Wat is een prompt en hoe schrijf je een goede?
Wat is een prompt en waarom maakt de formulering zoveel verschil?
In deel 1 zagen we hoe een taalmodel werkt: next-token prediction, getraind op gigantische hoeveelheden tekst, waarbij het model kansen leert over wat er in een bepaalde context waarschijnlijk volgt. Die context — de tekst die het model als input krijgt — is de prompt. Niets meer, niets minder.
Een prompt is de volledige tekst die in het model gaat. Wat eruit komt, hangt bijna volledig af van wat erin gaat. Dat klinkt als een open deur, maar de praktische implicatie is groot: het model heeft geen geheugen tussen gesprekken, geen intentie, geen begrip van wat je eigenlijk bedoelt. Het werkt alleen met wat je het geeft.
De anatomie van een prompt
Voordat we ingaan op technieken, is het handig om kort te noemen dat er technisch gezien twee soorten input zijn: een system prompt en een user message. De system prompt bevat instructies die "boven" het gesprek hangen — wie is het model, hoe moet het zich gedragen, wat mag het wel of niet. De user message is wat jij typt.
In de praktijk zie je dit onderscheid in tools als ChatGPT of Claude niet altijd, maar het model verwerkt beide. Deel 3 van deze serie gaat dieper in op het verschil en waarom het uitmaakt. Voor nu geldt: alles wat het model bereikt is tekst, en hoe beter die tekst geformuleerd is, hoe bruikbaarder de output.
Vier technieken die werken
1. Context geven
Het grootste misverstand bij beginners is denken dat een model "begrijpt" wat je bedoelt. Dat doet het niet. Het extrapoleert vanuit jouw woorden. Hoe meer relevante context je meegeeft, hoe accurater die extrapolatie.
Slecht:
Schrijf een e-mail over het project.
Goed:
Schrijf een e-mail aan een klant die al drie weken wacht op een offerte. De vertraging was door ziekte van een collega. Toon: professioneel maar persoonlijk. Lengte: max drie alinea's. We sturen de offerte morgen.
Het verschil is niet subtiel. De tweede versie geeft het model alles wat het nodig heeft: ontvanger, context, toon, lengte en de oplossing. De eerste dwingt het model om gaten op te vullen met aannames, en die aannames zijn niet altijd de jouwe.
2. Voorbeelden meegeven (few-shot prompting)
Een van de meest effectieve technieken is het model laten zien wat je wilt in plaats van het te beschrijven. Dit heet few-shot prompting: je geeft een paar voorbeelden van input naar output, en het model pikt het patroon op.
Voorbeeld. Je wilt dat het model klantvragen categoriseert:
Categoriseer de volgende klantvraag als "factuur", "technisch" of "overig".
Vraag: "Wanneer ontvang ik mijn factuur van april?" Categorie: factuur
Vraag: "De app crasht elke keer als ik inlog." Categorie: technisch
Vraag: "Ik wil graag mijn abonnement opzeggen." Categorie:
Het model vult de laatste categorie in op basis van het patroon. Zonder die voorbeelden zou het misschien "overig" raden, of een heel verhaal schrijven in plaats van één woord.
Few-shot werkt bijzonder goed voor classificatie, formattering, vertaling met specifieke stijl, en elke taak waarbij "hoe het eruit moet zien" makkelijker te laten zien is dan te omschrijven.
3. Format afdwingen
Als je weet wat je nodig hebt, zeg dat dan expliciet. Modellen zijn flexibel in outputformaat, maar ze gokken als je niets zegt.
Vraag je om een samenvatting, dan kan het model drie zinnen geven of dertig. Wil je een JSON-object terug voor een API-integratie, dan moet je dat zeggen — inclusief de structuur.
Geef de output als JSON met de volgende velden: naam (string), categorie (string), prioriteit (1-3).
Of simpeler:
Geef je antwoord als een bulletlijst van maximaal vijf punten. Geen inleiding, geen samenvatting.
Format-instructies zijn niet optioneel als je de output automatisch verwerkt. Een model dat de ene keer "hier zijn de vijf punten:" schrijft en de volgende keer gewoon begint met punt één, breekt je parser.
4. Role-prompting
Je kunt het model vragen om vanuit een bepaalde rol te redeneren. Dit werkt omdat het model kennis heeft van hoe mensen in die rol communiceren, denken en problemen oplossen.
Je bent een ervaren belastingadviseur die praat met een zelfstandige ondernemer zonder boekhoudkennis. Leg uit waarom de KOR interessant kan zijn, zonder jargon.
Dat levert een heel andere tekst op dan dezelfde vraag zonder rolbeschrijving. Het model calibreert vocabulaire, detailniveau en aannames op de opgegeven rol.
Een nuance: role-prompting is geen magie. Het werkt het best als de rol concreet is en als er voldoende trainingsdata bestaat voor die rol. "Je bent een expert in kwantumfysica" helpt weinig als de taak eigenlijk over tekstschrijven gaat.
Wat niet werkt
Vaag zijn
Maak iets creatiefs.
Wat is creatief? Een gedicht? Een businessplan? Een schilderijtitels-generator? Het model kiest, en wat het kiest is zelden wat jij voor ogen had. Hoe vager de prompt, hoe meer het model invult en hoe minder controle jij hebt over het resultaat.
Te lang en te diffuus
Er is een omgekeerd effect bij prompts die te veel willen. Als je tien instructies geeft die deels conflicteren, verliest het model de draad. Prioriteer. Als je prompt langer is dan een half A4, vraag jezelf af: wat is het ene ding dat ik absoluut nodig heb?
Conflicterende instructies
Wees uitgebreid. Houd het kort. Gebruik vakjargon, maar leg alles uit voor beginners.
Dit soort tegenstrijdigheden verwarren het model niet op menselijke manier — het kiest gewoon één kant, willekeurig. Je krijgt inconsistente resultaten die je niet kunt voorspellen of reproduceren.
Het klassieke anti-patroon: "wees behulpzaam"
Een prompt als "Je bent een behulpzame assistent. Beantwoord vragen zo goed mogelijk." zegt feitelijk niets. Een taalmodel is al getraind om behulpzaam te zijn. Het enige wat je toevoegt, is ruis.
Het probleem is niet dat de instructie fout is, maar dat ze generiek is. Wat betekent "behulpzaam" in jouw context? Kort en bondig, of uitgebreid met uitleg? Proactief aanvullen of alleen beantwoorden wat gevraagd wordt? Op het niveau van een expert of een leek?
"Wees behulpzaam" zonder context is het equivalent van een briefing waarbij je zegt: "Doe maar iets goeds." Dat werkt ook niet met mensen.
Voor en na: hetzelfde verzoek, ander resultaat
Slecht:
Schrijf een social media post over AI.
Goed:
Schrijf een LinkedIn-post voor een klein accountantskantoor dat net begonnen is met AI-tools voor hun administratie. Toon: nuchter en praktisch, geen hype. Lengte: 3-4 zinnen. Eindigt met een vraag aan de lezer. Geen hashtags.
De tweede prompt geeft het model doelgroep, platform, toon, lengte, structuur en een expliciete restrictie. Het resultaat is voorspelbaar en bruikbaar. De eerste levert je iets in de categorie "AI verandert de wereld — bent u er klaar voor?"
De praktische conclusie
Een goede prompt is geen kunst, het is ingenieurwerk. Je beschrijft zo precies mogelijk wat je wilt, wie het voor is, hoe het eruit moet zien en wat het model mag weglaten. Voorbeelden zijn krachtiger dan beschrijvingen. Format-instructies zijn niet optioneel als het resultaat ergens in een systeem terechtkomt.
De meest voorkomende fout — inclusief bij mezelf in het begin — is beginnen te typen zonder na te denken over de output. Wat wil ik precies? Wie leest dit? Welk formaat heb ik nodig? Die drie vragen beantwoorden voordat je op enter drukt, scheelt je meer iteraties dan welke techniek dan ook.
In deel 3 gaan we dieper in op tokens en de context window: wat er fysiek in een model past, waarom dat belangrijk is bij langere gesprekken en hoe system prompts werken als de instructielaag die het gedrag van het model stuurt.