Valuta un Prompt in 3 Minuti: la Rubrica a 6 Criteri che Usiamo Prima di Inviarlo

Puoi distinguere un buon prompt da uno scadente prima ancora di eseguirlo. Da noi lo facciamo in circa tre minuti, con una rubrica di sei righe che teniamo a mente. La maggior parte delle persone fa il contrario: lancia il prompt, legge la risposta e, se la risposta non convince, dà la colpa al prompt. È il ciclo di feedback sbagliato, perché l'output è rumoroso: il modello è stato fortunato o sfortunato, la temperatura si è spostata, lo stesso prompt un'ora dopo ti dà una risposta diversa, e così una singola risposta non ti dice quasi nulla sul prompt in sé. Valutare la struttura del prompt, prima di eseguirlo, è più veloce e più ripetibile. Qui sotto trovi la rubrica esatta che usiamo, un criterio alla volta, con il segnale rapido che distingue un 1 da un 5, più un esempio svolto che puoi copiare.

Perché valutiamo prima di eseguire

L'abitudine è nata dalla frustrazione. Modificavamo un prompt, lo eseguivamo, ottenevamo una risposta mediocre, lo modificavamo di nuovo, lo rieseguivamo, e dopo venti minuti non sapevamo ancora dire cosa fosse cambiato davvero. Stavamo facendo debug con una slot machine.

Ci sono tre motivi per cui giudicare un prompt dal suo output non funziona. Confonde correlazione e causa: una risposta discreta può venire da un prompt debole quando il modello ha molti dati di training su quel tema, e un prompt forte può produrre una risposta debole su un compito intrinsecamente ambiguo. Non è ripetibile: se non fissi la temperatura a zero, lo stesso prompt restituisce testo diverso ogni volta, quindi valutare un prompt da una sola risposta è come giudicare un dado da un solo lancio. E non scala: quando riusi più di una manciata di prompt, non puoi eseguirli e leggerli tutti per decidere quale ha bisogno di lavoro.

La soluzione è la stessa mossa che la code review ha fatto decenni fa. Chi revisiona non dice "il codice è buono perché il programma è partito". Legge la struttura: è chiaro, è completo, gestisce i casi limite. Anche un prompt ha proprietà strutturali, e sono visibili nel testo senza eseguire nulla. È questo che misura la rubrica.

La rubrica in 3 minuti

Sei criteri, ciascuno con un punteggio da 1 a 5. Per ognuno ci poniamo una sola domanda e cerchiamo un solo segnale. Non serve rimuginare sul numero. Il valore è nella diagnosi, non nella seconda cifra decimale.

I sei criteri, con il segnale rapido che distingue un 1 da un 5. Valuta per primi i tre in alto: pesano di più.

1. Chiarezza e specificità. Uno sconosciuto saprebbe esattamente cosa produrre? Un 1 è un tema ("scrivi di marketing"). Un 5 ha un'azione, un soggetto, dei vincoli e un criterio di successo ("scrivi un piano marketing da 600 parole per un negozio di cosmetici bio, budget 3k al mese, focus su Instagram ed email"). Se riesci a immaginare due persone che lo leggono e costruiscono due cose diverse, non è ancora un 5.

2. Contesto. Il modello potrebbe farlo bene senza conoscere la tua situazione? Un 1 non gli dà nulla. Un 5 fornisce il pubblico, il dominio, l'obiettivo e i vincoli rilevanti, cioè le informazioni che il modello non può dedurre da solo. Attenzione al contesto di riempimento: una generica riga "sei un assistente utile" aggiunge parole, non segnale.

3. Struttura TCOF. Task, Contesto, Output e Format sono tutti presenti? Un 1 è un unico blocco indifferenziato. Un 5 articola tutti e quattro. È il criterio che si salta più spesso, ed è quello che più riduce la casualità della risposta. Se non hai mai separato i quattro componenti, il framework TCOF vale dieci minuti.

4. Ruolo. C'è un ruolo specifico che sposta il registro del modello? Un 1 non ne assegna nessuno. Un 3 è generico ("sei un esperto"). Un 5 nomina una competenza reale e una prospettiva ("un data analyst senior che lavora sulla stagionalità B2C"). Più il ruolo è specifico, più restringe la distribuzione delle risposte del modello verso la conoscenza che ti serve davvero.

5. Esempi few-shot. Il prompt mostra, non si limita a dire? Un 1 non ha esempi. Un 5 ne ha due o tre, coppie input-output rappresentative. Questo criterio è condizionale: conta moltissimo per formati non standard e classificazioni specifiche di dominio, e quasi nulla per la scrittura creativa libera. Un punteggio basso qui non è automaticamente un problema.

6. Chain-of-thought. Per un compito di ragionamento, c'è una struttura di pensiero richiesta? Un 1 non ne ha. Un 3 è il semplice "ragiona passo per passo". Un 5 espone i passaggi ("prima individua le anomalie, poi confronta con il benchmark, infine concludi"). Anche questo è condizionale: essenziale per il ragionamento a più passaggi, inutile per un riassunto o un tweet.

Ecco l'unica ponderazione che ti serve ricordare senza calcolatrice: i primi tre criteri sono portanti, gli ultimi tre sono situazionali. Quando sommiamo i sei a mente, lasciamo che chiarezza, contesto e struttura contino circa il doppio. Un prompt che è un 5 su chain-of-thought ma un 1 su chiarezza ragionerà benissimo sul compito sbagliato. Il contrario, chiaro ma senza ragionamento esplicito, funziona comunque per la maggior parte dei lavori. Se vuoi i pesi esatti e le evidenze dietro ogni criterio, il modello Prompt Score completo espone la formula e la ricerca.

Un esempio svolto, a cronometro

Ecco un prompt che ci siamo ritrovati a un passo dall'inviare:

Riassumi questo articolo per i lettori del nostro blog.

Mettiamo tre minuti sul cronometro.

• Chiarezza: 2. "Riassumi" quanto? Un paragrafo, cinque punti, un tweet? Nessuna angolazione, nessuna lunghezza, nessun criterio di successo.
• Contesto: 1. Quale articolo? Chi sono "i lettori del nostro blog" e cosa sanno già? Il modello sta indovinando tutto quello che conta.
• TCOF: 2. C'è un task, ma contesto, output e format mancano tutti.
• Ruolo: 1. Nessuno assegnato.
• Few-shot: 1. Nessun esempio di un riassunto che ci era piaciuto prima.
• Chain-of-thought: 1, ma qui è un lasciapassare. Un riassunto non ha bisogno di un'impalcatura di ragionamento, quindi non lo contiamo a sfavore del prompt.

Il prompt di esempio valutato sui sei criteri. Con i primi tre pesati il doppio, si posiziona vicino al fondo della scala. Il V-Meter è rosso, e i due criteri portanti più bassi, contesto e chiarezza, sono esattamente da dove partire.

Pesando il doppio i primi tre, si assesta intorno a un 1.6 su 5. Quel numero da solo non è la parte utile. La parte utile è che i due criteri che lo trascinano giù sono quelli portanti, contesto e chiarezza, quindi sappiamo con precisione cosa sistemare per primo e non abbiamo eseguito il prompt nemmeno una volta. Riscrivere partendo dal criterio più basso è una disciplina a sé, e trattiamo la versione ripetibile di quel ciclo in Da 2 a 4: sistemare un prompt col punteggio basso un criterio alla volta.

Leggere il totale, e quando un punteggio basso va bene

Il punteggio è una diagnosi, non un voto. Un 1.6 non è una colpa morale. Un prompt usa e getta per un brainstorming veloce può fare 2.5 ed essere del tutto adeguato, perché sei tu nel ciclo, a leggere e correggere ogni risposta. Lo stesso 2.5 su un prompt che stai per riusare cento volte, o passare a un collega, o mettere in un'automazione che gira senza sorveglianza, è un rischio. Valuta in rapporto alla posta in gioco e al riuso, non contro un metro assoluto.

L'altra trappola è l'inflazione. I due 1 dell'esempio, few-shot e chain-of-thought, non sono difetti per un compito di riassunto. Imbottire il prompt di esempi e di un'impalcatura di ragionamento di cui non ha bisogno alzerebbe il numero e peggiorerebbe il risultato, perché la qualità del contesto batte la quantità e i modelli si perdono davvero nel mezzo dei prompt lunghi. Non inseguire il cinque su cinque su ogni riga. Insegui il cinque sui criteri da cui il compito dipende davvero.

Quando la rubrica manuale non basta più

Continuiamo a eseguire la rubrica a mano, e dovresti impararla a mano anche tu, perché valutare una dozzina di prompt manualmente è il modo in cui i criteri diventano istinto. Ma la versione manuale si rompe su tre cose.

Coerenza: diamo allo stesso prompt un punteggio un po' più alto da riposati al mattino che stanchi di venerdì. Scala: quando la libreria è di decine o centinaia di prompt, non li valutiamo uno per uno a mano. Memoria: non ricordiamo quanto aveva fatto la versione del mese scorso, quindi non riusciamo a vedere se un prompt sta davvero migliorando o solo cambiando.

È il punto in cui lasciamo che sia lo strumento a portarla avanti. Keep My Prompts valuta ogni prompt che salvi su questi stessi sei criteri, applica gli stessi pesi ogni volta a prescindere dal giorno, mostra il risultato su un V-Meter a colori e salva il punteggio con ogni versione, così puoi vedere un prompt salire da un 2 a un 4 lungo la sua storia. Stessa rubrica, senza la stanchezza e le dimenticanze. Iniziare è gratis, e se stai ancora decidendo dove far vivere i prompt, il confronto tra strumenti di gestione prompt le passa in rassegna.

Parti dalla rubrica manuale per costruire l'istinto. Automatizzala per la coerenza a prescindere dall'umore, la scala su tutta la libreria e uno snapshot del punteggio salvato su ogni versione.

Parti a mano, automatizza il riflesso

La rubrica è il punto, non lo strumento. Eseguila a mano una dozzina di volte e le sei domande diventano un riflesso che applichi nella pausa prima di premere invio. Poi automatizza quel riflesso, così non dipende mai dal fatto che sia martedì mattina o venerdì alle sei.

In un modo o nell'altro, il cambiamento che conta è trattare un prompt come qualcosa che puoi misurare prima di eseguirlo, non qualcosa che puoi solo giudicare dopo. I prompt migliori non sono quelli che sono stati fortunati alla prima risposta. Sono quelli costruiti per ottenere un buon punteggio prima che qualcuno prema invio.