Riscrittura tono

Template per riscrivere testo cambiando registro: da bozza grezza a formale, da formale a conciso, da informale a divulgativo.

Quando usarlo

• Bozza scritta di getto da pulire prima di inviare.
• Adattare un testo per audience diversa (interno → cliente, tecnico → esecutivo).
• Localizzare un tono tipico dell'inglese in italiano (e viceversa).

Prompt

Titolo: Riscrivi testo cambiando tono Tag: riscrittura, tono, editingModello target: claude-sonnet

Riscrivi il seguente testo cambiando registro/tono come richiesto.

Tono di partenza: {{tono_attuale}}
Tono di destinazione: {{tono_target}}

Lingua di output: {{lingua}}

Vincoli:
- Mantieni invariati: contenuto, fatti, nomi propri, citazioni, numeri.
- Cambia: lessico, registro, sintassi, formalità.
- Lunghezza target: {{lunghezza}} (puoi accorciare/allungare entro ±20%).
- Niente parafrasi vuote: ogni frase deve aggiungere informazione.
- Niente filler ("come dicevamo", "in conclusione" se non c'è davvero una conclusione).

Testo originale:

{{testo}}

Esempi

Da bozza informale a email formale

• tono_attuale: bozza informale, prima persona, frasi corte

• tono_target: email formale italiana, terza persona, sintassi piana

• lingua: italiano

• lunghezza: simile all'originale

• testo:

  ciao Mario, scusami ma quel report che mi avevi promesso lunedì non è arrivato.
  mi servirebbe entro venerdì perché ho la riunione con il cliente.
  fammi sapere se hai problemi, magari ti aiuto io.

Output atteso

Gentile Mario,

ti scrivo in merito al report concordato per lunedì, che non risulta ancora consegnato.
Mi servirebbe disporne entro venerdì in vista della riunione con il cliente.
Resto a disposizione per supportarti nel caso vi fossero blocchi.

Cordiali saluti,

Da paper accademico a divulgativo

• tono_attuale: accademico, gergo specialistico ML, frasi lunghe

• tono_target: divulgativo, target lettori di Wired, analogie concrete

• lingua: italiano

• testo:

  We propose a novel attention mechanism that achieves O(n log n) complexity
  through hierarchical clustering of token embeddings, demonstrating
  competitive perplexity on WikiText-103 with 4x training throughput.

Output atteso

Abbiamo trovato un modo per rendere i Transformer più veloci durante
l'addestramento — quattro volte più rapidi, per essere precisi. Invece
di confrontare ogni parola con ogni altra (operazione che cresce
quadraticamente con la lunghezza del testo), raggruppiamo le parole
simili in cluster e confrontiamo solo i cluster. La qualità delle
predizioni resta paragonabile ai modelli tradizionali.

Varianti

Tono basato su esempio di riferimento

Riscrivi il testo nel tono dell'esempio di riferimento (NON nel suo contenuto):

Esempio di riferimento (per lo stile):
{{esempio_stile}}

Testo da riscrivere (per il contenuto):
{{testo}}

A/B due varianti

Genera due versioni alternative:

Genera DUE versioni del testo riscritto in tono {{tono_target}}.

Versione A: privilegia chiarezza, evita gergo.
Versione B: privilegia concisione, accetta gergo se efficiente.

Separa le due versioni con `--- VERSIONE B ---`.

Testo:
{{testo}}

Utile in PaP perché puoi salvare le due versioni come varianti dello stesso prompt (vedi varianti-prompt.md) e confrontarle.

Anti-pattern

• Non cambiare tono E lingua nello stesso prompt se possibile: i risultati migliorano se traduci prima e poi riscrivi (due step).
• Non usare "rendi più professionale": troppo vago. Specifica il registro target (es. "formale italiano per email B2B").
• Non lasciar decidere al modello la lunghezza: imponi un range. Senza vincoli, il modello tende a espandere.