Il prompt unico: cinque regole per ottenere risposte mirate (da Claude Opus 5 in poi)

Per anni ho lavorato con i modelli linguistici in modalità "suddividi e conquista": un primo messaggio con la struttura, poi una risposta, poi le precisazioni, poi le correzioni. Era il modo per tenere a fuoco il modello un passo alla volta.

Con Claude Opus 5 questo approccio ha smesso di funzionare. Quando ho provato a replicare il mio vecchio metodo, le risposte sono diventate più dispersive: il modello riempiva gli spazi lasciati vuoti con dettagli che non avevo chiesto, consumando token e attenzione. Il cambio di paradigma è semplice da enunciare: un unico prompt ben definito vale più di una conversazione a rate.

Ecco le cinque regole su cui ho riorganizzato il mio modo di scrivere prompt, partendo dalle linee guida indicate da Anthropic.

1. Tutto nel primo messaggio

Pensa a quando chiedi a un collega di preparare un report e gli dici solo "dammi i dati più recenti". Farà del suo meglio per coprire ogni aspetto: grafici, analisi di contesto, magari una panoramica storica. Il risultato sarà ricco, ma non mirato. Un modello fa esattamente lo stesso: se il prompt è incompleto, decide lui cosa è rilevante.

Il prompt "tutto in uno" contiene fin da subito quattro elementi:

• Obiettivo: cosa deve produrre, con quale estensione. "Genera una sintesi di 300 parole sulle principali tendenze emerse nel documento."
• Contesto: da quali fonti partire, per chi è il testo.
• Formato: come vuoi ricevere l'output. "In markdown, con un titolo H2 per ogni tendenza."
• Vincolo di arresto: dove deve fermarsi. "Termina non appena raggiungi le 300 parole."

Così il modello sa dall'inizio cosa consegnare, in che forma e quando ha finito.

2. Il punto di arresto è un comando, non un dettaglio

Un prompt ben costruito è solo metà del lavoro. L'altra metà è dire esplicitamente quando smettere. È l'aspetto che vedo trascurare più spesso, ed è quello che incide di più su costi e leggibilità.

Frasi come "Fermati qui" o "Non superare le 500 parole" vengono rispettate da Opus 5 in modo molto preciso. Senza questo vincolo, invece, il modello tende ad aggiungere esempi, citazioni, curiosità: contenuto che non hai chiesto e che poi devi tagliare a mano.

3. Prima il riassunto, poi il testo

Una delle abitudini che mi è stata più utile: chiedere un riassunto di due o tre frasi prima dell'output completo.

"Fornisci prima un breve riassunto di 2 frasi, poi il testo completo."

Questo piccolo checkpoint costringe il modello a organizzare le idee in modo gerarchico prima di svilupparle. Il testo che segue è più strutturato, con meno digressioni — e a me basta leggere le due frasi iniziali per capire se la direzione è quella giusta.

4. Dimensioni dichiarate

Accanto al punto di arresto, fisso sempre una soglia esplicita: paragrafi, parole o caratteri. Se devo scrivere un'email di follow-up, il prompt dice: "Massimo 4 paragrafi, al massimo 250 parole."

Il modello rispetta la lunghezza senza perdere coerenza. Per chi produce materiali a getto continuo — dispense, comunicazioni, schede — questo significa output già della misura giusta, senza passaggi di riduzione successivi.

5. La manopola del ragionamento: alzarla non vuol dire migliorare

Opus 5 permette di regolare l'intensità del ragionamento, da leggera a massima. L'istinto è tenerla sempre al massimo, pensando che più ragionamento significhi più qualità. Nella mia esperienza, nella maggior parte dei casi regola soprattutto il tempo di elaborazione e il consumo di token, non la precisione della risposta.

La classificazione che uso in pratica:

| Livello | Quando lo uso | |---|---| | Leggero | Elenchi, definizioni brevi, traduzioni semplici, punti di un'agenda | | Medio | Sintesi di articoli, email di risposta, brevi report | | Alto | Documenti lunghi, piani di progetto, analisi con molte variabili |

Per i compiti semplici il livello leggero riduce drasticamente i token senza intaccare il risultato. Per le analisi complesse tengo il livello alto: lì il tempo di ragionamento in più si traduce davvero in un output più articolato, e il costo extra è giustificato.

Non è un trucco di Anthropic

La parte che trovo più interessante è che queste regole non sono legate a un solo modello. Provandole anche su altri LLM, tra cui Gemini, ho visto che funzionano quasi allo stesso modo: anche gli altri modelli rispondono meglio a un prompt unico, con un punto di arresto chiaro e limiti di lunghezza dichiarati.

In sintesi:

• Prompt unico → meno ambiguità, più coerenza.
• Punto di arresto → niente risposte prolisse, meno token sprecati.
• Riassunto preliminare → il modello struttura prima di scrivere.
• Dimensione massima → output leggibile e già della misura giusta.
• Intensità del ragionamento → governa tempo e costo, non la qualità.

Cosa cambia davvero

Il passaggio dai prompt frammentati al prompt completo mi ha insegnato che la chiarezza è la cosa più preziosa nell'interazione con un modello. Non si tratta più di "convincerlo" a fare ciò che vogliamo turno dopo turno, ma di dargli le informazioni giuste, tutte insieme, all'inizio.

Meno è meglio — a patto che quel meno sia preciso. E pensare troppo costa quanto pensare troppo poco: scegliere il livello di ragionamento adatto al compito è ormai parte del mestiere di chi usa l'IA ogni giorno.