Best practice di prompt engineering per il 2026

Ottieni risultati migliori dall'IA con le tecniche di prompt engineering del team che ha creato Claude.

  • CategoriaBest practice
  • ProdottoClaude apps
  • Data10 novembre 2025
  • Tempo di lettura23 min
  • Condividi

Che cos'è il prompt engineering?

Il prompt engineering è l'arte di strutturare le istruzioni per ottenere output migliori dai modelli di IA. Riguarda il modo in cui formuli le query, specifichi lo stile, fornisci il contesto e guidi il comportamento del modello per raggiungere i tuoi obiettivi.

La differenza tra un'istruzione vaga e un prompt ben strutturato può segnare il divario tra output generici ed esattamente ciò di cui hai bisogno. Un prompt strutturato male potrebbe richiedere diversi scambi botta e risposta per chiarire l'intento, mentre un prompt ben progettato ti porta al risultato in un colpo solo.

È anche l'elemento costitutivo essenziale del context engineering, che sta assumendo un ruolo sempre più importante nel lavoro con gli LLM. Un prompt strutturato male potrebbe richiedere diversi scambi botta e risposta per chiarire l'intento, mentre un prompt ben progettato ti porta al risultato in un colpo solo. Tuttavia, per i modelli della generazione Claude 5 il prompting sta convergendo con il context engineering: meno impalcature, più cura delle informazioni.

Per aiutarti a iniziare, abbiamo raccolto alcune delle best practice del nostro team, inclusi metodi pratici pensati per migliorare subito i tuoi risultati. Inizieremo con abitudini semplici che puoi adottare già da oggi, per poi passare a metodi avanzati per i progetti più complessi.

Come utilizzare il prompt engineering

Al livello più elementare, il prompt engineering consiste semplicemente nel modificare la query che passi all'LLM. Spesso si tratta semplicemente di aggiungere informazioni alla query prima di formulare la richiesta vera e propria, ma sapere quali sono le informazioni giuste da condividere è il segreto per progettare un prompt eccellente ed efficace.

Tecniche di base

Queste tecniche di prompt engineering costituiscono la base di interazioni efficaci con l'IA. Utilizzale costantemente per notare miglioramenti immediati nella qualità delle risposte.

Sii esplicito e chiaro

I moderni modelli di IA rispondono in modo eccezionale a istruzioni chiare ed esplicite. Non dare per scontato che il modello capisca da solo ciò che desideri: dichiaralo in modo esplicito. Usa un linguaggio semplice che indichi esattamente ciò che desideri, senza ambiguità.

Il principio chiave: indica al modello esattamente ciò che vuoi vedere. Se vuoi un output completo, richiedilo. Se desideri funzionalità specifiche, elencale. I modelli moderni come Claude traggono particolare vantaggio da indicazioni esplicite.

Esempio: creazione di una dashboard di analisi

Vago: "Crea una dashboard di analisi"

Esplicito: "Crea una dashboard di analisi. Includi il maggior numero possibile di funzionalità e interazioni pertinenti. Vai oltre le basi per creare un'implementazione completa e ricca di funzionalità".

La seconda versione richiede esplicitamente funzionalità complete e segnala che vuoi che il modello vada ben oltre il minimo indispensabile.

Best practice:

  • Inizia con verbi d'azione diretti: "Scrivi", "Analizza", "Genera", "Crea"
  • Salta i preamboli e procedi subito con la richiesta
  • Specifica cosa vuoi che includa il risultato, non solo su cosa lavorare
  • Specifica chiaramente le aspettative in termini di qualità e approfondimento

Fornisci contesto e motivazione

Spiegare perché qualcosa è importante aiuta i modelli di IA a comprendere meglio i tuoi obiettivi e a fornire risposte più mirate. Questo approccio è particolarmente efficace con i modelli più recenti, in grado di ragionare sui tuoi obiettivi di fondo.

Esempio: preferenze di formattazione

Meno efficace: "Non usare MAI elenchi puntati"

Più efficace: "Preferisco risposte sotto forma di paragrafi discorsivi anziché elenchi puntati, perché trovo che una prosa scorrevole sia più facile da leggere e più colloquiale. Gli elenchi puntati mi sembrano troppo formali e schematici per il mio stile di apprendimento informale."

La seconda versione aiuta il modello a comprendere il ragionamento alla base della regola, il che permette di prendere decisioni migliori riguardo alle scelte di formattazione correlate.

Quando fornire il contesto:

  • Spiegare lo scopo o il pubblico di destinazione dell'output
  • Chiarire perché esistono determinati vincoli
  • Descrivere come verrà utilizzato l'output
  • Indicare quale problema stai cercando di risolvere

Sii specifico

Nel prompt engineering, la specificità consiste nello strutturare le istruzioni con linee guida e requisiti espliciti. Più sei specifico su ciò che desideri, migliori saranno i risultati.

Esempio: pianificazione dei pasti

Vago: "Crea un piano alimentare per una dieta mediterranea"

Specifico: "Progetta un piano alimentare basato sulla dieta mediterranea per la gestione del prediabete. 1.800 calorie al giorno, con particolare attenzione agli alimenti a basso indice glicemico. Elenca colazione, pranzo, cena e uno spuntino con i valori nutrizionali completi."

Cosa rende un prompt sufficientemente specifico?

Includi:

  • Vincoli chiari (numero di parole, formato, tempistiche)
  • Contesto pertinente (chi è il pubblico, qual è l'obiettivo)
  • Struttura dell'output desiderata (tabella, elenco, paragrafo)
  • Eventuali requisiti o restrizioni (esigenze alimentari, limiti di budget, vincoli tecnici)

Utilizza esempi

Gli esempi non sono sempre necessari, ma danno il meglio di sé quando si tratta di spiegare concetti o mostrare formati specifici. Noti anche come prompting one-shot o few-shot, gli esempi mostrano anziché descrivere, chiarendo requisiti sfumati difficili da esprimere solo attraverso una descrizione.

Nota importante per i modelli moderni: Claude 4.x e altri modelli avanzati simili prestano molta attenzione ai dettagli presenti negli esempi. Assicurati che gli esempi siano allineati ai comportamenti che vuoi incoraggiare e riduci al minimo gli schemi che vuoi evitare.

Esempio: sintesi di articoli

Senza esempio: "Riassumi questo articolo"

Here's an example of the summary style I want:

Article: [link to article about AI regulation]
Summary: EU passes comprehensive AI Act targeting high-risk systems. Key provisions include transparency requirements and human oversight mandates. Takes effect 2026.

Now summarize this article in the same style: [link to your new article]

Quando utilizzare gli esempi:

  • Il formato desiderato è più facile da mostrare che da descrivere
  • Hai bisogno di un tono o di uno stile specifico
  • L'attività prevede schemi o convenzioni poco evidenti
  • Le istruzioni semplici non hanno prodotto risultati coerenti

Consiglio da esperto: inizia con un solo esempio (one-shot). Aggiungi altri esempi (few-shot) solo se l'output non corrisponde ancora alle tue esigenze.

Consenti a Claude di esprimere incertezza

Concedi esplicitamente all'IA il permesso di esprimere incertezza anziché tirare a indovinare. Ciò riduce le allucinazioni e aumenta l'affidabilità.

Esempio: "Analizza questi dati finanziari e identifica le tendenze. Se i dati non sono sufficienti per trarre conclusioni, dillo anziché fare supposizioni."

Questa semplice aggiunta rende le risposte più affidabili, consentendo al modello di riconoscere i propri limiti.

Prova queste tecniche in Claude.

Tecniche avanzate di prompt engineering

Queste abitudini fondamentali ti permetteranno di fare molta strada, ma potresti comunque trovarti in situazioni che richiedono approcci più sofisticati. Le tecniche avanzate di prompt engineering danno il meglio di sé quando si sviluppano soluzioni agentiche, si lavora con strutture di dati complesse o è necessario scomporre problemi multifase.

Precompila la risposta dell'IA

La precompilazione consente di iniziare la risposta dell'IA al suo posto, orientandone il formato, il tono o la struttura. Questa tecnica è particolarmente efficace per imporre formati di output specifici o per evitare i preamboli.

Quando usare la precompilazione:

  • Hai bisogno che l'IA produca output in JSON, XML o altri formati strutturati
  • Vuoi saltare i preamboli discorsivi e passare direttamente ai contenuti
  • Devi mantenere una voce o un personaggio specifico
  • Vuoi controllare il modo in cui l'IA inizia la sua risposta

Esempio: imporre l'output JSON

Senza precompilazione, Claude potrebbe dire: "Ecco il JSON che hai richiesto: {...}"

Con precompilazione (utilizzo tramite API):

messages=[
    {"role": "user", "content": "Extract the name and price from this product description into JSON."},
    {"role": "assistant", "content": "{"}
]

L'IA continuerà a partire dalla parentesi graffa di apertura, generando solo JSON valido.

Nota: nelle interfacce di chat, puoi ottenere un risultato simile essendo molto esplicito: "Restituisci solo JSON valido senza preambolo. Inizia la risposta con una parentesi graffa di apertura".

Prompting con catena di pensiero

Il prompting con catena di pensiero (CoT, Chain of Thought) consiste nel richiedere un ragionamento passo dopo passo prima di rispondere. Questa tecnica è utile per attività analitiche complesse che traggono vantaggio da un ragionamento strutturato.

Approccio moderno: Claude offre una funzione di ragionamento esteso che automatizza il ragionamento strutturato. Quando disponibile, il ragionamento esteso è generalmente preferibile al prompting manuale basato sulla catena di pensiero. Tuttavia, comprendere la CoT manuale resta utile nelle situazioni in cui il ragionamento esteso non è disponibile o quando serve un ragionamento trasparente da poter esaminare.

Quando utilizzare la catena di pensiero:

  • Il ragionamento esteso non è disponibile (ad es. con il piano gratuito di Claude.ai)
  • Hai bisogno di un ragionamento trasparente che puoi esaminare
  • L'attività richiede più passaggi analitici
  • Vuoi assicurarti che l'IA tenga conto di fattori specifici

Esistono tre implementazioni comuni della catena di pensiero:

Catena di pensiero di base

È sufficiente aggiungere "Pensa passo-passo" alle istruzioni.

Draft personalized emails to donors asking for contributions to this year's Care for Kids program.

Program information:
<program>
{{PROGRAM_DETAILS}}
</program>

Donor information:
<donor>
{{DONOR_DETAILS}}
</donor>

Think step-by-step before you write the email.

Catena di pensiero guidata

Struttura il prompt in modo da prevedere fasi di ragionamento specifiche.

Think before you write the email. First, think through what messaging might appeal to this donor given their donation history. Then, consider which aspects of the Care for Kids program would resonate with them. Finally, write the personalized donor email using your analysis.

Catena di pensiero strutturata

Utilizza i tag per separare il ragionamento dalla risposta finale.

Think before you write the email in <thinking> tags. First, analyze what messaging would appeal to this donor. Then, identify relevant program aspects. Finally, write the personalized donor email in <email> tags, using your analysis.

Nota: anche quando il ragionamento esteso è disponibile, il prompting CoT esplicito può comunque essere vantaggioso per le attività complesse. I due approcci sono complementari, non si escludono a vicenda.

Controlla il formato di output

Per i moderni modelli di IA, esistono diversi modi efficaci per controllare la formattazione delle risposte:

1. Di' all'IA cosa FARE invece di cosa NON fare

Invece di: "Non usare il markdown nella tua risposta" Prova: "La tua risposta deve essere composta da paragrafi in prosa scorrevole"

2. Adatta lo stile del prompt all'output desiderato

Lo stile di formattazione utilizzato nel prompt può influenzare lo stile delle risposte dell'IA. Se desideri un uso minimo del markdown, riduci il markdown nel prompt.

3. Indica in modo esplicito le preferenze di formattazione

Per un controllo dettagliato sulla formattazione:

When writing reports or analyses, write in clear, flowing prose using complete paragraphs. Use standard paragraph breaks for organization. Reserve markdown primarily for inline code, code blocks, and simple headings.

DO NOT use ordered lists or unordered lists unless you're presenting truly discrete items where a list format is the best option, or the user explicitly requests a list.

Instead of listing items with bullets, incorporate them naturally into sentences. Your goal is readable, flowing text that guides the reader naturally through ideas.

Prompt chaining

A differenza delle tecniche precedenti, il prompt chaining non può essere implementato in un singolo prompt. Il prompt chaining suddivide le attività complesse in passaggi sequenziali più piccoli con prompt separati. Ogni prompt gestisce una fase e l'output alimenta l'istruzione successiva.

Questo approccio accetta una latenza più elevata in cambio di una maggiore accuratezza, rendendo più semplice ogni singola attività. In genere questa tecnica viene implementata tramite flussi di lavoro o in modo programmatico, ma è possibile fornire manualmente i prompt dopo aver ricevuto le risposte.

Esempio: riepilogo della ricerca

  1. Primo prompt: "Riassumi questo articolo medico illustrando metodologia, risultati e implicazioni cliniche."
  2. Secondo prompt: "Rivedi il riepilogo precedente verificandone l'accuratezza, la chiarezza e la completezza. Fornisci un feedback con una valutazione graduale."
  3. Terzo prompt: "Migliora il riepilogo in base a questo feedback: [feedback del passaggio 2]"

Ogni fase aggiunge un ulteriore perfezionamento attraverso istruzioni mirate.

Quando usare il prompt chaining:

  • Hai una richiesta complessa che deve essere scomposta in passaggi
  • Hai bisogno di un perfezionamento iterativo
  • Stai eseguendo un'analisi in più fasi
  • La convalida intermedia aggiunge valore
  • Un singolo prompt produce risultati incoerenti

Compromessi: il concatenamento aumenta la latenza, poiché richiede più chiamate API, ma spesso migliora notevolmente l'accuratezza e l'affidabilità per le attività complesse.

Tecniche di cui potresti aver sentito parlare

Alcune tecniche di prompt engineering diffuse con i precedenti modelli di IA sono meno necessarie con modelli come Claude. Tuttavia, potresti ancora trovarle nella documentazione meno recente o ritenerle utili in situazioni specifiche.

Tag XML per la struttura

I tag XML erano un tempo un metodo consigliato per aggiungere struttura e chiarezza ai prompt, soprattutto quando si includevano grandi quantità di dati. Sebbene i modelli moderni riescano meglio a comprendere la struttura anche senza tag XML, questi possono comunque rivelarsi utili in situazioni specifiche.

Esempio:

<athlete_information>
- Height: 6'2"
- Weight: 180 lbs
- Goal: Build muscle
- Dietary restrictions: Vegetarian
</athlete_information>

Generate a meal plan based on the athlete information above.

Quando i tag XML potrebbero essere ancora utili:

  • Stai lavorando con prompt estremamente complessi che combinano più tipi di contenuti
  • Devi essere assolutamente certo dei limiti dei contenuti
  • Stai utilizzando versioni precedenti del modello

Alternativa moderna: per la maggior parte dei casi d'uso, intestazioni chiare, spazi bianchi e un linguaggio esplicito, ad esempio "Utilizzando le informazioni sull'atleta riportate di seguito...", funzionano altrettanto bene con un minore overhead.

Prompting basato sui ruoli

Il prompting basato sui ruoli definisce personaggi esperti e prospettive nel modo in cui formuli la query. Sebbene possa essere efficace, i modelli moderni sono abbastanza sofisticati da rendere spesso superfluo un role prompting eccessivamente insistente.

Esempio: "Sei un consulente finanziario. Analizza questo portafoglio di investimenti..."

Avvertenza importante: non vincolare eccessivamente il ruolo. "Sei un assistente disponibile" è spesso meglio di "Sei un esperto di fama mondiale che parla solo in gergo tecnico e non commette mai errori". Ruoli eccessivamente specifici possono limitare l'utilità dell'IA.

Quando il role prompting potrebbe essere utile:

  • Hai bisogno di un tono uniforme in molti risultati
  • Stai sviluppando un'applicazione che richiede una persona specifica
  • Vuoi un inquadramento basato su competenze di settore per argomenti complessi

Alternativa moderna: spesso è più efficace esplicitare la prospettiva desiderata: "Analizza questo portafoglio di investimenti, concentrandoti sulla tolleranza al rischio e sul potenziale di crescita a lungo termine" anziché assegnare un ruolo.

Prova in Claude.

Combinare tutte le tecniche

Finora hai visto le singole tecniche in modo isolato, ma la loro vera potenza emerge quando le combini in modo strategico. L'arte del prompt engineering non consiste nell'usare ogni tecnica disponibile, ma nel selezionare la giusta combinazione per le tue esigenze specifiche.

Esempio che combina più tecniche:

xtract key financial metrics from this quarterly report and present them in JSON format.

I need this data for automated processing, so it's critical that your response contains ONLY valid JSON with no preamble or explanation.

Use this structure:
{
  "revenue": "value with units",
  "profit_margin": "percentage",
  "growth_rate": "percentage"
}

If any metric is not clearly stated in the report, use null rather than guessing.

Begin your response with an opening brace: {

Questo prompt combina:

  • Istruzioni esplicite (cosa estrarre esattamente)
  • Contesto (perché il formato è importante)
  • Struttura di esempio (che mostra il formato)
  • Autorizzazione a esprimere incertezza (usa null in caso di dubbio)
  • Controllo del formato (inizia con la parentesi graffa di apertura)

Scegliere le tecniche giuste

Non tutti i prompt richiedono ogni tecnica. Ecco un framework decisionale:

Per iniziare:

  1. La tua richiesta è chiara ed esplicita? In caso contrario, lavora prima sulla chiarezza
  2. L'attività è semplice? Usa solo le tecniche fondamentali (sii specifico, sii chiaro, fornisci contesto)
  3. L'attività richiede una formattazione specifica? Usa esempi o la precompilazione
  4. L'attività è complessa? Valuta di suddividerla (concatenamento)
  5. Richiede capacità di ragionamento? Usa il ragionamento esteso (se disponibile) o la catena di pensiero

‍Guida alla scelta della tecnica:

Se hai bisogno di...Usa...
Formato di output specificoEsempi, precompilazione o istruzioni esplicite sul formato
Ragionamento passo-passoPensiero esteso (Claude 4.x) o catena di pensiero
Attività complessa in più fasiPrompt chaining
Ragionamento trasparenteCatena di pensiero con output strutturato
Per prevenire le allucinazioniIl permesso di dire "Non lo so"

Risoluzione dei problemi comuni dei prompt

Anche i prompt scritti con le migliori intenzioni possono produrre risultati inaspettati. Ecco i problemi più comuni e come risolverli:

  • Problema: la risposta è troppo generica → Soluzione: aggiungi specificità, esempi o richieste esplicite di un output completo. Chiedi all'IA di "andare oltre le nozioni di base".
  • Problema: la risposta è fuori tema o non coglie il punto → Soluzione: sii più esplicito riguardo al tuo vero obiettivo. Spiega il contesto e il motivo della tua richiesta.
  • Problema: il formato della risposta non è coerente→ Soluzione: aggiungi degli esempi (few-shot) o usa la precompilazione per controllare l'inizio della risposta.
  • Problema: l'attività è troppo complessa, i risultati non sono affidabili → Soluzione: suddividila in più prompt (concatenamento). Ogni prompt dovrebbe fare bene una sola cosa.
  • Problema: l'IA include preamboli non necessari → Soluzione: usa la precompilazione o richiedi esplicitamente: "Salta il preambolo e vai dritto alla risposta".
  • Problema: l'IA inventa informazioni → Soluzione: concedi esplicitamente il permesso di rispondere "Non lo so" in caso di incertezza.
  • Problema: l'IA suggerisce modifiche quando volevi un'implementazione → Soluzione: indica esplicitamente l'azione: "Modifica questa funzione" anziché "Puoi suggerire delle modifiche?"

Consiglio da esperto: inizia in modo semplice e aggiungi complessità solo quando necessario. Testa ogni aggiunta per verificare se migliora effettivamente i risultati.

Errori comuni da evitare

Impara da questi errori comuni per risparmiare tempo e migliorare i tuoi prompt:

  • Non complicare troppo: prompt più lunghi e complessi NON sono sempre migliori.
  • Non trascurare le basi: le tecniche avanzate non servono a nulla se il prompt di base non è chiaro o è vago.
  • Non dare per scontato che l'IA sappia leggere nel pensiero: specifica chiaramente ciò che desideri. Lasciare spazio all'ambiguità offre all'IA margine di fraintendimento.
  • Non utilizzare tutte le tecniche contemporaneamente: seleziona quelle adatte alla tua esigenza specifica.
  • Non dimenticare di iterare: il primo prompt raramente funziona alla perfezione. Testa e perfeziona.
  • Non affidarti a tecniche obsolete: i tag XML e un uso intensivo del role prompting sono meno necessari con i modelli moderni. Inizia con istruzioni esplicite e chiare.

Considerazioni sul prompt engineering

Lavorare con contenuti lunghi

Una delle sfide dell'implementazione di tecniche avanzate di prompt engineering è che aggiungono un sovraccarico di contesto a causa del maggiore utilizzo di token. Esempi, prompt multipli, istruzioni dettagliate: tutto consuma token, e la gestione del contesto è una competenza a sé stante.

Ricorda di utilizzare le tecniche di prompt engineering quando hanno senso e il loro impiego è giustificato. Per una guida completa sulla gestione efficace del contesto, consulta il nostro articolo del blog sul context engineering.

Miglioramenti nella consapevolezza del contesto: i moderni modelli di IA, incluso Claude 4.x, hanno capacità di consapevolezza del contesto notevolmente migliorate, che aiutano a risolvere i problemi storici di "lost-in-the-middle", in cui i modelli faticavano a prestare la stessa attenzione a tutte le parti di contesti lunghi.

Perché suddividere le attività è ancora utile: anche con questi miglioramenti, scomporre attività di grandi dimensioni in parti più piccole e distinte resta una tecnica preziosa, non a causa dei limiti del contesto, ma perché aiuta il modello a concentrarsi per dare il meglio di sé entro un insieme di requisiti e un ambito ben precisi. Un'attività mirata con confini ben definiti produce costantemente risultati di qualità superiore rispetto al tentativo di raggiungere più obiettivi in un unico prompt.

Strategia: quando lavori con contesti lunghi, struttura le informazioni in modo chiaro, inserendo i dettagli più importanti all'inizio o alla fine. Quando lavori con attività complesse, valuta se suddividerle in sottoattività mirate possa migliorare la qualità e l'affidabilità di ciascun componente.

Esempi di prompt engineering: come si presenta un buon prompt

Il prompt engineering è un'abilità e ci vorrà qualche tentativo prima di padroneggiarla. L'unico modo per sapere se lo stai facendo nel modo giusto è provarlo e vedere cosa succede. Il primo passo è semplicemente provare in prima persona. Noterai subito le differenze tra le query con e senza le tecniche di prompting che abbiamo trattato in questa guida.

Per affinare davvero le competenze di prompt engineering, dovrai misurare in modo oggettivo l'efficacia dei tuoi prompt. La buona notizia è che questo è esattamente l'argomento del nostro corso di prompt engineering su anthropic.skilljar.com.

Suggerimenti rapidi per la valutazione:

  • L'output corrisponde ai tuoi requisiti specifici?
  • Hai ottenuto il risultato al primo tentativo o sono state necessarie più iterazioni?
  • Il formato è coerente tra più tentativi?
  • Stai evitando gli errori comuni elencati sopra?

Ultimi consigli

Il prompt engineering è, in definitiva, una questione di comunicazione: parlare il linguaggio che aiuta l'IA a comprendere nel modo più chiaro possibile le tue intenzioni. Inizia con le tecniche fondamentali illustrate nella prima parte di questa guida. Usale costantemente finché non diventano una seconda natura. Aggiungi tecniche avanzate solo quando risolvono un problema specifico.

Ricorda: il prompt migliore non è il più lungo né il più complesso. È quello che raggiunge i tuoi obiettivi in modo affidabile con la struttura minima necessaria. Con la pratica, svilupperai un'intuizione su quali tecniche siano più adatte a ciascuna situazione.

Per le istruzioni che vuoi applicare a ogni sessione anziché a ogni prompt, spostale nei file CLAUDE.md, nelle skill o in altri metodi di guida. Tuttavia, il passaggio verso il context engineering non riduce l'importanza del prompt engineering.

Il prompt engineering è infatti un componente fondamentale del context engineering. Ogni prompt ben strutturato diventa parte del contesto più ampio che determina il comportamento dell'IA, operando insieme alla cronologia della conversazione, ai file allegati e alle istruzioni di sistema per ottenere risultati migliori.

Inizia a scrivere prompt in Claude oggi stesso.

Risorse aggiuntive

Trasforma il modo in cui opera la tua organizzazione con Claude

Iscriviti alla newsletter per sviluppatori

Aggiornamenti sui prodotti, guide pratiche, storie dalla community e molto altro. Recapitati ogni mese nella tua casella di posta.

Inserisci il tuo indirizzo email se desideri ricevere la nostra newsletter mensile per sviluppatori. Puoi annullare l'iscrizione in qualsiasi momento.