---
title: "Meta Prompting (IT)"
source: "https://systems-analysis.info/int/Meta_Prompting_(IT)"
wiki: "systems-analysis.info/int"
article: "Meta_Prompting_(IT)"
language: "it"
categories:
- "Category:Italian"
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Prompt engineering"
revision_id: 4254
wiki_created_at: 2026-09-06T23:32:42Z
wiki_modified_at: 2026-09-06T23:32:42Z
downloaded_at: 2026-09-07T23:01:40Z
---
# Meta Prompting (IT)
**Meta-prompting** (ingl. *meta-prompting*) — è un metodo avanzato di prompt engineering in cui i grandi modelli linguistici (LLM) vengono utilizzati per creare, correggere e ottimizzare le proprie istruzioni (prompt)[\[1\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-cookbook_openai-1). A differenza degli approcci tradizionali, in cui una persona scrive manualmente istruzioni dettagliate, il meta-prompting si concentra sulla definizione della **struttura di risoluzione del problema** e dei ruoli che il modello deve svolgere. In altre parole, descrive *come* risolvere il problema, e non *cosa* fare esattamente in ogni caso specifico[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-intuition_labs-2).
Questo approccio consente agli LLM di scomporre autonomamente problemi complessi, affinare le richieste e migliorare iterativamente le proprie risposte, aprendo la strada alla creazione di sistemi di intelligenza artificiale più autonomi e adattativi.
## Metodi e approcci principali
Il termine «meta-prompting» si è diffuso nella letteratura scientifica tra la fine del 2023 e l'inizio del 2024, quando diversi gruppi di ricerca hanno presentato approcci simili per la gestione degli LLM.
### Metodo dello «scenario strutturante» (Scaffolding)
Uno degli approcci chiave è stato proposto da ricercatori dell'Università di Stanford e di OpenAI[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-suzgun2024-3). In questo schema, denominato **scaffolding**, lo stesso modello linguistico (GPT-4 negli esperimenti) svolge simultaneamente più ruoli:
- **Direttore (Conductor)**: Riceve un meta-prompt di alto livello e suddivide il compito complesso in una serie di sotto-compiti più semplici.
- **Esperti (Experts)**: Il «Direttore» inizializza diversi suoi «esperti» istanziati, ciascuno dei quali risolve un singolo sotto-compito seguendo istruzioni appositamente definite.
- **Integrazione**: Il «Direttore» coordina il lavoro degli «esperti» e integra le loro risposte nella soluzione finale.
Questo approccio orchestrale ha permesso di aumentare significativamente l'efficacia nella risoluzione di problemi complessi. Ad esempio, negli esperimenti il meta-prompting ha superato le normali richieste in un unico passaggio del **17,1%** e altri metodi avanzati del 15–17% su insiemi di problemi che richiedono ragionamenti multi-componente (ad esempio, il gioco del «24», rompicapi agli scacchi)[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-suzgun2024-3). È importante notare che questo metodo è indipendente dal tipo di compito e funziona in modalità zero-shot, senza richiedere esempi specifici per ogni nuovo problema.
### Approccio teorico e modelli strutturali
Parallelamente, un gruppo di ricercatori dell'Università di Tsinghua ha proposto una propria concezione del meta-prompting, spostando il focus dal contenuto del problema alla sua **sintassi e forma** di rappresentazione dei dati[\[4\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-zhang2024-4). Basandosi su un modello categoriale, hanno dimostrato che la descrizione astratta della struttura del problema consente al modello di costruire ragionamenti paragonabili per profondità a quelli umani e di scomporre efficacemente questioni complesse in passi più semplici.
### Concetti correlati
Le idee del meta-prompting si manifestano anche in altri metodi:
- **Automatic Prompt Engineer (APE)**: Un metodo in cui un LLM genera e seleziona automaticamente istruzioni efficaci per se stesso, valutandole in base alla qualità dei risultati ottenuti[\[5\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-ape2022-5).
- **Self-Refine**: Un approccio in cui il modello migliora iterativamente la propria risposta, analizzando criticamente la versione precedente e generando correzioni sulla base di tale critica[\[6\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-self_refine2023-6).
## Applicazioni e vantaggi
Il meta-prompting ha dimostrato un'elevata efficacia nei compiti che richiedono ragionamenti complessi e multi-componente, come dimostrazioni matematiche, programmazione e risoluzione passo-passo di rompicapi. I principali vantaggi del metodo sono:
- **Efficienza dei token**: La concentrazione sulla struttura generale del compito, invece dell'elenco di numerosi esempi, riduce la dimensione del prompt. Il meta-prompt rappresenta un modello universale che richiede meno token[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-prompting_guide-7).
- **Stabilità e imparzialità**: Il metodo evita la dipendenza da esempi specifici, rendendo il modello meno soggetto a distorsioni verso particolari caratteristiche dei campioni di addestramento[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-prompting_guide-7).
- **Adattamento dinamico**: A differenza di un prompt statico, il meta-prompting consente un miglioramento iterativo. Il modello può affinare le istruzioni nel corso della risoluzione, richiedere informazioni mancanti e correggere la strategia[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-intuition_labs-2).
- **Generalizzazione a nuovi compiti**: Le istruzioni di alto livello si trasferiscono più facilmente a compiti nuovi e mai visti in precedenza, rendendo il meta-prompting una forma avanzata dell'approccio zero-shot.
## Limitazioni e rischi
- **Costo e complessità computazionale**: Il metodo richiede molteplici chiamate al modello per un singolo compito, il che aumenta i costi in termini di tempo e di richieste API. Le implementazioni attuali operano in modo sequenziale, rendendo difficile la parallelizzazione[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-decoder_article-8).
- **Dipendenza dalle capacità del modello**: L'efficacia del meta-prompting dipende fortemente dalla qualità dell'LLM di base. Le ricerche hanno mostrato che GPT-3.5 trae quasi nessun vantaggio da questo metodo, mentre per GPT-4 e i modelli successivi il beneficio aumenta in modo evidente[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-decoder_article-8).
- **Limitazioni fondamentali degli LLM**: Il meta-prompting non è una panacea. Se il compito va oltre le conoscenze del modello di base, anche un meta-prompt formulato perfettamente non garantisce un risultato corretto. In tali casi è necessario o un fine-tuning, o l'integrazione con strumenti esterni (ad esempio, ricerca su internet o interprete di codice)[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_note-suzgun2024-3).
## Riferimenti
- Esempio di meta-prompting in OpenAI Cookbook
- Descrizione del metodo nella Prompt Engineering Guide
## Bibliografia
- Suzgun, M.; Kalai, A. T. (2024). *Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding*. arXiv:2401.12954.
- Zhang, Y.; Yuan, Y.; Yao, A. C.-C. (2023). *Meta Prompting for AGI Systems*. arXiv:2311.11482.
- Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910.
- Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651.
- Ning, X. et al. (2023). *Skeleton-of-Thought: Prompting LLMs for Efficient Parallel Generation*. arXiv:2307.15337.
- Chen, X. et al. (2023). *Universal Self-Consistency for Large Language Model Generation*. arXiv:2311.17311.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain-of-Thought Reasoning in Language Models*. arXiv:2203.11171.
- Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797.
- Zhou, P. et al. (2024). *Self-DISCOVER: Large Language Models Self-Compose Reasoning Structures*. arXiv:2402.03620.
- Chen, J. et al. (2024). *Thought-Augmented Reasoning with Large Language Models*. arXiv:2406.04271.
## Note
1. [↑](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-cookbook_openai_1-0) «Enhance your prompts with meta prompting». *OpenAI Cookbook*. [1]
2. ↑ [2.0](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-intuition_labs_2-0) [2.1](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-intuition_labs_2-1) «Meta-Prompting: LLMs Crafting & Enhancing Their Own Prompts». *Intuition Labs*. [2]
3. ↑ [3.0](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-suzgun2024_3-0) [3.1](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-suzgun2024_3-1) [3.2](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-suzgun2024_3-2) Suzgun, Mirac; Kalai, Adam T. (2024). «Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding». *arXiv:2401.12954*.
4. [↑](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-zhang2024_4-0) Zhang, Yifan, et al. (2023). «Meta Prompting for AGI Systems». *arXiv:2311.11482*.
5. [↑](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-ape2022_5-0) Zhou, Y., et al. (2022). «Large Language Models Are Human-Level Prompt Engineers». *arXiv:2211.01910*.
6. [↑](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-self_refine2023_6-0) Madaan, A., et al. (2023). «Self-Refine: Iterative Refinement with Self-Feedback». *arXiv:2303.17651*.
7. ↑ [7.0](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-prompting_guide_7-0) [7.1](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-prompting_guide_7-1) «Meta Prompting». *Prompt Engineering Guide*. [3]
8. ↑ [8.0](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-decoder_article_8-0) [8.1](https://systems-analysis.info/int/Meta_Prompting_(IT)#cite_ref-decoder_article_8-1) «AI within an AI: Meta-prompting can improve the reasoning capabilities of large language models». *The Decoder*.