Prompt Engineer
Architettura di istruzioni per sistemi di intelligenza artificiale generativa in contesti aziendali complessi
About
Il Prompt Engineer progetta, testa e ottimizza istruzioni testuali destinate a modelli linguistici di grandi dimensioni (LLM) come GPT, Claude o Gemini. Opera in ambienti di sviluppo prodotto, ricerca applicata o automazione aziendale, utilizzando strumenti come LangChain, PromptFlow, Weights & Biases e ambienti di valutazione automatizzata. Collabora con data scientist, sviluppatori backend, product manager e team legali per allineare i comportamenti del modello agli obiettivi di business, rispettando vincoli etici e normativi. Misura le performance dei prompt attraverso metriche quantitative e cicli iterativi di test.
Competenze
Competenze tecniche
- Modelli LLM come GPT-4, Claude, Gemini, Mistral
- Framework come LangChain, LlamaIndex, PromptFlow
- Tecniche: few-shot, chain-of-thought, RAG, function calling
- Valutazione tramite RAGAS, TruLens, Weights & Biases
- Linguaggi: Python, JSON, YAML
- Versionamento prompt con Git, Notion strutturato, PromptLayer
- Gestione API REST e ottimizzazione dei costi token
- Sicurezza e rilevamento prompt injection e jailbreak
Competenze interpersonali
- Precisione linguistica nella formulazione di istruzioni ambigue
- Pensiero sistematico nell'analisi degli errori del modello
- Adattabilità rapida all'evoluzione degli strumenti AI
- Comunicazione tecnica con interlocutori non specialisti
- Rigore metodologico nella documentazione dei test
Compiti
- Progettazione di prompt di sistema e utente per pipeline LLM in produzione, rispettando limiti di token e vincoli di latenza
- Condurre sessioni di A/B testing su varianti di prompt, misurando accuratezza, coerenza e tasso di allucinazione su dataset di riferimento
- Codificare catene di prompt complesse con LangChain o LlamaIndex per workflow multi-step, riducendo il numero di chiamate API del 20-30%
- Documentare ogni versione di prompt in un registro strutturato con metadati di contesto, modello target e risultati delle valutazioni
- Analizzare i fallimenti del modello tramite strumenti di logging (Helicone, LangSmith) e identificare pattern sistematici di deriva semantica
- Collaborare con i team di prodotto per tradurre requisiti funzionali in specifiche tecniche di prompt ingegnerizzabili
- Implementare tecniche avanzate come chain-of-thought, few-shot learning e retrieval-augmented generation per migliorare la qualità degli output
- Valutare l'impatto dei prompt su metriche di sicurezza e bias, producendo report di conformità per audit interni
- Automatizzare la regressione dei prompt con framework di evaluation (RAGAS, TruLens) integrati nelle pipeline CI/CD
- Formazione dei team interni sull'uso corretto dei modelli e sui rischi legati al prompt injection
Ambienti di lavoro
Gli ambienti di lavoro possono variare:
Possibili evoluzioni
- AI Product Manager specializzato in prodotti LLM
- Machine Learning Engineer con focus su fine-tuning
- AI Safety Researcher
- Head of AI / AI Lead in contesti aziendali
- AI Solutions Architect
