Hai già letto la nostra guida al prompt engineering con esempi pratici? Bene, questo articolo è il passo successivo. Qui trovi le tecniche specifiche, con nome, spiegazione e dati alla mano, che separano chi usa l’AI in modo occasionale da chi la usa come strumento di lavoro professionale.
Se invece parti da zero, inizia dalla guida di base poi torna qui: le tecniche che seguono presuppongono che tu sappia già costruire un prompt decente.
Perché le tecniche avanzate fanno davvero la differenza
La ricerca pubblicata da OpenAI ha misurato qualcosa di sorprendente: aggiungere una sola frase al prompt, “Ragioniamo passo dopo passo”, può aumentare l’accuratezza dell’AI su problemi complessi dal 18% al 79%. Non è magia: è ingegneria.
Le tecniche di prompt engineering che descrivo in questo articolo si basano tutte sullo stesso principio: invece di sperare che l’AI capisca cosa vuoi, le insegni come ragionare. Il risultato è una differenza di qualità che si misura, non che si sente.
Le 5 tecniche che vedremo:
- Chain of Thought (ragionamento a catena)
- Few-Shot Prompting (insegna con gli esempi)
- Role/Expert Prompting (il principio dell’esperto)
- Self-Consistency (la maggioranza vince)
- Prompt Chaining (divide et impera)
Tecnica 1: Chain of Thought (Ragionamento a Catena)
Il Chain of Thought (CoT) è la tecnica di prompt engineering più documentata dalla ricerca. L’idea è semplice: invece di chiedere direttamente la risposta, chiedi all’AI di mostrare i passaggi intermedi del ragionamento, come farebbe un professore alla lavagna.
Versione zero-shot: basta una frase
Aggiungi “Ragioniamo passo dopo passo” alla fine del prompt. Sembra banale, ma funziona.
- ❌ “Qual è il modo migliore per strutturare un’email di follow-up a un cliente freddo?”
- ✅ “Qual è il modo migliore per strutturare un’email di follow-up a un cliente freddo? Ragioniamo passo dopo passo.”
Versione few-shot: mostra il ragionamento
Fornisci uno o due esempi che mostrano il processo di pensiero, poi fai la domanda reale. L’AI impara non solo la risposta giusta, ma il percorso per arrivarci.
Il dato: La ricerca OpenAI misura un aumento dall’18% al 79% di accuratezza su problemi logici e matematici. Sui problemi semplici cambia poco. Sui task complessi è trasformativo.
Quando usarla: analisi multi-step, pianificazione strategica, valutazione di pro e contro, debug di codice, qualsiasi situazione in cui la risposta dipende da un ragionamento in più fasi.
Tecnica 2: Few-Shot Prompting (Insegna con gli Esempi)
I modelli AI imparano meglio dagli esempi che dalle descrizioni astratte. Il few-shot prompting sfrutta questo principio: prima di fare la tua richiesta, mostri all’AI esattamente che tipo di risposta vuoi, con 2-5 esempi input/output.
Si chiama “few-shot” perché bastano pochi esempi per ottenere risultati nettamente migliori. La struttura è sempre la stessa:
Input: [esempio 1]
Output: [risposta che vuoi]
Input: [esempio 2]
Output: [risposta che vuoi]
Ora fai lo stesso per:
Input: [la tua richiesta reale]
Esempio pratico: classificazione email clienti
Email: “Il vostro servizio è una vergogna, non funziona niente”
Categoria: Urgente – Insoddisfazione grave
Email: “Grazie mille, il corso mi ha cambiato la vita!”
Categoria: Positivo – Testimonianza
Email: “Volevo sapere quando aprono le iscrizioni al nuovo corso”
Categoria: Informativo – Pre-vendita
Ora classifica questa email:
“Non riesco ad accedere alla mia area riservata da due giorni”
L’AI capisce il formato, il tono e la logica di classificazione dagli esempi, senza che tu debba spiegarla a parole.
Quanti esempi servono? La ricerca indica che 3-8 esempi saturano il beneficio. Oltre 8, i miglioramenti sono minimi ma il prompt diventa inutilmente lungo.
Tecnica 3: Role e Expert Prompting (Il Principio dell’Esperto)
Dare all’AI un ruolo specifico prima di fare la domanda cambia radicalmente il livello delle risposte. Non è un trucco psicologico: fa sì che il modello attivi il sottoinsieme di conoscenze più pertinente al contesto.
Formula base
“Sei [ruolo specifico + contesto + esperienza]. [Richiesta con dettagli].”
- ❌ “Dimmi come migliorare il mio sito web”
- ✅ “Sei un consulente SEO specializzato in siti di e-learning. Il mio sito vende corsi online e ha un CTR medio dello 0,5% su Google. Analizza i possibili problemi e proponi 5 azioni concrete in ordine di priorità.”
- ❌ “Correggi questa email”
- ✅ “Sei un copywriter specializzato in email marketing B2B. Riscrivi questa email di follow-up per aumentare il tasso di risposta. Mantieni un tono professionale ma diretto. Non superare le 150 parole. [testo email]”
Variante: Expert Prompting multiplo
Per decisioni complesse, chiedi all’AI di rispondere da più prospettive in sequenza:
“Prima analizza questo contratto come farebbe un avvocato, poi come farebbe un imprenditore che vuole chiudere l’affare, poi come farebbe un consulente finanziario che valuta il rischio.”
Ottieni tre angolazioni diverse sulla stessa situazione, senza cambiare interlocutore.
Tecnica 4: Self-Consistency (La Maggioranza Vince)
Invece di fidarti ciecamente della prima risposta, questa tecnica consiste nel generare più versioni della stessa richiesta e selezionare quella più coerente o più frequente.
Perché funziona: i modelli AI percorrono ogni volta un percorso di ragionamento leggermente diverso. Su task con una risposta corretta, quella che emerge più spesso tra N tentativi è statisticamente quella giusta.
Come usarla senza codice
Opzione A: fai la stessa domanda 3-5 volte, leggi le risposte, scegli quella che torna più spesso o ha il ragionamento più solido.
Opzione B: chiedi direttamente all’AI di farlo per te:
“Genera 3 versioni diverse di questa risposta usando approcci diversi, poi dimmi quale ritieni più solida e perché.”
Il dato: La ricerca misura guadagni da +1 a +24 punti percentuali rispetto a una risposta singola, su task di ragionamento e analisi.
Quando usarla: quando la posta in gioco è alta (proposta commerciale, email importante), su problemi logici con risposta giusta/sbagliata, per ridurre le allucinazioni su dati specifici.
Tecnica 5: Prompt Chaining (Divide et Impera)
Il prompt chaining non è una singola tecnica, ma un approccio: invece di un prompt gigante che chiede tutto in una volta, dividi il task in una sequenza di prompt, dove l’output del primo diventa l’input del secondo.
Esempio pratico: scrivere un articolo ottimizzato
Approccio monoprompt (risultati mediocri):
“Scrivi un articolo completo di 1500 parole su X con SEO ottimizzato, esempi pratici, heading H2 e H3, meta description inclusa, tono professionale ma accessibile.”
Approccio chaining (risultati superiori):
- “Crea uno schema per un articolo su X rivolto a [pubblico]. 5 sezioni principali con 3 punti chiave ciascuna.”
- “Scrivi la sezione 1 dello schema seguente in modo approfondito, con almeno un esempio pratico: [output step 1]”
- “Scrivi la sezione 2…” (e così via)
- “Scrivi intro e conclusione che colleghino tutte le sezioni: [riassunto delle sezioni scritte]”
- “Scrivi title tag e meta description SEO per questo articolo. Focus keyword: [keyword]”
Perché funziona meglio:
- L’AI “si perde” meno nei task lunghi: ogni prompt ha un obiettivo specifico
- Puoi correggere ogni step prima di procedere, evitando di ripetere tutto da capo
- La qualità di ogni singola sezione è superiore a quella ottenuta con un prompt unico
Quale tecnica usare: guida rapida
Non esiste la tecnica “giusta per tutto”. Ecco come orientarsi:
| Situazione | Tecnica consigliata |
|---|---|
| Analisi logica o multi-step | Chain of Thought |
| Output in formato specifico e ripetibile | Few-Shot Prompting |
| Risposta che richiede competenza specialistica | Role/Expert Prompting |
| Decisione importante con rischio di errore | Self-Consistency |
| Task lungo o complesso con più componenti | Prompt Chaining |
| Tutto insieme | Prompt Chaining + le altre integrate |
Come combinare le tecniche: il prompt professionale
Le tecniche funzionano ancora meglio combinate. Un prompt professionale ha spesso questa struttura:
Sei [ruolo specifico] (Role Prompting)
Ecco due esempi del tipo di risposta che mi serve:
[esempio 1]
[esempio 2]
(Few-Shot)
Ora affronta il task seguente ragionando passo dopo passo:
[richiesta dettagliata]
(Chain of Thought)
Questo livello richiede un po’ di pratica, ma una volta che diventa automatico, la differenza nei risultati è visibile a colpo d’occhio rispetto a chi usa prompt semplici.
Conclusione: dalla tecnica all’abitudine
Le tecniche di prompt engineering non sono trucchi da usare una volta per curiosità. Sono metodi convalidati dalla ricerca che, applicati con costanza, cambiano la qualità del tuo lavoro con l’AI.
Il percorso naturale è:
- Parti dalle basi (se non l’hai fatto, leggi la nostra guida al prompt engineering con esempi pratici)
- Sperimenta le tecniche una alla volta nel tuo lavoro quotidiano
- Inizia a combinarle: Role + Chain of Thought è già un livello professionale
- Costruisci una libreria di prompt che funzionano, da riutilizzare
Non servono competenze tecniche. Serve metodo e la volontà di testare.
