Approfondimento sui tre strumenti di qualità — come funzionano, i loro sistemi di punteggio e come ottenere il massimo.

• Prompt Linter
• Prompt Optimizer
• Smart Recommender

CLI: prompt-lib lint Workshop: scheda Strumenti → Linter Sorgente: src/linter.js

Il Prompt Linter analizza qualsiasi prompt rispetto a 14 regole di qualità e produce un punteggio da 0 a 100, un voto in lettere (A–F) e suggerimenti prioritizzati per il miglioramento.

score = (sum of passed rule weights / total weight) × 100

Peso totale: 100 (somma di tutti i 14 pesi: 10+12+8+10+8+8+5+7+7+7+5+5+3+5)

Prompt in input:

Can you please help me write something good about dogs? Please make it nice
and interesting. Please include some good information.

Risultato dell'analisi:

Score: 15/100 (Grade: F)
Rules: 2/14 passed | 23 words

✅ Passing:
   • Not excessively long
   • Specific language

💡 Suggestions to improve:
   → State the task explicitly: "Your task is to…"
   → Add a role definition like "You are a senior [role] expert…"
   → Specify the output format: "Respond in [format]"
   → Add context: "Context: …" or "Given the following information: …"
   → Add constraints: "Rules: …" or "Never do X" / "Always do Y"
   → Your prompt is quite short. Add more detail about what you want.
   → Add examples of expected input/output to guide the AI.
   → Organize your prompt with clear sections using headers or labels.
   → Specify the target audience: "This is for [audience]…"
   → Define the tone: "Use a [professional/casual/technical] tone."
   → Reduce "please" usage — direct instructions work better with AI.
   → Add a quality check: "Before responding, verify that…"

• Aggiungi una definizione di ruolo (10 punti): "You are a senior content writer"
• Indica il compito chiaramente (12 punti): "Your task is to write a 500-word blog post"
• Specifica il formato di output (10 punti): "Respond in markdown with headings"
• Aggiungi vincoli (8 punti): "Never make up statistics"
• Aggiungi contesto (8 punti): "Context: This is for a pet adoption website"
• Scrivi almeno 50 parole (8 punti)
• Includi esempi (7 punti)
• Usa intestazioni di sezione (7 punti)

Il linter rileva automaticamente il tipo di prompt e adegua i pesi delle regole:

Per la tabella completa dei moltiplicatori, vedi INFRASTRUCTURE.md.

CLI: prompt-lib optimize Workshop: scheda Strumenti → Optimizer Sorgente: src/optimizer.js

Il Prompt Optimizer riscrive i prompt usando un'analisi consapevole del contenuto. Rileva il dominio, il pubblico e l'intento, poi applica miglioramenti mirati specifici per il contenuto effettivo del prompt.

L'ottimizzatore elabora il prompt attraverso questi passaggi in ordine:

Prompt in input
    │
    ├── 1. Rilevamento del dominio (7 domini)
    ├── 2. Rimozione del riempitivo (frasi ridondanti)
    ├── 3. Riduzione della cortesia (eccesso di "please")
    ├── 4. Rafforzamento dei verbi deboli (tentennamento → direttive)
    ├── 5. Sostituzione del linguaggio vago (termini specifici)
    ├── 6. Decomposizione dei compiti composti (multi-task → passaggi)
    ├── 7. Inserimento del ruolo specifico per dominio
    ├── 8. Rilevamento del pubblico e impostazione del tono
    ├── 9. Aggiunta dei vincoli (specifici per dominio)
    ├── 10. Specifica del formato di output
    ├── 11. Segnaposto per gli esempi
    └── 12. Passaggio di verifica qualità
    │
    ▼
Prompt ottimizzato + punteggi prima/dopo + log delle modifiche

L'ottimizzatore analizza le parole chiave per identificare uno dei 7 domini:

Ogni dominio fornisce:

• Un ruolo esperto specifico (invece del generico "helpful assistant")
• Vincoli rilevanti per il dominio
• Formato di output appropriato
• Controlli di qualità specifici per il dominio
• Segnaposto per gli esempi

L'ottimizzatore elimina queste espressioni di riempimento:

• basically, essentially, actually, literally, honestly
• obviously, clearly, simply put, in other words
• as you know, it goes without saying, needless to say
• I think, I believe, I feel like, in my opinion

Questi pattern di tentennamento vengono rimossi o sostituiti con istruzioni dirette:

Prima (Punteggio: 35/100, Voto: F):

Can you please help me write a good blog post about machine learning?
Please make it interesting and cover the basics. I want you to maybe
include some good examples if possible. Thanks!

Dopo (Punteggio: 88/100, Voto: B):

You are an experienced content strategist and professional writer with
expertise in clear, engaging communication.

TASK:
Write a blog post about machine learning. Cover the basics. Include
insightful and thought-provoking examples.

TARGET AUDIENCE:
This is for beginners.

TONE:
Be clear, engaging, and well-paced.

OUTPUT FORMAT:
Respond in well-structured prose with clear headings, short paragraphs,
and a logical narrative flow. Use markdown formatting.

RULES:
- Use clear, concise language appropriate to the target audience
- Maintain a consistent tone and voice throughout
- Structure content with logical flow and smooth transitions
- Support claims with specific details or examples

Before responding, verify that the writing is clear, free of jargon,
logically structured, and engaging for the target audience.

Modifiche apportate:

• Rimosse le parole di riempimento e le frasi ridondanti
• Sostituito il linguaggio esitante con istruzioni dirette
• Sostituito il linguaggio vago con termini specifici
• Aggiunto il ruolo specifico per il dominio (scrittura)
• Organizzato il prompt in sezioni etichettate chiare
• Aggiunto il formato di output specifico per la scrittura
• Aggiunti vincoli di qualità specifici per la scrittura
• Aggiunto il passaggio di verifica della qualità

Dopo l'ottimizzazione, alterna tra:

• Ottimizzato — prompt ottimizzato pulito
• Vista Diff — confronto colorato riga per riga (🟢 aggiunto, 🔴 rimosso, senza marcatore = invariato)

CLI: prompt-lib recommend <query> Workshop: scheda Strumenti → Recommender Sorgente: src/recommender.js

Lo Smart Recommender analizza la tua descrizione in linguaggio naturale e suggerisce i prompt migliori dalla libreria, includendo una combinazione ottimale.

Descrizione dell'utente
    │
    ├── 1. Estrazione dei termini (suddivisione in parole ricercabili)
    ├── 2. Rilevamento dell'intento (mappatura su 8 categorie di intento)
    ├── 3. Punteggio dei prompt (corrispondenza dei termini con tutti i prompt)
    ├── 4. Bonus intento (potenziamento dei prompt nelle categorie corrispondenti)
    └── 5. Costruzione della combinazione (prompt di sistema + framework + template)
    │
    ▼
Prime 8 corrispondenze + combinazione suggerita

Per ogni prompt nella libreria, il recommender calcola un punteggio di pertinenza:

I prompt nelle categorie che corrispondono all'intento rilevato ricevono un bonus.

Il recommender restituisce:

1. Primi 8 prompt corrispondenti — ordinati per punteggio di pertinenza
2. Combinazione suggerita — la migliore combinazione di:
   • 🧠 Prompt di sistema — prompt di sistema con punteggio più alto
   • 🔧 Framework — framework con punteggio più alto
   • 📝 Template — template di dominio con punteggio più alto
3. Risultati categorizzati — primi 3 prompt di sistema, primi 3 framework, primi 5 template

Query: "I need to build a REST API with authentication"

Output:

Suggested combination:

  🧠 System prompt:  Coding Assistant (coding-assistant)
  🔧 Framework:      Chain-of-Thought (chain-of-thought)
  📝 Template:       API Design (api-design)

Top matching prompts:

  API Design
    slug: api-design | category: development | score: 68
  System Design
    slug: system-design | category: development | score: 43
  Coding Assistant
    slug: coding-assistant | category: system-prompts | score: 38
  ...

• Sii descrittivo: "I need to write marketing emails for a SaaS product" > "email help"
• Includi parole chiave del dominio: "data analysis SQL dashboard" attiva l'intento dati
• Menziona l'obiettivo finale: "create a landing page that converts" > "make a web page"
• Combina contesti: "code review for Python REST API" attiva sia programmazione che sviluppo

Navigazione: ← Guida Modelli AI  |  API e Playground →