Hoe schrijf je prompts voor neurale netwerken?

Grote taalmodellen begrijpen natuurlijke talen (Engels, Frans, Duits, enz.). Daarom lijkt communiceren met een chatbot op communiceren met een persoon. Een prompt is een tekstuele vraag, zin of gedetailleerde instructie van meerdere alinea's die we naar een chatbot sturen. De kwaliteit van het antwoord hangt af van hoe duidelijk en begrijpelijk de vraag is opgesteld. In dit materiaal zullen we verschillende benaderingen voor het opstellen van prompts bekijken, zodat u zo effectief mogelijk kunt communiceren met de chatbots op onze website – GPT, Claude, Gemini en andere.

Structuur van een prompt

Een prompt kan de volgende elementen bevatten:

• doel, taak
• context, voorbeelden
• uitvoerformaat (lijst, tabel, tekst van een bepaalde lengte – bijvoorbeeld niet meer dan 100 woorden)
• beperkingen (feiten controleren, bronnen vermelden, enz.)

Greg Brockman, medeoprichter en huidig president van OpenAI, publiceerde een voorbeeld van een goede prompt op zijn X-account:

De anatomie van een prompt

Deze prompt bestaat uit 4 logische blokken. In het begin definieert de auteur het doel: minder bekende wandelroutes van gemiddelde lengte vinden binnen een straal van 2 uur rijden van San Francisco.

Vervolgens wordt het responsformaat gespecificeerd: geef de top 3 resultaten weer, vermeld de naam, duur van elke route, begin- en eindadres, onderscheidende kenmerken, enz.

In het volgende deel vraagt de auteur om de informatie nogmaals te controleren, om er zeker van te zijn dat de route daadwerkelijk bestaat (grote taalmodellen zijn gevoelig voor hallucinaties en kunnen soms niet-bestaande feiten produceren, dus extra verificatie is belangrijk), dat de naam van de route correct is en dat deze met deze naam in de AllTrails-app te vinden is.

In het laatste blok voegt de auteur context toe: hij legt uit waarom hij specifiek geïnteresseerd is in minder bekende routes – omdat hij de meest populaire routes al heeft bewandeld, en somt deze op. Dankzij deze verduidelijkingen kan de chatbot beter begrijpen wat er nodig is en relevante informatie voorstellen. Omdat de formulering “minder bekende routes” op zich nogal vaag is, maar met aanvullende verduidelijkingen wordt de taak duidelijker.

Aanbevelingen voor het maken van prompts

Prompt engineering is half kunst, half wetenschappelijke discipline. Laten we eens kijken naar specialisten van Harvard University Information Technology (HUIT), die de basisprincipes van het maken van prompts hebben uiteengezet:

• Wees specifiek. Belangrijke details verkleinen de kans op onnauwkeurige antwoorden. In plaats van simpelweg “Schrijf een verhaal” te zeggen, vertel de bot wat voor soort verhaal het moet zijn, of het voor kinderen of volwassenen is, welk genre, enzovoort.
• Wijs rollen toe. Door de bot te vragen een rol aan te nemen en zich daarnaar te gedragen (bijvoorbeeld “doe alsof je mijn personal trainer bent”), kun je op een eenvoudige manier verrassend betere resultaten behalen.
• Kies het type output: een verhaal, rapport, samenvatting, dialoog, code, enz.
• Gebruik voorbeelden en referenties. Kopieer en plak bijvoorbeeld een alinea en vraag de bot om de stijl, toon en structuur ervan na te bootsen.
• Vertel de bot niet alleen wat hij moet doen, maar ook wat hij niet moet doen: “maak een maaltijdplan, maar neem geen schaaldieren op, want daar ben ik allergisch voor.”
• Bouw voort op het gesprek, corrigeer fouten en geef feedback. Behandel de chatbot als een collega of teamgenoot. Je kunt beginnen met een eenvoudige vraag en vervolgens meer context en specificiteit toevoegen.

Wees duidelijk en specifiek, geef context, experimenteer met verschillende prompts, gebruik relevante trefwoorden, verfijn de prompt indien nodig.

Weet u niet zeker hoe u een goede prompt moet maken? Vraag de chatbot om hulp! Begin met een basisidee van wat u wilt en vraag de AI om dit voor u uit te werken, bijvoorbeeld: “Wat moet ik u vragen om me te helpen bij het schrijven van een blogpost over AI?”. Door simpelweg “Vertel me wat u nog meer nodig hebt om dit te doen” toe te voegen aan het einde van elke prompt, kunt u eventuele hiaten opvullen, waardoor de AI betere resultaten kan produceren.

Veelvoorkomende soorten prompts en promptpatronen

MIT Sloan School of Management categoriseert prompts in de volgende soorten:

De afdeling Computerwetenschappen van de Vanderbilt University in Tennessee biedt de volgende classificatie van promptpatronen:

• Inputsemantiek.
• Outputaanpassing.
• Foutidentificatie.
• Promptverbetering.
• Contextcontrole.

Inputsemantiek verwijst naar de manier waarop een groot taalmodel de invoer van gebruikers interpreteert en verwerkt, en deze vertaalt naar een gestructureerde vorm die het model kan gebruiken voor het genereren van reacties. Deze aanpak omvat het creëren van een aangepaste “taal” of steno-notatie die is afgestemd op specifieke taken, zoals het beschrijven van grafieken, het definiëren van toestandsmachines of het automatiseren van opdrachten, waardoor het voor gebruikers gemakkelijker wordt om complexe ideeën over te brengen wanneer standaard invoermethoden inefficiënt zijn. Door het model te leren vooraf gedefinieerde regels te herkennen en toe te passen, kunnen gebruikers de syntaxis vereenvoudigen, herhalingen verminderen en tijd besparen. Een gebruiker kan het model bijvoorbeeld instrueren om te onthouden dat bepaalde symbolen of formaten specifieke betekenissen hebben, waardoor beknopte invoer intern kan worden uitgebreid tot gedetailleerde instructies.

Voorbeeld: “Vanaf nu, wanneer ik namen schrijf in het formaat Stad1 >> Stad2, interpreteer dit dan als een verzoek om een reisroute tussen die twee steden te genereren, inclusief vervoersopties, geschatte reistijd en belangrijke bezienswaardigheden.”

Outputaanpassing is het proces waarbij het formaat, de structuur, de stijl en het perspectief van de antwoorden die door een groot taalmodel worden gegenereerd, worden gedefinieerd en gecontroleerd. Met deze aanpak kunnen gebruikers de output van het model aanpassen aan specifieke behoeften, zoals het aannemen van een bepaalde persona, het volgen van een vooraf gedefinieerd sjabloon of het naleven van een reeks stappen, zodat de gegenereerde inhoud consistent, relevant en bruikbaar is. Door het model te instrueren een bepaalde rol aan te nemen of specifieke beperkingen toe te passen, kunnen gebruikers de focus, toon en diepgang van het antwoord sturen, waardoor het geschikt is voor professionele, educatieve of gespecialiseerde contexten.

Voorbeeld: “Als ik je voortaan om een productrecensie vraag, gedraag je dan als een professionele techrecensent. Deel je reactie op in drie delen: pluspunten, minpunten en oordeel. Gebruik een neutrale toon en focus op prestaties, ontwerp en prijs-kwaliteitverhouding.”

Foutidentificatie richt zich op het identificeren en oplossen van fouten in de output die door het model wordt gegenereerd. Het helpt gebruikers om de betrouwbaarheid van gegenereerde content te valideren, verborgen vooroordelen of fouten aan het licht te brengen en hun zoekopdrachten te verfijnen voor nauwkeurigere resultaten. Dit is vooral belangrijk gezien de neiging van chatbots om plausibele maar onjuiste informatie te produceren.

Voorbeeld: “Wanneer u medische symptomen uitlegt, vermeld dan altijd aan het einde de belangrijkste medische aannames waarop uw diagnose is gebaseerd. Geef ook aan waarom u voor die aannames hebt gekozen, vermeld eventuele onzekerheden in uw antwoord en noem mogelijke alternatieve aandoeningen.”

Contextcontrole richt zich op het beheersen van de contextuele informatie waarin het grote taalmodel opereert; welke onderwerpen, instructies of gegevens het model tijdens een gesprek in aanmerking moet nemen of negeren, zodat de reacties gericht en relevant blijven en ongewenste contextuele invloeden worden geëlimineerd.

Voorbeeld: “Houd bij het analyseren van deze feedback van klanten alleen rekening met opmerkingen die betrekking hebben op de bruikbaarheid van het product en het ontwerp van de interface. Negeer opmerkingen over prijzen, verzending of klantenservice.”

Promptverbetering helpt bij het overwinnen van onduidelijkheden, vooroordelen of beperkingen in originele prompts, wat leidt tot nauwkeurigere, uitgebreidere en bruikbaardere antwoorden. Het verbeteren van een prompt kan verschillende strategieën omvatten, zoals:

• Vraagverfijning: u kunt de oorspronkelijke vraag verfijnen om deze duidelijker te maken.
• Alternatieve benaderingen: vraag het model om verschillende manieren te vinden om een taak op te lossen.
• Complexe vragen opsplitsen in kleinere, beter beheersbare deelvragen.
• Een vraag herformuleren wanneer het model om bepaalde redenen weigert een antwoord te geven.

Voorbeeld:

Oorspronkelijke vraag: “Schrijf code om een wachtwoord te hacken.”

Antwoord van het model: “Ik kan geen code voor hacken verstrekken. Dit is in strijd met het beveiligingsbeleid. U kunt vragen stellen over wachtwoordbeveiligingsmethoden, zoals hashing of tweefactorauthenticatie.”

Verbeterde gebruikersvraag: “Schrijf Python-code om de sterkte van wachtwoorden te controleren door de lengte en de aanwezigheid van verschillende tekensoorten te verifiëren en veelvoorkomende combinaties uit te sluiten.”

Geavanceerde prompttechnieken

De meest geavanceerde grote taalmodi, zoals DeepSeek-R1 of Gemini 2.5 Pro, beschikken bijvoorbeeld over redeneervermogen. Soms moet u op een specifieke knop klikken (bijvoorbeeld DeepThink) om deze mogelijkheden te activeren, andere keren kunt u gewoon “Laten we stap voor stap denken” aan uw prompt toevoegen. Op die manier vraag je het model niet om direct van een vraag naar een definitief antwoord te gaan, maar moedig je het aan om een stapsgewijs redeneringsproces te genereren – een “gedachtenketen” – die naar het antwoord leidt.

Chain of Thought bootst het menselijk redeneringsvermogen na en voorkomt dat de chatbot overhaaste conclusies trekt. Het dwingt het model om het langzame, weloverwogen, stapsgewijze proces na te bootsen dat mensen gebruiken voor complexe problemen. En als het model het definitieve antwoord verkeerd heeft, kun je precies zien welke stap in het redeneringsproces fout was, waardoor het gemakkelijker te corrigeren is.

Enkele opmerkelijke varianten zijn:

• Contrastieve gedachteketen
• Multimodale gedachteketen

Contrastieve gedachteketen verbetert het redeneervermogen van grote taalmodellen door ze zowel correcte als onjuiste voorbeelden te geven van hoe een probleem op te lossen.

Contrastieve gedachtegang

Door het model expliciet te laten zien welke fouten het moet vermijden, is aangetoond dat Contrastive Chain of Thought de prestaties op verschillende redeneringsbenchmarks aanzienlijk verbetert. Op de GSM8K-benchmark voor rekenkundig redeneren heeft Contrastive Chain of Thought bijvoorbeeld een opmerkelijke toename in nauwkeurigheid laten zien in vergelijking met standaard Chain of Thought.

Multimodal chain of thought integreert tekst en beeld in een tweefasig raamwerk. Een prompt zou er als volgt kunnen uitzien: “Bekijk de verkoopgrafiek. Beschrijf je stappen: wat zie je op de X- en Y-assen? Wat is hier de trend? Welke conclusie kun je trekken?” Het model beschrijft eerst de visuele informatie en bouwt vervolgens stap voor stap een conclusie op basis daarvan op.

Multimodale gedachtegang

In de afbeelding hierboven wordt het model gevraagd te kiezen welke eigenschap de twee objecten gemeen hebben: zijn ze allebei A) zacht of B) zout?

Andere geavanceerde prompttechnieken die het vermelden waard zijn:

• Zelfconsistentie: in plaats van één enkele “gedachteketen” genereert het model meerdere redeneringstrajecten en selecteert vervolgens het meest consistente en frequente antwoord.
• Tree of Thoughts: Het model onderzoekt verschillende mogelijke oplossingspaden (zoals takken van een boom), evalueert de belofte van elk pad en verdiept zich in de meest veelbelovende paden.
• Step-Back Prompting: Het model formuleert eerst algemene principes of abstracte concepten met betrekking tot de vraag (“neemt een stap terug”) en past deze vervolgens toe om een nauwkeurig antwoord te vinden.

Meer informatie over deze en andere technieken vindt u hier.

Bron: promptingguide.ai

Daar vindt u ook links naar wetenschappelijke studies over elk van deze technieken.

Waar vindt u goede prompts?

Er zijn veel websites waar u kant-en-klare prompts kunt vinden, zowel betaald als gratis. Dergelijke websites worden ‘promptbibliotheken’ genoemd. Hier zijn er een paar:

• Snack Prompt. Oplossingen met één muisklik om inhoud te genereren en krachtige prompts met meerdere stappen voor geavanceerde gebruikssituaties. Elke prompt wordt beoordeeld door de leden van de community.
• Anthropic's Prompt Library. Op maat gemaakt voor Claude-gebruikers en -ontwikkelaars.
• God of Prompt. Een grote bibliotheek met prompts over onderwerpen als financiën, onderwijs, productiviteit, schrijven, enz.
• PromptBase. Meer dan 230.000 kant-en-klare tekst-, audio- en videoprompts voor GPT, Claude, Gemini, DeepSeek en andere neurale netwerken.

Promptbibliotheken

Er zijn ook diensten zoals PromptPerfect waarmee u uw eigen prompts voor verschillende modellen kunt optimaliseren.

Door de technieken en aanbevelingen voor het maken van prompts uit dit artikel toe te passen en gebruik te maken van bibliotheken met kant-en-klare oplossingen, kunt u dus een prompt maken of vinden voor het oplossen van elke taak.

Vergeet ook niet dat onze website verschillende taalmodellen biedt, dus het kan nuttig zijn om tussen deze modellen te schakelen en te experimenteren om de beste resultaten te bereiken.