Role prompting uitgelegd
Bij role prompting vraag je het model te antwoorden vanuit een specifiek professioneel perspectief. De rol moet relevant zijn voor de taak, niet theatraal. “Werk als senior support operations manager” is nuttig voor ticketworkflows; “werk als een genie” voegt meestal weinig toe.
Few-shot prompting uitgelegd
Few-shot prompting betekent dat je enkele voorbeelden van de invoer en de gewenste uitvoer geeft. Het is vooral nuttig wanneer formaat, toon of classificatiegrenzen lastig te beschrijven zijn. Twee tot vijf scherpe voorbeelden zijn vaak beter dan een lange abstracte uitleg.
Prompt chaining uitgelegd
Prompt chaining splitst een complexe taak op in kleinere stappen. In plaats van tegelijk om onderzoek, opzet, concept, kritiek en eindversie te vragen, voer je een reeks uit: feiten extraheren, structuur maken, concept schrijven, beoordelen en herzien. Dat geeft meer controle en maakt fouten makkelijker zichtbaar.
Combineer promptingtechnieken tot systemen die je kunt testen, verfijnen, van informatie kunt voorzien en opnieuw kunt gebruiken.
Een sterker idee: ontwerp een prompt operating system
Voor terugkerend werk is de beste prompt zelden één slimme zin. Behandel hem als een klein operating system: rol, invoer, bronregels, kwaliteitsnorm, uitvoerformaat en reviewstap. Zo wordt de workflow overdraagbaar en makkelijker te debuggen.
“Schrijf onze onboarding-e-mail.” Het model moet doelgroep, toon, productdetails en succescriteria raden.
“Gebruik hieronder het klantsegment, de productbelofte, toongids, verboden claims, voorbeeldmails en checklist. Maak een concept, voer een zelfreview uit en geef daarna de definitieve e-mail.”
Context engineering uitgelegd
Context engineering is de discipline van bepalen welke informatie op het juiste moment het model ingaat. Daaronder vallen bronselectie, instructiehiërarchie, geheugen, retrieval, voorbeelden, tools en uitvoerschema’s. Het doel is niet “maximale context”, maar de kleinste betrouwbare context.
Prompts testen
Prompts testen betekent dezelfde taak uitvoeren op representatieve voorbeelden en de uitvoer beoordelen. Gebruik een rubric met nauwkeurigheid, volledigheid, naleving van het formaat, toon, veiligheid en bewerkingstijd. Houd een kleine regressieset bij zodat je merkt wanneer een promptwijziging één geval verbetert maar een ander breekt.
Betere AI-antwoorden krijgen
Betere antwoorden komen meestal voort uit duidelijkere doelen, betere context, expliciete beperkingen, voorbeelden en een reviewstap. Vraag het model aannames te benoemen, een opgegeven formaat te gebruiken en onzekerheid te markeren. Geef voor belangrijke feiten bronnen mee of eis bronverwijzingen uit opgehaald materiaal.
RAG eenvoudig uitgelegd
RAG staat voor retrieval-augmented generation. Het systeem doorzoekt eerst een kennisbank, geeft daarna relevante passages aan het model en het model schrijft vervolgens een antwoord dat op die passages is gebaseerd. RAG is nuttig wanneer antwoorden afhangen van private, veranderende of omvangrijke documenten. Voor eenvoudige schrijftaken is het niet nodig.
Wat zijn AI-agents?
Tot nu toe heb je prompts geschreven waarop één antwoord terugkomt. Een AI-agent gaat een stap verder: hij kan meerdere stappen plannen, tools gebruiken (zoals zoeken of een rekenmachine), het resultaat bekijken en beslissen wat daarna moet gebeuren — en dat herhalen tot de taak klaar is. Zie het als het verschil tussen iemand om een routebeschrijving vragen en iemand de sleutels geven om de boodschap voor je te doen.
Agents zijn nuttig voor taken met meerdere stappen die anders veel afzonderlijke prompts vereisen: onderzoek meerdere pagina’s en vat ze daarna samen; of zoek iets op en maak op basis daarvan een antwoord. De afweging is controle — omdat een agent zelfstandig handelt, geef je duidelijkere grenzen en vaak een reviewstap voordat er iets belangrijks gebeurt. Als je de technische details wilt over hoe agents, tools en Large Action Models werken, behandelt de geavanceerde gids die onderwerpen uitgebreid.
Temperature eenvoudig uitgelegd
Temperature bepaalt hoeveel willekeur het model gebruikt bij het kiezen van tokens. Een lagere temperature is doorgaans voorspelbaarder en consistenter. Een hogere temperature kan meer variatie en creativiteit geven, maar ook meer afwijken van instructies. Het is geen kwaliteitsknop, maar een variatieknop.
Hoe het model elk woord kiest: greedy, top-k en top-p
Temperature is één instelling in een grotere stap die decoding (of sampling) heet. Op elke positie kent het model een waarschijnlijkheid toe aan elk mogelijk volgend token, en de decoding-methode bepaalt welke kandidaat daadwerkelijk wordt gekozen. Deze instellingen verklaren waarom dezelfde prompt rigide, enigszins repetitief of juist heel creatief kan aanvoelen, afhankelijk van de API-configuratie.
Veelgebruikte methoden, van strikt tot flexibel:
Kies bij elke stap het token met de hoogste waarschijnlijkheid. Daarmee verdwijnt de sampling-willekeur voor die decoder, maar identieke uitvoer is niet gegarandeerd tussen modelversies, numerieke implementaties, backendwijzigingen of niet-deterministische infrastructuur.
Behoud alleen de k meest waarschijnlijke tokens, bijvoorbeeld 40, en kies daaruit. De shortlist heeft een vaste grootte, ongeacht hoe zeker het model is.
Behoud de kleinste set tokens waarvan de waarschijnlijkheden samen p bereiken, bijvoorbeeld 0,9. De shortlist wordt kleiner wanneer het model zeker is en groter wanneer het onzeker is.
Een nieuwere optie: behoud tokens die ten minste een bepaald deel van de waarschijnlijkheid van het toptoken halen. Bij een hoge temperature blijft dit doorgaans stabieler dan top-p.
Deze instellingen beïnvloeden elkaar, maar de exacte volgorde en beschikbare instellingen hangen af van de implementatie. In een veelvoorkomende pipeline herschaalt temperature de logits vóór een top-k- of top-p-filter; andere runtimes kunnen processors anders combineren of ordenen. Sommige providers adviseren temperature of of top-p te wijzigen in plaats van beide, maar volg de documentatie van het specifieke model en de API.
