Prompt Engineering: zo schrijf je de perfecte prompt!

Generatieve AI heeft ons werkende leven voorgoed veranderd. Steeds meer mensen weten hun weg naar tools zoals ChatGPT of Microsoft Copilot te vinden. Maar wie deze tools effectief wilt inzetten zal eerst moeten leren prompten.

Waaruit moet een goede prompt bestaan?

Om deze vraag te beantwoorden gebruik ik graag het framework dat Microsoft hiervoor heeft ontwikkeld. Op internet zijn er talloze van dit soort frameworks te vinden. Gebruik vooral een framework dat voor jou werkt!

Zoals je kunt zien start het framework van Microsoft met het allerbelangrijkste: het doel. Wat wil je dat ChatGPT / Copilot voor je doet?

Als voorbeeld laten we AI een e-mail voor ons schrijven aan onze collega Sam:

Schrijf een e-mail aan Sam

Oké, Copilot weet nu dat hij een e-mail moet gaan schrijven, maar zonder context wordt het een erg generieke e-mail. Om een duidelijke e-mail te schrijven zal je Copilot dus wat context moeten meegeven:

Schrijf een e-mail aan Sam waarin je hem vraagt om een offerte te maken voor Klant X

De prompt die we nu geschreven hebben biedt al een stuk meer context voor Copilot! Op basis hiervan kunnen we al een goede e-mail laten genereren. Maar we gaan nog een stapje verder. Laten we nu ook verwachtingen toevoegen. Willen we dat de e-mail heel formeel is geschreven, of hebben we een meer informele relatie met Sam? Door onze verwachtingen toe te voegen aan de prompt kan Copilot een betere e-mail voor ons genereren.

Schrijf een e-mail aan Sam waarin je hem vraagt om een offerte te maken voor Klant X en gebruik daarbij een formele toon

We hebben nu drie van de vier componenten van het prompt framework van Microsoft gebruikt. Je kunt Copilot nu ook bronnen geven om zich op te baseren. Als je Copilot voor Office 365 gebruikt kun je bijvoorbeeld vragen aan Copilot om meeting notulen van gesprekken met Klant X toe te voegen aan de prompt. Copilot kan deze notulen zelf doorspitten, en informatie die relevant is voor Sam toevoegen aan de e-mail.

Schrijf een e-mail aan Sam waarin je hem vraagt om een offerte te maken voor Klant X en gebruik daarbij een formele toon voeg informatie uit het gesprek met Klant X van 25 September toe

We hebben nu een prompt geschreven op basis van het framework van Microsoft, die we kunnen invoeren in Copilot om een e-mail aan Sam te genereren!

Zero shot prompting

Zero shot prompting is een term die je vaak tegenkomt wanneer het over prompting gaat. De Engelse term lijkt misschien complex, maar betekent simpelweg dat je Copilot een opdracht geeft waarbij je geen voorbeelden geeft.

Genereer ideeën voor items in een kerstpakket

Is een voorbeeld van “zero-shot prompting”

One shot / few shot prompting

One shot prompting betekent dat je één voorbeeld geeft bij je prompt. Bij few shot prompting geef je meerdere voorbeelden.

Voorbeeld van een “one-shot prompt”:

Genereer ideeën voor items in een kerstpakket, zoals een fles wijn

Ik merk met name bij hele specifieke taken (zoals “genereer video ideeën voor een YouTube kanaal”) dat je echt betere ideeën krijgt wanneer je een aantal voorbeelden geeft. Toch heeft deze aanpak ook een nadeel, want het “stuurt” de het model heel erg een bepaalde richting uit.

Stap terug prompten (step-back prompting)

Step back prompting is een techniek die wordt geïntroduceerd in deze whitepaper. Door deze techniek te gebruiken vertel je het AI model welke uitkomst je wilt en laat je het model vragen genereren die jij kunt beantwoorden om meer context te geven. Ik zal een voorbeeld geven:

Ik wil dat je een artikel voor mij schrijft over Microsoft Copilot. Begin nog niet met het schrijven van het artikel, maar stel mij eerst vragen die jou helpen om een goed artikel te schrijven.

Vervolgens antwoord het AI-model met een lijstje met vragen. Door deze vragen te beantwoorden voorzie ik het model met genoeg context om een kwalitatief artikel te kunnen schrijven. In dit voorbeeld vraagt het model me de volgende vragen te beantwoorden:

Doelgroep – Voor wie is het artikel bedoeld? Bijvoorbeeld: IT-professionals, bedrijfsleiders, studenten, of een breder publiek?

Doel van het artikel – Wil je informeren, overtuigen, inspireren of een kritische analyse geven?

Lengte en stijl – Hoe uitgebreid mag het artikel zijn (kort overzicht, diepgaande analyse, whitepaper-achtig)? En welke toon past: zakelijk, populair-wetenschappelijk, of luchtig/inspirerend?

Focuspunten – Wil je vooral de technische werking van Copilot bespreken, de toepassingen binnen Microsoft 365 (Word, Excel, Teams), of juist de impact op werk, productiviteit en ethiek?

Vergelijkingen – Moet het artikel Microsoft Copilot vergelijken met andere AI-tools (bijvoorbeeld ChatGPT of Google Duet AI), of juist volledig focussen op Copilot?

Bronnen – Wil je dat ik actuele voorbeelden en nieuwsfeiten over Copilot meeneem (bijvoorbeeld recente updates of zakelijke cases)?

Vorm – Zoek je een traditioneel artikel met inleiding–kern–slot, of liever een meer creatieve aanpak (bijvoorbeeld een case study, interviewstijl of toekomstvisie)?

Ik had zelf niet aan al deze zaken gedacht, maar het lijkt logisch om eerst te vragen voort welke doelgroep en met welk doel een artikel geschreven moet worden. Dat is precies wat een menselijke medewerker ook zou doen!

Nu kun je bovenstaande vragen beantwoorden, waarna het AI-model aan de slag gaat met het schrijven van het artikel.

Keten van gedachten (Chain of Thought)

Chain of Thought (CoT) prompting is een bekende prompttechniek, met name voor wie een AI-model wil laten redeneren. Je kunt in je prompt aangeven dat het AI-model CoT moet gebruiken, en dan gaat het model zijn hele denkproces uitschrijven.

Voorbeeld:

Jan heeft 6 appels. Hij eet er 5 op en koopt twee zakken van elk 10 appels. Hoeveel appels heeft hij nu? Gebruik Chain of Thought om dit vraagstuk op te lossen.

Antwoord:

Antwoord: Jan heeft nu 21 appels.

Korte samenvatting van de stappen:

Begint met 6 appels.

Eet er 5: 
6
−
5
=
1
6−5=1 appel over.

Koopt twee zakken van 10: 
2
×
10
=
20
2×10=20 appels.

Totaal: 
1
+
20
=
21
1+20=21 appels.

Chain of Thought heeft een aantal voordelen, zo kun je alle tussenstappen van het model volgen en daardoor makkelijk controleren of de uitkomst klopt. Daarnaast zorgt het gebruik van CoT ervoor dat de antwoorden van het model beter zijn.

Bovenstaande prompt technieken zijn een aantal voorbeelden van hoe je prompt engineering gebruikt om betere prompts te schrijven. Experimenteer vooral zelf in jouw favoriete AI-model, en kijk wat voor jou het beste werkt!