Le 7 Framework di Prompt Engineering che Uso Ogni Giorno

Non esiste un prompt "buono" in assoluto. Esiste un prompt giusto per il contesto. In due anni di utilizzo intensivo di LLM in produzione ho consolidato 7 framework che coprono il 90% dei casi reali. Nessuna teoria — solo strumenti con casi d'uso precisi, testati su task veri: copy, analisi dati, estrazione strutturata, contenuti in serie.

Il filo comune tra tutti e 7: un prompt non è una domanda, è una specifica. Più chiaramente definisci ruolo, contesto, formato e vincoli, meno spazio lasci al modello per interpretare — e meno varia la qualità dell'output da un tentativo all'altro. Se lavori con l'AI anche a livello di codice (non solo di contenuti), la guida al system prompt approfondisce lo stesso principio applicato agli assistenti persistenti.

1. Role Prompting

Quando usarlo: quando hai bisogno di un tono, stile o expertise specifici.

Agisci come un senior copywriter specializzato in B2B SaaS.
Il tuo obiettivo è scrivere copy che converta CFO di PMI manifatturiere.
Usa un tono diretto, evita buzzword, includi sempre un beneficio misurabile.

Perché funziona: il modello attiva pattern linguistici e conoscenze specifiche del ruolo assegnato. Più specifico il ruolo, più coerente la risposta.

2. Chain-of-Thought (CoT)

Quando usarlo: problemi che richiedono ragionamento in più passi, analisi, decisioni complesse.

Analizza questa strategia di pricing. Ragiona passo dopo passo:
1. Identifica i competitor e i loro prezzi
2. Valuta il posizionamento del prodotto
3. Considera l'elasticità del target
4. Proponi 3 scenari di pricing con pro e contro

[dati del prodotto e mercato]

Perché funziona: il modello "pensa ad alta voce" e riduce drasticamente gli errori logici. Essenziale per analisi e decision-making.

3. Few-Shot Prompting

Quando usarlo: quando vuoi output con formato o stile molto specifico.

Scrivi descrizioni prodotto nel seguente stile:

Esempio 1:
Prodotto: Scarpe da corsa
Output: "Ogni passo è una conversazione tra asfalto e ambizione."

Esempio 2:
Prodotto: Notebook professionale
Output: "Le idee che cambiano il mondo hanno tutte iniziato su carta."

Ora scrivi per: [nome prodotto]

Perché funziona: il modello impara il pattern dagli esempi invece che dalla descrizione astratta. Più efficace di qualsiasi istruzione verbale.

4. Structured Output

Quando usarlo: quando l'output deve essere processato da codice o inserito in database.

Analizza il feedback cliente e restituisci SOLO un JSON valido con questa struttura:
{
  "sentiment": "positive|neutral|negative",
  "score": 1-10,
  "topics": ["lista", "di", "temi"],
  "action_required": boolean,
  "priority": "low|medium|high"
}

Feedback: [testo]

Perché funziona: definire la struttura esatta elimina l'ambiguità sul formato. Fondamentale quando l'output alimenta un'automazione (es. un workflow n8n) o un database — un formato inconsistente rompe l'integrazione a valle.

5. Negative Prompting

Quando usarlo: quando il modello tende a includere elementi indesiderati.

Scrivi un articolo su come aumentare le vendite con l'AI.

NON usare:
- Buzzword come "rivoluzionario", "game-changer", "disruption"
- Promesse non quantificabili
- Esempi di grandi aziende (focus su PMI)
- Tono eccessivamente entusiasta

USA invece:
- Dati concreti con fonti
- Esempi di aziende con <50 dipendenti
- Tono analitico e pragmatico

Perché funziona: dire cosa evitare è spesso più efficace che descrivere cosa vuoi, specialmente contro pattern che il modello ha "imparato" essere comuni (buzzword, entusiasmo esagerato). Usalo dopo aver notato un difetto ricorrente nelle risposte, non a priori — altrimenti rischi di elencare vincoli inutili.

6. Contextual Anchoring

Quando usarlo: quando il modello deve rispettare vincoli di business specifici.

CONTESTO AZIENDALE:
- Settore: software B2B, gestione flotte
- Target: responsabili operativi di aziende logistiche, 20-200 dipendenti
- Tone of voice: professionale, diretto, niente hype
- Obiettivo conversione: demo gratuita
- Budget marketing: limitato, focus su ROI

Con questo contesto, [richiesta specifica]

Perché funziona: senza contesto aziendale, il modello risponde con la "media" di tutto ciò che ha visto in addestramento — generico per definizione. Ancorare il contesto una volta e riusarlo (spesso come system prompt fisso) rende ogni risposta successiva coerente con il tuo business specifico, non con un business medio immaginario.

7. Iterative Refinement

Quando usarlo: per output complessi che richiedono più cicli di revisione.

# Round 1 - Bozza grezza
"Scrivi una bozza veloce di [testo]. Non preoccuparti della perfezione."

# Round 2 - Miglioramento struttura
"Migliora la struttura della bozza. Identifica e rimuovi le parti deboli."

# Round 3 - Rifinitura
"Rifinisci il tono. Ogni frase deve guadagnarsi il suo posto nel testo."

Perché funziona: chiedere tutto in un colpo solo (struttura perfetta, tono perfetto, contenuto perfetto) sovraccarica il modello di priorità contemporanee. Scomporre in round, ognuno con un solo obiettivo, produce risultati più solidi — lo stesso principio per cui un umano non scrive un testo perfetto al primo tentativo.

Errori da evitare

• Prompt troppo vaghi: "Scrivi qualcosa di bello" non ha direzione — il modello riempie il vuoto con la sua interpretazione media, quasi mai quella che avevi in mente
• Troppe richieste in un prompt: un obiettivo alla volta. Chiedere contemporaneamente struttura, tono, SEO e lunghezza esatta produce compromessi su tutti e quattro
• Non specificare il formato dell'output (specie se il codice deve leggerlo) — vedi il framework Structured Output sopra
• Dimenticare il contesto: il modello non sa nulla del tuo business senza dirtelo, ogni volta o tramite un system prompt persistente
• Prompt che cambiano ogni volta per lo stesso task: se un prompt funziona, salvalo come template — riscriverlo da zero ogni volta introduce variabilità inutile

Domande frequenti

Questi framework funzionano allo stesso modo con GPT-4, Claude e Gemini?

I principi sono universali — tutti i modelli rispondono meglio a istruzioni chiare e strutturate. Le differenze sono di dettaglio: alcuni modelli seguono il formato richiesto in modo più rigido di altri, e la lunghezza ottimale del prompt può variare leggermente.

Posso combinare più framework nello stesso prompt?

Sì, ed è la norma nei casi reali. Il template universale qui sopra combina già Role Prompting, Contextual Anchoring e Structured Output in un'unica struttura. La regola è non sovraccaricare: se un prompt supera le 15-20 righe, spesso conviene dividerlo in più step (come nell'Iterative Refinement).

Quanto tempo serve per padroneggiare il prompt engineering?

I framework si imparano in un pomeriggio. La parte che richiede pratica è riconoscere rapidamente quale framework serve per un task specifico — quello arriva con l'uso ripetuto su casi reali, non dalla teoria.