Prompting

Prompt engineering

Costruire l'istruzione giusta per guidare il modello

L'ingegneria dei prompt è il processo di creazione di input efficaci per guidare un modello linguistico verso risposte accurate. Siccome l'LLM funziona prevedendo il token successivo, un buon prompt deve essere chiaro, strutturato e mirato al compito.

Non è una scienza esatta: è sperimentazione. Si prova, si accorcia, si valuta lo stile e la struttura in relazione a quello che si vuole ottenere.

Bene al primo colpo

Un buon prompt punta a riuscire al primo tentativo

Se ogni volta serve correggere e rigenerare, si cade nella «paralisi da iterazione», e l'AI smette di far risparmiare tempo. Il confronto è impietoso.

5 min

scrivere la mail a mano

30 min

prompt, correggi, rigenera, correggi ancora

Se il secondo tempo supera il primo, l'AI ha fallito. Un design curato toglie la frizione e rende l'uso della tecnologia conveniente davvero.

Esempio · ADV settore automotive

«Crea un'immagine di un'auto che sfreccia veloce sulla strada»

Chiediamo qualcosa all'AI con un prompt semplice, e guardiamo cosa ci restituisce.

Tecniche di prompting

Tecniche fatte apposta per come lavora il modello

Un modello linguistico segue istruzioni ed è addestrato su enormi quantità di testo. Ma non è perfetto: più il prompt è chiaro, più gli è facile prevedere la parola giusta da scrivere dopo.

Ci sono tecniche precise che sfruttano il modo in cui il modello è stato addestrato. Usarle porta a risposte più pertinenti e accurate.

Prompting base · Zero shot

La forma più semplice: chiedi e basta

Un prompt zero shot dà solo la descrizione del compito e un testo da cui partire. Può essere una domanda, l'inizio di una storia o delle istruzioni.

Zero shot vuol dire proprio «nessun esempio»: al modello non mostri niente di già fatto, si arrangia con la sola richiesta.

Prompting base · One shot e few shot

Dai al modello un esempio da imitare

Fornire esempi aiuta il modello a capire cosa gli chiedi, soprattutto quando vuoi guidarlo verso una certa struttura di risposta.

One shot

un solo esempio da imitare

Few shot

più esempi, uno schema da seguire

Più esempi mostri, più cresce la probabilità che il modello segua lo schema che hai in testa.

One shot e few shot

L'AI rende di più quando le «dai l'esempio»

Prendi testi o immagini che hanno già funzionato nelle tue strategie di marketing e insegna all'AI a riconoscerli.

Così il risultato sarà sempre più vicino a quello che ti aspetti.

Prompting avanzato · I framework

Un prompt costruito a blocchi, non buttato giù

Un prompt a framework è una richiesta scritta in modo metodico e modulare: una struttura di blocchi distinti, come il ruolo, il contesto, il task, il tono, i vincoli e gli esempi.

A differenza di un prompt vago, segue un modello preciso che guida il modello passo dopo passo, verso una risposta più coerente e controllabile.

Framework · Ruolo

Di' al modello chi deve essere

Il role prompting assegna al modello un ruolo ben definito. Così le risposte diventano più mirate: il modello si adatta al contesto e alle aspettative legate a quel ruolo.

Puoi chiedergli di comportarsi come un consulente finanziario, un allenatore o un tecnico informatico, e poi fargli domande da quel ruolo.

Framework · Contesto

Dai lo sfondo: dove siamo, per chi

Il contextual prompting fornisce al modello i dettagli e le informazioni di sfondo rilevanti per il compito: dove siamo, per chi scriviamo, con quale scopo.

Con il contesto giusto il modello coglie le sfumature della richiesta e risponde in modo più pertinente.

Framework · Task

Di' chiaramente cosa deve fare

Il task prompting esplicita l'azione richiesta: riassumere un testo, classificare una recensione, generare una lista, tradurre una frase. A volte lo si chiama «obiettivo».

Definire con chiarezza il compito aiuta l'AI a capire subito lo scopo e a restituire risultati più utili e mirati.

Framework · Strumenti

Indica il metodo da usare

Il tool prompting guida il modello a usare uno strumento o un metodo preciso: una tecnica di scrittura persuasiva, uno schema logico per argomentare, un metodo strutturato già collaudato.

Indicare lo strumento aiuta il modello a organizzare la risposta e a restare coerente con lo stile o lo standard che vuoi.

Framework · Dettagli

Di' su cosa concentrarsi

Il details prompting indica al modello i dettagli operativi e di contenuto del compito: su cosa concentrarsi e quali elementi sviluppare nell'output.

Specificare i dettagli riduce l'ambiguità, evita le generalizzazioni e alza la qualità e l'utilità del risultato.

Framework · Regole

Le cose che deve fare per forza

Le regole sono istruzioni aggiuntive: obblighi operativi che il modello deve seguire mentre scrive. Non sono divieti, ma azioni e condizioni da rispettare sempre. A volte le si chiama «extra».

Servono a garantire aderenza a requisiti precisi: per esempio scrivere in un certo tempo verbale o con un certo taglio.

Framework · Limiti

Di' cosa non deve fare

I limiti indicano i vincoli da rispettare e le cose da evitare: confini che il modello non deve oltrepassare.

Possono essere di quantità (non oltre le 100 parole), di stile (niente tono ironico), di contenuto (non citare marchi) o di formato (niente elenchi puntati).

Framework · Output atteso

Di' esattamente cosa vuoi in mano

Specificare l'output atteso significa indicare con precisione il tipo di risposta che vuoi: il formato, lo stile, la struttura, per esempio un elenco, una tabella o una sintesi.

Riduce l'ambiguità, aumenta la precisione e taglia le revisioni: il modello capisce subito cosa deve consegnare.

L'evoluzione · Prompt engineering

All'inizio, l'istruzione la scrivi tu

È il prompt engineering, quello visto finora: prepari a mano le istruzioni, dici al modello chi è e cosa deve fare. Più sei chiaro, meglio risponde.

Il limite: devi prevedere tutto da solo, e per i compiti difficili le istruzioni diventano lunghissime.

Context engineering · La memoria

La finestra di contesto è la sua memoria di lavoro

È quanto testo il modello riesce a tenere a mente tutto insieme mentre lavora: l'istruzione, i documenti, quello che vi siete già detti.

Comoda, ma non è infinita: prima o poi si riempie.

Context engineering · Il limite

Più roba tiene a mente, più si confonde

Quando la finestra di contesto si riempie troppo, il modello inizia a perdere il filo e a sbagliare di più. È il degrado del contesto.

Non è solo questione di spazio: oltre un certo punto, le risposte peggiorano.

Le quattro mosse · Scrivere

Scrivere: la memoria vive fuori dal modello

Invece di tenere tutto nella finestra di contesto, il modello salva i progressi su un foglio esterno, per esempio un file, e li rilegge solo quando servono.

Così la memoria di lavoro resta libera, e il compito può essere lungo.

Le quattro mosse · Selezionare

Selezionare: porta dentro solo ciò che serve

A ogni passo si recupera solo il pezzo di informazione utile a quel turno, cercandolo per parole chiave e per significato. Conta la pertinenza, non la quantità.

Poca roba pertinente batte tanta roba a caso.

Le quattro mosse · Comprimere

Comprimere: riassumere senza perdere il segnale

Le cronologie lunghe si riassumono in poche righe, tenendo grezzi solo gli ultimi messaggi. Si toglie il rumore, si tiene il senso.

Un riassunto fatto bene ricorda cosa conta e butta il resto.

Le quattro mosse · Isolare

Isolare: compiti separati che non si mischiano

I compiti complessi si spezzano fra più aiutanti, ognuno con il suo contesto ristretto, che poi consegnano solo una sintesi a chi coordina.

Tenere separate le fonti evita che un errore contagi tutto il resto.

Progressive disclosure · Il problema

Caricare tutto è come aprire l'enciclopedia intera

Per rispondere a una domanda non tiri giù tutti i volumi: guardi prima l'indice. Molti sistemi invece mettevano nel contesto ogni documentazione, anche quella che non serviva.

Un contesto pieno di roba inutile è più lento, costa di più e dà risposte peggiori.

Loop engineering · L'idea

Metti tutto dentro un ciclo che si ripete

Il loop engineering prende l'agente, le sue risorse e la cura del contesto, e li chiude in un ciclo: il modello va avanti da solo, un giro dopo l'altro, verso un obiettivo.

Non sei più tu a chiedere ogni singola modifica: se le chiede da solo.

Loop engineering · Il cambio di ruolo

Da scrittore di prompt ad architetto di cicli

Il tuo lavoro cambia: non scrivi più ogni istruzione, ma disegni il ciclo. Dici qual è l'obiettivo e a quali condizioni fermarsi.

Il resto, provare e riprovare, lo gestisce il ciclo.

Loop engineering · La verifica

Un ciclo funziona solo se sa dire «ho finito?»

A ogni giro il ciclo deve valutare se il risultato va bene. Senza un modo per verificarlo, andrebbe avanti a vuoto, senza sapere quando fermarsi.

La verifica è il cuore del loop: gli dice se continuare o smettere.

Loop engineering · In sintesi

La fine del «fare da balia» ai prompt

Non stai più dietro al modello a ogni passo. Gli dai l'obiettivo e le condizioni per fermarsi, e lasci che il ciclo gestisca il lavoro.

È potente soprattutto dove il risultato si misura da solo, come nel codice e nei dati.