Vai al contenuto
TokIQ
Basi

Cos'è il prompt engineering? Guida pratica con esempi

Il prompt engineering è l'abilità di scrivere input che danno risultati affidabili con i modelli AI. Scopri le parti di un buon prompt, con esempi prima e dopo.

TokIQ Editorial7 min di lettura
In questo articolo
  1. Perché la formulazione di un prompt conta così tanto?
  2. Che aspetto ha un buon prompt?
  3. Quali sono i componenti di un buon prompt?
  4. Il prompt engineering è solo per i chatbot?
  5. Un esempio svolto: dal vago all'affidabile
  6. Quali tecniche di prompting conviene conoscere per prime?
  7. Cosa non è il prompt engineering
  8. Come si migliora?

Il prompt engineering è la pratica di progettare l'input di un large language model (istruzioni, contesto, esempi e requisiti di formato) in modo che l'output sia utile, accurato e coerente. In concreto significa decidere cosa deve sapere il modello, cosa deve fare e che aspetto deve avere il risultato, e poi verificare che il prompt produca davvero quello.

La definizione suona astratta, quindi gran parte di questa guida è fatta di esempi. Se ricordi una cosa sola: un modello può lavorare solo con ciò che ha davanti. La maggior parte degli output scadenti nasce da un prompt in cui manca qualcosa che chi scriveva sapeva ma non ha mai detto.

Perché la formulazione di un prompt conta così tanto?

Un language model predice la continuazione del testo che gli è stato dato. Non ha accesso al tuo progetto, al tuo pubblico, alle bozze precedenti o alla conversazione che hai avuto con il tuo responsabile sul tono. Tutto ciò che sa della tua situazione viene dal prompt (e, nelle app di chat, dai messaggi precedenti e da eventuali funzioni di memoria).

Quindi quando un prompt dice "scrivi un riassunto di questo rapporto", il modello riempie ogni vuoto con un'ipotesi. Quanto lungo? Per chi? Elenco puntato o prosa? Deve segnalare i rischi o restare neutrale? L'ipotesi sarà plausibile e generica, perché quando mancano informazioni il generico è la scommessa più sicura.

Il prompt engineering è soprattutto la disciplina di colmare quei vuoti di proposito.

Che aspetto ha un buon prompt?

Ecco una richiesta che le persone mandano ogni giorno agli assistenti in chat:

Scrivi un'email al mio team sulla nuova scadenza.

Il modello produrrà un'email educata e insipida con segnaposto come "[nuova data]". Non è sbagliata, ma è inutile senza modifiche.

Ora una versione scritta da qualcuno che l'ha già fatto qualche volta:

Scrivi una breve email al mio team di cinque ingegneri backend.

Contesto: la scadenza della migrazione dell'API è slittata dal 14 marzo
al 28 marzo perché il fornitore dei pagamenti ha ritardato la sua sandbox.
Nessuno nel team ha causato il ritardo. Due persone avevano pianificato
le ferie intorno alla vecchia data.

Obiettivo: comunicare la nuova data, spiegare il motivo in una frase
e dire che i piani per le ferie non devono cambiare.

Tono: diretto e calmo, senza giri di parole aziendali. Meno di 120 parole.
Firma "Dana".

Lì non è successo nulla di geniale. Il secondo prompt contiene semplicemente i fatti, il pubblico, l'obiettivo, il tono e un limite di lunghezza. Per l'uso quotidiano è la maggior parte del prompt engineering.

Quali sono i componenti di un buon prompt?

Le guide li chiamano in modi diversi, ma ritornano sempre gli stessi elementi. Non ti servono tutti in ogni prompt.

Compito. Il verbo e l'oggetto. "Riassumi", "classifica", "riscrivi", "estrai", "confronta". Verbi vaghi come "aiutami con" o "dai un'occhiata a" costringono il modello a indovinare cosa vuoi che faccia.

Contesto. Informazioni di sfondo che il modello non può dedurre: chi è il pubblico, a cosa serve il documento, cosa è già stato provato. È da qui che viene la maggior parte della qualità. Lo approfondiamo nel tema ruolo e contesto.

Vincoli. Lunghezza, tono, livello di lettura, cose da evitare, cose da includere. I vincoli costano poco da scrivere e fanno risparmiare molti scambi avanti e indietro.

Formato dell'output. Elenchi, una tabella, JSON con chiavi specifiche, una sola parola. Se un programma leggerà l'output, il formato non è facoltativo. Il tema output strutturato tratta questo caso nel dettaglio.

Esempi. Da una a poche coppie input/output che mostrano lo schema che vuoi. Gli esempi sono potenti e anche facili da usare male, ed è per questo che abbiamo scritto un pezzo a parte su zero-shot e few-shot a confronto.

A volte anche un ruolo ("Sei un consulente fiscale senior") è elencato tra i componenti. Può aiutare a fissare vocabolario e profondità, ma un ruolo senza contesto fa molto meno di quanto ci si aspetti. "Sei un esperto di marketing" aggiunge poco; "I lettori sono responsabili acquisti ospedalieri che leggono di fretta da mobile" aggiunge molto.

Il prompt engineering è solo per i chatbot?

No, ed è qui che il termine si guadagna la parola "engineering". Sotto lo stesso nome ci sono due lavori piuttosto diversi.

Il primo è il prompting conversazionale: tu, che scrivi in ChatGPT, Claude o Gemini, e continui finché la risposta è buona. Qui puoi correggere la rotta al turno successivo, quindi un prompt un po' debole ti costa un minuto.

Il secondo sono i prompt dentro il software: un bot di assistenza, un classificatore di documenti, uno strumento di code review, un agente che chiama API. Il prompt gira migliaia di volte su input che non hai mai visto. Nessuno è lì a dire "no, più corto". Una piccola ambiguità che in chat correggeresti diventa un tasso di errore del 4% in produzione.

Il secondo lavoro aggiunge cose di cui il primo ha raramente bisogno:

  • Un system prompt che definisce il comportamento in ogni conversazione (come scriverne uno).
  • Formati di output rigorosi, così il codice può leggere il risultato.
  • Ancorare il modello a documenti recuperati, perché non inventi fatti.
  • Difese contro la prompt injection, perché input degli utenti e documenti possono contenere istruzioni proprie.
  • Un insieme di test: alcune decine di input reali che rilanci ogni volta che cambi il prompt.

Quest'ultimo punto è quello che i principianti saltano e i professionisti non saltano mai. Se cambi un prompt di produzione senza rilanciare i casi di test, vai a tentativi.

Un esempio svolto: dal vago all'affidabile

Diciamo che vuoi che un modello smisti i messaggi in arrivo dei clienti in categorie. Primo tentativo:

Classifica questo messaggio del cliente.

Messaggio: "Mi hanno addebitato due volte la fattura di marzo, correggete per favore."

Ottieni qualcosa come "Questo messaggio rientra nella categoria Fatturazione, perché il cliente segnala un addebito doppio." Va bene per una persona, ma è un problema per il codice. E il messaggio successivo potrebbe tornare come "Pagamenti" invece di "Fatturazione", perché non hai mai detto quali categorie esistono.

Secondo tentativo:

Classifica il messaggio del cliente in una sola categoria.

Categorie:
- billing: addebiti, rimborsi, fatture, metodi di pagamento
- account: accesso, password, profilo, eliminazione dell'account
- bug: qualcosa nel prodotto è rotto o si comporta in modo errato
- other: qualsiasi altra cosa

Rispondi solo con il nome della categoria in minuscolo, nient'altro.

Messaggio: """Mi hanno addebitato due volte la fattura di marzo, correggete per favore."""

Hanno fatto il lavoro tre modifiche. L'insieme delle etichette è fisso, ogni etichetta ha una breve definizione così i casi limite hanno un posto dove andare, e il formato dell'output è spiegato. Le virgolette triple segnano dove inizia e finisce il testo dell'utente, il che aiuta il modello a tenere separati dati e istruzioni (anche se non è un confine di sicurezza contro attacchi deliberati).

Poi lo provi su venti messaggi reali, comprese le situazioni scomode come "Non riesco ad accedere per vedere la mia fattura". È fatturazione o account? Le tue definizioni dovrebbero rispondere. Se non lo fanno, il modello ne sceglierà una in modo incoerente, e la soluzione è una definizione più precisa, non un tono più severo.

Quali tecniche di prompting conviene conoscere per prime?

Un elenco breve e onesto, nell'ordine in cui tendono a contare:

  1. Sii specifico su compito e formato dell'output. Copre la maggior parte dei problemi di tutti i giorni.
  2. Dai contesto. Pubblico, scopo, vincoli, come si riconosce un risultato "buono".
  3. Mostra esempi quando formato o stile sono difficili da descrivere a parole.
  4. Chiedi il ragionamento prima della risposta nei problemi a più passaggi. È l'idea del chain-of-thought prompting, anche se i modelli di ragionamento più recenti ne fanno gran parte da soli.
  5. Ancora le risposte a delle fonti quando i fatti contano, usando il retrieval. Di questo parla il tema grounding (RAG).
  6. Definisci chiaramente gli strumenti se il modello può compiere azioni.

Noterai che in quell'elenco non ci sono frasi magiche. All'inizio la gente si scambiava formule come "fai un respiro profondo" o l'offerta di una mancia al modello. Alcune avevano effetti misurabili su specifici modelli più vecchi, ma non si trasferiscono in modo affidabile e non sostituiscono un prompt che dice cosa vuoi.

Cosa non è il prompt engineering

Non è un modo per far sapere a un modello cose che non sa. Se la risposta dipende dalla policy interna della tua azienda, nessuna formulazione la produrrà, a meno che la policy non sia nel prompt o recuperata al suo interno.

Non è nemmeno un'azione una tantum. I modelli vengono aggiornati, gli input cambiano nel tempo e un prompt che funzionava su un modello può comportarsi in modo diverso su un altro. Testa sul modello che usi davvero e ripeti i test quando cambia.

E non è solo scrittura. Una parte importante del lavoro è leggere gli output con spirito critico: notare dove il modello ha seguito la lettera dell'istruzione ma ha mancato l'intento, e capire quale frase mancante lo ha causato.

Come si migliora?

Scrivi prompt per compiti reali, leggi con attenzione gli output e cambia una cosa alla volta. Leggi le guide al prompting che OpenAI, Anthropic e Google pubblicano per i propri modelli: sono gratuite, specifiche e scritte da persone che vedono molti casi di errore.

Aiuta anche esercitare le singole decisioni in isolamento: quale di queste quattro istruzioni corregge questo output, dove esattamente fallisce questo prompt. Questo tipo di allenamento è ciò per cui è pensata TokIQ, un'app di quiz che sviluppiamo (su Google Play, in arrivo su iPhone). Qualunque cosa usi, l'abitudine che conta è la stessa: tratta ogni output deludente come un'informazione sul tuo prompt. Per un percorso strutturato, vedi come imparare il prompt engineering o parti dal tema fondamenti.

Domande frequenti

Cos'è il prompt engineering in parole semplici?

Il prompt engineering è scrivere le istruzioni, il contesto e gli esempi che dai a un modello AI perché produca l'output che ti serve davvero. Comprende sia la formulazione di una singola richiesta sia la progettazione di prompt riutilizzabili dentro le app.

Il prompt engineering ha ancora senso ora che i modelli sono più intelligenti?

Sì. I modelli migliori perdonano più spesso una formulazione vaga, ma non possono comunque indovinare il contesto che non hai dato, il tuo livello di qualità o il formato esatto che il tuo codice si aspetta. Il lavoro si è spostato dai trucchi verso la specifica chiara e il test.

Serve saper programmare per fare prompt engineering?

No. Gran parte dell'abilità è scrivere in modo chiaro e testare con cura. Programmare aiuta quando integri i prompt nel software, per esempio per validare l'output JSON o per lanciare lo stesso prompt su molti input di test.

Quali sono le parti principali di un prompt?

Un prompt utile di solito ha un compito, il contesto di cui il modello ha bisogno, vincoli come lunghezza o tono, il formato dell'output e a volte esempi. Non servono sempre tutte, ma contesto e formato mancanti sono le cause più comuni di risultati deboli.

  • #prompt engineering
  • #basi
  • #esempi di prompt
  • #LLM

Ora mettiti alla prova

TokIQ trasforma il prompt engineering in brevi quiz, con una spiegazione per ogni risposta.

Presto suApp StoreDisponibile suGoogle Play

Scrivi prompt migliori, poche domande al giorno.

Brevi quiz su vere decisioni di prompting, con una spiegazione per ogni risposta. Gratis per iniziare su iPhone e Android.

Presto suApp StoreDisponibile suGoogle Play