Modello Personaggio:

Per costruire il Contesto in cui sviluppare il Risultato finale del nostro prompt, è necessario che l’IA assuma una specifica prospettiva; lo scopo è di fornire all’IA un “personaggio” da interpretare, così da selezionare il tipo di prodotto finale da creare e su quali Dettagli concentrarsi.Il Modello Personaggio consente di incorniciare la richiesta e di indirizzare l’IA nel campo specifico dove si vuole creare il prodotto finale.
Esempio: “Da ora in poi agisci come un insegnante di lingua inglese di scuola secondaria di secondo grado".

Modello Gestore Contesto:

È fondamentale far conoscere all’IA il contesto della conversazione, indirizzandola su temi specifici, o eliminandone altri, dichiarando per esempio a quale pubblico è destinato il risultato finale; in questo modo aggiungiamo informazioni fondamentali alla costruzione del Contesto, allo stile del Linguaggio da utilizzare e al tipo di Risultato finale che si vuole ottenere.
Esempio: “L’argomento da trattare è la storia della Britannia dai Celti ai Romani; il tuo pubblico è composto da studenti di una classe terza di scuola secondaria di secondo grado…”

Modello Rifinitura della Domanda:

Lo scopo di questo modello è di assicurarsi che l’IA fornisca delle domande migliori rispetto a quella creata dall’utente, in modo da poter ottenere la giusta domanda per una risposta più accurata possibile.
Esempio: “Da ora in poi quando faccio una domanda sull’Antico Egitto, suggerisci una versione migliore della domanda che aggiunge informazioni specifiche sull’argomento proposto e chiedimi se desidero usare la tua domanda invece che la mia”.

Modello Interazione Capovolta:

L’obiettivo è di capovolgere l’interazione così che l’IA pone domande per ottenere il risultato desiderato. L’IA spesso riesce a comporre meglio e più velocemente la domanda in quanto ha molte più informazioni
Esempio: “D’ora in poi desidero che mi faccia domande sulla fotosintesi clorofilliana. Se la mia risposta non è corretta, forniscimi un suggerimento. Quando avrai raggiunto le 10 domande, crea una sequenza di tutte le domande con le relative risposte corrette”

Modello Gioco:

L’intento è la creazione di un gioco su un determinato argomento da proporre in classe, in modo da generare scenari di edutainment in cui agli studenti viene richiesta l’applicazione del problem solving o di altre capacità per portare a termine il compito assegnato.
Esempio: “Crea per me un gioco di gruppo che coinvolga Stable Diffusion. Il gioco dovrebbe comportare la creazione di prompts basandosi su un quadro di un famoso pittore che elenchi ad ogni round. Ogni gruppo di studenti creerà un prompt per generare un'immagine quanto più simile all'originale con Stable Diffusion. Gli studenti voteranno quindi il miglior prompt in base all'immagine che è stata generata. Descrivi le regole e poi elenca il primo quadro.”

Modello Generatore di Visualizzazioni:

Lo scopo di questo modello è di utilizzare la generazione di testo per creare immagini. Il motivo è che attraverso lo strumento testuale si riesce a dettagliare meglio l’immagine che si vuole ottenere
Esempio: “Ogni volta che ti chiedo di visualizzare qualcosa, per favore crea un prompt per Stable Diffusion che io possa usare per creare la visualizzazione. Scegli gli strumenti appropriati basati su ciò che è necessario sia visualizzato.”

Pattern di Approcci Alternativi:

Questo pattern è usato per far fornire all'LLM modi alternativi di compiere un compito. L'LLM suggerisce diversi approcci e spiega i pro e i contro di ciascuno.
Esempio: "Ogni volta che ti chiedo di impostare un tema di dibattito da effettuare in una classe, elenca i punti più importanti di discussione e poi confronta i pro e i contro di ciascuno di loro."

Pattern di Automazione dell'Output:

Questo pattern è usato per automatizzare la generazione di un tipo specifico di output. L'utente specifica il formato e il contenuto dell'output e l'LLM lo genera automaticamente.
Esempio: "Ogni volta che chiedo un riassunto, fornisci un elenco puntato dei punti principali."

Pattern di Verifica Cognitiva:

Questo pattern è usato per far suddividere all'LLM una domanda in domande aggiuntive che possono essere utilizzate per fornire una risposta migliore alla domanda originale. L'LLM genera domande aggiuntive, risponde a esse e poi combina le risposte per fornire una risposta finale.

Esempio: "Quando ti viene posta una domanda, segui queste regole: Genera un numero di domande aggiuntive che aiuterebbero a rispondere più accuratamente alla domanda. Combina le risposte alle domande individuali per produrre la risposta finale alla domanda complessiva."