Che cos’è il context engineering?
Un modello di IA sa moltissimo del mondo e nulla della vostra azienda. Ogni risposta utile dipende dal contesto che riceve: quali dati, quali definizioni, quali regole e quali strumenti.
Il prompt engineering riguarda il modo in cui si chiede. Il context engineering riguarda ciò che il modello sa quando risponde. Nel lavoro aziendale, di solito conta di più il secondo.
Come funziona il context engineering?
- Instructions. The system prompt, the standing instructions a model gets before any question, plus examples of good answers when the task needs them. Giving examples is called few-shot prompting, and giving none is zero-shot.
- Definizioni. Cosa significa ogni metrica e come viene calcolata, così il modello usa i calcoli dell’azienda.
- Data. The current, relevant records for the question, retrieved from trusted sources.
- Regole. Policy e guardrail, come le linee guida del brand o ciò che deve passare a una persona per l’approvazione.
- Strumenti. Le azioni che il modello è autorizzato a compiere e i permessi con cui vengono eseguite.
- Limiti. Solo ciò che serve al compito, perché il contesto in eccesso può peggiorare le risposte.
Qual è un esempio di context engineering?
Due risposte alla stessa domanda sul ROAS
Asked for ROAS by channel, an assistant with no business context picks its own formula and its own date range. The answer looks confident and matches no report in the company.
Con la definizione di ROAS dell’azienda, la sua tassonomia dei canali e il suo calendario fiscale, lo stesso assistente restituisce il valore che calcolerebbe il team finance. È cambiato solo il contesto.
Context engineering vs. prompt engineering vs. fine-tuning
| Prompt engineering | Context engineering | Fine-tuning | |
|---|---|---|---|
| Che cosa cambia | Come viene formulata la richiesta | Ciò che il modello sa al momento della risposta | I pesi del modello |
| Si aggiorna quando cambiano i dati | No | Sì, a ogni richiesta | Solo dopo un nuovo addestramento |
| Ideale per | Tono e formato | Risposte di business accurate e aggiornate | Stile o compiti specializzati |
Perché il context engineering è importante?
La maggior parte delle risposte sbagliate dell’IA nel business non è colpa del modello. Il modello aveva i dati sbagliati, una definizione superata o nessuna definizione. Impostare correttamente il contesto è il modo più diretto per rendere affidabili le risposte dell’IA.
Come lo fa Alli?
Alli Semantic Layer, parte di Alli by PMG, è il luogo in cui la logica di business del marketing viene definita una volta sola: definizioni di KPI condivise, nomenclatura armonizzata su ogni piattaforma e area geografica e un dizionario dei dati comune. Ogni team, strumento e agente IA in Alli lavora a partire da quelle definizioni, così l’IA resta ancorata alla logica già concordata dai team.
Alli Data fornisce i dati governati e aggiornati sottostanti, e le skill di Alli4u racchiudono le istruzioni e gli strumenti di cui un assistente ha bisogno per un compito specifico.
Esplorate Alli Semantic LayerDomande frequenti sul context engineering
In cosa si differenzia il context engineering dal prompt engineering?
Il prompt engineering definisce come viene formulata una richiesta. Il context engineering decide quali informazioni, definizioni, regole e strumenti ha il modello quando risponde, e di solito questo conta di più per l’accuratezza nel business.
La RAG è una forma di context engineering?
Sì. La retrieval-augmented generation recupera documenti o dati pertinenti e li aggiunge al contesto del modello. Il context engineering copre anche definizioni, regole e strumenti.
Troppo contesto può peggiorare le risposte dell’IA?
Sì. Informazioni in eccesso e non pertinenti possono distrarre un modello e rendere le risposte meno accurate. Un buon contesto si limita a ciò che serve al compito.
In che modo un livello semantico aiuta l’IA?
Fornisce all’IA le definizioni delle metriche e la nomenclatura dell’azienda stessa, così il modello calcola i numeri come fa il business invece di tirare a indovinare.
What is a context window?
It's how much a model can take in at once, measured in tokens. It covers the instructions, the conversation, and any retrieved data. Windows have grown large, but models still tend to use what's at the start and end of a long context better than what's in the middle. So a bigger window doesn't remove the need to choose what goes in.
Last updated Back to the glossary
