, nessun dettaglio ancora.
Tre scheletri economici, controllati in un minuto: il percorso Algarve-prima muore per il caldo di giugno che hai menzionato al passo uno — catturato allo scheletro, non al quarto giorno di vacanza. Solo allora il passo tre riveste il vincitore, giorno per giorno, una stazione al giorno.
Esempio 3 — la candidatura
Scrivi una lettera di presentazione per questo posto di product manager usando il mio CV.
La classica richiesta in un respiro — e il motivo per cui la maggior parte delle lettere dell'IA suona come la lettera dell'IA di tutti gli altri.
Passo 1: Dall'annuncio qui sotto, estrai i 5 requisiti a cui tengono di più, classificati. Citane l'annuncio per ciascuno. Passo 2: Dal mio CV, abbina la mia evidenza più forte a ogni requisito — una riga per requisito, citando il mio CV. Passo 3: Scrivi la lettera usando solo le cinque coppie abbinate sopra. 250 parole, nessun cliché, apri con la mia corrispondenza più forte.
La stazione uno controlla: sono davvero i requisiti top, o quelli ovvi? La stazione due controlla: ho davvero l'evidenza, o sto per esagerare? Solo allora la stazione tre scrive — vincolata, fondata e irriconoscibile dalla bozza di default.
Errori comuni
- Concatenare troppo veloce — non ispezionare mai gli intermedi. Una catena le cui stazioni non vengono mai controllate è solo un mega-prompt lento con passi extra. Il valore non è la sequenza; sono i punti di ispezione tra le stazioni. Pausa a ogni output: dieci secondi ora, o una ricostruzione completa dopo.
- Stazioni che sono segretamente mega-prompt. "Passo 2: scrivi le sezioni dalla 1 alla 4" è la Magic Box nascosta dentro la tua linea. Una stazione, un'operazione — se non potessi verificare il suo output in un minuto, dividi la stazione.
- Lasciare che la catena si espanda. Dodici stazioni per un'email di due paragrafi è cerimoniale, non mestiere. Le catene sono per lavori genuinamente multi-fase; i lavori piccoli vogliono un singolo prompt one-shot ben mirato. Costruisci una linea quando il prodotto ha parti; non costruirla quando ha una frase.
- Spargere la catena su più chat. Il nastro trasportatore è la memoria della conversazione — apri una chat nuova per il "passo 3" e il bancone è vuoto: nessuna scaletta, nessuna risposta d'intervista, niente. Un progetto, una chat, dall'inizio alla fine.
- Riavviare l'intera catena dopo una stazione andata male. Una scaletta difettosa al passo due non ti rimanda al minerale grezzo. Correggi l'output di quella stazione ("rigenera la scaletta, elimina la sezione 3") e continua — la linea riprende dall'ultima stazione buona. È esattamente la velocità di riparazione che la Magic Box non offre mai.
FAQ
Cos'è il prompt chaining?
Il prompt chaining è scomporre un grande compito dell'IA in una sequenza di piccoli prompt dipendenti — raccogli, trasforma, rifinisci — dove l'output di ogni passo diventa l'input del passo successivo nella stessa conversazione. Invece di un mega-prompt che produce un blob non auditabile, ottieni stazioni che puoi ispezionare e correggere individualmente, così gli errori vengono catturati dove costano poco e la qualità si capitalizza lungo la linea.
Perché il chaining dà risultati migliori di un unico grande prompt?
Tre ragioni che si sommano: ogni passo ottiene la piena attenzione del modello invece di una quota; ogni output intermedio è abbastanza piccolo da verificare, così gli errori vengono intercettati alla loro stazione invece che scoperti nel prodotto finale; e ogni passo a valle è costruito su materiale ispezionato. Il prompt Auditor — bozza, poi attacco — è la prova a due stazioni dello stesso principio.
Quanti passi dovrebbe avere una catena di prompt?
Tante stazioni quante parti ispezionabili ha il lavoro, e non una di più. Un report potrebbe richiederne cinque; una lettera di presentazione ne richiede tre; una frase ne richiede una. Il test non è un conteggio — è se ogni stazione esegue una singola operazione di cui puoi controllare l'output in meno di un minuto. Nel dubbio, dividi la stazione che sembra troppo grande ed elimina la stazione che nessuno ispeziona.
Prossima lezione
Il chaining controlla la sequenza — l'ordine in cui l'IA lavora. Ma c'è una seconda dimensione che la catena non può toccare: lo stile. Come fai a far sembrare l'output del modello esattamente come l'output che hai in testa? Non descrivendolo — mostrandolo. Un esempio risolto nel prompt blocca uno schema più saldamente di qualsiasi istruzione mai scritta.
Continua alla prossima lezione: Few-Shot Prompting
Esercizio pratico prima di andare: prendi il prossimo grande deliverable in lista e scrivi solo la stazione uno — il passo di raccolta — prima di toccare l'IA. Definisci che aspetto ha il suo output, invialo e ispeziona ciò che torna. Senti la differenza tra sperare che il prodotto finale sia giusto e sapere che il suo fondamento lo è.