Technieken

Voorbeelden sturen format, toon en structuur betrouwbaarder dan welk bijvoeglijk naamwoord ook. Anthropic raadt er drie tot vijf aan, in tags zodat het model ze van instructies kan onderscheiden, en waarschuwt dat ze gevarieerd moeten zijn — bijna identieke voorbeelden leren een toevallig patroon aan. Google verwerkt hetzelfde idee in TCREI als de stap Referenties. Als je uitvoer telkens van vorm verandert, is dit vrijwel altijd de oplossing.

De vaakste oorzaak dat een model een instructie "negeert", is dat die instructie middenin geplakte tekst stond. Anthropic raadt XML-tags aan en documenteert dat Claude die opvallend goed leest. Google zegt dat XML-achtige tags of Markdown-koppen beide werken voor Gemini 3. OpenAI’s huidige richtlijn leunt op Markdown-secties. Het principe is bij alle drie hetzelfde; alleen de syntaxis verschilt — precies wat de builder op deze site voor je regelt.

Werk je met een API of een eigen assistent, dan is deze splitsing gratis structuur. Rol, huisstijl, verboden gedrag en uitvoercontracten horen in het systeembericht, waar ze over meerdere beurten blijven gelden. De specifieke taak en de data horen in het gebruikersbericht. Meta raadt precies deze indeling aan voor Llama. In een gewoon chatvenster heb je die splitsing niet — daarom moeten chatprompts context herhalen die een API-prompt één keer noemt.

De exacte sleutels benoemen die je verwacht, maakt van een lopend antwoord iets verwerkbaars. Beschrijf in een chatvenster de vorm en voeg toe: "geef alleen de JSON terug, geen inleiding". Via een API gebruik je de schema- of structured-outputfunctie van de aanbieder, die generatie afdwingt in plaats van om medewerking te vragen. Meta noemt de chatvariant "limiting extraneous tokens" als aparte techniek, omdat open modellen hun uitvoer graag in commentaar verpakken.

Chain-of-thought was dé techniek van 2022–2024. Inmiddels is het de techniek die het vaakst wordt toegepast waar hij niet meer helpt. Huidige frontier-modellen redeneren standaard intern, en onderzoek van Wharton vond dat de nauwkeurigheidswinst van expliciet om stapsgewijs redeneren vragen bij zulke modellen marginaal is, terwijl het 20–80% meer tijd kost. Google raadt expliciet aan de prompt te vereenvoudigen en thinking_level te verhogen. Bij kleine en open modellen loont het nog wel — zie de redeneergids voor het volledige beeld.

Een prompt die om vier dingen tegelijk vraagt, levert meestal vier middelmatige dingen op. Aaneenschakelen doet ze op volgorde — opzet, dan concept, dan kritiek, dan herziening — met jou als controle bij elke overdracht. Het kost meer aanroepen en geeft veel meer grip, en het maakt fouten zichtbaar: je ziet welke stap misging in plaats van het hele antwoord opnieuw te draaien. Anthropic documenteert chaining als aparte techniek voor complexe prompts.

Bij antwoorden die goed of fout zijn — een classificatie, een getal, een ja/nee — vermindert dezelfde prompt drie of vijf keer draaien en het meerderheidsantwoord nemen aantoonbaar de eenmalige fouten. Meta noemt het bij zijn officiële Llama-technieken. Voor open schrijfwerk is het ongeschikt, want daar is geen meerderheid, en het vermenigvuldigt je kosten met het aantal runs.

Elk model heeft een trainingsdatum en geen enkel model kent jouw organisatie. Het relevante document meesturen, of een tool erop richten, verandert een geheugenprobleem in een leesprobleem — en daar zijn modellen veel beter in. Daarom geeft GCSE Bron een eigen veld en staat retrieval-augmented generation op Meta’s officiële techniekenlijst. Combineer het met een regel: "staat het antwoord niet in het materiaal hierboven, zeg dat dan".

Uitsluitingen zijn echt nuttig: geen opsommingstekens, geen wetsverwijzingen, noem de concurrent niet. Twee regels maken ze effectief. Ten eerste: geef de reden — Anthropic documenteert dat een uitgelegde beperking doorwerkt naar gevallen die je niet noemde. Ten tweede: herhaal hem niet — OpenAI waarschuwt expliciet dat het herhalen van instructies als "vraag eerst" of "wijzig niets" ertoe leidt dat het model ze te ver doortrekt.

Plak je conceptprompt en vraag wat er dubbelzinnig is, wat ontbreekt, en wat het nodig heeft voor een uitstekend antwoord. OpenAI merkt op dat zijn huidige modellen goed zijn in het verbeteren van hun eigen prompts terwijl je itereert. Anthropic noemt een verwante zet: vraag het model of je voorbeelden relevant en gevarieerd zijn. Het is de goedkoopst denkbare kwaliteitsstap, en werkt het best vóór je drie runs hebt verspild aan een vage briefing.