---
title: "Cos’è il prompt engineering? Scrivere istruzioni per gli LLM"
description: "Il prompt engineering è scrivere e testare istruzioni perché un LLM dia sempre l’output che ti serve. Tecniche di base, come testarle e consigli per prompt in arabo."
url: https://broadrouter.com/it/glossary/prompt-engineering/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/prompt-engineering/) (aggiornato il 2026-11-15).

# Prompt engineering (ingegneria dei prompt)

Aggiornato 2026-11-15

Il prompt engineering è il processo con cui si scrivono, strutturano e testano le istruzioni date a un modello linguistico, perché produca in modo costante un output che rispetta i tuoi requisiti. Comprende messaggi di ruolo, istruzioni chiare, esempi, formattazione e la misura dei risultati su casi di test.

Detto anche: ingegneria dei prompt, progettazione dei prompt, tecniche di prompting, scrivere prompt, prompt engineering, prompt design, prompting techniques

Un prompt è una specifica. Il prompt engineering consiste nello scriverla bene e nel verificare che il modello la rispetti.

## Come funziona

La guida di OpenAI definisce il prompt engineering come “the process of writing effective instructions for a model” (traduzione: il processo di scrivere istruzioni efficaci per un modello), così che “consistently generates content that meets your requirements” (traduzione: generi in modo costante contenuti che rispettano i tuoi requisiti). Le tecniche di base si somigliano tra i vari vendor:

| Tecnica | Cosa fare |
| --- | --- |
| Ruoli | Metti le regole nel [system prompt](https://broadrouter.com/it/glossary/system-prompt/) (o nel messaggio developer) e la richiesta nel messaggio utente |
| Struttura | Ordina il system prompt in identità, istruzioni, esempi, contesto; usa titoli Markdown e tag XML per separare le sezioni |
| Esempi | Aggiungi alcune coppie di input e output ([few-shot prompting](https://broadrouter.com/it/glossary/few-shot-prompting/)) che coprano casi diversi |
| Ragionamento | Chiedi un ragionamento passo passo ([chain of thought](https://broadrouter.com/it/glossary/chain-of-thought/)), oppure usa un modello di ragionamento |
| Formato di output | Chiedi un formato fisso, oppure usa l’[output strutturato](https://broadrouter.com/it/glossary/structured-output/) dove l’API lo supporta |
| Stabilità | Fissa una versione del modello, così il comportamento non cambia a tua insaputa |

La panoramica di Anthropic consiglia di partire da tre cose: criteri di successo chiari, un modo per testarli e una prima bozza di prompt. In pratica significa un set di [eval](https://broadrouter.com/it/glossary/eval/).

Un breve esempio, prima e dopo (il prompt resta in inglese: chiede un riassunto in tre punti, problema, impatto sul cliente e passo successivo, senza ipotesi sulle cause):

```text
Before: Summarize this ticket.

After:  You summarize support tickets for an engineering team.
        Write 3 bullet points: the problem, the customer impact, the next step.
        Use the customer's words for error messages. Do not guess at causes.
        <ticket>...</ticket>
```

Per gli agenti, il prompt è solo una parte di un contesto più ampio. L’articolo di Anthropic sul context engineering distingue il prompt engineering, “methods for writing and organizing LLM instructions” (traduzione: metodi per scrivere e organizzare le istruzioni per un LLM), dal [context engineering](https://broadrouter.com/it/glossary/context-engineering/), che gestisce tutto il resto di ciò che il modello vede.

## Perché è importante

-   **Qualità senza addestramento.** Un prompt migliore è la correzione più economica da provare, prima del [fine-tuning](https://broadrouter.com/it/glossary/fine-tuning/) o di un modello più grande.
-   **Costo.** Il system prompt viene rimandato a ogni richiesta. Taglia ciò che non cambia l’output; vedi [come ridurre i token del prompt](https://broadrouter.com/it/blog/reduce-prompt-tokens/).
-   **Migrazione.** Un prompt ottimizzato per un modello può comportarsi diversamente su un altro. Quando cambi modello, rilancia il tuo set di eval.

## Su BroadNet Inference

I modelli di chat di BroadNet accettano l’elenco `messages` standard di Chat Completions, quindi ruoli system, user e assistant ed esempi few-shot funzionano come al solito. Puoi provare i prompt nel [playground](https://broadrouter.com/it/guides/try-broadnet-inference-playground/) prima di scrivere codice. Per l’output in arabo, [il prompt engineering in arabo](https://broadrouter.com/it/blog/arabic-prompt-engineering/) tratta registro, dialetto, numeri e formattazione da destra a sinistra.

L’output strutturato è documentato per [GLM 5.3](https://broadrouter.com/it/models/glm-5.3/) e [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/). Su DeepSeek V4.1 Flash, GLM 5.3 e Qwen3.8 27B il ragionamento conta in `max_tokens`, quindi anche un prompt del tipo “think step by step” (ragiona passo passo) ha bisogno di spazio nel budget.

## Domande frequenti

### Con i modelli più recenti serve ancora il prompt engineering?

Sì, anche se i trucchi cambiano. I modelli più recenti seguono bene istruzioni semplici e specifiche, quindi gran parte del lavoro sta nel dichiarare chiaramente i requisiti, dare esempi e testare su input reali.

### Quando conviene fare fine-tuning?

Quando un prompt ben testato e con esempi sbaglia ancora una quota ampia di casi, o è troppo lungo da inviare a ogni richiesta. La documentazione di Anthropic nota anche che alcuni obiettivi, come latenza o costi più bassi, si raggiungono più facilmente scegliendo un altro modello.

### Per un output in arabo devo scrivere il prompt in arabo?

Possono funzionare entrambe le strade. Indica quale registro o dialetto vuoi e come gestire i numeri e il testo misto. L’articolo sul prompt engineering in arabo confronta i due approcci.

## Vedi anche

-   [System prompt (prompt di sistema)](https://broadrouter.com/it/glossary/system-prompt/) (termine)
-   [Few-shot prompting (prompt con esempi)](https://broadrouter.com/it/glossary/few-shot-prompting/) (termine)
-   [Chain-of-thought (CoT)](https://broadrouter.com/it/glossary/chain-of-thought/) (termine)
-   [Context engineering (ingegneria del contesto)](https://broadrouter.com/it/glossary/context-engineering/) (termine)
-   [Eval (valutazione degli LLM)](https://broadrouter.com/it/glossary/eval/) (termine)
-   [Output strutturato (structured output)](https://broadrouter.com/it/glossary/structured-output/) (termine)
-   [Provare BroadNet Inference nel browser, senza account](https://broadrouter.com/it/guides/try-broadnet-inference-playground/) (guida)
-   [Prompt engineering in arabo: registro, RTL, cifre e testo misto](https://broadrouter.com/it/blog/arabic-prompt-engineering/) (articolo)
-   [Ridurre i token del prompt: tagli misurati su sistema, tool e dati](https://broadrouter.com/it/blog/reduce-prompt-tokens/) (articolo)
-   [Prima del fine-tuning: definisci il problema da risolvere](https://broadrouter.com/it/blog/fine-tuning-readiness/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-prompt-engineering&utm_content=page-cta) ·

**Fonti**

-   [Documentazione API di OpenAI, guida al prompt engineering (verificata il 2026-11-15)](https://developers.openai.com/api/docs/guides/prompt-engineering)
-   [Documentazione di Anthropic, panoramica sul prompt engineering (verificata il 2026-11-15)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview)
-   [Anthropic Engineering, Effective context engineering for AI agents (verificato il 2026-11-15)](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
