--- id: CP-312 slug: few-shot-prompting-esempi-passaggi lang: it title: Dare esempi e suddividere un compito all'IA description: Come guidare un assistente IA con due o tre esempi, poi suddividere un compito in passaggi verificati uno a uno, senza esporre dati. canonical_url: https://startbrain.io/cyberpedia/it/articles/few-shot-prompting-esempi-passaggi/ markdown_url: https://startbrain.io/cyberpedia/it/articles/few-shot-prompting-esempi-passaggi.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, «Dare esempi e suddividere un compito all'IA», Cyberpedia, 2026. https://startbrain.io/cyberpedia/it/articles/few-shot-prompting-esempi-passaggi/ (CC BY 4.0) wing: 4 theme: prompt_correctly reflex: air-016 schema: G5 updated: "2026-11-03" translations: it: https://startbrain.io/cyberpedia/it/articles/few-shot-prompting-esempi-passaggi/ fr: https://startbrain.io/cyberpedia/fr/articles/few-shot-prompting-decomposition-etapes/ en: https://startbrain.io/cyberpedia/en/articles/few-shot-prompting-step-by-step/ de: https://startbrain.io/cyberpedia/de/articles/few-shot-prompting-beispiele-schritte/ es: https://startbrain.io/cyberpedia/es/articles/few-shot-prompting-ejemplos-pasos/ nl: https://startbrain.io/cyberpedia/nl/articles/few-shot-prompting-voorbeelden-stappen/ sources: - "n": 1 title: Prompt engineering techniques - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering accessed: "2026-11-03" - "n": 2 title: Language Models are Few-Shot Learners publisher: arXiv url: https://arxiv.org/abs/2005.14165 published: "2020-05-28" accessed: "2026-11-03" - "n": 3 title: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2201.11903 published: "2022-01-28" accessed: "2026-11-03" - "n": 4 title: Large Language Models are Zero-Shot Reasoners publisher: arXiv url: https://arxiv.org/abs/2205.11916 published: "2022-05-24" accessed: "2026-11-03" - "n": 5 title: Least-to-Most Prompting Enables Complex Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2205.10625 published: "2022-05-21" accessed: "2026-11-03" - "n": 6 title: System message design for Azure OpenAI - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering accessed: "2026-11-03" - "n": 7 title: Prompt injection is not SQL injection (it may be worse) publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection published: "2025-12-08" accessed: "2026-11-03" - "n": 8 title: LLM01:2025 Prompt Injection publisher: OWASP url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/ accessed: "2026-11-03" --- # Dare esempi e suddividere un compito all'IA Un assistente IA risponde meglio quando Lei gli mostra ciò che si aspetta che quando glielo descrive soltanto. Mostrare due o tre esempi del risultato voluto si chiama «few-shot» (in italiano, apprendimento a partire da pochi esempi). Suddividere un problema complesso in piccoli passaggi, da controllare uno dopo l'altro, è un secondo uso. Le due tecniche migliorano le risposte, ma non le rendono affidabili. Questa scheda spiega come usarle al lavoro e che cosa non va mai inserito in un esempio. ## In 30 secondi - Dove succede: in qualsiasi richiesta a un assistente IA che deve produrre un formato preciso (riassunto, smistamento, redazione standard) o risolvere un problema in più fasi. - Che cosa offre: risposte più vicine a ciò che desidera, a condizione di scegliere bene gli esempi e di rileggere ogni passaggio. - Il riflesso: fornisca due o tre esempi fittizi o anonimizzati, suddivida il compito in passaggi e verifichi ogni passaggio prima di passare al successivo. - Se è già successo: se un esempio conteneva il nome di un cliente, una cifra interna o un estratto di contratto, avvisi il suo referente per la sicurezza e non lo riutilizzi. ## Domande dirette ### Che cos'è il few-shot? È l'aggiunta, nella richiesta, di uno o più esempi del comportamento voluto, sotto forma di coppie «input e risultato atteso». Microsoft precisa che il modello non apprende nel senso di una modifica permanente: gli esempi lo condizionano soltanto per la risposta in corso [1]. Una richiesta senza esempi si dice «zero-shot» [1]. L'idea viene dalla ricerca. L'articolo del 2020 su GPT-3 descrive compiti e dimostrazioni forniti «purely via text interaction with the model», senza riaddestramento [2]. ### Perché gli esempi aiutano? Nell'esempio di Microsoft, un modello a cui si chiede una categoria per il titolo di un articolo di stampa sembra tirare a indovinare ciò che ci si aspetta. Con gli esempi, comprende il formato e può perfino dedurre il tipo di etichetta voluto, anche se nessun esempio portava l'etichetta «basketball» [1]. ### Che cosa significa suddividere un compito in passaggi? Microsoft indica che i modelli linguistici danno spesso risultati migliori quando il compito è diviso in passaggi più piccoli. Il suo esempio: chiedere prima di estrarre i fatti utili, poi soltanto di produrre query di ricerca per verificarli [1]. Su un testo breve la differenza è modesta, ma diventa netta quando il testo contiene molte affermazioni [1]. ### Bisogna chiedere all'IA di mostrare il proprio ragionamento? È una variante. Microsoft descrive un'istruzione che chiede di procedere passo dopo passo e di presentare tutti i passaggi. Secondo la documentazione, questo riduce la possibilità di inesattezze e facilita la valutazione della risposta [1]. Microsoft precisa che questa tecnica si applica solo ai modelli non di ragionamento e che queste tecniche «aren't recommended for reasoning models like gpt-5 and o-series models» [1]. ### Ci si può fidare di un ragionamento che sembra logico? No, passaggi ben presentati non provano nulla di per sé. Microsoft raccomanda di dare al modello una «via d'uscita», per esempio rispondere «not found» se l'informazione non è nel testo fornito [1]. Le risposte variano inoltre a seconda dei modelli e delle versioni [6]. ## Come funziona I modelli linguistici producono la sequenza di parole più probabile a partire dal testo ricevuto [1]. Esempi ben scelti orientano questa sequenza verso il formato voluto. Per i problemi in più fasi, la ricerca ha descritto diversi metodi. L'articolo del 2022 sulla «catena di pensiero» mostra che fornire alcune dimostrazioni con passaggi di ragionamento intermedi migliora i risultati in compiti di aritmetica, di buon senso e di ragionamento simbolico [3]. Un altro articolo del 2022 mostra che aggiungere la frase «Let's think step by step» basta, senza alcun esempio, a migliorare i risultati [4]. Un terzo metodo, detto «dal più semplice al più complesso», suddivide un problema in sottoproblemi risolti in ordine, con ogni risposta che aiuta a risolvere la successiva [5]. Questi risultati derivano da test su problemi di riferimento, non da situazioni d'ufficio. Mostrano che il metodo può aiutare, senza garantire una buona risposta. ## Che cosa fa Lei - Scriva due o tre esempi brevi e vari, ciascuno con un input e l'output esatto atteso. - Sostituisca ogni dato reale con un dato inventato: un nome fittizio, un importo arrotondato senza legame con una pratica, un testo riscritto. - Collochi l'istruzione in modo chiaro. L'ordine conta: Microsoft osserva che l'ordine delle informazioni può modificare l'output, compreso quello degli esempi [1]. - Suddivida il compito: chieda un primo passaggio, lo rilegga, lo corregga, poi passi al successivo basandosi sul passaggio convalidato. - Preveda una via d'uscita: autorizzi l'IA a rispondere che non lo sa o che manca un'informazione [1]. - Verifichi i fatti importanti (cifre, date, nomi) in una fonte affidabile prima di usarli. Un esempio di richiesta in due tempi, riportato qui a titolo illustrativo: ```text Illustrazione, testo fittizio. Passaggio 1: [elenca le affermazioni verificabili del testo qui sotto.] Passaggio 2: [dopo la mia rilettura, proponi per ogni affermazione un modo per verificarla.] Se manca un'informazione, rispondi «non trovato». ``` ## Le insidie - Esempi distorti. Il modello imita ciò che gli si mostra. Microsoft segnala la sensibilità all'ordine, con un bias di recenza: ciò che si trova alla fine della richiesta può pesare di più [1]. Vari gli esempi e rilegga la risposta chiedendosi se non ne copi la forma. - Passaggi inventati. Un passaggio che sembra plausibile può essere sbagliato. Rileggere soltanto la conclusione non basta. - Fiducia eccessiva. I miglioramenti misurati dalla ricerca riguardano insiemi di test precisi [3][4]. Non dicono nulla sulla sua pratica. - Fuga di informazioni nelle istruzioni. Istruzioni ed esempi fanno parte della richiesta. L'OWASP include tra i rischi la divulgazione di informazioni sensibili e la rivelazione di informazioni sulle istruzioni di sistema [8]. Microsoft ricorda che un messaggio di sistema influenza il modello senza garantire che rispetti le regole [6]. Non conti sull'istruzione «non rivelare nulla» per proteggere un segreto inserito in un esempio. - Testo di terzi nella richiesta. Se incolla un documento proveniente dall'esterno (CV, e-mail, pagina web), questo può contenere istruzioni nascoste. Il NCSC britannico fa l'esempio (ipotetico) di un CV con un testo nascosto che chiede di ignorare le istruzioni precedenti e di approvare la candidatura [7]. Aggiunge che i modelli attuali non impongono alcun confine di sicurezza tra istruzioni e dati [7]. Rilegga dunque gli output con prudenza quando il testo di partenza non è il suo. ## Casi reali ### Maggio 2020: GPT-3 provato con esempi Gli autori di GPT-3, un modello da 175 miliardi di parametri, lo mettono alla prova senza aggiornare il modello, con compiti ed esempi forniti unicamente tramite testo. Riportano buoni risultati su molti insiemi di dati e anche insiemi in cui l'apprendimento da pochi esempi resta in difficoltà [2]. ### Maggio 2022: una frase basta in un test di aritmetica Alcuni ricercatori mostrano che aggiungere «Let's think step by step» fa passare la precisione dal 17,7 % al 78,7 % nel test MultiArith e dal 10,4 % al 40,7 % su GSM8K, con il modello text-davinci-002 [4]. Anche con questo miglioramento, la risposta resta sbagliata più di una volta su cinque su MultiArith e più di una volta su due su GSM8K, stando a queste cifre [4]. ### Maggio 2022: la suddivisione dal più semplice al più complesso Gli autori del metodo dal più semplice al più complesso riportano che con il modello code-davinci-002 e 14 esempi raggiungono almeno il 99 % di precisione nel test SCAN, contro il 16 % con la catena di pensiero [5]. Precisano che la catena di pensiero tende a funzionare male su problemi più difficili degli esempi mostrati [5]. ## Fonti 1. Microsoft, «Prompt engineering techniques - Microsoft Foundry». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (consultato il 3 novembre 2026) 2. arXiv, «Language Models are Few-Shot Learners», 28 maggio 2020. https://arxiv.org/abs/2005.14165 (consultato il 3 novembre 2026) 3. arXiv, «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models», 28 gennaio 2022. https://arxiv.org/abs/2201.11903 (consultato il 3 novembre 2026) 4. arXiv, «Large Language Models are Zero-Shot Reasoners», 24 maggio 2022. https://arxiv.org/abs/2205.11916 (consultato il 3 novembre 2026) 5. arXiv, «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models», 21 maggio 2022. https://arxiv.org/abs/2205.10625 (consultato il 3 novembre 2026) 6. Microsoft, «System message design for Azure OpenAI - Microsoft Foundry». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering (consultato il 3 novembre 2026) 7. NCSC (Royaume-Uni), «Prompt injection is not SQL injection (it may be worse)», 8 dicembre 2025. https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection (consultato il 3 novembre 2026) 8. OWASP, «LLM01:2025 Prompt Injection». https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (consultato il 3 novembre 2026) --- Fonte originale: Cyberpedia, l'enciclopedia pubblica di cybersicurezza e IA pubblicata da Brain. Versione canonica: https://startbrain.io/cyberpedia/it/articles/few-shot-prompting-esempi-passaggi/ Puoi riutilizzare liberamente questo testo con licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), a condizione di citare «Brain, Cyberpedia» con un link all'indirizzo qui sopra.