--- title: "Automatic Prompt Engineer (APE) (IT)" source: "https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)" wiki: "systems-analysis.info/int" article: "Automatic_Prompt_Engineer_(APE)_(IT)" language: "it" categories: - "Category:Italian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 490 wiki_created_at: 2026-09-06T22:34:30Z wiki_modified_at: 2026-09-06T22:34:30Z downloaded_at: 2026-09-07T22:40:29Z --- # Automatic Prompt Engineer (APE) (IT) **Automatic Prompt Engineer** (**APE**) — è una metodologia di generazione e ottimizzazione automatizzata di istruzioni testuali (prompt) per controllare il comportamento dei grandi modelli linguistici (LLM). L'approccio è stato proposto nel 2022 da un gruppo di ricercatori guidati da **Yongchao Zhou**[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_note-ape_zhou_2022-1). Anziché selezionare e migliorare manualmente i prompt in modo iterativo, APE formalizza il prompt engineering come un problema di ottimizzazione. In questo contesto, il prompt è considerato un «programma» in linguaggio naturale che deve essere sintetizzato per massimizzare una determinata funzione di qualità (ad esempio, la precisione o l'affidabilità delle risposte del modello)[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_note-survey_li_2025-2). ## Concetto principale e metodo Il metodo APE utilizza due modelli linguistici in coppia: il *modello generatore* e il *modello target*. Il processo consiste in un ciclo iterativo di ricerca e selezione (*search-and-select*): 1. **Generazione dei candidati**. Il modello generatore riceve in input alcuni esempi di coppie «input-output» per il compito target e, sulla loro base, produce un insieme di prompt candidati che potrebbero condurre a tali risultati. 2. **Valutazione**. Ogni prompt candidato generato viene passato alla LLM target. Il modello target esegue l'istruzione su un nuovo insieme di dati di test e le sue risposte vengono valutate secondo una metrica predefinita (ad esempio, precisione, richiamo, F1-score). 3. **Selezione**. Viene scelto il prompt che ha ottenuto il miglior risultato in fase di valutazione. 4. **Iterazione (opzionale)**. Il ciclo può essere ripetuto. Il modello generatore riceve l'indicazione di raffinare il miglior prompt trovato, creandone varianti, dopodiché il processo di valutazione e selezione si ripete per raggiungere la massima efficacia[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_note-ape_zhou_2022-1). Questo approccio consente di riprodurre automaticamente il processo di selezione manuale dei prompt, utilizzando LLM per generare ipotesi (prompt) e valutarle successivamente. ## Metodologie chiave L'automazione del prompt engineering si realizza mediante diversi approcci algoritmici. ### Automazione basata su LLM Questo è il metodo APE classico descritto sopra, in cui una LLM viene utilizzata per generare e valutare prompt per un'altra (o la stessa) LLM. Questo approccio si è dimostrato molto efficace per i prompt testuali discreti[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_note-ape_zhou_2022-1). ### Metodi evolutivi Vengono utilizzati algoritmi genetici o ricerca per fascio (beam search) per creare e selezionare prompt, in particolare quelli lunghi e complessi. Ad esempio, il framework **APEX** (*Automatic Engineering of Long Prompts*) applica algoritmi evolutivi per «far crescere» e migliorare progressivamente istruzioni complesse[\[3\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_note-apex_hsieh_2024-3). ### Metodi basati su gradiente (Soft Prompts) Questo approccio lavora con prompt *continui* o *soft* (*soft prompts*), che consistono in vettori addestrabili (embedding) anziché istruzioni testuali. Questi vettori vengono ottimizzati tramite discesa del gradiente direttamente sul compito target. Rientrano in questa categoria tecniche come Prompt Tuning e Prefix-Tuning. ### Reinforcement Learning In questo paradigma, la LLM svolge il ruolo di agente che genera un prompt (azione), mentre l'ambiente restituisce una valutazione della qualità della risposta (ricompensa). L'obiettivo è massimizzare la ricompensa cumulativa, trovando la strategia ottimale di generazione dei prompt attraverso metodi di Reinforcement Learning (RL)[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_note-survey_li_2025-2). ## Risultati e scoperte Gli esperimenti nell'ambito della ricerca originale su APE hanno dimostrato che le istruzioni generate automaticamente superano nella maggior parte dei casi la qualità dei prompt scritti dall'uomo. - Durante i test su 24 compiti di elaborazione del linguaggio naturale (NLP), APE ha generato prompt che si sono rivelati **più efficaci di quelli umani in 19 casi su 24**[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_note-ape_zhou_2022-1). - APE è riuscito ad «scoprire» automaticamente una formulazione più efficace per il prompting in stile Chain-of-Thought. Invece della frase standard *«Let's think step by step»* (Pensiamo passo dopo passo), APE ha generato un'istruzione più articolata ed efficace: *«Let's work this out in a step by step way to be sure we have the right answer»* (Affrontiamo questo passo dopo passo per assicurarci di ottenere la risposta corretta). Questa formulazione ha migliorato la precisione nella risoluzione di problemi matematici su dataset come MultiArith e GSM8K[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_note-ape_zhou_2022-1). ## Applicazioni e vantaggi ### Applicazioni - **Miglioramento del few-shot learning**: Selezione automatica degli esempi e delle istruzioni ottimali. - **Aumento dell'affidabilità dei modelli**: APE può essere configurato per cercare prompt che minimizzino le «allucinazioni» e massimizzino la veridicità delle risposte su benchmark come *TruthfulQA*. - **Automazione dello sviluppo**: Accelerazione della creazione di chatbot, sistemi di recupero delle informazioni e altre applicazioni basate su LLM[\[4\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_note-mdpi_app-4). ### Vantaggi - **Scalabilità**: Possibilità di generare e valutare automaticamente centinaia e migliaia di prompt senza intervento umano. - **Adattabilità**: Facile adattamento delle LLM a nuovi domini altamente specializzati. - **Risparmio di risorse**: Riduzione significativa del tempo e dello sforzo necessari per la selezione manuale dei prompt. ## Sviluppo e approcci correlati Il concetto di APE continua ad evolversi. Sono emersi sistemi completamente autonomi, come **APET** (*Automatic Prompt Engineering Toolbox*), che consentono alle LLM (ad esempio, GPT-4) di applicare autonomamente strategie di prompting complesse (*Expert Prompting*, *Chain of Thought*, *Tree of Thoughts*) e di migliorare dinamicamente le istruzioni senza intervento esterno[\[5\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_note-apet_kepel_2024-5). APE fa parte di una tendenza più ampia verso l'automazione dell'interazione con le LLM, che include anche: - **AutoPrompt**: Un metodo precedente che utilizzava la ricerca basata su gradiente per trovare singoli token «trigger». - **OPRO** (*Optimization by PROmpting*): Un approccio simile ad APE sviluppato da DeepMind, che utilizza anch'esso LLM per ottimizzare i prompt. ## Riferimenti - Sito ufficiale del progetto Automatic Prompt Engineer (APE) - Articolo scientifico «Large Language Models Are Human-Level Prompt Engineers» - AutoPrompt (2020). *AutoPrompt – Official GitHub Repository*. GitHub. ## Bibliografia - Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Hsieh, C.-J. et al. (2024). *Automatic Engineering of Long Prompts*. Findings of ACL 2024. 2024.findings-acl.634. - Hsieh, C.-J. et al. (2023). *Automatic Long Prompt Engineering*. arXiv:2311.10117. - Shin, T. et al. (2020). *AutoPrompt: Eliciting Knowledge from Language Models with Automatically Generated Prompts*. arXiv:2010.15980. - Yang, C. et al. (2023). *Large Language Models as Optimizers (OPRO)*. arXiv:2309.03409. - Liu, Y. et al. (2024). *Revisiting OPRO: The Limitations of Small-Scale LLMs as Optimizers*. arXiv:2405.10276. - Kepel, D.; Valogianni, K. (2024). *Autonomous Prompt Engineering in Large Language Models (APET)*. arXiv:2407.11000. - Yang, C. et al. (2024). *Optimizing Instructions and Demonstrations for Multi-Stage LM Programs*. arXiv:2406.11695. - Hsieh, C.-J. et al. (2024). *APEX (code repository and results)*. PDF. ## Note 1. ↑ [1.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_ref-ape_zhou_2022_1-0) [1.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_ref-ape_zhou_2022_1-1) [1.2](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_ref-ape_zhou_2022_1-2) [1.3](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_ref-ape_zhou_2022_1-3) [1.4](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_ref-ape_zhou_2022_1-4) Zhou, Y. et al. «Large Language Models Are Human-Level Prompt Engineers». *arXiv:2211.01910*, 2022. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_ref-survey_li_2025_2-0) [2.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_ref-survey_li_2025_2-1) Li, W. et al. «A Survey of Automatic Prompt Engineering: An Optimization Perspective». *arXiv:2502.11560*, 2025. [2] 3. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_ref-apex_hsieh_2024_3-0) Hsieh, C.-J. et al. «Automatic Engineering of Long Prompts». *Findings of the Association for Computational Linguistics: ACL 2024*. [3] 4. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_ref-mdpi_app_4-0) Fernandez-garcia, A. et al. «Automatic Prompt Engineering for Foundation Models: A Survey». *MDPI Electronics*, 2025. [4] 5. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(IT)#cite_ref-apet_kepel_2024_5-0) Kepel, D. & Valogianni, K. «Autonomous Prompt Engineering in Large Language Models». *arXiv:2407.11000*, 2024. [5]