# Come limito la lunghezza delle risposte di un LLM?

> Come gli sviluppatori possono limitare l'output di un LLM: max token, formato e lunghezza richiesti, sequenze di stop, output strutturato e risposte troncate.

Source: https://greenai.guide/it/come/come-limito-la-lunghezza-delle-risposte-di-un-llm/  
Updated: 2026-11-19

## In breve

Imposti una lunghezza massima dell'output nella chiamata API, indichi al modello nel prompt il formato e la lunghezza che desidera, e usi sequenze di stop o output strutturato così che si fermi quando il lavoro è finito. L'energia cresce con il numero di token generati dal modello, quindi limitare l'output è uno dei risparmi più semplici in qualsiasi applicazione.

## Steps

1. Stabilisca la risposta utile più lunga per ogni funzionalità e imposti di conseguenza il numero massimo di token in uscita dell'API.
2. Indichi nel prompt formato e lunghezza, per esempio "tre punti elenco".
3. Usi l'output strutturato, come uno schema JSON, quando il Suo codice ha bisogno solo di campi.
4. Aggiunga sequenze di stop dove la risposta ha un marcatore di fine naturale.
5. Rilevi le risposte troncate dal limite e le gestisca invece di ripetere silenziosamente la richiesta.

**Dica al modello, e all'API, quanto testo desidera.** I modelli generano un [token](/it/glossario/#token) alla volta, e
ognuno costa calcolo.

## Perché è importante? {#why-does-it-matter}

Delavande, Pierrard e Luccioni hanno rilevato che l'energia cresce in modo lineare con la lunghezza del testo
generato, e che i modelli più grandi non solo consumano più energia per token, ma tendono anche a scrivere risposte
più lunghe. L'UNESCO e lo University College London hanno rilevato che prompt e risposte più brevi possono ridurre il
consumo di energia di oltre la metà.

## Quali controlli devo usare? {#which-controls-should-i-use}

- **Numero massimo di token in uscita.** Ogni API principale ha un parametro per questo. Lo imposti per singola
  funzionalità, non con un unico valore globale generoso.
- **Istruzioni.** "Rispondi con una frase" o "restituisci solo il nome della categoria" funzionano meglio di un limite
  rigido da solo, perché il modello pianifica una risposta breve invece di essere interrotto.
- **Output strutturato.** Se il Suo codice analizza dei campi, chieda un JSON conforme a uno schema e salti la prosa.
- **Sequenze di stop.** Terminano la generazione a un marcatore, come un tag di chiusura.
- **Livello di ragionamento.** Dove un modello offre un'impostazione di ragionamento (thinking o reasoning), usi il
  livello più basso che supera i Suoi test: veda [quando usare le modalità di ragionamento](/it/come/come-capisco-quando-usare-la-modalita-di-ragionamento-dell-ia/).

## Errori comuni {#common-mistakes}

- **Limiti così stretti da troncare le risposte**, seguiti da un nuovo tentativo automatico con un limite più alto.
  Costa di più che impostare subito la lunghezza giusta.
- **Chiedere spiegazioni che nessuno legge**, come "spiega il tuo ragionamento" in una pipeline di classificazione.
- **Non registrare i token in uscita per funzionalità**, così le funzionalità più prolisse restano nascoste.

Per le abitudini degli utenti, legga [usare l'IA in modo efficiente](/it/buone-pratiche/usare-l-ia-in-modo-efficiente-abitudini-quotidiane/).

## Fonti

- [Small talk, big impact: the energy cost of thanking AI](https://arxiv.org/abs/2601.22357), Delavande, Pierrard and Luccioni (arXiv 2601.22357) (2026)
- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [What are tokens and how to count them?](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them), OpenAI Help Center (2025)
