Il few-shot prompting è una tecnica di prompt engineering che consiste nel fornire all’intelligenza artificiale uno o più esempi pratici prima di formulare la richiesta vera e propria. Si usa quando si vuole controllare tono, formato e struttura dell’output, senza dover addestrare o modificare il modello. Chiunque lavori con AI generativa, dai content writer ai comunicatori digitali, può applicarla subito, con qualsiasi strumento. Questa guida spiega cos’è, come funziona, quando usarla e quando evitarla.

Cos’è il few-shot prompting?

Il few-shot prompting è una tecnica di prompting in cui si inseriscono nel prompt uno o più esempi di input e output attesi, in modo che il modello capisca esattamente cosa fare prima ancora di ricevere la domanda finale.

Il nome viene dall’inglese: “few” significa pochi, “shot” significa esempio. Quindi: pochi esempi per guidare la risposta. La logica è semplice. Invece di descrivere a parole ciò che vuoi ottenere, lo mostri direttamente. Il modello non ha bisogno di interpretare le tue istruzioni: ha già il modello di risposta davanti agli occhi.

Questa tecnica si inserisce nel campo più ampio del prompt engineering, ovvero l’insieme delle strategie per comunicare con i modelli di linguaggio in modo efficace. All’interno di questo campo, il few-shot si distingue da altri approcci per la presenza esplicita di esempi nel corpo del prompt.

Per capire la differenza, è utile confrontarla con il suo opposto diretto: lo zero-shot prompting. Con lo zero-shot prompting si formula una richiesta senza fornire alcun esempio, lasciando al modello il compito di interpretare l’istruzione basandosi solo su ciò che ha appreso durante l’addestramento LLM. Con il few-shot, invece, si aggiungono due, tre o anche più esempi che mostrano l’input e l’output desiderato, riducendo l’ambiguità e orientando il comportamento del modello.

Esiste anche una variante intermedia, chiamata one-shot prompting, che prevede un solo esempio. La distinzione è più sfumatura che sostanziale: il principio di fondo è lo stesso.

Come funziona il prompt few-shot?

Il few-shot prompting sfrutta un meccanismo chiamato apprendimento in-context: il modello adatta il proprio comportamento in base alle informazioni presenti nella singola conversazione, senza modificare i propri parametri interni.

Quando inserisci esempi nel prompt, il modello LLM li legge come parte del contesto e li usa per capisce la logica della trasformazione che stai chiedendo. Non si tratta di un vero e proprio apprendimento nel senso tecnico del termine: i parametri del modello non cambiano. È piuttosto un’attivazione selettiva di pattern già presenti nel modello, guidata dagli esempi che hai fornito.

In termini pratici, la struttura di un prompt few-shot segue quasi sempre questo schema:

1. una breve istruzione o contesto iniziale
2. due o più coppie input/output di esempio
3. il nuovo input su cui vuoi la risposta.

Più gli esempi sono coerenti tra loro, più il modello è in grado di replicare il formato esatto che hai in mente. Se gli esempi mostrano risposte di tre righe, il modello tenderà a rispondere con tre righe. Se mostrano output in forma di elenco puntato, risponderà con un elenco puntato.

Importanza del few-shot prompting nell’AI content writing

Questa caratteristica è particolarmente utile per chi lavora con l’AI nel content writing e nella comunicazione digitale, perché permette di controllare non solo il contenuto ma anche la forma dell’output, senza ricorrere a istruzioni astratte difficili da interpretare.

Un altro effetto importante è la riduzione delle cosiddette allucinazioni, ovvero quelle risposte inventate o imprecise che i modelli producono quando non hanno abbastanza contesto per rispondere in modo corretto. Fornire esempi ancorati alla realtà del compito riduce lo spazio in cui il modello può “vagare”.

Il meccanismo funziona meglio quando gli esempi rispettano tre condizioni: sono rilevanti rispetto al compito, coprono scenari diversi tra loro, e mantengono uno stile e una formattazione omogenei. Ignorare anche una sola di queste condizioni può ridurre sensibilmente la qualità dell’output.

Quali vantaggi comporta l’uso di prompt few-shot?

Il few-shot prompting migliora la precisione e il controllo sull’output rispetto allo zero-shot prompting, senza richiedere competenze tecniche avanzate né interventi sul modello.

Ecco i principali vantaggi nell’uso quotidiano, in particolare per chi si occupa di contenuti e comunicazione digitale:

Vantaggio	Cosa significa in pratica
Controllo del formato.	Definisci se l’output deve essere un elenco, una tabella, un testo discorsivo o un JSON.
Precisione migliorata.	Il modello capisce il livello di dettaglio atteso e lo replica.
Coerenza stilistica.	Ogni risposta rispetta il tono e la struttura degli esempi forniti.
Meno allucinazioni.	Il contesto ristretto riduce le derive del modello.
Nessun fine-tuning.	Modifichi il comportamento del modello al volo, senza riaddestrarlo.
Risparmio di tempo.	Eviti cicli lunghi di correzione e revisione degli output.

Il vantaggio più sottovalutato è il controllo del formato. Chi produce contenuti sa bene quanto sia frustrante ricevere dall’AI un testo discorsivo quando serviva un elenco, o un paragrafo lungo quando serviva una frase secca. Il few-shot risolve questo problema alla radice, perché il modello vede direttamente come dovrebbe apparire la risposta finale.

Esempi di few-shot prompting

Il few-shot prompting applicato al content writing e alla comunicazione digitale produce risultati concreti e immediatamente utili in molte situazioni tipiche del lavoro quotidiano.

Di seguito una serie di esempi pratici, tutti pertinenti all’ambito di questa guida.

Riscrittura di headline in tono editoriale

Immagina di voler trasformare dei titoli generici in headline più incisive, con un tono editoriale preciso. Con lo zero-shot prompting potresti descrivere il tono a parole e sperare che il modello capisca. Con il few-shot, mostri direttamente cosa intendi:

Riscrivi il titolo nel mio stile editoriale.

Titolo originale: “Come usare i social media per la tua azienda” → Titolo riscritto: “Smetti di postare a caso: ecco come usare i social per vendere davvero”

Titolo originale: “I vantaggi del content marketing” → Titolo riscritto: “Il content marketing non è blog: è il motivo per cui i tuoi clienti tornano”

Titolo originale: “Come scrivere una newsletter efficace” →

Il modello completerà l’ultimo titolo rispettando esattamente il tono degli esempi: diretto, provocatorio, orientato al beneficio concreto.

Classificazione del sentiment nelle recensioni

Questo esempio è molto citato, ed è efficace perché mostra bene il meccanismo. Vuoi classificare recensioni in “Positivo”, “Neutro” o “Negativo” con un formato fisso:

Classifica il sentiment della recensione.

Recensione: “Spedizione rapidissima, prodotto perfetto!” → Positivo

Recensione: “Funziona come descritto, nulla di eccezionale.” → Neutro

Recensione: “Il prodotto è arrivato rotto e nessuno mi ha risposto.” → Negativo

Recensione: “Buona qualità, ma il packaging era rovinato.” → Negativo

Il modello risponde con un’unica parola, perché gli esempi gli hanno insegnato che quello è il formato atteso.

Estrazione di meta description da articoli

Un uso molto pratico per chi scrive contenuti SEO: vuoi che il modello estragga meta description di una certa lunghezza e struttura da testi già scritti.

Scrivi la meta description per questo articolo seguendo il formato degli esempi.

Articolo su: prompt engineering → Meta description: “Scopri cos’è il prompt engineering, come funziona e perché è la competenza chiave per usare l’AI in modo professionale.”

Articolo su: finestra di contesto → Meta description: “Cos’è la finestra di contesto, perché limita le risposte AI e come gestirla per ottenere output più precisi e coerenti.”

Risultato: una meta description con la stessa struttura, lunghezza e tono delle precedenti. Nessuna istruzione aggiuntiva. Zero cicli di correzione.

Quando applicare il few-shot prompting?

Il few-shot prompting è la scelta giusta quando il compito richiede un formato specifico, un tono riconoscibile o una struttura che sarebbe difficile descrivere a parole in modo non ambiguo.

Ecco le situazioni tipiche in cui questa tecnica di prompting dà i risultati migliori:

• compiti con output strutturato: classificazioni, etichettature, trasformazioni di testo con schema fisso
• attività che richiedono coerenza stilistica su più output consecutivi
• contesti professionali in cui il tono deve essere calibrato con precisione
• situazioni in cui lo zero-shot prompting produce output troppo generici o incoerenti
• flussi di lavoro ripetitivi su contenuti simili, come newsletter, schede prodotto o post social.

È anche la strategia giusta quando si lavora con modelli meno capaci o con versioni più leggere dei principali LLM, che beneficiano maggiormente di esempi espliciti per compensare una minor capacità di astrazione.

Il few-shot è particolarmente utile nella fase di apprendimento e calibrazione di un flusso di lavoro AI: ti permette di capire rapidamente quali esempi funzionano meglio, e di costruire nel tempo una libreria di prompt riutilizzabili.

Quando invece è sconsigliato?

Il few-shot prompting non è la soluzione ottimale per tutti i tipi di richiesta: in alcuni casi aumenta la complessità senza migliorare la qualità dell’output.

È sconsigliato nelle seguenti situazioni:

• richieste semplici e dirette, dove lo zero-shot prompting è sufficiente e più rapido (una domanda fattuale, una traduzione standard, un riassunto senza vincoli di formato)
• compiti che richiedono ragionamento complesso su più passaggi, dove la tecnica preferibile è il chain-of-thought prompting
• contesti in cui gli esempi disponibili sono scarsi o di bassa qualità, perché esempi sbagliati peggiorano l’output invece di migliorarlo
• prompt già molto lunghi, dove aggiungere esempi rischia di saturare la finestra di contesto e degradare la qualità complessiva della risposta

Il chain-of-thought prompting, in particolare, è preferibile al few-shot quando il compito implica più passaggi logici: valutazioni articolate, analisi con più variabili, decisioni che richiedono esplicitare il ragionamento. In quel caso, gli esempi nel prompt devono mostrare non solo l’output finale, ma anche il percorso di ragionamento che lo porta alla risposta. Si tratta di una strategia di prompting più avanzata, costruita apposta per gestire la complessità logica che il few-shot da solo non riesce a governare.

La regola generale è questa: usa il few-shot quando il problema è di forma e coerenza, usa il chain-of-thought quando il problema è di ragionamento e profondità.

FAQ

Quanti esempi servono in un prompt few-shot?

In genere bastano due o tre esempi per ottenere buoni risultati. Aumentare il numero non sempre migliora la qualità: oltre cinque o sei esempi il rischio è di saturare la finestra di contesto o di introdurre incoerenze. Meglio pochi esempi ben costruiti che molti esempi mediocri.

Il few-shot prompting funziona con tutti i modelli AI?

Sì, funziona con qualsiasi modello LLM di grandi dimensioni, inclusi ChatGPT, Claude, Gemini e i modelli open source. I modelli più capaci traggono meno beneficio dagli esempi perché generalizzano meglio da soli; i modelli più leggeri beneficiano di più di questa tecnica.

Devo usare esempi reali o posso inventarli?

Puoi usare entrambi. L’importante è che siano realistici, coerenti tra loro e rappresentativi del tipo di output che vuoi ottenere. Esempi inventati ma ben costruiti funzionano bene quanto esempi reali.

Il few-shot prompting sostituisce il fine-tuning?

No, ma per molti compiti lo rende non necessario. Il fine-tuning modifica i parametri del modello ed è indicato per compiti molto specifici su grandi volumi di dati. Il few-shot è più rapido e flessibile, ma ha limiti nel numero di esempi che può gestire.

Qual è la differenza pratica tra few-shot e zero-shot?

Con lo zero-shot prompting si dà solo l’istruzione, senza esempi. Con il few-shot si aggiungono esempi che mostrano input e output atteso. Il few-shot riduce l’ambiguità e migliora il controllo sul formato, a scapito di una maggiore lunghezza del prompt.