Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Few-Shot Prompting

Lezione 5 di 16 Aggiornata il 28 luglio 2026 Principiante
In questa pagina
  1. Imparare dagli esempi
  2. Zero-shot, one-shot, few-shot: tre livelli di guida
  3. Implementare il few-shot con l’API Mistral
  4. Quando usare il few-shot
  5. Quanti esempi fornire
  6. Costruire buoni esempi
  7. Punti chiave

Imparare dagli esempi

Il few-shot prompting consiste nel fornire al modello uno o più esempi del compito da eseguire prima di inviare la richiesta effettiva. Invece di spiegare astrattamente cosa ti aspetti, glielo mostri concretamente: proprio come un formatore che, invece di descrivere per venti minuti come deve essere un buon verbale di riunione, distribuisce due campioni ben scritti e lascia che i partecipanti li assimilino. Questa tecnica è una delle più efficaci per ottenere risultati precisi e coerenti con i modelli Mistral.

Il principio è semplice: il modello si basa sugli esempi forniti per comprendere il formato, il tono, il livello di dettaglio e la logica attesi, per poi riprodurre questo schema nella tua richiesta. Un esempio ben scelto sostituisce spesso un intero paragrafo di spiegazioni, facendolo anche meglio.

Zero-shot, one-shot, few-shot: tre livelli di guida

Il vocabolario del settore distingue tre varianti in base al numero di esempi. Nello zero-shot, dai un’istruzione senza alcun esempio e il modello si affida esclusivamente alle sue conoscenze:

Classify the sentiment of this text as positive, neutral, or negative:
"Customer service was responsive but delivery was late."

Lo zero-shot funziona per compiti semplici e comuni che il modello ha incontrato migliaia di volte durante l’addestramento. Per compiti specifici della tua azienda, spesso non è sufficiente: il modello classificherà, ma non necessariamente secondo i tuoi criteri.

Nello one-shot, un singolo esempio è talvolta sufficiente per guidare il modello. L’esempio mostra sia il formato dell’output sia come giustificare la risposta:

Classify the sentiment and justify in one sentence.

Example:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.

To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:

Con il few-shot, più esempi riducono l’ambiguità e rafforzano la coerenza. Questo è particolarmente utile quando abbondano i casi limite, come questa recensione mista che unisce un punto positivo e uno negativo:

Classify the sentiment and justify in one sentence.

Example 1:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.

Example 2:
Text: "The price is fair for what it is."
Sentiment: neutral
Justification: Factual evaluation without strong emotion.

Example 3:
Text: "Three weeks of waiting for a defective product."
Sentiment: negative
Justification: Delay issue combined with a quality defect.

To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:

Con tre esempi che coprono le tre categorie, il modello ha visto come appare ogni caso e calibrerà la sua risposta di conseguenza.

Implementare il few-shot con l’API Mistral

In un prompt testuale, gli esempi si accumulano come sopra. Ma con l’API, esiste un metodo più pulito: usa i ruoli user e assistant per creare scambi artificiali che fungano da esempi. Crei una cronologia di conversazione da zero in cui il modello ha «già» risposto perfettamente:

messages = [
    {
        "role": "system",
        "content": "You classify customer reviews. Respond only with the indicated format."
    },
    # Example 1
    {
        "role": "user",
        "content": "Classify: \"Excellent product, highly recommended!\""
    },
    {
        "role": "assistant",
        "content": "Sentiment: positive\nJustification: Expression of enthusiasm and explicit recommendation."
    },
    # Example 2
    {
        "role": "user",
        "content": "Classify: \"Three weeks of waiting for a defective product.\""
    },
    {
        "role": "assistant",
        "content": "Sentiment: negative\nJustification: Delay issue combined with a quality defect."
    },
    # Actual request
    {
        "role": "user",
        "content": "Classify: \"Customer service was responsive but delivery was late.\""
    }
]

Passando gli esempi come messaggi user/assistant, il modello li tratta come una cronologia di conversazione di successo che deve continuare sulla stessa scia. Questo è lo schema da privilegiare non appena passi alla produzione: gli esempi rimangono separati dai dati, facili da mantenere e arricchire.

Quando usare il few-shot

Il few-shot eccelle in quattro tipi di situazioni. Primo, la classificazione personalizzata: quando le tue categorie non sono standard, ad esempio tipi di ticket interni specifici della tua azienda, nessuna descrizione vale quanto alcuni ticket già classificati. Secondo, l’estrazione di dati, quando il formato di output è specifico della tua organizzazione. Terzo, la scrittura con un tono specifico: se vuoi che il modello adotti il tuo stile editoriale, mostragli due o tre dei tuoi testi invece di cercare di descrivere il tuo stile con aggettivi. Infine, i compiti ambigui in generale: non appena la descrizione testuale non basta a risolvere i dubbi, un esempio chiarisce tutto.

Quanti esempi fornire

Il numero ottimale dipende dalla complessità del compito. Per un’attività semplice con un formato chiaro, come una classificazione binaria o l’estrazione di un singolo campo, uno o due esempi bastano. Per un compito con più categorie o un formato complesso, conta su tre-cinque esempi, idealmente uno per categoria. Oltre i cinque, entri nel territorio di compiti molto specifici o ricchi di casi limite da coprire esplicitamente.

Tieni però a mente il costo: ogni esempio consuma token di input e, con i modelli Mistral, i token di input sono fatturati. Un prompt di classificazione chiamato diecimila volte al giorno con otto esempi ridondanti costa significativamente di più rispetto allo stesso prompt con tre esempi ben scelti, spesso senza alcun guadagno in termini di qualità. Trova il giusto equilibrio tra precisione ed efficienza.

Costruire buoni esempi

Ecco alcune best practice per concludere. Varia i tuoi esempi per coprire diversi casi possibili, inclusi i casi limite: tre esempi tutti positivi non insegnano nulla su come gestire le recensioni negative. Mantieni un formato rigorosamente identico da un esempio all’altro: la minima variazione nella struttura verrà interpretata come significativa e riprodotta. Usa esempi realistici, vicini ai tuoi dati reali: un modello addestrato sulle tue vere recensioni dei clienti classificherà meglio le tue vere recensioni rispetto a uno che ha visto solo frasi da manuale. E metti sempre la richiesta effettiva per ultima: il modello presta più attenzione all’inizio e alla fine del prompt.

Punti chiave

  • Il few-shot prompting mostra al modello cosa ti aspetti attraverso esempi
  • Usa i ruoli user/assistant per creare esempi nell’API Mistral
  • Da 1 a 5 esempi sono sufficienti nella maggior parte dei casi
  • Varia gli esempi per coprire scenari diversi, mantenendo un formato identico ovunque
  • Il few-shot è ideale per classificazione, estrazione e scrittura con un formato specifico