Prompt Engineering: sperimentare, iterare, migliorare...

Il prompt engineering costituisce un processo intrinsecamente iterativo: il raggiungimento di risultati ottimali non è generalmente immediato; richiede successive riformulazioni del prompt, l’integrazione o la modifica di esempi contestuali e un progressivo affinamento delle istruzioni, al fine di migliorare in modo sistematico la qualità e l’accuratezza delle risposte generate.

Le tecniche descritte distinguono diversi tipi di prompt (diretti, aperti, specifici per attività) e una serie di strategie avanzate (zero‑shot, few‑shot, chain‑of‑thought, RAG, ecc.) per guidare una LLM verso risposte più accurate, strutturate e affidabili in compiti diversi.​

Tipi base di prompt

• Istruzioni dirette: comando chiaro e specifico, ideale per compiti semplici dove sai esattamente l’output che vuoi.​Esempio: “Scrivi una poesia di 8 versi sulla natura in stile haiku semplificato.”​

  
  

• Istruzioni aperte: lasciano ampia libertà al modello, utili per creatività, brainstorming, discussioni esplorative.​Esempio: “Parlami dell’universo e delle domande più affascinanti che pone agli scienziati.”​

  
  

• Istruzioni specifiche per l’attività: orientate a un obiettivo preciso (tradurre, riassumere, calcolare), spesso con formato o contesto ben definiti.​Esempio: “Traduci in francese la frase ‘Buongiorno’ e restituisci solo il risultato, senza spiegazioni.”​

Tecniche di prompting più comuni

• Zero‑shot: fai svolgere il compito senza esempi, basandoti solo sulle conoscenze pre‑addestrate del modello.​Esempio: “Spiega il cambiamento climatico a uno studente delle scuole medie in massimo 200 parole.”​

  
  

• Few‑shot: inserisci pochi esempi nel prompt per mostrare stile e livello di dettaglio desiderato.​Esempio: “Esempio 1: Spiega il motore a scoppio in modo semplice… Esempio 2: Spiega l’energia solare in modo semplice… Ora, con lo stesso stile, spiega il cambiamento climatico.”​

  
  

• Chain of Thought (CoT): chiedi esplicitamente di ragionare passo passo per migliorare la qualità logica della risposta.​Esempio: “Spiega il cambiamento climatico passo dopo passo, partendo dalle cause, poi dagli effetti, poi dalle possibili soluzioni.”​

  
  

• Tree of Thoughts: invita il modello a esplorare più “rami” di ragionamento o soluzioni prima di scegliere.​Esempio: “Proponi almeno tre diversi modi di spiegare il cambiamento climatico (scientifico, quotidiano, metaforico), analizza brevemente i pro e contro di ciascuno e poi scegli il migliore per un liceale.”​

  
  

Tecniche per migliorare qualità e robustezza

• Meta prompt: fai generare al modello un prompt migliore prima di eseguire il compito.​Esempio: “Prima scrivi il prompt ideale per spiegare il cambiamento climatico a un manager non tecnico, poi usa quel prompt per dare la spiegazione.”​

  
  

• Autoconsistenza: richiedi più risposte indipendenti e poi una sintesi che selezioni la versione più coerente.​Esempio: “Genera tre spiegazioni diverse del cambiamento climatico, poi confrontale e produci una versione finale che unisca gli elementi più chiari e corretti.”​

  
  

• Generated knowledge prompting: chiedi al modello di elencare prima i concetti chiave, poi di usarli nella spiegazione.​Esempio: “Prima elenca i concetti chiave legati al cambiamento climatico (es. gas serra, effetto serra, riscaldamento globale). Poi, usando solo questi concetti, scrivi una spiegazione di 300 parole.”​

  
  

• Riflessione: fai valutare e migliorare al modello il proprio output precedente.​Esempio: “Rileggi la spiegazione che hai fornito, individua almeno tre punti poco chiari o incompleti e riscrivila migliorandoli.”​

  
  

Tecniche multi‑passo e agentiche

• Prompt chaining: dividi il problema in più prompt sequenziali, usando l’output di uno come input del successivo.​Esempio in tre passi:

  1. “Elenca in bullet point le principali cause del cambiamento climatico.”

  2. “Per ogni causa, spiega gli effetti principali sulla vita quotidiana.”

  3. “Riassumi in un testo unico adatto a una pagina informativa per cittadini.”​

     
     

• Active prompting: aggiorni dinamicamente il prompt sulla base delle risposte intermedie per affinare il risultato.​Esempio: prima fai dare una spiegazione, poi: “In base alla spiegazione precedente, chiedi chiarimenti su ciò che non è ancora chiaro e riscrivi la risposta integrandoli.”​

  
  

• ReAct / uso di strumenti: combini ragionamento e azioni (come consultare API o strumenti esterni) per risposte fondate su dati.​Esempio: “Pensa passo passo a quali dati climatici servono, poi usa uno strumento di ricerca (fittizio o reale) per recuperarli e infine spiega il cambiamento climatico citando tali dati.”​

  
  

Tecniche con conoscenza esterna e strutture avanzate

• RAG (Retrieval‑Augmented Generation): chiedi al modello di integrare documenti o fonti esterne (aggiornate o di dominio).​Esempio: “Utilizzando i documenti forniti sul cambiamento climatico, riassumi in 5 punti gli impatti attesi in Italia entro il 2050, citando le sezioni rilevanti.”​

  
  

• Prompt grafici: organizzi l’informazione come nodi e relazioni, per ragionare su strutture complesse.​Esempio: “Rappresenta il cambiamento climatico come un grafo: nodi = cause, effetti, contromisure; archi = relazioni causa‑effetto o mitigazione. Descrivi il grafo in modo testuale.”

  
  

• Multimodal CoT: combini testo e immagini (o altre modalità) in un ragionamento passo passo.​Esempio: “Osserva questa immagine del pianeta con mappe termiche (descritta nel prompt) e spiega passo passo cosa mostra sull’evoluzione delle temperature globali.”​

  
  

Queste tecniche, usate in modo mirato a seconda del compito (spiegare, generare codice, supportare decisioni, fare tutoring, ecc.), permettono di ottenere risposte più controllate e utili nel dialogo quotidiano con una LLM.​

#AI