Il prompt engineering, in italiano “ingegneria dei prompt”, è l’attività di progettazione, verifica e miglioramento delle istruzioni fornite a un sistema di intelligenza artificiale generativa, con l’obiettivo di ottenere risultati più pertinenti e coerenti con il compito richiesto.
Un prompt è l’input con cui si guida un modello di IA generativa, come un LLM. Può contenere una domanda, istruzioni, informazioni di contesto ed esempi del risultato atteso e, nei modelli multimodali, anche immagini o documenti.
Fare prompt engineering significa lavorare sulla formulazione della richiesta per renderla chiara, indicando:
- il compito da svolgere;
- le informazioni da utilizzare;
- il risultato atteso.
Si esamina poi la risposta per capire se soddisfa queste aspettative e, quando serve, si modificano le istruzioni per correggere ambiguità, aggiungere dettagli o precisare il formato.
È un processo di prove e revisioni successive, che gli stessi sviluppatori dei principali modelli di IA descrivono nelle proprie guide come un lavoro iterativo più che come una formula da applicare una volta per tutte.
A cosa serve il prompt engineering?
Il prompt engineering aiuta a chiarire, per ogni specifico compito, che cosa deve fare l’IA e quali caratteristiche deve avere il risultato. Si usa per scrivere e rivedere testi, sintetizzare documenti, estrarre informazioni, classificare richieste, generare immagini o produrre codice.
Quando l’IA viene usata con continuità, in particolare nelle aziende, un’istruzione ben progettata rende il lavoro più efficiente e i risultati più omogenei: permette, per esempio, di ottenere sintesi organizzate secondo gli stessi criteri o bozze più aderenti alle linee editoriali, riducendo le correzioni necessarie dopo la generazione. La verifica degli output resta comunque parte del processo.
Chi è il prompt engineer e cosa fa?
Il prompt engineer è la figura che progetta, testa e perfeziona i prompt usati dai sistemi di IA generativa, in particolare nelle organizzazioni che sviluppano applicazioni o automatizzano processi con l’IA. Il suo lavoro consiste nel tradurre un obiettivo in istruzioni che il modello possa seguire in modo affidabile, nel verificare i risultati su casi diversi e nel documentare i prompt, perché possano essere riutilizzati e aggiornati nel tempo. Per farlo collabora con i team tecnici e con chi conosce il contenuto del lavoro da svolgere.
Tra le competenze richieste ci sono:
- la conoscenza del funzionamento dei modelli linguistici, delle loro capacità e dei loro limiti;
- la capacità di scrittura e di comunicazione, per formulare istruzioni chiare e prive di ambiguità;
- la conoscenza dell’ambito in cui il sistema viene usato, dal linguaggio tecnico di un settore alle regole di un processo;
- il metodo nella verifica dei risultati, con test ripetuti e criteri di valutazione espliciti;
- le competenze di programmazione, quando il lavoro riguarda applicazioni che usano i modelli attraverso le API.
Oltre a essere un ruolo specifico, il prompt engineering è anche una competenza utile a chiunque usi l’IA con continuità nel proprio lavoro.
Come si costruisce un prompt efficace?
Un prompt efficace fornisce gli elementi necessari a svolgere il compito, con un livello di dettaglio proporzionato alla richiesta. Le guide pubblicate da Google Cloud, OpenAI e Anthropic concordano su alcuni elementi ricorrenti:
- obiettivo: l’attività da svolgere, come riassumere, confrontare o riscrivere;
- contesto: le informazioni necessarie per interpretare la richiesta;
- destinatari: le persone a cui è rivolto il risultato e le loro conoscenze;
- formato: la struttura desiderata, come un elenco, una tabella o un testo breve;
- vincoli: lunghezza, tono, contenuti da includere e limiti da rispettare;
- esempi: uno o più riferimenti che mostrino il risultato atteso.
È utile separare chiaramente le istruzioni dai contenuti da elaborare, per esempio con titoli o delimitatori, così che il modello possa distinguere la richiesta dal materiale su cui deve lavorare. La stessa separazione aiuta anche a ridurre il rischio di prompt injection, cioè di istruzioni malevole nascoste nei contenuti.
Per un’attività ricorrente conviene verificare il prompt su più casi rappresentativi, invece di valutarlo sulla base di una sola risposta riuscita. Così si capisce se le istruzioni funzionano anche quando cambiano i materiali o le richieste.
Quali sono le principali tecniche di prompt engineering?
Le tecniche descritte in letteratura sono molte. La rassegna The Prompt Report, condotta da ricercatori dell’Università del Maryland con altre università e aziende del settore e aggiornata nel 2025, ne cataloga 58 per i prompt testuali e 40 per gli altri formati, come immagini e audio, e osserva che solo una piccola parte è usata in modo diffuso. Tra le più comuni:
- zero-shot prompting: si chiede al modello di svolgere il compito senza fornire esempi, affidandosi alle sole istruzioni;
- few-shot prompting: si includono nel prompt alcuni esempi di input e del risultato atteso, perché il modello ne segua lo schema. La capacità dei modelli di imparare da pochi esempi forniti nel prompt è stata documentata in modo sistematico già nello studio su GPT-3 di OpenAI del 2020;
- assegnazione di un ruolo (role prompting): si indica al modello il punto di vista da adottare, per esempio quello di un redattore tecnico o di un consulente legale;
- ragionamento passo passo (chain-of-thought): si chiede al modello di esplicitare i passaggi intermedi prima di arrivare alla risposta, una tecnica descritta già in uno studio di Google del 2022. Molti modelli recenti ragionano in autonomia, ma la tecnica resta utile per controllare come si arriva al risultato;
- concatenamento dei prompt (prompt chaining): un’attività complessa viene divisa in più richieste successive, ciascuna con un obiettivo preciso, in cui il risultato di un passaggio diventa l’input del successivo.
Un esempio di prompt engineering
La richiesta “Riassumi questo documento” lascia al modello molte scelte sulla lunghezza, sul pubblico e sulle informazioni da privilegiare. Una formulazione più precisa potrebbe essere:
Riassumi il documento allegato per un responsabile acquisti. Usa al massimo 200 parole e organizza la sintesi in tre punti: caratteristiche del prodotto, condizioni di fornitura e informazioni mancanti. Mantieni i valori numerici presenti nel testo e segnala gli aspetti che richiedono una verifica.
Le indicazioni rendono espliciti i criteri con cui valutare la risposta. Se il modello trascura le condizioni di fornitura o modifica un valore numerico, diventa più semplice individuare il problema e correggere la richiesta.
Qual è la differenza tra prompt engineering e context engineering?
Il prompt engineering si concentra su come formulare le istruzioni. Il context engineering, traducibile come “ingegneria del contesto”, riguarda la selezione e la gestione di tutte le informazioni che il modello ha a disposizione per svolgere il compito, come documenti, dati, messaggi precedenti e risultati delle ricerche.
Le due attività si sovrappongono, perché un buon prompt comprende già informazioni di contesto. Come spiega Anthropic, il context engineering ne rappresenta un’evoluzione: diventa centrale negli agenti di intelligenza artificiale, che svolgono compiti lunghi e devono decidere a ogni passaggio quali informazioni recuperare, aggiornare e mantenere disponibili.
Per esempio, per confrontare due prodotti, il prompt engineering definisce i criteri del confronto e il formato della risposta; il context engineering cura la disponibilità delle schede tecniche e dei listini pertinenti e aggiornati. Approfondiamo il tema nella FAQ Che cos’è il context engineering?.
Il prompt engineering garantisce risposte corrette?
No. Un buon prompt migliora le condizioni in cui il modello lavora, ma non elimina il rischio di errori o di allucinazioni dell’IA. I risultati dipendono anche dalle capacità del modello, dalle informazioni disponibili e dalla complessità del compito.
Chiedere di essere precisi o di usare dati aggiornati, per esempio, non fornisce automaticamente al sistema quei dati. Quando servono informazioni specifiche, occorre metterle a disposizione e verificare che la risposta le utilizzi correttamente. Il grounding, cioè l’ancoraggio delle risposte a fonti affidabili, ottenuto per esempio con la RAG, può contribuire a questo obiettivo.
Che differenza c’è tra prompt engineering, RAG e fine-tuning?
Sono tre modi diversi per ottenere da un modello risultati più adatti a un compito, che intervengono su livelli diversi:
- prompt engineering: lavora sulle istruzioni, senza modificare il modello né collegarlo a nuove fonti. È la soluzione più rapida e meno costosa da