Hai appena ottenuto accesso a un modello AI potente, gli scrivi una domanda e… risponde in modo vago, incompleto o peggio, inventa. Il problema non è il modello: è come gli stai chiedendo. Noi, di Meteora Web, lavoriamo quotidianamente con API di AI per clienti reali — assistenza, automazione, analisi dati — e abbiamo imparato che la differenza tra una risposta utile e una inutile sta in una manciata di esempi ben piazzati. Niente addestramento personalizzato, niente fine-tuning. Solo prompt ben progettati. Benvenuto nel mondo dello zero-shot, one-shot e few-shot prompting.
Perché il modo in cui chiedi cambia tutto
I modelli linguistici di oggi (GPT-4, Claude, Gemini) sono addestrati su miliardi di testi. Sanno moltissimo, ma non sanno cosa vuoi da loro in quel preciso momento. È come avere un consulente geniale ma distratto: se non gli dai il giusto contesto, ti risponde con la prima cosa che gli passa per la testa. Le tecniche di prompt engineering servono a guidare la sua attenzione verso l'output che ti serve. E si basano su un principio semplice: mostrare esempi è più efficace che spiegare a parole.
Zero-shot: nessun esempio, solo istruzioni.
One-shot: un singolo esempio nel prompt.
Few-shot: da 2 a 5 esempi.
Più esempi dai, più il modello capisce il pattern. Ma attenzione: ogni esempio costa token (e quindi denaro) e appesantisce la richiesta. Saper scegliere il numero giusto è una competenza strategica.
Zero-shot: quando funziona e quando no
Zero-shot è il caso base: scrivi una richiesta e il modello risponde senza alcun esempio. Funziona bene per task semplici e ben circoscritti: classificazione binaria, estrazione di entità note, domande fattuali. Ad esempio:
Classifica il seguente testo come POSITIVO o NEGATIVO:
"Il servizio clienti è stato lentissimo, ma il prodotto finale mi è piaciuto."Il modello risponderà probabilmente "POSITIVO" o "NEGATIVO" in modo abbastanza accurato. Ma se il task richiede un formato specifico (es. JSON, data strutturata), zero-shot spesso produce output incoerenti. Noi lo vediamo quando un cliente ci chiede di estrarre dati da fatture: senza esempio, il modello tende a "immaginare" campi inesistenti.
Errore comune: pensare che zero-shot basti sempre. Invece, per output complessi, basta un esempio per salvare la giornata.
One-shot: il potere di un singolo esempio
Un esempio nel prompt cambia radicalmente la qualità. Il modello capisce non solo cosa vuoi, ma come lo vuoi. Proviamo lo stesso task con un esempio:
Estrai le seguenti informazioni dal testo della fattura in formato JSON:
Esempio:
Testo: "Fattura n. 123 del 15/04/2025, totale € 450,00 + IVA 22%"
Output: {"numero": "123", "data": "2025-04-15", "totale": 450.00, "iva": 22}
Ora estrai da:
Testo: "Fattura n. 456 del 20/06/2025, totale € 1.200,00 + IVA 10%"
Output:Il risultato sarà molto più preciso. Noi, di Meteora Web, usiamo questa tecnica per popolare automaticamente i campi dei nostri moduli di fatturazione. Un singolo esempio — ben scelto, rappresentativo — è spesso sufficiente per task strutturati. La regola empirica: se la struttura dell'output è fissa, one-shot ti dà il 90% dell'accuratezza.
Few-shot: quando la complessità sale
Con 2-5 esempi puoi insegnare al modello pattern più articolati: relazioni logiche, stili di scrittura, regole condizionali. Few-shot è ideale per:
- Trasformazioni linguistiche (riassunto, tono, traduzione con registro specifico)
- Esecuzione di regole (es. "se il nome contiene SRL, usa denominazione sociale")
- Analisi multi-step (es. "primo passo: identifica la categoria; secondo passo: assegna un punteggio")
Esempio reale — classifichiamo il sentiment di recensioni con toni misti:
Classifica il sentiment come POSITIVO, NEGATIVO o MISTO.
1. "Prodotto eccellente, ma la spedizione ha impiegato 3 settimane." -> MISTO
2. "Prodotto scadente, mai più." -> NEGATIVO
3. "Tutto perfetto, funziona benissimo e consegna rapida." -> POSITIVO
Ora classifica: "Il prezzo è buono, però la qualità non è all'altezza."Con tre esempi, il modello impara che "MISTO" esiste e quando applicarlo. Senza esempi, spesso sceglie solo tra positivo/negativo.
Tecniche avanzate per few-shot prompt
Scelta degli esempi: rappresentatività vs varietà
Non tutti gli esempi sono uguali. Scegli quelli che coprono i casi più frequenti + un caso limite. Regola pratica: 80% esempi tipici, 20% outlier. Evita esempi troppo simili tra loro — non insegnano nulla di nuovo.
Ordine degli esempi: dalla semplicità alla complessità
Il modello tende a prestare più attenzione agli ultimi esempi (primacy/recency bias). Metti gli esempi più complessi o critici verso la fine. Noi di Meteora Web, quando costruiamo prompt per l'estrazione dati da fatture eterogenee (con fornitori diversi), posizioniamo le fatture più atipiche come ultimi esempi.
Prompt template: separa istruzioni, esempi e input
Un formato chiaro migliora la comprensione. Usa marcatori come --- o # per separare le sezioni. Esempio di template:
# ISTRUZIONI
Estrai il totale imponibile e l'IVA dal testo della fattura.
# ESEMPI
1. Testo: "Imponibile 500€, IVA 22%" -> Imponibile: 500, IVA: 22%
2. Testo: "Totale 1.000€ (di cui IVA 100€)" -> Imponibile: 909.09, IVA: 100
# INPUT
Testo: "Base imponibile 2.000€ + IVA 22%"
# OUTPUTQuesto approccio riduce gli errori di parsing e rende il prompt manutenibile. Lo usiamo nei nostri sistemi di automazione contabile (sì, veniamo dalla contabilità, lo facciamo ogni giorno).
Evitare il contesto sprecato: token budget
Ogni modello ha un limite di token (contesto). Con few-shot, ogni esempio consuma token preziosi. Per prompt molto lunghi, valuta se davvero servono 5 esempi o se 2 bastano. Noi abbiamo visto casi in cui 3 esempi ben fatti superano 8 esempi mediocri. Misura sempre la lunghezza del tuo prompt con strumenti come OpenAI Tokenizer prima di andare in produzione.
Few-shot dinamico: scegli gli esempi al volo
Nei sistemi reali, gli esempi possono essere selezionati automaticamente in base all'input. Ad esempio, su una piattaforma di e-commerce che gestiamo, classifichiamo le richieste di assistenza in base alla categoria del prodotto: se la richiesta riguarda abbigliamento, usiamo esempi di resi e taglie; se riguarda elettronica, usiamo esempi di garanzia e compatibilità. Questo few-shot dinamico migliora la precisione e riduce i token sprecati.
Quando usare zero-shot, one-shot o few-shot? Criteri pratici
- Zero-shot: task semplici, classificazioni binarie, domande dirette, output liberi (es. brainstorming).
- One-shot: output strutturato (JSON, tabelle), formattazione specifica, stile predefinito. Sempre meglio di zero-shot se possibile.
- Few-shot: task complessi con regole implicite, classificazioni multi-classe con sfumature, trasformazioni con eccezioni, scenari dove il modello tende a confondersi.
Noi, di Meteora Web, partiamo quasi sempre da one-shot e aumentiamo gli esempi solo se il test su un campione mostra errori sistematici. Ricorda: ogni esempio costa, ma un errore costa di più.
In sintesi — cosa fare adesso
- Identifica il tuo task: è semplice o complesso? Hai una struttura fissa in output? Se sì, usa one-shot.
- Prepara 2-3 esempi rappresentativi per ogni caso d'uso. Tienili in un file di template pronto all'uso.
- Prova in modalità zero-shot su 10 input campione. Conta gli errori. Se più del 20%, passa a one-shot.
- Itera: aggiungi un esempio alla volta finché l'accuratezza non ti soddisfa (ma non superare mai 5 esempi, di solito 3 bastano).
- Implementa few-shot dinamico se hai molti input eterogenei: raggruppa gli esempi per categoria e sceglili automaticamente.
- Monitora i token: usa il tokenizer del modello per non sforare il contesto.
Zero-shot, one-shot, few-shot non sono tecniche misteriose: sono la differenza tra un modello che sbaglia e uno che risolve. E in un'azienda, ogni risposta sbagliata è un costo. Noi lavoriamo su questo ogni giorno. Ora tocca a te: prendi un prompt che usi oggi, aggiungi un esempio, e vedi la differenza. Se vuoi approfondire, leggi la nostra guida su ChatGPT per aziende o confronta modelli su Claude vs altri.
Sponsored Protocol
