Voor een snelle mail is de basis genoeg. Voor analyses, terugkerende processen en automatisering heb je meer controle nodig over hoe het model werkt en wat eruit komt.
1. Knip complexe taken op
Eén enorme prompt die alles tegelijk moet doen, geeft middelmatige resultaten. Splits het werk: eerst analyseren, dan structureren, dan schrijven. Controleer tussendoor.
2. Geef voorbeelden (few-shot)
Wil je dat klantvragen in vaste categorieën vallen? Geef drie voorbeelden van vraag plus juiste categorie. Het model leert het patroon sneller van voorbeelden dan van uitleg.
3. Scheid instructies van data
Zet de tekst die verwerkt moet worden tussen duidelijke markeringen, zoals drie aanhalingstekens of XML-achtige tags. Dat maakt de opdracht duidelijker en beschermt deels tegen instructies die in de tekst zelf staan.
4. Vraag om gestructureerde output
Voor automatisering wil je output die een ander systeem kan lezen, bijvoorbeeld JSON met vaste velden. Veel tools ondersteunen een 'structured output'-modus die het formaat afdwingt.
5. Laat het model zichzelf controleren
Vraag na het antwoord: 'Controleer je antwoord op fouten, ontbrekende punten en aannames. Wat zou een kritische expert zeggen?' Dat vangt verrassend veel fouten.
6. Leg vaste instructies één keer vast
Projecten, eigen GPT's en systeeminstructies laten je context en regels bewaren. Zet daar je doelgroep, toon, huisstijl en werkwijze in, dan hoeft je prompt alleen de taak te bevatten.
Onthoud
- Splits complexe taken in stappen met controle ertussen.
- Voorbeelden en duidelijke scheiding tussen instructie en data verhogen de kwaliteit.
- Gestructureerde output en zelfcontrole maken prompts geschikt voor automatisering.
Volgende stap: Prompten: de basis