Cosa saprai fare
- Spiegare come un modello elabora il contesto e scegliere modello e parametri in base a qualità, costi e latenza
- Scrivere prompt chiari e testabili con ruolo, compito, contesto, vincoli, formato ed esempi
- Applicare tecniche di ragionamento, decomposizione e output strutturato con validazione
- Progettare il contesto: istruzioni, memoria e recupero della conoscenza (RAG) con citazioni
- Costruire workflow e agenti con strumenti, gestendo errori, limiti e supervisione umana
- Misurare la qualità con dataset di valutazione, metriche, intervalli di confidenza e valutatori calibrati
- Governare costi, sicurezza (prompt injection), privacy e conformità e gestire i prompt come codice in produzione
Il percorso avanzato per chi progetta e mette in produzione applicazioni basate su modelli linguistici: prompt engineer, sviluppatori, product manager, analisti, consulenti e team che usano l'IA nel lavoro. Si parte dai fondamenti (token, contesto, parametri, anatomia del prompt) e si arriva a ciò che distingue un professionista: output strutturati, context engineering, RAG, chiamata di strumenti e agenti, workflow a più passi, valutazioni con metriche e intervalli di confidenza, LLM-as-judge, versioni e regressioni, costi e latenza, sicurezza contro la prompt injection, privacy, copyright e conformità. Ogni lezione contiene esempi di prompt, calcoli svolti, un caso, una checklist e trucchi del mestiere; la banca di domande è a scenario e di calcolo. Corso indipendente di eugeniodamaso.it Academy: le tecniche sono presentate in modo neutrale rispetto ai fornitori e vanno verificate sulla documentazione del modello che usi.
Il programma
Modulo 1 · Fondamenti: modelli, contesto e anatomia del prompt
- Come lavora un modello linguistico: token, contesto, probabilità e limiti — Che cosa fa davvero un modello linguistico: predice il token successivo; che cosa sono token e finestra di contesto e come si stimano; perché le risposte variano; quali limiti (allucinazioni, posizione dell'informazione, data di aggiornamento) il prompt engineer deve progettare e non ignorare.
- Anatomia di un prompt: ruolo, compito, contesto, vincoli, formato ed esempi — Come si struttura un prompt efficace: gli elementi che lo compongono, l'ordine, i delimitatori che separano istruzioni e dati, e come trasformare un prompt vago in uno completo e testabile.
- Requisiti chiari: criteri di successo, casi limite e gestione dell'ambiguità — Come si trasformano esigenze di business in requisiti verificabili per un prompt: criteri di successo misurabili, casi tipici, limite e negativi, istruzioni positive e motivate, e come si scoprono le ambiguità prima che producano errori in produzione.
- Parametri e scelta del modello: qualità, costi e latenza — Come si scelgono modello e parametri: temperatura, campionamento, limiti di output; differenze tra modelli veloci e modelli con ragionamento esteso; come si calcolano costi e tempi di una richiesta e come un instradamento fra modelli riduce la spesa senza perdere qualità.
Modulo 2 · Tecniche di prompting
- Esempi nel prompt (few-shot): scegliere, ordinare e valutare gli esempi — Come si usano gli esempi per insegnare formato e criterio al modello: quanti, quali, in che ordine; come evitare bias e copiatura; esempi negativi e di bordo; selezione dinamica; come si misura il valore di ogni esempio rispetto al suo costo in token.
- Ragionamento e decomposizione: catena di pensiero, verifica, coerenza interna e modelli con ragionamento — Come si migliorano i compiti complessi: far ragionare per passi, scomporre i problemi, verificare, usare più campioni e voto di maggioranza (autoconsistenza); che cosa cambia con i modelli con ragionamento esteso e quando il ragionamento non serve.
- Output strutturati: schemi, validazione, riprova e contratti con il codice — Come si ottengono risposte leggibili da un programma: progettazione dello schema, vincolo dell'output con le funzioni del fornitore o con il solo prompt, validazione a più livelli, riprova con messaggio d'errore e calcolo dell'affidabilità complessiva.
- Prompt di sistema, ruoli e guardrail: istruzioni stabili, tono e limiti dell'assistente — Come si progetta il prompt di sistema di un'applicazione: struttura, livelli di istruzioni e priorità, tono, comportamento nei casi limite e di rifiuto, protezione di informazioni riservate, versionamento e costo, con calcolo dell'effetto della memorizzazione del prefisso.
Modulo 3 · Contesto e conoscenza
- Context engineering: costruire la finestra di contesto giusta a ogni passo — Il contesto come risorsa scarsa da progettare: che cosa vi entra (istruzioni, esempi, documenti, memoria, risultati di strumenti), come si assegna un budget di token, come si selezionano, comprimono e isolano le informazioni e perché più contesto non è sempre meglio.
- RAG: recupero della conoscenza, citazioni e valutazione del retrieval — Come si costruisce un sistema di risposta basato su documenti: preparazione, suddivisione in frammenti, ricerca semantica e testuale, riclassificazione, generazione con citazioni; come si misurano separatamente retrieval e risposta con recall@k e fedeltà alle fonti.
- Memoria e conversazioni lunghe: cronologia, riassunti, memoria a lungo termine e privacy — Come si gestisce la continuità di una conversazione: crescita della cronologia e dei costi, riassunti progressivi, memoria a lungo termine con recupero, diritti dell'utente su ciò che viene ricordato e valutazione della coerenza nel tempo.
- Documenti lunghi, dati tabellari e input multimodali: strategie di elaborazione e verifica — Come si lavora con documenti oltre la finestra, tabelle e dati numerici, immagini, audio e PDF scansionati: suddivisione e sintesi gerarchica, strumenti di calcolo al posto della lettura, estrazione verificabile e controlli di qualità, con calcoli di costo.
Modulo 4 · Strumenti, agenti e workflow
- Chiamata di strumenti: progettare funzioni che il modello usa bene e in sicurezza — Come un modello usa funzioni esterne: ciclo di richiesta e risultato, progettazione di nomi, descrizioni e parametri, messaggi d'errore utili, permessi, conferme e idempotenza; come il numero di strumenti influenza la scelta e il costo in token.
- Agenti: ciclo di azione, pianificazione, stato e affidabilità dei compiti a più passi — Che cosa distingue un agente da un singolo prompt o da un workflow; come si progettano ciclo, condizioni di arresto, stato e budget; perché l'affidabilità cala con il numero di passi (calcolo con probabilità composte) e quando conviene non usare un agente.
- Workflow a più passi: concatenamento, instradamento, parallelizzazione e valutazione — I modelli di workflow più utili: catena di prompt, instradamento, parallelizzazione (sezioni e voto), orchestratore con esecutori e ciclo valutatore-ottimizzatore; come si scelgono, come si calcolano latenza e costi e come si evitano complessità inutili.
- Affidabilità e supervisione umana: guasti, riprove, soglie di fiducia e revisione — Come si rendono affidabili i sistemi con modelli: guasti tipici, timeout, riprove e percorsi di ripiego; instradamento per fiducia verso la revisione umana con calcolo dell'accuratezza complessiva; rilascio graduale, registri e responsabilità.
Modulo 5 · Valutazione e operazioni
- Progettare le valutazioni: dataset di riferimento, metriche e significatività — Come si misura la qualità di un prompt: costruzione del dataset di riferimento (golden set), scelta delle metriche (accuratezza, precisione, richiamo, F1), intervalli di confidenza e dimensione del campione, separazione fra sviluppo e test e analisi degli errori.
- Giudice automatico e valutazione umana: rubriche, concordanza e bias — Come valutare risposte aperte: rubriche con criteri osservabili, uso di un modello come giudice, calibrazione con valutatori umani, concordanza (accordo osservato e kappa di Cohen), bias del giudice e confronti a coppie.
- Iterazione, versioni e regressioni: PromptOps — Come si gestiscono i prompt come software: versionamento, esperimenti controllati, test di regressione, confronto fra versioni, cambi di modello, registri delle modifiche e rilascio con approvazione.
- Costi, latenza, memorizzazione e osservabilità in produzione — Come si controllano costi e tempi di un sistema in produzione: modello dei costi per richiesta, memorizzazione del prefisso, instradamento, elaborazione a lotti, flusso progressivo, osservabilità (tracce, indicatori, allarmi) e gestione di privacy e conservazione.
Modulo 6 · Sicurezza, governance e pratica professionale
- Sicurezza: prompt injection, fuga di dati e minimo privilegio — Le minacce specifiche dei sistemi con modelli: iniezione diretta e indiretta, fuga di istruzioni e dati, abuso degli strumenti; difese a strati (separazione, permessi, validazione, conferme), test avversari e risposta agli incidenti.
- Privacy, diritto d'autore, bias e conformità: AI Act e GDPR in pratica — I requisiti con cui un prompt engineer si confronta: dati personali e base giuridica, minimizzazione, trasferimenti, diritto d'autore e licenze, bias ed equità, trasparenza e supervisione umana secondo il regolamento europeo sull'IA; con un approccio pratico e senza sostituire la consulenza legale.
- La professione: casi d'uso, portfolio, collaborazione e crescita — Come lavora un prompt engineer: selezione dei casi d'uso con stima di valore, collaborazione con esperti di dominio, sviluppo e legale, documentazione, comunicazione dei limiti, costruzione di un portfolio e crescita continua.
- Progetto finale: progettare, valutare e mettere in sicurezza un assistente — Un caso integrato con numeri: dal requisito alla progettazione del prompt, alla valutazione con intervallo di confidenza, ai costi, alla sicurezza e al rilascio; con una rubrica di autovalutazione e una soluzione commentata.
In appendice: Trucchi del mestiere, 96 accorgimenti operativi dal lavoro sul campo.
Il docente
Eugenio Damaso, fondatore di eugeniodamaso.it Academy. Slide e dispensa in PDF incluse; test finale con attestato e Open Badge.
Programma
-
1
Come lavora un modello linguistico: token, contesto, probabilità e limiti
Che cosa fa davvero un modello linguistico: predice il token successivo; che cosa sono token e finestra di contesto e come si stimano; perché le risposte variano; quali limiti (allucinazioni, posizione dell'informazione…
Lettura · 55 minuti
-
2
Anatomia di un prompt: ruolo, compito, contesto, vincoli, formato ed esempi
Come si struttura un prompt efficace: gli elementi che lo compongono, l'ordine, i delimitatori che separano istruzioni e dati, e come trasformare un prompt vago in uno completo e testabile.
Lettura · 55 minuti
-
3
Requisiti chiari: criteri di successo, casi limite e gestione dell'ambiguità
Come si trasformano esigenze di business in requisiti verificabili per un prompt: criteri di successo misurabili, casi tipici, limite e negativi, istruzioni positive e motivate, e come si scoprono le ambiguità prima che…
Lettura · 55 minuti
-
4
Parametri e scelta del modello: qualità, costi e latenza
Come si scelgono modello e parametri: temperatura, campionamento, limiti di output; differenze tra modelli veloci e modelli con ragionamento esteso; come si calcolano costi e tempi di una richiesta e come un instradamen…
Lettura · 55 minuti
-
5
Esempi nel prompt (few-shot): scegliere, ordinare e valutare gli esempi
Come si usano gli esempi per insegnare formato e criterio al modello: quanti, quali, in che ordine; come evitare bias e copiatura; esempi negativi e di bordo; selezione dinamica; come si misura il valore di ogni esempio…
Lettura · 55 minuti
-
6
Ragionamento e decomposizione: catena di pensiero, verifica, coerenza interna e modelli con ragionamento
Come si migliorano i compiti complessi: far ragionare per passi, scomporre i problemi, verificare, usare più campioni e voto di maggioranza (autoconsistenza); che cosa cambia con i modelli con ragionamento esteso e quan…
Lettura · 55 minuti
-
7
Output strutturati: schemi, validazione, riprova e contratti con il codice
Come si ottengono risposte leggibili da un programma: progettazione dello schema, vincolo dell'output con le funzioni del fornitore o con il solo prompt, validazione a più livelli, riprova con messaggio d'errore e calco…
Lettura · 55 minuti
-
8
Prompt di sistema, ruoli e guardrail: istruzioni stabili, tono e limiti dell'assistente
Come si progetta il prompt di sistema di un'applicazione: struttura, livelli di istruzioni e priorità, tono, comportamento nei casi limite e di rifiuto, protezione di informazioni riservate, versionamento e costo, con c…
Lettura · 55 minuti
-
9
Context engineering: costruire la finestra di contesto giusta a ogni passo
Il contesto come risorsa scarsa da progettare: che cosa vi entra (istruzioni, esempi, documenti, memoria, risultati di strumenti), come si assegna un budget di token, come si selezionano, comprimono e isolano le informa…
Lettura · 55 minuti
-
10
RAG: recupero della conoscenza, citazioni e valutazione del retrieval
Come si costruisce un sistema di risposta basato su documenti: preparazione, suddivisione in frammenti, ricerca semantica e testuale, riclassificazione, generazione con citazioni; come si misurano separatamente retrieva…
Lettura · 55 minuti
-
11
Memoria e conversazioni lunghe: cronologia, riassunti, memoria a lungo termine e privacy
Come si gestisce la continuità di una conversazione: crescita della cronologia e dei costi, riassunti progressivi, memoria a lungo termine con recupero, diritti dell'utente su ciò che viene ricordato e valutazione della…
Lettura · 55 minuti
-
12
Documenti lunghi, dati tabellari e input multimodali: strategie di elaborazione e verifica
Come si lavora con documenti oltre la finestra, tabelle e dati numerici, immagini, audio e PDF scansionati: suddivisione e sintesi gerarchica, strumenti di calcolo al posto della lettura, estrazione verificabile e contr…
Lettura · 55 minuti
-
13
Chiamata di strumenti: progettare funzioni che il modello usa bene e in sicurezza
Come un modello usa funzioni esterne: ciclo di richiesta e risultato, progettazione di nomi, descrizioni e parametri, messaggi d'errore utili, permessi, conferme e idempotenza; come il numero di strumenti influenza la s…
Lettura · 55 minuti
-
14
Agenti: ciclo di azione, pianificazione, stato e affidabilità dei compiti a più passi
Che cosa distingue un agente da un singolo prompt o da un workflow; come si progettano ciclo, condizioni di arresto, stato e budget; perché l'affidabilità cala con il numero di passi (calcolo con probabilità composte) e…
Lettura · 55 minuti
-
15
Workflow a più passi: concatenamento, instradamento, parallelizzazione e valutazione
I modelli di workflow più utili: catena di prompt, instradamento, parallelizzazione (sezioni e voto), orchestratore con esecutori e ciclo valutatore-ottimizzatore; come si scelgono, come si calcolano latenza e costi e c…
Lettura · 55 minuti
-
16
Affidabilità e supervisione umana: guasti, riprove, soglie di fiducia e revisione
Come si rendono affidabili i sistemi con modelli: guasti tipici, timeout, riprove e percorsi di ripiego; instradamento per fiducia verso la revisione umana con calcolo dell'accuratezza complessiva; rilascio graduale, re…
Lettura · 55 minuti
-
17
Progettare le valutazioni: dataset di riferimento, metriche e significatività
Come si misura la qualità di un prompt: costruzione del dataset di riferimento (golden set), scelta delle metriche (accuratezza, precisione, richiamo, F1), intervalli di confidenza e dimensione del campione, separazione…
Lettura · 55 minuti
-
18
Giudice automatico e valutazione umana: rubriche, concordanza e bias
Come valutare risposte aperte: rubriche con criteri osservabili, uso di un modello come giudice, calibrazione con valutatori umani, concordanza (accordo osservato e kappa di Cohen), bias del giudice e confronti a coppie.
Lettura · 55 minuti
-
19
Iterazione, versioni e regressioni: PromptOps
Come si gestiscono i prompt come software: versionamento, esperimenti controllati, test di regressione, confronto fra versioni, cambi di modello, registri delle modifiche e rilascio con approvazione.
Lettura · 55 minuti
-
20
Costi, latenza, memorizzazione e osservabilità in produzione
Come si controllano costi e tempi di un sistema in produzione: modello dei costi per richiesta, memorizzazione del prefisso, instradamento, elaborazione a lotti, flusso progressivo, osservabilità (tracce, indicatori, al…
Lettura · 55 minuti
-
21
Sicurezza: prompt injection, fuga di dati e minimo privilegio
Le minacce specifiche dei sistemi con modelli: iniezione diretta e indiretta, fuga di istruzioni e dati, abuso degli strumenti; difese a strati (separazione, permessi, validazione, conferme), test avversari e risposta a…
Lettura · 55 minuti
-
22
Privacy, diritto d'autore, bias e conformità: AI Act e GDPR in pratica
I requisiti con cui un prompt engineer si confronta: dati personali e base giuridica, minimizzazione, trasferimenti, diritto d'autore e licenze, bias ed equità, trasparenza e supervisione umana secondo il regolamento eu…
Lettura · 55 minuti
-
23
La professione: casi d'uso, portfolio, collaborazione e crescita
Come lavora un prompt engineer: selezione dei casi d'uso con stima di valore, collaborazione con esperti di dominio, sviluppo e legale, documentazione, comunicazione dei limiti, costruzione di un portfolio e crescita co…
Lettura · 55 minuti
-
24
Progetto finale: progettare, valutare e mettere in sicurezza un assistente
Un caso integrato con numeri: dal requisito alla progettazione del prompt, alla valutazione con intervallo di confidenza, ai costi, alla sicurezza e al rilascio; con una rubrica di autovalutazione e una soluzione commen…
Lettura · 55 minuti
-
25
Appendice · Trucchi del mestiere
Gli accorgimenti di chi mette in produzione i prompt: come scrivere un requisito che il modello non può fraintendere, come scegliere gli esempi giusti, come far restituire un JSON sempre valido, come costruire un datase…
Lettura · 30 minuti
-
✓
Test finale
40 domande, si supera con il 85%, 56 minuti, fino a 3 tentativi.
Verifica
A chi è rivolto
Prompt engineer e sviluppatori che integrano modelli linguistici, product manager e analisti di prodotto, data e automation specialist, consulenti, responsabili IT e professionisti che vogliono usare l'IA in modo affidabile e controllabile nel lavoro.