Prompting: 15 termini da conoscere per iniziare

Indice

• Cos’è il prompt?
• Cosa significa dare un’istruzione all’AI?
• Perché il contesto migliora il prompt?
• A cosa serve assegnare un ruolo all’AI?
• Qual è la differenza tra istruzione e obiettivo
• Cosa sono i vincoli in un prompt?
• Come specificare il formato di output
• Cos’è il prompting zero-shot?
• Cos’è quello few-shot e quando serve?
• Perché un prompt funziona meglio per iterazione
• Cos’è la finestra di contesto?
• Ed eccoci ai token
• Il grounding
• Signori, l’allucinazione
• Cos’è un prompt di sistema?
• Quindici parole, ma il metodo viene prima del vocabolario
• FAQ sul prompting

Quando abbiamo cominciato a usare il nostro primo LLM, che fosse ChatGPT o altri, per molti il prompting consisteva più o meno in questo: scrivere una domanda, premere Invio e vedere cosa succedeva.

Poi sono arrivati corsi, tutorial, framework, formule, acronimi, prompt lunghi tre pagine e persone capaci di trasformare anche la richiesta della ricetta della carbonara in una procedura operativa della NASA…

Tra il primo fai date e il florilegio attuale di informazioni e istruzioni, una cosa continua a restare vitale: imparare a comunicare con un sistema che interpreta istruzioni espresse in linguaggio naturale.

Per farlo non è necessario diventare prompt engineer, ma conoscere alcune parole aiuta parecchio, perché dietro termini come contesto, vincolo, few-shot o grounding ci sono concetti che cambiano concretamente la qualità del lavoro con un’AI.

Questo glossario raccoglie 15 termini che considero sufficienti per cominciare a usare il prompting con un minimo di metodo, senza trasformare una conversazione con ChatGPT, Gemini o Claude in un esame universitario

Cos’è il prompt?

Partiamo dall’ovvio, che qualche volta è il punto di parteza migliore.

Il prompt è ciò che forniamo al modello per ottenere una risposta: una domanda, un’istruzione, un testo da analizzare, un documento, un’immagine oppure una combinazione di più elementi.

Può essere semplicissimo: riassumi questo testo.

Oppure contenere obiettivo, contesto, criteri, esempi e formato desiderato.

La qualità del prompt conta, ma conviene evitare l’idea che esista una frase magica capace di trasformare automaticamente qualsiasi modello in un esperto infallibile.

2. Cosa significa dare un’istruzione all’AI?

L’istruzione descrive l’azione che vogliamo far compiere all’AI: un verbo.

Riassumi. Confronta. Classifica. Riscrivi. Estrai. Analizza. Genera. Valuta.

Una delle cause più comuni di risposte mediocri consiste nel fornire moltissime informazioni senza chiarire abbastanza bene cosa dovrebbe farne il modello.

Prendiamo questa richiesta:

Qui sotto trovi il testo della nostra newsletter. I destinatari sono piccoli imprenditori e professionisti.

Abbiamo dato del contesto, ma manca ancora il lavoro da svolgere.

Molto più chiaro:

Analizza il testo della newsletter e individua cinque passaggi che potrebbero risultare troppo tecnici per piccoli imprenditori e professionisti.

L’istruzione trasforma le informazioni in un compito.

3. Perché il contesto migliora il prompt?

Il contesto comprende le informazioni necessarie per interpretare correttamente la richiesta.

Se scrivo “preparami una mail commerciale” (esempio estremo, lo so), l’AI deve indovinare quasi tutto: che cosa vendo, a chi mi rivolgo, quale rapporto precedente esiste con il destinatario, quanto deve essere lunga la mail e quale risultato voglio ottenere.

Se invece aggiungo che vendo formazione sull’intelligenza artificiale a PMI italiane, che il destinatario non mi conosce e che voglio ottenere un primo colloquio telefonico senza risultare aggressivo, il modello dispone di un ambiente molto più preciso nel quale lavorare.

Il contesto riduce lo spazio delle interpretazioni possibili e nella pratica professionale è spesso più importante della sofisticazione linguistica del prompt.

4. A cosa serve assegnare un ruolo all’AI?

Il ruolo consiste nell’indicare da quale prospettiva vogliamo che il modello affronti il compito.

Per esempio “Ragiona come un responsabile marketing di una PMI.” Oppure “Valuta questo testo dal punto di vista di un cliente che non conosce il prodotto.”

Il ruolo può aiutare a orientare criteri, linguaggio e attenzione, soprattutto quando rappresenta una prospettiva realmente utile al compito.

Conviene però usarlo con misura. Naturalmente scrivere “sei il più grande esperto mondiale di marketing, psicologia, neuroscienze, copywriting, vendite e filosofia stoica” non trasforma il modello in tutto questo.

Gli abbiamo semplicemente consegnato un cappello molto grande, troppo grande.

5. Qual è la differenza tra istruzione e obiettivo

L’obiettivo spiega quale risultato vogliamo raggiungere.

È diverso dall’istruzione.

L’istruzione potrebbe essere: riscrivi questa introduzione.

L’obiettivo aggiunge: deve permettere a un imprenditore che conosce poco l’AI di capire entro i primi due paragrafi perché l’argomento riguarda anche la sua azienda.

A quel punto il modello può valutare le proprie scelte rispetto a una finalità più precisa.

Nel lavoro quotidiano questo passaggio è fondamentale perché molte richieste apparentemente chiare descrivono bene cosa fare, ma molto meno bene perché lo stiamo facendo.

6. Cosa sono i vincoli in un prompt?

Un vincolo delimita ciò che la risposta può o deve fare.

Può riguardare lunghezza, tono, fonti, struttura, destinatario, elementi da includere o comportamenti da evitare.

Per esempio: massimo 150 parole.

Oppure: usa soltanto i dati presenti nel documento, evita termini tecnici non spiegati, mantieni i nomi dei prodotti originali, non aggiungere informazioni non presenti nelle fonti.

I vincoli diventano particolarmente utili nei compiti professionali, perché raramente ci interessa una risposta semplicemente “bella”. Ci interessa una risposta utilizzabile dentro condizioni reali.

7. Come specificare il formato di output

Il formato di output descrive come vogliamo ricevere il risultato.

Possiamo chiedere una tabella, un elenco, tre paragrafi, un JSON, una mail, una scheda, un confronto per colonne oppure una sequenza di passaggi.

Se dobbiamo utilizzare la risposta in un processo successivo, specificare il formato può farci risparmiare parecchio tempo.

Immaginiamo di fornire all’AI dieci recensioni dei clienti e volerle analizzare. “Analizzale” lascia moltissima libertà.

Possiamo invece chiedere una tabella con quattro colonne:

problema segnalato | frequenza | gravità | possibile intervento

Il contenuto rimane lo stesso, ma l’output diventa immediatamente più operativo.

8. Cos’è il prompting zero-shot?

Con zero-shot chiediamo al modello di svolgere un compito senza fornirgli esempi specifici del risultato desiderato.

Per esempio: classifica queste richieste dei clienti nelle categorie commerciale, assistenza, amministrazione e altro. Abbiamo descritto il compito e le categorie, lasciando al modello il compito di interpretarli.

Per molti utilizzi quotidiani funziona benissimo.

Vale la pena conoscere il termine soprattutto perché ci permette di capire il prossimo.

9. Cos’è quello few-shot e quando serve?

Nel few-shot prompting aggiungiamo alcuni esempi.

Potremmo scrivere:

“Vorrei sapere quanto costa il servizio” → Commerciale

“Non riesco ad accedere al mio account” → Assistenza

“Mi serve copia della fattura” → Amministrazione

e soltanto dopo fornire i nuovi messaggi da classificare.

Gli esempi mostrano al modello come stiamo interpretando noi il compito, riducendo l’ambiguità.

Il few-shot diventa particolarmente efficace quando vogliamo mantenere uno stile, applicare categorie aziendali specifiche oppure produrre output con caratteristiche difficili da spiegare attraverso sole istruzioni astratte.

Spesso un buon esempio vale più di mezzo paragrafo di spiegazione.

10. Perché un prompt funziona meglio per iterazione

L’iterazione è probabilmente uno dei concetti più utili dell’intero glossario.

Significa lavorare attraverso passaggi successivi: prima risposta, controllo, correzione, approfondimento, nuova versione.

Il prompting non è un tiro al bersaglio in cui fare centro al primo tentativo: non createvi ansie da prestazione.

Nella pratica professionale funziona spesso meglio una conversazione.

Possiamo chiedere una prima struttura, correggerla, sviluppare un punto, aggiungere informazioni, mettere in discussione una conclusione e soltanto alla fine produrre l’output definitivo.

Questo modo di lavorare riduce anche la necessità di costruire prompt giganteschi.

11. Cos’è la finestra di contesto?

La context window, o finestra di contesto, rappresenta la quantità di informazioni che il modello può considerare contemporaneamente durante un’interazione.

Dentro questa finestra rientrano le nostre istruzioni, la conversazione precedente, eventuali documenti e le risposte già prodotte, secondo il funzionamento dello strumento che stiamo utilizzando.

I modelli moderni possono gestire quantità di contesto molto elevate, ma “molto” non significa “infinito” e soprattutto non significa che ogni informazione inserita riceva automaticamente la stessa attenzione.

Questo spiega perché, lavorando su conversazioni enormi o grandi quantità di documenti, diventa utile organizzare il materiale, indicare ciò che conta e qualche volta separare le attività salvando differenti progetti (o Gem…).

12. Ed eccoci ai token

Un token è una delle unità nelle quali il modello suddivide il testo per elaborarlo: non corrisponde necessariamente a una parola, è concettualmente più vicino ad una sillaba. Una parola può essere composta da più token e punteggiatura, numeri o parti di parola possono essere trattati separatamente.

Per l’utente normale non serve contarli mentre scrive un prompt, però il concetto diventa utile per capire perché esistono limiti di contesto, perché testi molto lunghi occupano più spazio e perché nelle API l’utilizzo dei modelli viene spesso misurato anche attraverso il numero di token elaborati.

È una di quelle parole tecniche che basta comprendere una volta e poi possiamo tranquillamente tornare a lavorare.

13. Il grounding

Il grounding consiste nel collegare la risposta del modello a informazioni o fonti specifiche sulle quali deve basarsi (mai senita l’espressione “aggrapparsi alle fonti”?).

Possiamo, per esempio, caricare un documento e chiedere: rispondi utilizzando esclusivamente le informazioni presenti in questo PDF e indica in quale sezione trovi gli elementi che sostengono ogni risposta.

Oppure utilizzare strumenti progettati proprio per lavorare su un insieme definito di fonti: ad esempio NotebokLM.

Il grounding è particolarmente importante quando l’obiettivo consiste nell’analizzare ciò che sappiamo, invece di chiedere al modello di produrre una risposta basata genericamente sulle informazioni apprese durante l’addestramento o recuperate altrove.

Riduce il terreno nel quale il modello deve improvvisare e facilita la verifica.

14. Signori, l’allucinazione

Dai, questa la sapete: con allucinazione indichiamo una risposta falsa, inventata o non sufficientemente supportata che il modello presenta come plausibile.

Può riguardare un dato, una fonte, un nome, una data, una citazione oppure un’intera spiegazione: il termine è ormai entrato nel linguaggio comune, qualche volta con un uso fin troppo esteso, tanto che ogni errore dell’AI viene chiamato allucinazione, anche quando deriva semplicemente da informazioni obsolete, istruzioni ambigue o materiale sbagliato fornito dall’utente.

Dal punto di vista operativo la distinzione conta meno di una buona abitudine: le informazioni importanti devono essere verificabili.

Un prompt migliore può ridurre alcuni errori, il grounding può ridurne altri, mentre nessuna formula garantisce automaticamente l’esattezza di tutto ciò che un modello produce.

15. Cos’è un prompt di sistema?

Il prompt di sistema, o system prompt, contiene istruzioni che definiscono il comportamento generale del modello prima della nostra richiesta.

Nelle normali applicazioni spesso lavora dietro le quinte; nelle API e negli strumenti più avanzati può essere invece parte della configurazione che utilizziamo per costruire assistenti o applicazioni.

Serve, per esempio, a stabilire ruolo generale, regole permanenti, modalità di risposta, limiti e criteri che devono valere durante tutta l’interazione.

Conoscere il concetto aiuta anche a capire perché un assistente AI può comportarsi in modo leggermente diverso da un altro pur utilizzando modelli simili: la nostra richiesta è soltanto una parte delle istruzioni che contribuiscono alla risposta finale.

Quindici parole, ma il metodo viene prima del vocabolario

A questo punto potremmo prendere i quindici termini, metterli in ordine, costruire un framework con un acronimo pronunciabile e dichiarare risolto il problema del prompting.

Ma preferirei una conclusione più pratica.

Quasi tutto ciò che abbiamo visto ruota attorno a poche domande: cosa voglio ottenere?Quali informazioni servono all’AI per capirlo?Quale lavoro deve svolgere?Quali limiti deve rispettare?Come voglio ricevere il risultato?Come controllerò se è corretto?

Se sappiamo rispondere a queste domande, possediamo già buona parte del metodo necessario per usare un modello generativo nel lavoro quotidiano.

Il glossario serve soprattutto a dare un nome alle cose che progressivamente impariamo a fare.

Il passo successivo consiste nell’usarle.