---
title: "Cos’è il few-shot prompting? Esempi nel prompt | BroadRouter"
description: "Il few-shot prompting mette nel prompt alcuni esempi svolti perché il modello ne copi lo schema. Come funziona, quanti esempi usare e quanto costano."
url: https://broadrouter.com/it/glossary/few-shot-prompting/
lang: it
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/few-shot-prompting/) (aggiornato il 2026-11-16).

# Few-shot prompting (prompt con esempi)

Aggiornato 2026-11-16

Il few-shot prompting è una tecnica in cui il prompt include un piccolo numero di esempi svolti di input e output prima dell’input reale, così il modello linguistico ne ricava compito e formato. I pesi del modello non cambiano; lo zero-shot non usa esempi e il one-shot ne usa uno.

Detto anche: prompt con esempi, esempi nel prompt, apprendimento few-shot, few-shot learning, multishot prompting, in-context examples, one-shot prompting

Mostrare batte spiegare. Pochi esempi spesso sistemano formato e tono più in fretta di un paragrafo di regole.

## Come funziona

È stato l’articolo su GPT-3 di Brown e colleghi a diffondere il termine. Ha testato un modello da 175 miliardi di parametri con compiti “specified purely via text interaction with the model” (traduzione: specificati solo tramite interazione testuale con il modello), senza aggiornamenti dei gradienti né fine-tuning, e ha trovato che le prestazioni few-shot miglioravano nettamente con la dimensione del modello. L’articolo definisce tre impostazioni:

| Impostazione | Esempi nel prompt |
| --- | --- |
| Zero-shot | nessuno, solo un’istruzione |
| One-shot | uno |
| Few-shot | diversi, entro i limiti della context window |

Un prompt few-shot per etichettare i ticket di assistenza potrebbe essere così (i ticket restano in inglese: addebito doppio, crash al login, richiesta di dark mode, addebito dopo la disdetta):

```text
Ticket: "My card was charged twice." -> billing
Ticket: "The app crashes on login." -> bug
Ticket: "Can you add dark mode?" -> feature_request
Ticket: "I was billed after cancelling." ->
```

Il modello prosegue lo schema. La guida di Anthropic definisce gli esempi “one of the most reliable ways to steer” (traduzione: uno dei modi più affidabili per orientare) formato, tono e struttura, e chiede che siano pertinenti, vari e racchiusi in tag, così il modello li distingue dalle istruzioni.

## Perché è importante

-   **Controllo del formato.** Gli esempi mostrano casi limite che le regole non coprono, come scrivere un campo vuoto. Per un JSON rigoroso, abbinali all’[output strutturato](https://broadrouter.com/it/glossary/structured-output/).
-   **Costo.** Ogni esempio si rimanda come input a ogni chiamata. Cinque esempi da 200 token aggiungono 1.000 token per richiesta. Messi in un prefisso fisso, possono essere fatturati come [token di input in cache](https://broadrouter.com/it/glossary/cached-input-tokens/).
-   **Ragionamento.** Gli esempi che mostrano i passaggi, non solo la risposta, sono prompting [chain-of-thought](https://broadrouter.com/it/glossary/chain-of-thought/).
-   **Quando fermarsi.** Se ti servono centinaia di esempi, il [fine-tuning](https://broadrouter.com/it/glossary/fine-tuning/) può costare meno per chiamata che inviarli ogni volta.

## Su BroadNet Inference

Il few-shot prompting non richiede funzioni API speciali: è testo semplice in `messages`. BroadNet riporta `cached_tokens` in `usage`, così puoi verificare se il tuo blocco di esempi viene letto dalla cache. Con una chiave a consumo il prezzo in cache è più basso di quello dell’input; su DeepSeek V4.1 Flash è $0.0055 contro $0.175 per 1M di token. Per i compiti in arabo vedi [il prompt engineering in arabo](https://broadrouter.com/it/blog/arabic-prompt-engineering/), e per l’estrazione da documenti con esempi la [guida alle fatture in arabo](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/).

## Errori comuni

-   Usare esempi che hanno tutti la stessa etichetta o la stessa lunghezza. Il modello copia il bias.
-   Cambiare gli esempi a ogni richiesta. Rompe il prefisso in cache e rende i risultati più difficili da confrontare.

## Domande frequenti

### Quanti esempi deve avere un prompt few-shot?

Anthropic suggerisce da 3 a 5 per i risultati migliori. Più esempi costano più token di input a ogni chiamata, quindi smetti di aggiungerne quando la qualità non migliora più.

### Il few-shot prompting è la stessa cosa del fine-tuning?

No. Gli esempi few-shot stanno nel prompt e si rimandano a ogni richiesta. Il fine-tuning cambia i pesi del modello una volta sola, così non serve più inviare gli esempi.

### Gli esempi vanno nel system prompt o come turni di chat?

Funzionano entrambe le soluzioni. Tienili in una posizione fissa vicino all’inizio, così formano un prefisso stabile che può andare in cache.

## Vedi anche

-   [System prompt (prompt di sistema)](https://broadrouter.com/it/glossary/system-prompt/) (termine)
-   [Chain-of-thought (CoT)](https://broadrouter.com/it/glossary/chain-of-thought/) (termine)
-   [Fine-tuning (addestramento di un LLM)](https://broadrouter.com/it/glossary/fine-tuning/) (termine)
-   [Token di input in cache (cached input)](https://broadrouter.com/it/glossary/cached-input-tokens/) (termine)
-   [Output strutturato (structured output)](https://broadrouter.com/it/glossary/structured-output/) (termine)
-   [Prompt engineering (ingegneria dei prompt)](https://broadrouter.com/it/glossary/prompt-engineering/) (termine)
-   [Leggere fatture e scontrini in arabo con un modello vision](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/) (guida)
-   [Prompt engineering in arabo: registro, RTL, cifre e testo misto](https://broadrouter.com/it/blog/arabic-prompt-engineering/) (articolo)
-   [Come strutturare i prompt perché il prefisso vada in cache](https://broadrouter.com/it/blog/prompt-structure-for-caching/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-few-shot-prompting&utm_content=page-cta) ·

**Fonti**

-   [Brown et al. (2020), Language Models are Few-Shot Learners (verificato il 2026-11-16)](https://arxiv.org/abs/2005.14165)
-   [Anthropic, best practice di prompting (usare bene gli esempi) (verificato il 2026-11-16)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices)
-   [Riferimento API di BroadNet Inference, token in cache (verificato il 2026-11-16) (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-few-shot-prompting&utm_content=sources)
