Prompting-technieken — beter vragen, beter antwoord #
Prompts zijn geen toverspreuken maar stuurmiddelen: vage prompts geven vaag gedrag, heldere prompts geven betrouwbaar gedrag. Een handvol technieken haalt er aanzienlijk meer uit.
Inhoud #
De basistechnieken #
- Wees specifiek + geef context — rol, doel, doelgroep, formaat, voorbeelden. Betere context → het model kiest relevantere patronen.
- Zero-shot vs. few-shot — zonder voorbeelden vs. mét enkele voorbeelden in de prompt. Few-shot helpt bij een specifiek formaat, toon of beslisgrens. Drie goede voorbeelden verslaan twintig matige.
- Chain-of-thought — vraag om stap-voor-stap redeneren (“denk hardop”, “leg je redenering uit”). Helpt bij rekenen, logica, planning, code. Moderne reasoning-modellen doen dit deels intern.
- Structured output — vraag een vast formaat (bv. tabel of JSON) als de output verder verwerkt wordt.
- Rol/systeemprompt — “Je bent een ervaren jurist die in begrijpelijke taal uitlegt…” stuurt toon en kader.
- Temperature afstemmen — laag voor feitelijk/consistent, hoger voor creatief brainstormen ([[kernbegrippen-llm]]).
Verbalized Sampling (tegen “saaie” output) #
Aligned modellen vallen vaak terug op het meest typische antwoord (“mode collapse”). Onderzoek (Stanford e.a., 2025) laat zien: de creativiteit zit er nog, je moet er anders naar vragen.
– In plaats van “Vertel een mop over koffie” → “Genereer 5 moppen over koffie, elk met hun waarschijnlijkheid.”
– Of als systeemprompt: vraag om meerdere antwoorden, gesampled uit de bredere verdeling (bv. elk met kans < 0,10).
– Effect: ~1,5–2× meer diversiteit, zonder dat feitelijkheid/veiligheid daalt. Grotere modellen profiteren er méér van.
Nuance: dit is één techniek met sterke claims uit één onderzoekslijn; presenteer als “handige truc voor brainstormen/creatief werk”, niet als wet.
“Context engineering” — de volgende stap #
Naarmate je serieuzer bouwt, gaat het minder om losse woordkeuze en meer om wat er in de context komt, in welke volgorde, wat samengevat/opgehaald wordt en wat weggelaten. Zie [[wiki/fundamenten/context-engineering]] voor het onderscheid met prompting en een praktische opzet.
Veelgemaakte fouten #
- Te veel (matige) voorbeelden → ruis.
- Alles in één megaprompt proppen → het model mist de kern (zie [[kernbegrippen-llm|needle in a haystack]]).
- Aannemen dat het model jouw impliciete taxonomie/voorkeuren kent → maak ze expliciet.
Sleutelinzichten #
- Voor de meeste cursisten geeft specifiek-zijn + rol + voorbeeld al de grootste sprong — begin daar.
- Verbalized Sampling (“vraag om 5 met kansen”) is een sterke, verrassende live-demo in een training.
- Prompting verkleint [[hallucinaties|hallucinaties]] door minder gaten over te laten, maar vervangt geen [[rag-mcp-agents|RAG/tools]] voor actuele/private feiten.
Inzetbaar voor #
- Training/workshop: “Van slechte naar goede prompt” met live-vergelijkingen.
- Hand-out/lead magnet: prompt-sjablonen per taak (mail, samenvatten, brainstormen).
- Video: “De 8 woorden die je AI 2× creatiever maken” (Verbalized Sampling).
- Blog: “5 prompt-technieken die echt verschil maken.”
Gerelateerd #
- [[kernbegrippen-llm]] — zero/few-shot, chain-of-thought, temperature, systeemprompt
- [[hoe-llms-werken]] — waarom promptkeuze het antwoord verandert
- [[hallucinaties]] — betere prompts = minder verzinsels
- [[rag-mcp-agents]] — als prompting niet genoeg is (actuele/private data)
Bronnen #
- [[RAW/Modern AI and LLM Concepts.md]] — zero/few-shot, chain-of-thought, structured output, prompts als stuurmiddel
- [[RAW/Stanford Just Killed Prompt Engineering With 8 Words (And I Can’t Believe It Worked).md]] — Verbalized Sampling (2025-10)
- [[RAW/7 AI Prompts That Actually Solve Everyday Problems.md]] — praktische voorbeeldprompts (zie ook toepassingen)
