--- title: "Prompt (language models) (IT)" source: "https://systems-analysis.info/int/Prompt_(language_models)_(IT)" wiki: "systems-analysis.info/int" article: "Prompt_(language_models)_(IT)" language: "it" categories: - "Category:Italian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 5968 wiki_created_at: 2026-09-06T23:56:33Z wiki_modified_at: 2026-09-06T23:56:33Z downloaded_at: 2026-09-07T23:11:19Z --- # Prompt (language models) (IT) **Prompt** (dall'inglese *prompt* — «suggerimento» o «richiesta testuale») nel contesto dei grandi modelli linguistici (LLM) è il testo di input o l'istruzione che l'utente fornisce al modello per generare la risposta desiderata[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-google_guide-1). Il prompt formula il compito per il modello, includendo le condizioni necessarie, il contesto e gli esempi. L'efficacia del modello dipende in larga misura dalla qualità del prompt elaborato. La disciplina che studia i metodi di sviluppo e ottimizzazione delle richieste testuali si chiama prompt engineering. Il suo obiettivo è ottenere dai modelli AI risposte quanto più rilevanti, accurate e sicure possibile[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-wiki_prompt-2). Un prompt ben formulato fornisce al modello un «percorso» per l'esecuzione del compito, aiutando a precisare il contesto richiesto e il risultato desiderato[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-google_guide-1). ## Storia dello sviluppo dell'approccio L'idea di governare il comportamento degli LLM tramite suggerimenti testuali si è sviluppata parallelamente alla crescita delle capacità dei modelli stessi. ### Fasi iniziali (GPT-2) Già nel 2019 i ricercatori di OpenAI dimostrarono che i grandi modelli linguistici pre-addestrati, come **GPT-2**, erano in grado di risolvere nuovi compiti senza ulteriore addestramento, purché questi fossero formulati sotto forma di testo. Il lavoro *«Language Models are Unsupervised Multitask Learners»* segnò uno spostamento fondamentale: invece di fare il fine-tuning del modello per ciascun compito, era sufficiente formulare un'istruzione comprensibile all'input[\[3\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-gpt3_paper-3). ### La svolta con GPT-3 e l'In-Context Learning La vera svolta avvenne con il rilascio del modello **GPT-3** nel 2020. Con i suoi 175 miliardi di parametri, GPT-3 dimostrò la capacità di **apprendimento contestuale** (*in-context learning*) — l'assimilazione di un nuovo compito «al volo» a partire da alcuni esempi forniti direttamente nel testo della richiesta[\[3\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-gpt3_paper-3). Questa modalità operativa prese il nome di **few-shot learning** («apprendimento con pochi esempi») e mostrò che l'aumento delle dimensioni del modello porta a un'elevata qualità nell'esecuzione di compiti NLP senza alcuna regolazione dei pesi. ### La nascita del Chain-of-Thought (CoT) Un ulteriore sviluppo nel 2022 fu legato al miglioramento della capacità dei modelli di affrontare ragionamenti complessi. Vennero proposti suggerimenti speciali nel formato della catena di ragionamento (*chain-of-thought prompting*). In tali prompt il modello riceve non solo la domanda, ma anche un esempio di ragionamento sequenziale e graduale prima della risposta. Ciò ha migliorato notevolmente la precisione nelle soluzioni di problemi aritmetici e logici[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-wiki_prompt-2). La ricerca di Kojima e colleghi ha dimostrato che il modello può essere stimolato al ragionamento anche senza esempi (*zero-shot*), semplicemente aggiungendo alla fine della richiesta la frase «Pensiamo passo dopo passo»[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-wiki_prompt-2). ### Prompt multimodali Il concetto di prompt è andato oltre il testo. Nel 2022, con la comparsa dei modelli **DALL-E 2** e **Stable Diffusion**, le richieste degli utenti in linguaggio naturale sono diventate un'interfaccia universale per la generazione di immagini, e successivamente di musica e video. ## Tipologie e tecniche di utilizzo dei prompt Esistono diversi tipi principali e tecniche di prompt, che vengono spesso combinati tra loro. ### Zero-shot prompting (Richiesta diretta) Il modello riceve solo un'istruzione o una domanda **senza alcun esempio**. In questa modalità, l'LLM si basa sulle proprie conoscenze generali acquisite durante il pre-addestramento. È adatto per compiti semplici, come la traduzione o il riassunto di un testo[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-google_guide-1). ### Few-shot prompting (Apprendimento su esempi) Oltre all'istruzione, nel prompt vengono inclusi **uno o più esempi** con input e output attesi. Il modello «impara al volo» da questi campioni e applica la logica appresa alla nuova richiesta. Questo metodo, che realizza l'*in-context learning*, aumenta significativamente la precisione nei compiti in cui è importante un determinato formato o stile di risposta[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-google_guide-1). ### Catena di ragionamento (Chain-of-Thought, CoT) Un tipo speciale di prompt per compiti che richiedono ragionamenti complessi (matematica, logica). Nel suggerimento viene inclusa un'analisi graduale o un piano di soluzione prima della risposta definitiva. Ciò costringe il modello a strutturare esplicitamente il processo di ragionamento, migliorando significativamente la qualità del risultato[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-wiki_prompt-2). ### Ottimizzazione dei suggerimenti (Prompt Tuning) Una tecnica in cui, invece di scrivere manualmente un prompt, si utilizza un suggerimento **ottimizzato automaticamente**. Il prompt è rappresentato come un insieme di speciali token addestrabili (un vettore continuo), che viene aggiunto alla richiesta dell'utente. Addestrando solo questo piccolo vettore-prompt, è possibile adattare un grande modello «congelato» a un nuovo compito con un costo computazionale minimo[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-wiki_prompt-2). ## Il prompt engineering come disciplina ### La nascita della professione La crescita delle capacità degli LLM ha dato origine a una nuova specializzazione — il **prompt engineer**. Questi specialisti sviluppano e ottimizzano i suggerimenti testuali per ottenere dall'AI il comportamento desiderato. I prompt engineer utilizzano conoscenze nel campo della linguistica, della logica e della psicologia per strutturare i dati di input nel modo più efficace possibile[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-wiki_prompt-2). Nel 2022–2023 comparvero le prime offerte di lavoro per questa posizione, a testimonianza dell'elevata domanda di competenze per interagire efficacemente con i sistemi AI. ### Il futuro della professione e l'automazione Il settore si sviluppa rapidamente e il suo futuro è oggetto di dibattito. Ricerche del 2024, ad esempio da parte di VMware, hanno mostrato che l'AI stessa è in grado, attraverso ricerca e ottimizzazione, di trovare formulazioni efficaci delle richieste, spesso superiori a quelle umane[\[4\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-ieee_dead-4). Ciò ha generato l'opinione che il prompt engineering manuale possa essere un fenomeno temporaneo, e che nel tempo gli strumenti di selezione automatica dei suggerimenti diventeranno lo standard. Tuttavia, a partire dal 2025, la competenza nel campo del prompt engineering rimane molto richiesta. ## Ambiti di applicazione - **Elaborazione del linguaggio naturale**: Compiti NLP classici, come il riassunto automatico di documenti, la traduzione automatica, le risposte a domande e l'estrazione di informazioni. - **Chatbot e assistenti virtuali**: I prompt aiutano a definire il ruolo, lo stile di comunicazione e il formato delle risposte, rendendo i sistemi di dialogo più coerenti e utili. - **Generazione di codice**: Modelli come OpenAI Codex sono in grado di scrivere codice di programmazione a partire da una descrizione in linguaggio naturale, accelerando lo sviluppo. - **Analisi dei dati**: Tramite i prompt è possibile configurare il modello per estrarre insight da report testuali non strutturati o generare ipotesi. - **Istruzione**: Creazione di tutor intelligenti che generano esercizi, spiegano concetti complessi e verificano le risposte tenendo conto del livello di preparazione dello studente. - **Industrie creative**: Generazione di testi, immagini artistiche, musica e sceneggiature a partire da descrizioni dettagliate. ## Uso dannoso e vulnerabilità (Prompt Injection) L'apertura dell'interfaccia degli LLM ha dato origine a una nuova classe di attacchi — l'**iniezione di prompt** (*prompt injection*). Un malintenzionato formula una richiesta dannosa speciale che induce il modello a violare le sue istruzioni originali o a rivelare informazioni nascoste[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_note-wiki_prompt-2). Gli esperti considerano questo fenomeno come una variante dell'attacco di tipo «iniezione di codice», in cui al posto del codice vengono «iniettate» nel sistema istruzioni testuali subdole. ### Tipi di attacchi - **Jailbreak**: Un attacco che permette al modello di «uscire» dai vincoli imposti (ad esempio, le politiche di moderazione) e di generare contenuti vietati. Un esempio noto è il **DAN prompt** (Do Anything Now), che induceva ChatGPT a rispondere senza censura. - **Prompt Leaking**: Una richiesta speciale costringe il modello a rivelare frammenti del suo prompt di sistema nascosto. - **Token Smuggling**: Un'istruzione dannosa viene mascherata come parte innocua della richiesta (ad esempio, un frammento di codice), per aggirare i filtri e provocare un comportamento indesiderato. Questi attacchi rappresentano un problema serio, poiché i metodi tradizionali di sicurezza informatica sono scarsamente adattati alle minacce legate all'interpretazione del linguaggio naturale. ## Bibliografia - 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. - 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. - 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. - Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077. - Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388. - Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [5]. - 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. ## Note 1. ↑ [1.0](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-google_guide_1-0) [1.1](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-google_guide_1-1) [1.2](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-google_guide_1-2) [1.3](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-google_guide_1-3) «Prompt Engineering for AI Guide». *Google Cloud*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-wiki_prompt_2-0) [2.1](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-wiki_prompt_2-1) [2.2](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-wiki_prompt_2-2) [2.3](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-wiki_prompt_2-3) [2.4](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-wiki_prompt_2-4) [2.5](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-wiki_prompt_2-5) [2.6](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-wiki_prompt_2-6) «Техника подсказок». *Википедия*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-gpt3_paper_3-0) [3.1](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-gpt3_paper_3-1) Brown, Tom B., et al. «Language Models are Few-Shot Learners». *arXiv:2005.14165* \[cs.CL\], 28 мая 2020 г. [3] 4. [↑](https://systems-analysis.info/int/Prompt_(language_models)_(IT)#cite_ref-ieee_dead_4-0) «AI Prompt Engineering Is Dead». *IEEE Spectrum*. [4]