Prompt Engineering Meesterschap — De Kunst van Praten met AI

Waarom Prompts Ertoe Doen — Rommel Erin, Rommel Eruit 🗑️

Je hebt geleerd hoe LLM's werken. Nu komt de vaardigheid die er het meest toe doet: prompt engineering — instructies opstellen die de gewenste resultaten opleveren.

❌ Slecht:  "Vertel me over klimaat"
   → Vaag essay van 2.000 woorden

✅ Goed:   "Leg drie hoofdoorzaken van klimaatverandering uit
            in opsommingstekens, geschikt voor een 14-jarige.
            Maximaal 100 woorden."
   → Gerichte, bruikbare antwoord

🤔

Think about it:

Een LLM is als een briljante expert die instructies zeer letterlijk neemt. Hoe specifieker je bent, hoe beter het resultaat.

Basistechnieken: Zero-Shot, Few-Shot, Chain-of-Thought 🎯

Zero-Shot

Geef het model een taak zonder voorbeelden. Werkt goed voor eenvoudige taken.

Few-Shot

Geef een paar voorbeelden vóór je verzoek:

"Classificeer deze reviews:
Review: 'Geweldig product!'          → POSITIEF
Review: 'Kapot na twee dagen.'       → NEGATIEF
Review: 'Het is oké, werkt prima.'   → NEUTRAAL

Review: 'Het design is strak maar de software crasht vaak.'
Sentiment: "

Antwoord: "NEGATIEF"

Chain-of-Thought (CoT)

Vraag het model om stap voor stap te denken voor complexe problemen:

"Een trein rijdt 120 km in 2 uur, versnelt dan met 50%.
Hoever rijdt hij in de volgende 3 uur?
Laten we stap voor stap denken."

→ Stap 1: Snelheid = 60 km/u
→ Stap 2: 50% sneller = 90 km/u
→ Stap 3: Afstand = 90 × 3 = 270 km ✓

Systeemprompts en Rollenspel 🎭

Een systeemprompt stelt het gedrag en de beperkingen van het model in:

messages = [
    {
        "role": "system",
        "content": """Je bent een senior Python code reviewer.
        Regels:
        - Commentaar alleen op bugs, beveiliging en prestaties
        - Negeer stijl en opmaak
        - Beoordeel ernst: LAAG / MIDDEL / HOOG / KRITIEK"""
    },
    {
        "role": "user",
        "content": "Review deze code:\n\ndef login(user, pwd):\n    query = f'SELECT * FROM users WHERE name=\"{user}\"'\n    return db.execute(query)"
    }
]

Effectieve structuur: ROL → TAAK → BEPERKINGEN → FORMAAT → VOORBEELDEN

💡

Systeemprompts zijn je krachtigste hulpmiddel voor consistent AI-gedrag. Een goede systeemprompt kan een generiek model in een gespecialiseerde expert veranderen.

RAG: Retrieval Augmented Generation 📚

RAG geeft het model toegang tot jouw data: Indexeer → Haal op → Verrijk → Genereer.

def answer_with_rag(question, document_store):
    relevant_chunks = document_store.search(question, top_k=3)
    context = "\n\n".join(chunk.text for chunk in relevant_chunks)

    prompt = f"""Beantwoord ALLEEN op basis van de context.

Context:
{context}

Vraag: {question}
Antwoord:"""

    return llm.generate(prompt)

🤔

Think about it:

RAG is als een open-boek examen. De student (LLM) redeneert nog steeds, maar kan feiten opzoeken — wat antwoorden veel betrouwbaarder maakt.

Gestructureerde Output en Geavanceerde Technieken 🔧

response = client.chat.completions.create(
    model="gpt-4o",
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": "Extraheer productinfo als JSON: naam, prijs, categorie"},
        {"role": "user", "content": "De Sony WH-1000XM5 kost €349 in Elektronica."}
    ]
)

Geavanceerd: Zelf-consistentie (stemmen tussen meerdere antwoorden) en Gedachtenboom (meerdere redeneertakken verkennen) verhogen de nauwkeurigheid.

Praktijk: Een Promptbibliotheek Bouwen 🛠️

PROMPT_LIBRARY = {
    "samenvatten": """Vat de volgende tekst samen in {length} punten.
Tekst: {text}""",

    "uitleggen": """Leg {concept} uit aan een {audience}.
Gebruik alledaagse analogieën.
Maximaal {word_limit} woorden.""",

    "extraheren": """Extraheer de volgende velden als JSON:
Velden: {fields}
Tekst: {text}""",
}

def build_prompt(template_name, **kwargs):
    return PROMPT_LIBRARY[template_name].format(**kwargs)

prompt = build_prompt(
    "uitleggen",
    concept="kwantumcomputing",
    audience="nieuwsgierige 15-jarige",
    word_limit=150
)

💡

Een promptbibliotheek is een levend document — verbeter je sjablonen op basis van resultaten. Versiebeheer ze als code en deel de beste met je team.

Samenvatting 🎯

Promptkwaliteit bepaalt outputkwaliteit
Zero-shot voor eenvoudige taken; few-shot voegt voorbeelden toe; CoT voor complex redeneren
Systeemprompts definiëren het gedrag van het model
RAG verankert antwoorden in jouw eigen data
Gestructureerde output maakt LLM's productieklaar
Bouw een promptbibliotheek — herbruikbare, geteste sjablonen

Wat Volgt? 🚀

Je beheerst nu de drie pijlers: diepe architecturen, taalmodellen en prompt engineering. Binnenkort: AI-systeemontwerp. 🏕️

Lesson 3 of 30 of 3 completed

←Grote Taalmodellen — De Motoren Achter Moderne AI 🌲 AI Forest→