Dai esempi invece di spiegazioni

Introduzione

🎯 Obiettivi di apprendimento

• Capire il principio del “few-shot prompting”
• Imparare quanti esempi sono ottimali
• Saper creare esempi efficaci per le istruzioni personalizzate

Le sezioni precedenti riguardavano la strutturazione delle istruzioni e il rispondere alle domande giuste. Ora impari una delle tecniche più potenti nel prompt engineering: mostrare invece di spiegare. Un singolo esempio ben scelto può sostituire diverse frasi di spiegazione – e dare risultati drammaticamente migliori.

Probabilmente l’hai vissuto: spieghi accuratamente esattamente cosa vuoi, ma il tono è sbagliato, il formato strano o il livello di dettaglio non è affatto quello che avevi in mente. C’è una soluzione più semplice – ed è quella che guardiamo ora.

Perché gli esempi spesso battono le spiegazioni

Il segreto che usano le grandi aziende AI è semplice: invece di cercare di spiegare tutto con le parole, mostra al modello esempi di esattamente come vuoi che appaia il risultato.

“Examples are your secret weapon shortcut for getting Claude to generate exactly what you need.” — Anthropic, Best Practices for Prompt Engineering

Questo si chiama few-shot prompting (o multishot prompting) – ed è una delle tecniche più potenti che puoi usare. Zero-shot significa che non dai nessun esempio, one-shot significa un esempio e few-shot significa due o più.

Che gli esempi funzionino meglio delle spiegazioni non è un caso – ci sono quattro motivi concreti per cui la tecnica è così potente.

Perché funziona così bene?

1. Mostra invece di raccontare

Le persone (e i modelli AI) imparano meglio dagli esempi concreti che dalle descrizioni astratte. Un singolo buon esempio può chiarire cose che richiederebbero diverse frasi per spiegare.

2. Chiarisce sfumature sottili

Ci sono aspettative difficili da esprimere a parole – come esattamente il tono che vuoi, quanto deve essere formale il testo o quanto dettagliata deve essere una spiegazione. Gli esempi mostrano questo direttamente, senza interpretazione.

3. Dà coerenza

Quando il modello ha visto esempi del formato “giusto”, lo segue molto più coerentemente di quanto farebbe se lo descrivessi semplicemente. La coerenza è critica quando costruisci un assistente da usare in pratica.

4. Riduce le risposte AI generiche

Secondo i test di Anthropic, gli esempi giusti possono eliminare fino all’80% delle risposte AI generiche e senza senso – specialmente se combini esempi positivi e negativi (ne parliamo più avanti in questa sezione).

La differenza tra usare e non usare esempi è più facile da capire con un caso concreto. Ecco un confronto diretto.

Da zero-shot a few-shot: un confronto pratico

❌ Zero-shot (senza esempi)

## COMPITO
Categorizza le email dei clienti nella categoria giusta.

## CATEGORIE
- Supporto tecnico
- Domande sulla fattura
- Informazioni sul prodotto
- Reclamo
- Altro

Risultato: funziona abbastanza bene per i casi chiari, ma diventa incerto nei casi limite. Qual è la differenza tra “Supporto tecnico” e “Reclamo” se il cliente si lamenta E ha bisogno di aiuto?

✅ Few-shot (con esempi)

## COMPITO
Categorizza le email dei clienti nella categoria giusta.

## CATEGORIE
- Supporto tecnico
- Domande sulla fattura
- Informazioni sul prodotto
- Reclamo
- Altro

## ESEMPI

Email: "La mia app va in crash ogni volta che cerco di accedere. Aiuto!"
Categoria: Supporto tecnico

Email: "Perché mi è stato addebitato un extra di 29,99 €?"
Categoria: Domande sulla fattura

Email: "Il prodotto X supporta il Bluetooth 5.0?"
Categoria: Informazioni sul prodotto

Email: "Sono estremamente insoddisfatto del vostro servizio clienti e voglio un rimborso!"
Categoria: Reclamo

Email: "Ho cambiato l'indirizzo email, dove lo aggiorno?"
Categoria: Altro

Risultato: il modello vede ora esempi chiari di come appare ogni categoria e fa valutazioni molto migliori – specialmente nei casi limite dove una domanda potrebbe appartenere a più di una categoria.

Una delle domande più comuni sul few-shot prompting è: quanti esempi mi servono davvero? La risposta è più sfumata di quanto potresti pensare.

Quanti esempi ti servono?

La raccomandazione di Anthropic: inizia con un esempio

“Start with one example (one-shot). Only add more examples (few-shot) if the output still doesn’t match your needs.”

Approccio pratico

• Inizia con 0 esempi (zero-shot) – testa se il modello riesce comunque nel compito
• Aggiungi 1 esempio (one-shot) – spesso questo basta
• Aumenta a 2–3 esempi se i risultati variano ancora
• Usa 5–10 esempi solo per compiti complessi o di nicchia

Il principio dei rendimenti decrescenti

La ricerca mostra che più esempi non sono sempre meglio. Dopo un certo numero ottieni un miglioramento marginale ma usi più token.

Regola pratica

• 1 esempio → compiti di classificazione semplici, formati chiari
• 2–3 esempi → compiti di media complessità, tono sfumato
• 5+ esempi → domini complessi, requisiti molto specifici

Testa sempre! Il numero ottimale varia in base al compito e al modello.

Sapere che hai bisogno di esempi è una cosa – creare buoni esempi è un’altra. Ecco cosa distingue davvero un esempio efficace da uno inefficace.

Come creare esempi efficaci

1. Rappresentativo dei casi d’uso reali

I tuoi esempi devono riflettere la variazione che ti aspetti in pratica – non casi da manuale costruiti artificialmente.

❌ Esempio scadente (troppo semplice e costruito)

Domanda: "Cos'è Python?"
Risposta: "Python è un linguaggio di programmazione."

✅ Buon esempio (realistico e con il giusto livello di dettaglio)

Domanda: "Ho appena iniziato a imparare Python e non capisco la
differenza tra liste e tuple. Puoi spiegare?"

Risposta: "Ottima domanda! Sia le liste che le tuple memorizzano
più valori, ma la grande differenza è che le liste possono essere
modificate (mutable) mentre le tuple sono fisse (immutable).

Pensa così: una lista è come una lista di cose da fare – puoi
aggiungere, rimuovere o modificare le voci. Una tupla è come
una data di compleanno – una volta impostata non puoi cambiarla.

  # Lista (modificabile)
  frutta = ['mela', 'banana']
  frutta.append('arancia')  # OK!

  # Tuple (non modificabile)
  data = (2024, 3, 15)
  data[0] = 2025  # ERRORE! Genera un errore

Usa le liste quando i dati possono cambiare, le tuple quando i
dati devono essere costanti."

Il secondo esempio è migliore perché mostra come un utente reale pone la domanda, dimostra il tono desiderato (didattico, con analogie) e mostra esattamente il livello di dettaglio e la struttura che vuoi.

2. Copre diversi scenari

Se usi più esempi, assicurati che mostrino variazioni di tono e situazione – non solo casi facili e chiari.

## ESEMPI

Scenario 1: Domanda tecnica semplice
Cliente: "Come resetto la mia password?"
Assistente: "Clicca su 'Password dimenticata' nella pagina di accesso.
Riceverai un'email con il link di reset entro 5 minuti.
Controlla anche lo spam! Hai bisogno di ulteriore aiuto? 😊"

Scenario 2: Cliente frustrato
Cliente: "Questa è la terza volta che vi contatto per lo stesso problema!"
Assistente: "Capisco davvero la tua frustrazione, e mi scuso
per non aver risolto questo prima. Darò priorità alla tua
richiesta adesso. Puoi dirmi il numero di errore che hai ricevuto
così posso escalare direttamente al nostro reparto tecnico?"

Scenario 3: Domanda fuori dalla conoscenza
Cliente: "Avete piani per rilasciare una versione Mac?"
Assistente: "Purtroppo non ho informazioni sui prossimi rilanci di
prodotti. Ti consiglio di seguire il nostro blog su
azienda.it/notizie. C'è altro in cui posso aiutarti oggi?"

Gli esempi coprono diversi stati emotivi e mostrano come il tono deve adattarsi senza compromettere la professionalità.

3. Struttura chiara e facile da seguire

Usa una formattazione coerente nei tuoi esempi affinché il modello veda chiaramente il pattern.

## ESEMPI

Input: [l'input effettivo dell'utente]
Output: [esattamente il formato che vuoi]

Input: [prossimo esempio]
Output: [prossima risposta]

4. Esempi negativi

Una tecnica potente è mostrare sia cosa VUOI che cosa NON vuoi. Secondo i test di Anthropic, questo può eliminare fino all’80% delle risposte AI generiche.

## ESEMPI DI BUONE RISPOSTE

Domanda: "Cos'è il machine learning?"

✅ BUONA RISPOSTA:
"Il machine learning è quando i computer imparano i pattern dai dati
invece di seguire regole codificate. Pensa così:
invece di programmare 'se l'email contiene la parola Viagra → spam'
addestri il modello su migliaia di esempi.
Impara da solo quali pattern sono tipici dello spam.

Esempio: i consigli di Netflix usano il machine learning
per imparare cosa ti piace in base a cosa hai guardato in precedenza."

❌ RISPOSTA SCADENTE (troppo tecnica):
"Il machine learning è un sottoinsieme dell'intelligenza artificiale
che usa tecniche statistiche per rendere i sistemi informatici
capaci di 'imparare' dai dati senza programmazione esplicita."
Perché scadente: gergo tecnico senza spiegazione, nessuna
analogia o esempio concreto.

❌ RISPOSTA SCADENTE (troppo vaga):
"Il machine learning è quando i computer diventano più intelligenti."
Perché scadente: troppo superficiale, non dà all'utente
una vera comprensione.

Riepilogo

Il few-shot prompting è una delle tecniche più potenti nel prompt engineering – e più facile da iniziare di quanto pensi.

• Gli esempi battono le spiegazioni – mostrano al modello esattamente cosa vuoi, inclusi tono, formato e livello di dettaglio difficili da descrivere a parole.
• Inizia con 1 esempio – aggiungi altri solo se l’output non corrisponde ancora alle tue aspettative.
• 2–3 esempi bastano nella maggior parte dei casi – più esempi danno rendimenti decrescenti e aumentano il costo senza un miglioramento proporzionale.
• Rendi gli esempi realistici – rifletti l’uso e la variazione reali, non casi da manuale costruiti artificialmente.
• Mostra esempi negativi – dimostrare cosa non vuoi elimina fino all’80% delle risposte generiche.
• Formattazione coerente – usa la stessa struttura (Input/Output) in tutti gli esempi affinché il modello veda chiaramente il pattern.

Metti alla prova le tue conoscenze

5 domande · 100% per superarlo · Rivedi le risposte al termine

Inizia il quiz →