Specificare
Trasformare richieste vaghe in prompt strutturati con ruolo, contesto, obiettivo e verifiche.
corso laboratorio / metodo
PromptEngineering
Dal prompt improvvisato alla specifica operativa.
Un percorso in otto moduli per chi scrive codice tutti i giorni: anatomia del prompt, tecniche di prompting, contesto di progetto, valutazione, sicurezza, costi, agenti e produzione.
idea centrale
Il prompt è un artefatto di ingegneria: si specifica, si valuta, si versiona.
Un prompt che funziona oggi può degradare domani con un cambio di modello. Per questo serve trattarlo come codice: contesto esplicito, eval set, versioni e revisioni — non sensibilità del momento.
cosa impari
Quattro abilità, una pratica unica.
Scegliere
Selezionare tecnica (zero/few-shot, CoT, schema, chain) in base al task e ai vincoli reali.
Misurare
Valutare prompt con dataset minimi, evitare regressioni, monitorare costi e qualità nel tempo.
Integrare
Portare prompt e tool in architetture reali, con sicurezza, fallback e osservabilità.
roadmap formativa
Otto moduli, dal fondamento alla produzione.
Prima il modello mentale dell'LLM, poi l'anatomia del prompt e le tecniche. Quindi prompt per il ciclo di codice, contesto di progetto, valutazione e sicurezza, agenti, tool use e messa in produzione.
Cos'è davvero un LLM dal punto di vista operativo: token, finestra di contesto, non-determinismo, costi e limiti che condizionano ogni prompt che scriverai.
Capisci come un LLM genera testo, in modo da prendere decisioni di prompting su basi reali.
Sei sezioni minime — ruolo, contesto, obiettivo, vincoli, formato, verifiche — che coprono l'85% delle ambiguità che fanno fallire le richieste tecniche.
Impari la struttura a sei sezioni che copre l'85% delle ambiguità tipiche delle richieste tecniche.
Few-shot, chain-of-thought, self-critique, decomposizione, schema-driven: scegliere la tecnica in funzione del task invece di applicarle a caso.
Scegli la tecnica giusta (few-shot, CoT, self-critique, decomposizione) in funzione del task.
Generazione, refactor, review, debug, test, documentazione: come strutturare il prompt in ciascuna fase del lavoro su una codebase reale.
Costruisci prompt mirati per generazione, refactor, code review, debug, test e documentazione.
Per leggere e verificare il codice generato: corso Vibe Coding.
Da prompt isolato a sistema di contesto: file di regole, RAG, codebase indexing, AGENTS.md e MCP per dare al modello una base stabile su cui lavorare.
Trasformi il contesto in sistema: file di regole, RAG, codebase indexing, MCP, memoria persistente.
Trattare il prompt come software: misurarlo, proteggerlo da input ostili, controllarne i costi e gestirne le regressioni.
Tratti il prompt come software: eval, regressioni, sicurezza, dati sensibili, costi e fallback.
Dal prompt che produce testo all'agente che esegue azioni: tool schema, loop di esecuzione, multi-step, integrazione in flussi reali.
Passi dal prompt all'agente: function calling, loop, scope, conferme e integrazione architetturale.
Template in codice, osservabilità, rollout controllato e responsabilità di team: cosa serve quando un prompt diventa parte del prodotto.
Porti i prompt in produzione: template, osservabilità, rollout controllato, governance e capstone finale.
per chi e fatto
Pensato per sviluppatori che usano LLM tutti i giorni.
Serve familiarità con un linguaggio, con Git e con almeno una chat AI o IDE assistito. Il corso non insegna a programmare: insegna a far lavorare bene un modello dentro un progetto reale.
A chi parla
- sviluppatori che usano LLM quotidianamente nel ciclo di lavoro
- tech lead che devono standardizzare l'uso dell'AI nel team
- studenti avanzati che vogliono usare l'AI senza diventare dipendenti
- founder tecnici che integrano modelli in prodotti reali
Prerequisiti
- saper leggere codice in almeno un linguaggio
- uso quotidiano di una chat AI o di un IDE assistito
- familiarità con Git, terminale e gestione di un progetto piccolo
cosa non e
Cosa il corso non promette.
- Non è una raccolta di 'prompt magici' da copiare e incollare.
- Non è un corso su un singolo modello o fornitore.
- Non è marketing su capacità future degli LLM.
- Non è un sostituto della conoscenza del dominio o del linguaggio in cui si lavora.
risultato atteso
Competenze verificabili a fine percorso.
- progettare prompt come specifiche operative riproducibili
- scegliere tecnica di prompting in funzione del task
- scrivere file di regole e contesto persistente per agenti
- costruire valutazioni semplici per misurare regressioni di prompt
- riconoscere e mitigare prompt injection e leakage di dati
- integrare function calling e tool use in flussi reali
- stimare costi, latenza e qualità prima di passare in produzione
- portare prompt e template in codice con versioni, rollout e fallback
- osservare conversazioni, costi e regressioni in ambienti reali
- definire ownership, policy e review dei prompt in un team
- iterare su un prompt con metodo, non a tentativi
- trasformare prompt ricorrenti in template versionati
- comunicare al team perché un prompt è scritto in un certo modo