Come scrivere prompt migliori per modelli locali di IA
Un modello locale non è una copia più piccola di un prodotto di chat di frontiera. Ha un contesto utile più corto, segue peggio le istruzioni e ha meno pazienza per le formulazioni ambigue. Le correzioni qui sotto sono quelle che cambiano il risultato su un normale PC di casa: metti il lavoro per primo, blocca il formato, tieni il compito piccolo, scrivi il prompt in un linguaggio semplice, aggiungi un controllo solo quando il compito lo richiede e limita la lunghezza.
Le versioni pronte da copiare di questi schemi sono in I migliori modelli di prompt per LLM locali. Le note di prova più lunghe sono in Cosa funziona davvero.
1. Metti le istruzioni prima del testo sorgente
Molti modelli locali pesano l’inizio del prompt più della fine. Se incolli un articolo lungo e solo dopo dici «riassumi questo», il modello può continuare l’articolo, riassumere solo l’apertura o rispondere a una domanda comparsa dentro la fonte. Indica prima il ruolo, il compito e le regole. Poi incolla il testo sotto un’etichetta chiara come Testo:.
Esempi che funzionano
Controesempio
Perché fallisce: l’istruzione arriva tardi, è corta ed è vaga. Il modello ha già «letto» come se l’articolo fosse il compito. «Fallo bene» non dice che cosa significa bene. Sposta un’istruzione di riassunto specifica sulle prime righe e cancella «fallo bene».
2. Dai un nome al formato, non all’atmosfera
Parole come «carino», «professionale» e «acuto» non sono un formato. Un formato è un conteggio, una forma o un divieto. I modelli locali seguono conteggi e divieti più spesso di quanto seguano il gusto.
Esempi che funzionano
Controesempio
Perché fallisce: non c’è una lunghezza, non c’è un numero di punti e non c’è un divieto sull’introduzione. Spesso otterrai un titolo, un’introduzione esuberante, cinque paragrafi irregolari e un «spero che ti sia utile». Sostituiscilo con un conteggio e un limite di frasi.
3. Chiedi un solo risultato
Un solo prompt che chiede una bozza, una traduzione, un elenco di titoli e una didascalia per i social è quattro lavori. Su un modello piccolo i lavori successivi cadono o si mescolano al primo. Dividili. Puoi concatenarli tu: prendi la bozza, apri un prompt nuovo e chiedi solo la traduzione.
Esempi che funzionano
Controesempio
Perché fallisce: quattro risultati, nessuna lunghezza, e «sii creativo» lotta contro la costanza. Il modello di solito scrive un post corto in italiano e poi accenna appena al resto. Esegui quattro prompt, o al massimo due se hai un modello più grande e numeri i risultati.
4. Scrivi il prompt in un linguaggio più semplice del risultato
Puoi chiedere un promemoria formale. Le istruzioni stesse devono restare frasi corte. Le frasi annidate, le negazioni impilate e il gergo nel prompt di sistema sono il punto in cui i modelli più piccoli perdono il filo.
Esempi che funzionano
Controesempio
Perché fallisce: l’istruzione è più difficile del compito. Il modello può riecheggiare il gergo o bloccarsi in un saggio vago. Di’ per chi è, quanto è lungo e che cosa includere.
5. Aggiungi un autocontrollo solo per i compiti fragili
Un autocontrollo aiuta quando il risultato deve rispettare una forma: JSON, un numero fisso di punti elenco o codice che non deve includere prosa. Non aiuta una riscrittura casuale e, sui modelli piccoli, può far stampare il controllo al posto della risposta. Usa una riga, alla fine.
Esempi che funzionano
Controesempio
Perché fallisce: il controllo pesa più del compito. Volevi un biglietto. Spesso otterrai un paragrafo sul ragionamento e un biglietto rigido alla fine. Per un biglietto di compleanno, salta l’autocontrollo e imposta un limite di parole.
6. Limita la lunghezza nel prompt e nell’applicazione
I modelli locali divagano quando né il prompt né l’applicazione fissano un tetto. Fissali entrambi. Nel prompt, usa un conteggio di parole o di punti elenco. In Ollama, LM Studio o Jan, imposta un limite massimo di token un po’ sopra quel conteggio, così il modello può finire l’ultima frase senza essere tagliato a metà parola. Se non sai quanto è lungo il prompt stesso, passalo nel Contatore di token prima di incollare un documento sorgente lungo.
Esempi che funzionano
Controesempio
Perché fallisce: non c’è una fine. Un modello locale continuerà a elencare consigli generici finché non colpisce il massimo di token dell’applicazione, spesso ripetendosi. Indica il pubblico e una lunghezza: «Dai a un utente di PC di casa 6 passi per le copie di sicurezza, una frase ciascuno».
Un prima e dopo breve
È la stessa richiesta. La prima è come spesso si scrive. La seconda è la versione che un modello da 7B può seguire.
Se vuoi un secondo passaggio, non chiedere allo stesso modello di «renderlo anche più carino» nello stesso prompt. Apri un prompt nuovo con le note già pulite e una sola istruzione nuova.
Che cosa questo non sistema
- Un modello che non è mai stato addestrato a scrivere la lingua che hai chiesto non diventerà fluente perché il prompt è ordinato.
- Un modello da 3B faticherà ancora con una revisione di codice lunga. Riduci il frammento o usa un modello locale più grande.
- I fatti che il modello non conosce non si possono forzare con un formato più stretto. Chiedigli di usare solo il testo che hai incollato.
- Una temperatura (temperature) alta continuerà a rimescolare la formulazione anche quando il prompt è buono. Per i compiti ripetibili, vedi Come ottenere risultati costanti dai modelli locali.
Guide e strumenti correlati
- I migliori modelli di prompt per LLM locali (2026)
- Ingegneria dei prompt per l'IA locale: cosa funziona davvero
- Come ottenere risultati costanti dai modelli locali di IA
- Biblioteca di prompt per l'IA senza connessione
- Ottimizzatore di prompt
- Contatore di token per modelli locali
- Generatore di modelli di prompt