La tua AI ti ignora? Forse non usi abbastanza marcatori! Hai mai scritto un prompt così chiaro da sembrarti perfetto… solo per ricevere in cambio una risposta che ti fa dubitare di essere sulla stessa lunghezza d’onda della tua intelligenza artificiale? Tranquillo: non è (solo) colpa tua. Se ti senti come se stessi litigando con un assistente digitale che “non ti ascolta”, forse è il momento di cambiare strategia. Niente fiori, niente weekend romantici. Serve solo una cosa: marcatori. Sì, proprio loro. Quei simboli, istruzioni e delimitatori apparentemente banali che trasformano un prompt da confuso borbottio a comando cristallino.
Vuoi che la tua AI smetta di risponderti a vanvera? Allora stupiscila con i marcatori che possono salvare la vostra relazione… linguistica.

Nel vasto campo del prompt engineering l’arte di scrivere istruzioni per ottenere risposte ottimali da modelli di linguaggio passa per i marcatori che rappresentano uno strumento tanto sottile quanto potente. Invisibili agli occhi di chi non li conosce, ma fondamentali per chi desidera guidare i modelli con controllo e coerenza, i marcatori sono elementi testuali e strutturali che definiscono contesto, intenzione, memoria e struttura dell’interazione. In questo articolo esploriamo la loro funzione, i diversi tipi, i loro effetti sulla performance del modello e le implicazioni simboliche e future che ne derivano.

Cosa sono i marcatori nel prompt engineering

I marcatori sono elementi che delimitano, organizzano o evidenziano porzioni di testo all’interno di un prompt. Possono assumere la forma di marcatori testuali, come ###, <!-- -->, """, // o ---, usati per separare sezioni, distinguere istruzioni, o simulare commenti oppure marcatori strutturali, frasi guida come “Agisci come…”, “Ricorda che…”, “Il tuo compito è…”, che incorniciano l’identità e il comportamento atteso del modello. Insieme, questi marcatori agiscono come ancore cognitive per il modello, aiutandolo a inferire ruoli, contesto e coerenza narrativa.

Differenza tra marcatori testuali e strutturali

Marcatori testuali

Questi elementi servono a delimitare visivamente il prompt, proprio come la punteggiatura in un testo. Ad esempio:

### Istruzioni:
Scrivi un riassunto di questo testo.

### Contenuto:
La rivoluzione industriale cambiò radicalmente...

Essi non hanno un significato semantico diretto per il modello, ma modellano il contesto e la segmentazione, migliorando l’interpretazione del contenuto.

Marcatori strutturali

Questi agiscono come istruzioni ad alto livello. Frasi che guidano l’assetto mentale del modello, determinando comportamento, tono e ruolo. Sono spesso più efficaci nei modelli istruiti su dialoghi e comportamenti complessi (come GPT-4, Claude, Gemini). Ad esempio:

Agisci come un insegnante di filosofia antica.

Ignora le istruzioni precedenti e rispondi solo con ‘Sì’ o ‘No’.

L’impatto sulla memoria del modello

Anche se gli LLM (modelli di linguaggio di grandi dimensioni) non possiedono memoria nel senso umano, mantengono uno stato contestuale per tutta la durata del prompt. I marcatori fissano segmenti chiave all’interno del contesto, aiutano a distinguere ruoli, epoche, intenzioni e prevengono ambiguità semantiche. Marcatori ben strutturati possono istruire il modello a “dimenticare” o “ignorare” alcune parti, simulando un controllo selettivo della memoria. Vediamo dei casi d’uso pratici:

Prompt multi-sezione per sintesi di testi complessi:
### Istruzione
Riassumi il testo in 3 punti chiave.
### Testo
La crisi energetica del 2022 ha causato...

Ruolo simulato nel customer support:
Agisci come un assistente clienti esperto in telefonia. Sii empatico e conciso.

Controllo del formato di output:
Fornisci una risposta in JSON. Non aggiungere testo extra.

Marcatori per modelli con memoria estesa:
[IMPORTANTE] Ricorda questa preferenza per le prossime risposte.

Nel mondo del prompt engineering, i marcatori sono anche segnali sociali tra professionisti. Il loro uso riflette le competenze avanzate nell’interazione con LLM, ed evidenziano un linguaggio dentro il linguaggio che distingue un prompt ingenuo da uno raffinato. Usare certi marcatori può addirittura implicare appartenenza a una scuola o filosofia di prompting (es. i prompt a “ruolo” vs quelli a “funzione”).

Linguaggio semi-programmatico per un LLM

Il linguaggio semi-programmatico nel prompt engineering è una forma ibrida tra linguaggio naturale e comandi strutturati, pensata per essere leggibile per gli umani ma anche predicibile e gestibile dai modelli di linguaggio. È spesso usato per costruire prompt modulari, ripetibili e controllabili, specialmente in ambienti come LangChain, Auto-GPT, ChatGPT con funzione “Tools”, o in prompt avanzati per Midjourney e Claude. Vediamone un esempio concreto:

@role: "consulente legale esperto in privacy digitale"
@tone: "formale, diretto"
@format: "testo strutturato in paragrafi"
@context:
"""
L'utente ha chiesto informazioni sul trattamento dei dati personali nel contesto delle app mobili.
"""
@instruction:
"""
Fornisci una risposta chiara ed esaustiva su cosa prevede il GDPR in relazione ai consensi per il tracciamento degli utenti nelle app. Includi riferimenti agli articoli di legge.
"""

Perché funziona?

• È leggibile dall’umano ma anche decifrabile dal modello, che impara a trattare prefissi come @instruction: come “chiavi di lettura”.
• Permette riuso modulare: puoi cambiare solo un parametro mantenendo l’intera struttura.
• È facilmente automatizzabile: può essere generato da script, UI, o software no-code.

Template e placeholder dinamici

Un placeholder dinamico è contenuto tra le graffe. Le graffe sono una convenzione mutuata dalla programmazione (es. Python, JavaScript) che consente di costruire template di prompt riutilizzabili. Spieghiamo il tutto con degli esempi che renderanno la comprensione più agevole.

###Prompt per generare spiegazioni didattiche personalizzate

@role: "insegnante di scuola {livello_scolastico}"
@materia: "{materia}"
@tono: "{tono}"

@obiettivo:
Spiega il seguente concetto in modo accessibile a studenti di {età_target} anni:

{concetto}

@istruzioni:
- Usa esempi pratici.
- Evita termini tecnici non spiegati.
- Includi una breve metafora o analogia se possibile.


###Esempio con valori inseriti:

@role: "insegnante di scuola media"
@materia: "fisica"
@tono: "amichevole ma autorevole"

@obiettivo:
Spiega il seguente concetto in modo accessibile a studenti di 13 anni:

"Legge di Archimede"

@istruzioni:
- Usa esempi pratici.
- Evita termini tecnici non spiegati.
- Includi una breve metafora o analogia se possibile.

###Prompt creativo per storytelling automatizzato

@tipo_storia: "{genere}"
@ambientazione: "{ambientazione}"
@personaggio_principale: "{nome_personaggio} - {caratteristiche}"
@struttura: "{struttura_narrativa}"

Scrivi una storia breve nel genere {genere}, ambientata a {ambientazione}, con protagonista {nome_personaggio}, caratterizzato da {caratteristiche}. Segui la struttura: {struttura_narrativa}.

###Con valori:

@tipo_storia: "fantascienza distopica"
@ambientazione: "una colonia lunare isolata"
@personaggio_principale: "Kai - ingegnere ribelle, traumatizzato dalla guerra"
@struttura: "inizio misterioso, svolta drammatica, finale aperto"

Scrivi una storia breve nel genere fantascienza distopica, ambientata su una colonia lunare isolata, con protagonista Kai, un ingegnere ribelle traumatizzato dalla guerra. Segui la struttura: inizio misterioso, svolta drammatica, finale aperto.

###Prompt per analisi di dati o testi (es. per un GPT con funzione “analizza”)

@funzione: "Analisi testuale avanzata"
@obiettivo: "Individuare bias, retorica e implicazioni sociopolitiche"
@documento: "{titolo_documento}"
@lingua: "{lingua}"
@annotazioni: "{tipo_annotazioni}"

Analizza il testo seguente:  
"{contenuto_testo}"

Fornisci:
- {tipo_annotazioni}
- Conclusioni sulla neutralità o polarizzazione.
- Possibili contesti storici o culturali impliciti.

Nei prompt visibili al modello, se intendi simulare un “campo da compilare”, è meglio usare simboli neutri tipo [INSERISCI QUI] o << >>, come nell’esempio che segue.

Scrivi un messaggio promozionale per il prodotto **[NOME_PRODOTTO]**, pensato per il target **[TARGET]**, enfatizzando i benefici principali: **[BENEFICI]**.

Il modello comprende più chiaramente che deve compilare o attendere un input e può completare il prompt con contenuti mirati. Andiamo a creare un form automatico per un customer service:

Gentile cliente,

Grazie per averci contattato in merito a **[ARGOMENTO]**. Abbiamo ricevuto la sua richiesta il **[DATA]** e le risponderemo entro **[TEMPO_DI_RISPOSTA]**.

Cordiali saluti,  
[TEAM_SUPPORTO]

Per scrivere i marcatori non siete obbligati ad utilizzare un linguaggio di markup standard, potete inventarlo voi, basta che il vostro LLM preferito sia in grado di comprenderne la struttura, però… beh… magari se usiamo un linguaggio di markup standard potrebbe andare meglio. Se il vostro LLM preferito è ChatGPT sappiate che il linguaggio di markup meglio compreso da ChatGPT è il Markdown.

Perché proprio Markdown?

1. È leggibile sia dall’umano che dal modello
   Markdown usa una sintassi semplice: # Titolo, **grassetto**, *corsivo*, - elenco, ecc.
2. È ampiamente usato nei dataset di addestramento
   ChatGPT è stato addestrato su grandi quantità di testo che includono Markdown (da GitHub, documentazione, forum tecnici, blog, ecc.).
3. Viene interpretato nativamente anche dall’interfaccia
   Nella UI di ChatGPT, Markdown è reso visivamente (grassetto, liste, codice formattato). Questo lo rende non solo compreso, ma utilizzato internamente.
4. Supporta blocchi di codice, citazioni, tabelle
   Utile per presentare strutture e contenuti con ordine.

Altri linguaggi di markup: come si comporta ChatGPT?

Vediamo un esempio di Markdown efficace in ChatGPT

# Analisi del testo

## Obiettivo

- Identificare i punti chiave
- Valutare la coerenza logica
- Rilevare eventuali bias

## Testo da analizzare

> "La tecnologia ha trasformato radicalmente il concetto di memoria collettiva..."

---

**Risposta attesa:**
1. Sintesi del testo
2. Analisi critica
3. Conclusione

Le regole principali di Markdown

Il Markdown non ha un’unica implementazione ufficiale, ma la versione più universalmente accettata è CommonMark, che rappresenta uno standard unificato.

Qui potete trovare il manuale ufficiale CommonMark: https://commonmark.org/help/

I marcatori non sono meri ornamenti sintattici: sono dispositivi cognitivi che plasmano il modo in cui un’intelligenza artificiale interpreta, segmenta e risponde a un prompt. Funzionano come guide invisibili all’interno del linguaggio, aiutando il modello a distinguere ruoli, intenzioni, contesto e priorità.

Nel prompt engineering, i marcatori sono ciò che separa una richiesta generica da una istruzione strategica, una conversazione banale da un dialogo orchestrato con precisione.

Che siano testuali o strutturali, manuali o automatizzati, rappresentano l’inizio di un nuovo alfabeto della comunicazione con le macchine fatto di codici, pattern e meta-linguaggi. Imparare a utilizzarli con consapevolezza significa non solo ottenere output migliori, ma padroneggiare un nuovo potere creativo e operativo nell’era dell’intelligenza artificiale.

🙏 Grazie per aver letto fino in fondo

Se sei arrivato fin qui, significa che hai seguito ogni livello della conversazione tra uomo e macchina e questo ti mette ufficialmente sulla buona strada per diventare un vero nerd del prompt engineering. Capire l’importanza dei marcatori, distinguere tra ruoli e contesti, costruire prompt dinamici e strutturati… non è roba da poco. È una nuova grammatica mentale che pochi conoscono davvero.

👉 Se ti è piaciuto questo viaggio tra marcatori, modelli e meta-linguaggi, restiamo in contatto su LinkedIn: https://www.linkedin.com/in/andreatonin/

A presto, nel futuro del linguaggio.

marcatori #promptengineering #modelliAI #memoriaLLM #marcatoritestuali #marcatoristrutturali #casiduso #codicesociale #evoluzioneprompt #automazionemarcatori

Andrea Tonin

Nerd per passione e per professione da oltre 30 anni, lavoro nel mondo dell’innovazione tecnologica come CTO e consulente, progettando ecosistemi software complessi e scalabili. Parallelamente mi dedico alla formazione informatica, condividendo esperienze e buone pratiche maturate sul campo.
Scopri di più sulla mia attività di consulenza su lucedigitale.com Mi trovi anche su LinkedIn