Grote taalmodellen (LLM's) zijn krachtig, maar de kwaliteit van de output valt of staat met de instructie die je ze geeft. In deze gids bespreken we 10 essentiële prompt-technieken die je direct kunt toepassen voor voorspelbare, hoogwaardige resultaten. Geen theorie, enkel echte waarde en praktische voorbeelden.
1. Rolprompting (Role Prompting)
Geef het model een duidelijke identiteit of beroep. Dit helpt het model om de juiste tone-of-voice en het juiste expertiseniveau aan te nemen.
Voorbeeld
Jij bent een Senior DevOps Engineer met 15 jaar ervaring in CI/CD en Kubernetes. Leg uit hoe ik een blue-green deployment opzet, gebruikmakend van technische, professionele taal.2. Few-Shot Prompting
In plaats van enkel instructies te geven (zero-shot), geef je het model een paar voorbeelden van de gewenste input en output. Dit verhoogt de accuraatheid aanzienlijk bij patroonherkenning.
Voorbeeld
Koppel het juiste sentiment aan de review.
Review: De batterij is snel leeg. -> Sentiment: Negatief
Review: Het scherm is prachtig en helder. -> Sentiment: Positief
Review: De levering was gisteren. -> Sentiment: Neutraal
Review: De klantenservice hielp me onmiddellijk en was erg vriendelijk. -> Sentiment:3. Chain-of-Thought (CoT)
Forceer het model om stap voor stap te redeneren voordat het een definitief antwoord geeft. Dit vermindert hallucinaties bij complexe of wiskundige taken drastisch.
Voorbeeld
Vraag: Als ik 3 appels koop voor €1,50 per stuk en 2 peren voor €2,- per stuk, met een korting van 10% op het totaal, wat betaal ik dan?
Redeneer stap-voor-stap uit hoe je tot het antwoord komt en geef pas op het einde het eindbedrag.4. Gestructureerde Output (JSON / Formats)
Vooral bij applicatie-ontwikkeling heb je voorspelbare data nodig. Definieer exact het output-formaat en vertel het model om géén extra tekst toe te voegen.
Voorbeeld
Geef een lijst van 3 programmeertalen.
Genereer de output UITSLUITEND als een geldige JSON-array met objecten die de keys "taal" en "type" bevatten. Voeg geen markdown-blokken of uitleg toe.5. Beperkingen (Constraints)
Wees expliciet over de grenzen waarbinnen het model moet opereren, zoals lengte, woordgebruik of formattering.
Voorbeeld
Vat het volgende artikel samen.
Beperkingen:
- Gebruik exact 3 zinnen.
- Gebruik maximaal 50 woorden.
- Gebruik geen vaktermen of jargon.6. Context-Verrijking (RAG-voorbereiding)
Geef het model de benodigde achtergrondinformatie in de prompt mee. Dit is de basis van Retrieval-Augmented Generation (RAG). Je scheidt de context duidelijk van de opdracht.
Voorbeeld
CONTEXT:
[Plak hier de actuele documentatie of database-kennis]
OPDRACHT:
Beantwoord de gebruikersvraag uitsluitend op basis van de bovenstaande CONTEXT. Als het antwoord niet in de context staat, zeg dan "Ik weet het niet".7. Prompt Chaining (Iteratief werken)
In plaats van één gigantische prompt, breek je een taak op. Vraag eerst om een outline, controleer deze, en laat vervolgens per sectie de inhoud genereren.
Voorbeeld
Stap 1 (Prompt 1): Maak een inhoudsopgave voor een blogpost over web performance.
Stap 2 (Prompt 2): Schrijf nu uitsluitend de inleiding (Sectie 1) op basis van de zojuist gemaakte inhoudsopgave.8. Toon en Stijl (Tone of Voice)
Stuur de schrijfstijl door referentiekaders te gebruiken. Dit voorkomt dat de output klinkt als standaard "AI-tekst".
Voorbeeld
Schrijf een welkomstmail voor nieuwe gebruikers. De toon moet enthousiast, informeel (gebruik 'jij') en licht humoristisch zijn, in de stijl van een hippe tech-startup.9. Negatieve Prompts
Soms is het makkelijker om te vertellen wat het model niet moet doen om ongewenst gedrag (zoals het overmatig gebruik van bepaalde AI-stopwoordjes) in te dammen.
Voorbeeld
Schrijf een conclusie voor het rapport over cybersecurity.
BELANGRIJK: Gebruik NIET de woorden "Concluderend", "Samenvattend" of "In een notendop". Begin de tekst direct.10. Zelf-Reflectie (Self-Correction)
Vraag het model om zijn eigen werk te bekritiseren en te verbeteren binnen dezelfde of een opvolgende prompt.
Voorbeeld
Schrijf een Python-script voor het scrapen van een webpagina.
Analyseer de code daarna kritisch op potentiële performance-problemen of edge-cases, en herschrijf de code op basis van je eigen kritiek. Toon alleen de definitieve code.