Prompt technieken

Een prompt bestaat uit onderdelen: de opdracht, de context, de gewenste toon, het format, eventueel een voorbeeld. Die onderdelen worden elders op deze site de bouwstenen van een goede prompt genoemd (De 7 bouwstenen van de ideale prompt, cluster 4.2). Bij de meeste dagelijkse taken zijn die bouwstenen voldoende. Een heldere opdracht met de juiste context levert een bruikbaar resultaat op.

Prompt technieken voegen een laag toe. Ze gaan niet over wát je het model vertelt, maar over hóe je de interactie organiseert. Geef je de opdracht in één keer of in stappen? Met voorbeelden of zonder? Vraag je het model om direct een antwoord te geven of om eerst zijn uitwerking te laten zien? Die keuzes beïnvloeden het resultaat minstens zo sterk als de inhoud van de prompt zelf.

Hier zit een nuance die ertoe doet. Modellen worden elk jaar beter in het afleiden van bedoeling uit korte instructies. Veel taken die in 2023 een uitgewerkte prompt vereisten, lukken nu met een screenshot en de instructie “fix dit.” Tegelijk worden modellen ook letterlijker in het opvolgen van expliciete instructies: ze doen precies wat je vraagt, niet meer. Die twee ontwikkelingen versterken elkaar. Bij alledaagse taken heb je minder sturing nodig. Bij complexe taken waar je specifieke keuzes wilt sturen, maakt gerichte sturing juist méér verschil dan ooit.

De technieken op deze pagina zijn voor dat tweede geval. Niet voor elke interactie. Voor het moment waarop de basis niet genoeg is. Er zijn vijf technieken die in de praktijk het meeste verschil maken, en ze vormen een oplopende lijn van licht naar zwaar.

Samen met de bouwstenen vormen deze technieken het volledige repertoire van Ring 1 (Aansturen) in ons ringen-model, de vijf lagen die van een kaal AI-model een compleet systeem maken. Alles wat je kunt doen om een model gericht aan te sturen zonder het systeem eromheen te veranderen.

Zero-shot prompting is de meest elementaire vorm en tegelijk de meest onderschatte. Je geeft het model een opdracht zonder voorbeelden mee te geven. Geen demonstratie van hoe het resultaat eruit moet zien. Alleen de instructie.

“Classificeer deze klacht als urgent of niet-urgent.” “Vat dit artikel samen in drie alinea’s.” “Vertaal deze tekst naar het Engels.” In al deze gevallen leunt het model volledig op wat het tijdens de training heeft geleerd. En bij veel taken is dat voldoende. Het model heeft miljoenen vergelijkbare taken gezien en herkent het patroon.

Hier zit het inzicht: zero-shot werkt niet omdat het model “slim” is. Het werkt omdat het model op dat type taak al is getraind. De kwaliteit van zero-shot hangt direct samen met hoe vaak het model vergelijkbare taken heeft gezien. Bij veelvoorkomende taken (samenvatten, vertalen, classificeren) is het sterk. Bij ongewone taken of taken met heel specifieke eisen begint het te haperen. Dat herkennen is het moment waarop je een andere techniek overweegt.

→ Lees meer: Zero-shot prompting (cluster 4.3a)

Few-shot prompting voegt voorbeelden toe aan de prompt. In plaats van alleen te beschrijven wat je wilt, laat je het model zien hoe een goed resultaat eruitziet.

Neem een concreet geval. Je wilt dat een AI-model klantvragen classificeert in categorieën die je zelf hebt bedacht: “productprobleem”, “facturatievraag”, “serviceverzoek” en “overig.” Bij een zero-shot prompt kiest het model categorieën die het zelf logisch acht. Die komen niet overeen met jouw indeling. Bij een few-shot prompt geef je drie voorbeelden van correcte classificaties. Het model herkent het patroon en past het toe op nieuwe invoer.

Het effect is meetbaar en consistent: één goed voorbeeld maakt al verschil. Twee of drie voorbeelden versterken de consistentie aanzienlijk. Meer dan vijf levert zelden extra winst op, want de kwaliteit van de voorbeelden weegt zwaarder dan de hoeveelheid. Een slordig voorbeeld levert slordige output op. Dat is geen fout van het model. Het is het model dat precies doet wat je hebt gedemonstreerd.

Few-shot prompting is bijzonder krachtig bij drie dingen: een merkgebonden stijl overbrengen die je moeilijk in woorden kunt vangen, een classificatiesysteem aanleren dat je zelf hebt bedacht, en consistente output afdwingen bij taken die je tientallen keren uitvoert.

→ Lees meer: One-shot en few-shot prompting (cluster 4.3b)

Chain-of-thought prompting stuurt het model aan om in tussenstappen te werken in plaats van direct naar een antwoord te springen.

Het principe is herkenbaar. Vraag iemand om 347 keer 28 uit het hoofd te berekenen. De kans op een fout is groot. Vraag diezelfde persoon om het op papier te doen, stap voor stap, en het antwoord klopt bijna altijd. Het verschil zit niet in het rekenvermogen. Het zit in de tussenstappen. Bij AI-modellen werkt het precies zo.

De techniek kan zo toegankelijk zijn als vijf woorden toevoegen aan een prompt: “Denk stap voor stap.” Dat klinkt te makkelijk om een verschil te maken, maar het effect is meetbaar. Bij rekentaken, logische problemen en analyses met meerdere factoren verbetert de nauwkeurigheid significant. Soms verdubbelt die.

Het inzicht hier is hetzelfde als bij een wiskundetoets: wie zijn uitwerking laat zien, maakt minder fouten dan wie alleen het eindantwoord opschrijft. De tussenstappen die het model genereert zijn controleerbaar. Je kunt zien welke stap het model heeft gezet, of die klopt, en waar het eventueel misgaat. Dat maakt het resultaat niet alleen beter, maar ook verifieerbaar. Een kanttekening past hier: de tussenstappen zijn geen venster op een intern denkproces van het model. Het model genereert tekst die functioneert als uitwerking. Maar net als bij die wiskundetoets maakt dat niet uit: de uitwerking is wat je kunt controleren, en het expliciet doorlopen van de stappen maakt het eindresultaat betrouwbaarder.

De afweging: tussenstappen kosten ruimte en tijd. Het model genereert meer tekst, wat langer duurt en bij betaalde modellen meer kost. De vuistregel: hoe meer er afhangt van het antwoord, hoe meer de tussenstappen waard zijn.

→ Lees meer: Chain-of-thought prompting (cluster 4.3c)

Prompt chaining verlaat het terrein van de enkele prompt. In plaats van alles in één opdracht te proppen, splits je een complexe taak op in een reeks kleinere stappen. De output van stap één wordt de input van stap twee. Eerst samenvatten, dan analyseren, dan conclusies trekken. Elke stap doet één ding goed.

Denk terug aan het voorbeeld uit de inleiding: de directeur die een rapport wil omzetten in een memo over strategische risico’s. De alles-in-één-prompt leverde een oppervlakkig resultaat op. Met prompt chaining wordt het drie stappen. Stap 1: identificeer alle risico’s in het rapport. Stap 2: prioriteer de drie belangrijkste voor deze specifieke organisatie. Stap 3: schrijf de memo. Na elke stap kan de directeur het tussenresultaat beoordelen voordat ze verdergaat.

De kracht van prompt chaining zit precies daar: in de controle tussen de stappen. Als de samenvatting in stap 1 een belangrijk risico mist, corrigeer je dat voordat de analyse erop bouwt. Dat voorkomt dat een fout in het begin ongemerkt doorwerkt tot het eindresultaat. Het is ook het inherente risico van de techniek: elke stap die fout is, vergiftigt de volgende. De controle is niet optioneel. Ze is het hele punt.

Prompt chaining is de handmatige variant van wat in AI-systemen een workflow heet: een geautomatiseerde keten van stappen. Het principe is identiek, de uitvoering verschilt. Wie handmatig een taak kan opdelen in effectieve stappen, begrijpt ook hoe een geautomatiseerd systeem dat doet.

→ Lees meer: Prompt chaining (cluster 4.3d)

Multi-turn prompting is de techniek die het dichtst bij hoe de meeste mensen al werken met AI: als een gesprek. Je stelt een vraag, bekijkt het antwoord, stuurt bij, vraagt door, laat het model een andere kant op kijken. Elke beurt bouwt voort op de vorige.

Het verschil tussen multi-turn als gewoonte en multi-turn als techniek zit in het bewustzijn van wat er onder de oppervlakte gebeurt. Bij elke beurt stuurt de applicatie de hele gespreksgeschiedenis naar het model. Het model leest alles opnieuw: je eerste vraag, zijn eerste antwoord, je bijsturing, alles. Wat je in de eerste beurten zegt, kleurt alles wat daarna komt. Dat maakt de opening van een gesprek onevenredig belangrijk.

Tegelijk accumuleert een lang gesprek ruis. Hoe meer beurten, hoe meer context het model moet verwerken, hoe groter de kans dat het vroege instructies minder sterk volgt. Er is ook een harde grens: het context window, de totale hoeveelheid informatie die het model tegelijk kan verwerken, heeft een maximale omvang. Wanneer het gesprek die grens nadert, raken de oudste beurten buiten beeld.

Dat klinkt als een beperking. Het is ook een ontwerpkeuze. Multi-turn prompting werkt het sterkst bij verkennende taken: je weet niet precies wat je zoekt, maar je herkent het als je het ziet. Een strategische analyse die je iteratief verdiept, een tekst die je beurt voor beurt bijschaaft, een probleem dat je vanuit meerdere invalshoeken bekijkt. Het gesprek is het gereedschap.

→ Lees meer: Multi-turn prompting en geheugen (cluster 4.3e)

Hier wordt het concreet. Dezelfde uitgangssituatie, vijf technieken, vijf fundamenteel verschillende aanpakken. De directeur uit de inleiding met haar rapport van zestig pagina’s.

Met zero-shot prompting: ze uploadt het rapport en typt “wat zijn de belangrijkste conclusies voor mijn organisatie?” Het model genereert een samenvatting op basis van het rapport. Bij een helder geschreven rapport is dat resultaat vaak bruikbaar. Bij een rapport met tegenstrijdige aanbevelingen of impliciete aannames mist het model de nuances. Het is een goed startpunt, maar geen eindpunt.

Met few-shot prompting: ze geeft het model twee voorbeelden van eerdere analyses die ze goed vond. Eentje over een ander rapport van vorig jaar, met precies de toon, structuur en het detailniveau dat ze zoekt. “Analyseer dit nieuwe rapport in dezelfde stijl en diepgang.” Het resultaat sluit aan bij haar verwachting, omdat het model het patroon uit de voorbeelden overneemt. De stijl klopt, het format klopt, de diepgang klopt. De voorbeelden doen het werk dat een beschrijving niet kan.

Met chain-of-thought prompting: ze vraagt het model om stap voor stap te werken. “Identificeer eerst de drie belangrijkste aanbevelingen. Beoordeel vervolgens per aanbeveling of die relevant is voor een organisatie van onze omvang en sector. Trek daarna een conclusie.” Het model genereert controleerbare tussenstappen. De directeur kan per stap beoordelen of de redenering klopt. Bij stap twee blijkt dat het model een aanbeveling als irrelevant beoordeelt die zij juist cruciaal acht. Ze kan dat corrigeren voordat de conclusie wordt getrokken.

Met prompt chaining: ze splitst de taak op in drie afzonderlijke prompts. Stap 1: “Vat het rapport samen in tien kernpunten.” Ze controleert de kernpunten en voegt er eentje toe dat het model miste. Stap 2: “Welke van deze elf kernpunten zijn relevant voor een organisatie in de gezondheidszorg met 500 medewerkers?” Ze beoordeelt de selectie. Stap 3: “Formuleer drie strategische aanbevelingen op basis van de relevante punten.” Elke stap doet één ding goed. Elke stap is controleerbaar. Het eindresultaat bouwt op een fundament dat ze zelf heeft gecontroleerd.

Met multi-turn prompting: ze start een gesprek. “Wat valt je op in dit rapport?” Het model reageert met een brede observatie. Ze stuurt bij: “Ga dieper in op de aanbeveling over automatisering. Wat zou dat concreet betekenen voor een zorginstelling?” Het model verdiept. Ze vraagt: “Hoe verhoudt dat zich tot de personeelskrapte die we nu al ervaren?” Over vijf tot tien beurten bouwt ze iteratief de analyse op die ze nodig heeft. Het resultaat is specifiek genoeg om naar het MT te brengen, omdat het model bij elke beurt een stukje dichter bij haar situatie is gekomen.

Geen van deze aanpakken is per definitie beter dan de andere. Een snelle samenvatting vraagt om zero-shot. Een consistente reeks analyses vraagt om few-shot. Een complexe redenering vraagt om chain-of-thought. Een meerstapstaak vraagt om chaining. Een verkennende analyse vraagt om multi-turn. Het herkennen van welk type taak je voor je hebt, is de vaardigheid die dit cluster wil opbouwen.

Wie wil begrijpen hoe de stap van goede prompts naar slim informatiebeheer eruitziet, en waarom het optimaliseren van de hele informatieomgeving steeds belangrijker wordt dan het optimaliseren van de prompt alleen, leest verder bij Context engineering (cluster 4.4).

Wie terug wil naar de onderdelen waaruit een goede prompt bestaat, vindt dat bij De 7 bouwstenen van de ideale prompt (cluster 4.2).

Wie wil weten hoe de automatische variant van prompt chaining eruitziet in een systeem met tools en orkestratie, leest verder bij Workflows: AI in herhaalbare processen (cluster 8.2).