Un modello di linguaggio di grandi dimensioni non interpreta una richiesta come farebbe un collega. È probabilistico e genera il testo successivo basandosi sui pattern appresi durante l’addestramento. Se si fornisce una domanda vaga e non strutturata, il modello può deviare verso la risposta statisticamente più comune, spesso poco correlata al bisogno reale dell’utente.
Questa discrepanza è la ragione d’esistere del prompt engineering. La guida di Salesforce definisce la pratica come “raffinare ripetutamente gli input forniti a un modello di linguaggio di grandi dimensioni” per ottenere risposte utili, ben strutturate e pertinenti. Salesforce inquadra il lavoro come una questione di precisione, non di formule magiche: nessuna frase segreta sblocca un chatbot migliore, ma istruzioni più chiare riducono le ambiguità.
Le quattro parti di un prompt efficace
Secondo Salesforce, un prompt solido combina quattro elementi, definiti i “quattro pilastri”:
- Istruzione: il verbo che definisce il compito (es. riassumere, analizzare, confrontare).
- Contesto: le informazioni di base necessarie perché il modello possa operare (es. note di una riunione incollate nel prompt).
- Persona: il ruolo che il modello deve assumere (es. insegnante di biologia, analista finanziario).
- Formato: la forma dell’output richiesto (tabella, elenco puntato, JSON, Markdown).
Esempio completo: “You are a high school biology teacher. Using the lesson notes pasted below, explain how vaccines prepare the immune system to fight an infection. Present the answer as a table with two columns, one listing each step and one giving a plain-language explanation.” L’apertura stabilisce la persona, la frase “using the lesson notes pasted below” fornisce il contesto, “explain” è l’istruzione, e la richiesta di tabella definisce il formato. Rimuovere anche uno solo di questi elementi porta il modello a colmare il vuoto con scelte predefinite.
Un avvertimento importante riguarda il contesto: non condividere con il modello informazioni sensibili o che non si è disposti a rendere pubbliche, come password, dati personali dei clienti o cifre confidenziali.
Zero‑shot prompting
Il zero‑shot prompting consiste nel dare al modello un compito senza fornire esempi di risposta. È adatto a richieste semplici e non ambigue, come “Summarize this in two sentences” o “Define the word ‘ecosistema’”.
Salesforce lo classifica come a bassa complessità e accuratezza moderata, collocandolo accanto a one‑shot e few‑shot sotto il concetto di in‑context learning. Senza esempi, il modello si basa su due risorse: le istruzioni scritte e la sua conoscenza pre‑addestrata.
Le limitazioni emergono quando la richiesta richiede sfumature: in tali casi, il modello può produrre risposte generiche o errate. Un tutorial clinico avverte che compiti complessi tendono a fallire con il solo zero‑shot.
Esempio pratico: “Classify the following customer review as positive, negative or neutral. Review: The headphones stopped working after two days.” Il compito è ristretto, le tre etichette sono esplicitamente indicate, riducendo al minimo l’ambiguità.
Una routine consigliata per il zero‑shot prevede:
- Una istruzione concisa e specifica.
- Dettagli rilevanti (es. età del paziente, sintomi).
- Verifica della risposta per accuratezza e completezza.
One‑shot prompting
Nel one‑shot prompting si fornisce al modello un unico esempio di risposta desiderata, oltre all’istruzione. Questo aiuta a guidare il modello verso lo stile e il formato richiesto, mantenendo la semplicità.
Un esempio tipico: “Translate the following sentence into French. English: ‘The conference starts at nine.’ French:” Il modello riceve la struttura dell’output (traduzione) e può replicarla.
One‑shot è particolarmente utile quando il contesto è chiaro ma è necessario definire un modello di risposta, ad esempio per generare brevi descrizioni di prodotto in un tono coerente.
Few‑shot prompting
Il few‑shot prompting include più esempi (di solito 2‑5) per illustrare variazioni di input e output. Questo metodo è efficace per compiti più complessi, come la generazione di codice o la creazione di tabelle con criteri specifici.
Esempio: fornire tre domande di matematica con le rispettive soluzioni, poi chiedere al modello di risolvere una nuova domanda simile. Il modello apprende il pattern dalla sequenza di esempi.
Role prompting (prompt con ruolo)
Il role prompting assegna al modello un ruolo preciso prima di fornire l’istruzione. Questo orienta il tono, il vocabolario e il livello di dettaglio.
Esempi di ruoli:
- “You are a senior marketing strategist.”
- “Act as a friendly customer support agent.”
- “Assume the perspective of a data scientist.”
Combinando ruolo e formato, si può ottenere, ad esempio, “You are a data scientist. Generate a JSON schema for the following dataset.”
Chain‑of‑thought reasoning
La tecnica del chain‑of‑thought (CoT) invita il modello a ragionare passo per passo prima di fornire la risposta finale. Si aggiunge al prompt una richiesta esplicita, tipo “Think step by step”.
Questo approccio migliora le prestazioni su compiti che richiedono logica o calcolo, poiché il modello espone il proprio ragionamento, riducendo errori di salto logico.
Self‑consistency checks
Il self‑consistency check prevede di generare più risposte indipendenti a uno stesso prompt e poi confrontarle, scegliendo la risposta più frequente o più coerente. Questo metodo riduce le risposte casuali e migliora la affidabilità, specialmente in contesti critici.
Retrieval‑augmented generation (RAG)
Il retrieval‑augmented generation combina la capacità generativa del modello con la ricerca di documenti pertinenti. Il prompt include una query e il modello recupera informazioni da un indice esterno (es. un database aziendale) prima di generare la risposta.
Vantaggi principali:
- Riduzione delle hallucinations (affermazioni false ma convincenti).
- Aggiornamento delle conoscenze senza dover riaddestrare il modello.
- Possibilità di fornire risposte basate su dati recenti o riservati.
Esempio di prompt RAG: “Using the latest quarterly report stored in our internal knowledge base, summarize the key revenue trends in bullet points.”
Prompt chaining
Il prompt chaining consiste nel dividere un compito complesso in più fasi sequenziali, ciascuna con il proprio prompt. Il risultato di una fase diventa l’input della successiva. Questo permette di gestire attività come l’analisi di dati, la generazione di report e la revisione finale in modo più controllato.
Esempio di catena:
- Prompt 1: “Extract all customer complaints from the following transcript.”
- Prompt 2: “Classify each complaint as product, service or delivery issue.”
- Prompt 3: “Summarize the top three recurring issues in a short paragraph.”
Conclusioni
Il prompt engineering non richiede competenze tecniche avanzate, ma una comprensione chiara di come strutturare le richieste. Che si tratti di un semplice zero‑shot per riassumere un’email o di una catena di prompt complessa con RAG per produrre un report aziendale, i nove approcci descritti offrono strumenti pratici per migliorare la precisione e la rilevanza delle risposte AI.
Applicare i quattro pilastri (istruzione, contesto, persona, formato) e scegliere la tecnica più adatta al compito – zero‑shot, one‑shot, few‑shot, role prompting, chain‑of‑thought, self‑consistency, retrieval‑augmented generation o prompt chaining – permette a chiunque, da un utente singolo a un team di sviluppo prodotto, di trasformare una domanda vaga in un risultato utile e pronto all’uso.