Articolo di Mattia Gottardello – Full-stack Developer in AzzurroDigitale
Nella scorsa puntata — “Oltre l’Hype“ — abbiamo smontato la mistica degli LLM: non sono oracoli, ma motori statistici che prevedono la parola successiva. Bene. Ora che sappiamo cos’è un LLM, dobbiamo imparare a guidarlo. Perché la differenza tra una risposta banale e un output che ti fa risparmiare due ore di lavoro non sta nel modello: sta in come glielo chiedi.
Stessa AI, risultati opposti
Il Prompt Engineering non è magia nera, è ottimizzazione di processo. Stessa tecnologia, risultati radicalmente diversi a seconda di come imposti la richiesta.
Un prompt scritto male è come assegnare un incarico ad uno stagista al primo giorno senza contesto: ti ritrovi con un testo generico, fuori tono, da riscrivere da capo.
Un prompt strutturato è come parlare con un collaboratore senior: riceve le istruzioni, conosce il contesto, e produce qualcosa di usabile al primo colpo.
Tradotto in termini concreti per l’azienda:
- Email commerciali che rispecchiano il tuo tone of voice invece di suonare robotiche.
- Report e sintesi di documenti già nel formato interno che usate, senza rielaborazioni manuali.
- Output coerenti su larga scala, non dipendenti dall’umore della giornata o dalla fretta.
Il ROI è banale da calcolare: meno tempo a correggere, più tempo a decidere.
Facile sbagliare
Prendiamo una task quotidiana: scrivere un’email al cliente per un ritardo di consegna.
Prompt Sbagliato (zero-shot pigro):
Risultato: un testo anonimo, formale alla maniera americana, firmato “Il Team”. Inutilizzabile.
Prompt Corretto (strutturato):
Stesso modello, altro pianeta. La regola è una sola: dai all’AI lo stesso contesto che daresti a un essere umano. Ruolo, obiettivo, vincoli, formato di output. Se omettere un dettaglio confonderebbe un collega, confonderà anche il modello.
Deep Tech: Approfondimento tecnico e best practices
Quando si passa dalla chat all’integrazione via API, il gioco cambia. La prima distinzione fondamentale è architetturale:
- System Prompt — le “regole d’ingaggio” persistenti dell’agente: chi è, cosa può e non può fare, in che formato deve rispondere. Si definisce una volta.
- User Prompt — la richiesta puntuale dell’utente finale, variabile ad ogni chiamata.
Due tecniche che uso ogni giorno in produzione:
Few-Shot Prompting — inserisci 2-3 esempi di input/output direttamente nel payload. Il modello impara il pattern meglio di qualsiasi descrizione astratta. È essenziale per tassonomie custom, estrazione di dati strutturati e classificazioni di dominio.
Chain-of-Thought — forzi il modello a ragionare prima di rispondere. Istruzione tipica: “Analizza i passaggi in un campo reasoning , poi restituisci il risultato finale in output “. Riduce drasticamente le allucinazioni su task logiche, al costo di qualche token in più. Quando l’output deve essere un JSON consumato da altro codice,
questo pattern fa la differenza tra un’integrazione affidabile e un bug in produzione alle 3 di notte.
Conclusione e prossima puntata
Oggi il codice migliore non è fatto solo di Python, TypeScript o Go: include anche istruzioni in linguaggio naturale ben ingegnerizzate. Trattate i prompt come trattate il codice: versionati, testati, documentati.
Prossima puntata — “LLM in Produzione: Costi, Sicurezza e Integrazione“: come portare questi modelli sui server aziendali senza far esplodere il budget o rischiare la
fuga di dati. Parleremo di token economics, RAG, self-hosting e privacy. Restate sintonizzati.
Domande frequenti (FAQ)
Cos’è il prompt engineering?
È la pratica di strutturare le richieste a un modello di intelligenza artificiale per ottenere output utili e coerenti. Non è magia, ma ottimizzazione di processo: la qualità della risposta dipende da come viene impostata la richiesta.
Come si scrive un buon prompt?
Dando all’AI lo stesso contesto che si darebbe a un collega: ruolo, obiettivo, vincoli e formato dell’output. Se un dettaglio omesso confonderebbe una persona, confonderà anche il modello.
Qual è la differenza tra system prompt e user prompt?
Il system prompt definisce le regole persistenti dell’assistente: chi è, cosa può fare e in che formato deve rispondere. Lo user prompt è la singola richiesta dell’utente, che cambia a ogni chiamata.
Cos’è il few-shot prompting?
È una tecnica in cui si inseriscono nel prompt 2-3 esempi di input e output: il modello impara il pattern meglio che da una descrizione astratta. È utile per classificazioni, tassonomie ed estrazione di dati strutturati.
A cosa serve il chain-of-thought?
Chiede al modello di esplicitare il ragionamento prima della risposta finale. Riduce le allucinazioni nei compiti logici, al costo di qualche token in più, ed è utile quando l’output deve essere usato da altro codice.