Prompt engineering avanzato: tecniche oltre le basi
Il prompt engineering non e' solo "scrivere bene la domanda". E' una disciplina con pattern, tecniche e metriche misurabili. Vediamo le strategie avanzate che separano risultati mediocri da output professionali.
1. Role prompting strutturato
"Sei un commercialista italiano specializzato in PMI. Rispondi citando normativa vigente. Se non sei sicuro, dichiaralo invece di inventare."
Aggiungere ruolo + dominio + comportamento di fallback migliora la qualità del 30-50%.
2. Chain of Thought (CoT)
Forza il modello a ragionare prima di rispondere:
"Pensa step-by-step prima di darmi la risposta finale. Mostra il ragionamento."
Riduce errori logici in problemi matematici, legali, decisionali.
3. Few-shot learning
Fornisci 2-5 esempi input/output prima della richiesta vera. Il modello impara il pattern e replica formato e stile.
4. ReAct (Reasoning + Acting)
Pattern per agenti: alterna "Thought" -> "Action" -> "Observation" -> "Thought"... fino a risposta. Usato dietro Agents e function calling.
5. Self-consistency
Fai generare al modello 3-5 risposte indipendenti alla stessa domanda (temperature 0.7) e scegli la più frequente. Pratica utile in classificazione.
6. Prompt chaining
Scomponi task complessi in step sequenziali, ognuno con prompt dedicato:
- Estrai entita dal testo
- Classifica le entita
- Genera report basato sulle classificazioni
7. Constraints negativi
Dire cosa NON fare e' potente:
"Non usare bullet point. Non superare 200 parole. Non inventare statistiche."
8. Delimitatori chiari
Separa istruzioni da dati con tag XML o triple backtick:
Riassumi il testo tra i tag.
<testo>...</testo>9. Output format imposto
Chiedi JSON, Markdown, tabella o YAML con schema esplicito. Combinabile con structured outputs API.
10. Critique-and-revise
Due passaggi: genera bozza, poi chiedi al modello di criticare la propria risposta e riscriverla migliorata.
Antipattern da evitare
- Prompt vaghi ("scrivi qualcosa di interessante")
- Sovraccaricare con istruzioni contraddittorie
- Negazioni complesse ("non non includere...")
- Aspettarsi che il modello indovini il formato output
Test e iterazione
Tratta i prompt come codice: versionali, testali su dataset di esempio, misura accuracy/qualità prima di promuoverli in produzione.
Vuoi training prompt engineering per il tuo team? G Tech Group eroga corsi su misura. Richiedi un preventivo.