--- title: "Core prompt engineering techniques (IT)" source: "https://systems-analysis.info/int/Core_prompt_engineering_techniques_(IT)" wiki: "systems-analysis.info/int" article: "Core_prompt_engineering_techniques_(IT)" language: "it" categories: - "Category:Italian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 1254 wiki_created_at: 2026-09-06T22:45:51Z wiki_modified_at: 2026-09-06T22:45:51Z downloaded_at: 2026-09-07T22:44:58Z --- # Core prompt engineering techniques (IT) **Il Prompt Engineering** comprende una varietà di tecniche e metodologie volte a ottimizzare l'interazione con i grandi modelli linguistici (LLM) per ottenere i risultati desiderati. Queste tecniche riguardano la strutturazione delle richieste, la fornitura di contesto, la gestione dello stile di output e il miglioramento della capacità di ragionamento del modello. Poiché gli LLM generano risposte predicendo i token successivi sulla base del prompt in ingresso, la qualità e la struttura di tale prompt influenzano direttamente il risultato. Le tecniche principali di Prompt Engineering consentono a sviluppatori e utenti di gestire efficacemente il comportamento del modello, ridurre gli errori e adattarlo a compiti specifici senza necessità di modificarne i parametri interni. ## Principi di base e struttura del prompt Sebbene le implementazioni specifiche varino, i prompt efficaci sono spesso costruiti tenendo conto di principi e strutture comuni: - **Linee guida empiriche:** Come struttura pratica (ma non standard di settore) si suggerisce di attenersi ai seguenti principi: Fornire una Direzione, Specificare il Formato, Fornire Esempi, Valutare la Qualità e Suddividere il Compito. - Un prompt efficace include spesso i seguenti componenti: - **Introduzione/Ruolo:** Stabilisce il contesto del compito o il ruolo/persona del modello. - **Istruzioni:** Indicazioni chiare su cosa deve essere fatto. - **Contesto:** Informazioni necessarie (statiche o recuperate dinamicamente tramite RAG). - **Esempi (Few-shot):** Dimostrazione del formato/stile desiderato. - **Richiesta di risposta:** Indicazione esplicita di ciò che il modello deve generare. - **Messaggio di sistema (System Prompt):** Nelle interfacce chat API (ad esempio nei modelli OpenAI, Anthropic) consente di definire istruzioni globali e il ruolo per l'intera sessione. - **Formattazione:** L'uso di Markdown, JSON, XML o YAML aiuta a strutturare il prompt e facilita il parsing della risposta. I delimitatori (\`\`\`, \`"""\`, tag XML) sono importanti per separare le istruzioni dai dati. ## Tecniche principali di istruzioni ed esempi - **Istruzioni chiare e specifiche:** Descrivere il compito, il risultato desiderato e i vincoli nel modo più preciso possibile. Evitare ambiguità. - **Role Prompting:** Assegnare al modello un ruolo ("Sei un esperto di...") per gestire tono, stile e base di conoscenza. - **Zero-shot Prompting:** Richiesta senza esempi. Efficace per compiti semplici o ben noti al modello. - **Few-Shot Prompting:** Fornitura di alcuni esempi (di solito da 2 a 5) nel formato "domanda-risposta" per dimostrare il compito. Un caso particolare è il **One-shot Prompting** con un singolo esempio. Particolarmente utile per formati o stili complessi. Richiede attenzione per evitare distorsioni (anchoring) o l'apprendimento di pattern errati dagli esempi. ## Tecniche di gestione del contesto - **Retrieval-Augmented Generation (RAG):** Aggiunta dinamica di informazioni rilevanti provenienti da basi di conoscenza esterne al prompt prima dell'invio all'LLM. Proposto per la prima volta da Meta AI nel 2020, questo metodo è fondamentale per contrastare le allucinazioni e garantire l'aggiornamento dei dati. - **Chunking:** Suddivisione di testi lunghi in parti più piccole (chunk) per rientrare nella finestra di contesto del modello. Le strategie includono la suddivisione per frasi, paragrafi, token (con sovrapposizione). - **Riassunto (Summarization):** Compressione di testi lunghi o della cronologia del dialogo per trasmettere il significato essenziale in un contesto limitato. ## Tecniche per il miglioramento del ragionamento (Reasoning) Queste tecniche mirano a fare in modo che il modello "pensi" in modo più accurato e strutturato. L'efficacia di molte di esse, in particolare del CoT, si manifesta su modelli di grande scala (generalmente con più di 100 miliardi di parametri). - **Chain-of-Thought (CoT):** Istruzione al modello di generare un ragionamento passo dopo passo prima della risposta finale. Migliora significativamente i risultati in matematica, logica e compiti a più fasi. - **Zero-shot CoT:** La forma più semplice, che non richiede esempi. L'aggiunta al prompt di una frase come «Ragioniamo passo dopo passo» (Let's think step by step) è già in grado di avviare la catena di ragionamento. - **Varianti del CoT:** - **Auto-CoT:** Generazione automatica di esempi di ragionamento per il prompting few-shot. - **Self-Consistency:** Generazione di più catene di ragionamento e selezione della risposta più frequente tramite "votazione", il che aumenta l'affidabilità. - **Tree-of-Thoughts (ToT):** Esplorazione di più percorsi di ragionamento sotto forma di albero, con possibilità di backtracking e valutazione dei passi intermedi. Questa tecnica dimostra un'elevata efficacia in compiti complessi, ad esempio aumentando il tasso di successo nel "Game of 24" da circa il 4% a circa il 74%. - **Graph-of-Thought (GoT), LogiCoT** e altri, orientati a ragionamenti più complessi o verificati logicamente. - **ReAct (Reason and Act):** Tecnica che sviluppa il CoT. Rappresenta un ciclo iterativo in cui il modello alterna passi di Ragionamento (Thought) e Azioni con l'uso di Strumenti (Act), aggiornando la propria comprensione sulla base delle Osservazioni (Observation). - **Self-Refine:** Processo iterativo in cui il modello prima genera una risposta, poi la critica e infine la migliora sulla base della propria critica. Questo ciclo "generazione-critica-miglioramento" può ripetersi più volte. - **Take a Step Back Prompting:** Il modello formula prima principi generali o astrazioni, per poi applicarli al compito specifico. ## Tecniche avanzate: agenti e strumenti - **Utilizzo di strumenti (Tool Usage) / Chiamata di funzioni (Function Calling):** Possibilità per l'LLM di richiamare API esterne (ricerca, calcolatrice, database). Il modello genera una richiesta strutturata di chiamata allo strumento, che viene eseguita dall'applicazione, e il risultato viene restituito al modello. I moderni LLM (GPT-4, Claude 3) dispongono di supporto nativo per questa funzionalità. - **Agenti (Agents):** Sistemi basati su LLM che possono pianificare autonomamente, utilizzare strumenti e agire per raggiungere un obiettivo. Spesso utilizzano cicli simili a ReAct. I framework (LangChain, AutoGen, CrewAI) ne semplificano la creazione. - **Sistemi multi-agente:** Interazione di più agenti specializzati per la risoluzione di compiti complessi. ## Tecniche per la riduzione di errori e allucinazioni - **RAG:** Ancoraggio delle risposte a dati fattuali recuperati da fonti esterne. - **Istruzioni per la limitazione della risposta:** Richiedere di rispondere solo sulla base del contesto fornito o di segnalare l'incertezza ("Se la risposta non è nota, di' 'Non lo so'"). - **Richiesta di citazioni:** Richiedere al modello di indicare le fonti o citare le parti del contesto su cui si basa la risposta. - **Verifica e autocritica:** Utilizzo di tecniche come la **Chain-of-Verification (CoVe)** (generazione di una risposta seguita dalla sua verifica e correzione), Self-Refine o richiesta diretta al modello di controllare la propria risposta alla ricerca di errori. - **CoT:** Il ragionamento passo dopo passo di per sé può ridurre gli errori logici. ## Tecniche di valutazione e iterazione Sebbene la valutazione sia un processo separato, alcuni suoi aspetti fanno parte del Prompt Engineering: - **A/B Testing dei prompt:** Confronto dell'efficacia di diverse versioni di prompt sugli stessi compiti. - **Utilizzo di LLM per la valutazione:** Impiego di un modello potente (ad esempio GPT-4) per valutare la qualità delle risposte generate da un altro prompt o modello (LLM-as-a-Judge). ## Pattern di prompt Strutture riutilizzabili comuni: - **Pattern Persona (Persona Pattern).** - **Pattern di Personalizzazione dell'Output (Output Customization Pattern).** - **Pattern di Richiesta di Chiarimenti (Question Refinement Pattern).** - **Pattern di Verifica Cognitiva / Autocritica (Cognitive Verifier / Self-Critique Pattern).** - **Pattern di Ragionamento Passo dopo Passo (Step-by-Step / Chain-of-Thought Pattern).** - **Pattern Modello (Template Pattern).** ## Vedi anche - Grandi modelli linguistici - Chain-of-Thought Prompting - Allucinazioni e risposte errate degli LLM ## Letteratura - Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF. - Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165. - Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401. - Li, X. L.; Liang, P. (2021). *Prefix-Tuning: Optimizing Continuous Prompts for Generation*. arXiv:2101.00190. - Liu, Y. et al. (2021). *Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity*. arXiv:2104.08786. - Bai, Y. et al. (2022). *Constitutional AI: Harmlessness from AI Feedback*. arXiv:2212.08073. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916. - Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493. - Zhou, D. et al. (2022). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. arXiv:2205.10625. - Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629. - Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687. - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Rafailov, R. et al. (2023). *Direct Preference Optimization: Your Language Model is Secretly a Reward Model*. arXiv:2305.18290. - Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Chen, S. Y. et al. (2023). *Extending Context Window of Large Language Models via Positional Interpolation*. arXiv:2306.15595. - Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077. - Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [1]. - Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388. - Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507. - Han, H. et al. (2025). *Retrieval-Augmented Generation with Graphs (GraphRAG)*. arXiv:2501.00309. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. *EMNLP 2025*. PDF. - Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844.