Wat is prompt engineering?

Definitie: Prompt engineering is het zorgvuldig opstellen en verbeteren van de instructies, ook wel prompts, die je aan een AI-model geeft, zodat het model betere, betrouwbaardere en beter bruikbare antwoorden geeft. Het gaat om de keuze van woorden, context, voorbeelden, structuur en grenzen.

In het kort

• Een goede prompt beschrijft de taak, de context, het gewenste resultaat, het formaat en eventuele beperkingen.
• Bekende technieken zijn een rol toekennen, voorbeelden meegeven, stap voor stap laten redeneren en een vast uitvoerformaat vragen.
• In bedrijfstoepassingen gaat prompt engineering verder dan losse vragen: het gaat om vaste instructies voor chatbots, agents en automatiseringen, die je test en verbetert.
• Een prompt is nooit een garantie; controle op de uitkomst blijft nodig, vooral als een fout gevolgen heeft.

Wat is prompt engineering?

Een prompt is de opdracht die je aan een AI-model geeft. Dat kan een korte vraag zijn, zoals “vat deze mail samen”, maar ook een uitgebreide instructie met achtergrondinformatie, voorbeelden en regels. De kwaliteit van die opdracht bepaalt in grote mate de kwaliteit van het antwoord. Een vage vraag levert een algemeen antwoord op; een heldere opdracht met context levert een antwoord dat past bij wat je nodig hebt.

Prompt engineering is de vaardigheid om die opdrachten zo te formuleren dat het model doet wat je bedoelt. Het is deels schrijven, deels testen en deels begrijpen hoe taalmodellen werken. Wie ermee werkt, merkt al snel dat kleine wijzigingen in een prompt een groot verschil kunnen maken. Eén extra zin met context of één goed voorbeeld kan het verschil zijn tussen een algemeen antwoord en een antwoord dat je direct kunt gebruiken.

De onderdelen van een goede prompt

Niet elke prompt heeft alle onderdelen nodig. Voor een eenvoudige vraag is een duidelijke taak genoeg. Voor een chatbot of automatisering die duizenden keren draait, loont het om elk onderdeel zorgvuldig uit te werken.

Waarom werkt prompt engineering?

Een taalmodel voorspelt de meest waarschijnlijke tekst op basis van wat het al heeft gezien: de instructies, de context en de vraag. Alles wat je in de prompt zet, stuurt die voorspelling. Een rol maakt bepaalde soorten antwoorden waarschijnlijker, een voorbeeld laat zien welk patroon je verwacht, en een duidelijk formaat beperkt de ruimte voor afwijkingen. Daarom heeft context zo’n groot effect. Het model weet niets van jouw situatie, behalve wat je het vertelt. Hoe beter je die situatie beschrijft, hoe minder het model hoeft te raden.

Technieken in prompt engineering

• Zero-shot. Je geeft alleen de opdracht, zonder voorbeelden. Werkt goed voor eenvoudige taken.
• Few-shot. Je geeft een paar voorbeelden van invoer en gewenste uitvoer. Het model leert daaruit het patroon.
• Rol geven. Je laat het model een bepaald perspectief aannemen, zoals een jurist, docent of redacteur.
• Stap voor stap redeneren. Je vraagt het model eerst te redeneren en dan pas te antwoorden. Dat helpt bij berekeningen en complexe vragen.
• Gestructureerde uitvoer. Je vraagt om een vast formaat, zoals een tabel, een lijst of JSON, zodat een systeem het antwoord kan verwerken.
• Opdelen. Je splitst een grote taak in kleinere stappen, elk met een eigen prompt.
• Afbakenen met bronnen. Je geeft documenten mee en vraagt het model alleen op basis daarvan te antwoorden.
• Zelfcontrole. Je laat het model zijn eigen antwoord controleren op een lijst met criteria.

Voorbeeld: van vage naar goede prompt

Vage prompt:

Schrijf een mail aan een klant.

Betere prompt:

Schrijf een korte, vriendelijke mail aan een klant die drie weken geleden een offerte voor een nieuwe cv-ketel heeft ontvangen en nog niet heeft gereageerd. Vraag of de offerte is aangekomen en of er nog vragen zijn. Noem dat de prijs geldig is tot het einde van de maand. Gebruik je-vorm, maximaal 80 woorden, zonder verkooppraatjes. Sluit af met de naam Sanne van de binnendienst.

De tweede prompt geeft context, doel, toon, lengte en grenzen. Het resultaat is direct bruikbaar, in plaats van een algemene mail die je zelf nog moet herschrijven.

Systeemprompt en gebruikersprompt

In AI-toepassingen worden twee soorten prompts onderscheiden. De systeemprompt is de vaste instructie die de bouwer van de toepassing meegeeft: wie het model is, wat het doet, welke toon het gebruikt en welke grenzen gelden. De gebruiker ziet die instructie meestal niet. De gebruikersprompt is de vraag of opdracht die de gebruiker zelf intypt. Het model combineert beide. Een goede systeemprompt zorgt ervoor dat het model zich consequent gedraagt, ongeacht hoe de gebruiker zijn vraag stelt.

Voorbeeld: systeemprompt voor een klantenservicechatbot

Een systeemprompt voor een chatbot van een webshop kan er in hoofdlijnen zo uitzien:

Je bent de digitale assistent van een webshop in tuinmeubelen. Je helpt klanten met vragen over bestellingen, levering, retouren en onderhoud van producten. Je antwoordt alleen op basis van de informatie in de meegeleverde documenten. Staat het antwoord daar niet in, zeg dan dat je het niet weet en verwijs naar de klantenservice via het contactformulier. Doe geen toezeggingen over kortingen, vergoedingen of uitzonderingen op het retourbeleid. Gebruik de je-vorm, wees vriendelijk en houd antwoorden kort: maximaal vier zinnen. Vraag om een ordernummer als de klant een vraag stelt over een specifieke bestelling. Vermeld aan het begin van het gesprek dat je een AI-assistent bent.

Zo’n instructie legt rol, taak, bron, grenzen, toon, lengte en vervolg vast. Elk onderdeel komt voort uit een vraag die je vooraf moet beantwoorden: waar mag de chatbot over praten, wat doet hij bij twijfel, en wat mag hij nooit beloven?

Prompts voor verschillende taken

Prompt engineering en veiligheid

Prompts kunnen ook worden misbruikt. Bij prompt injection probeert iemand via de invoer het model andere instructies te geven, bijvoorbeeld met een tekst als “negeer je vorige instructies en doe het volgende”. Dat kan via een chatbericht, maar ook via een document, mail of webpagina die een AI-toepassing verwerkt. Een goede systeemprompt maakt duidelijk dat instructies uit de invoer niet moeten worden opgevolgd, maar dat is geen volledige bescherming. Beperk daarom ook wat een AI-toepassing mag doen, welke gegevens het kan inzien en welke acties het zelfstandig mag uitvoeren. Laat gevoelige acties altijd langs een mens gaan.

Prompt engineering in bedrijfstoepassingen

Bij een losse vraag in een chatvenster is een prompt een eenmalige opdracht. In een bedrijfstoepassing is het anders. Een chatbot op de website, een agent die tickets afhandelt of een automatisering die documenten uitleest, werkt met een vaste instructie, de systeemprompt, die bij elke aanroep wordt gebruikt. Die instructie bepaalt het gedrag van de toepassing, elke keer opnieuw.

Dat vraagt om een andere aanpak:

• Schrijf de instructie zorgvuldig uit, inclusief rol, taak, toon, grenzen en wat het model doet als het iets niet weet.
• Maak een testset van echte voorbeelden, inclusief lastige en ongebruikelijke gevallen.
• Test elke wijziging op die testset, zodat je ziet of een verbetering op één punt niet ergens anders iets breekt.
• Houd versies bij, zodat je kunt terug naar een eerdere instructie.
• Meet in de praktijk: hoe vaak klopt het antwoord, hoe vaak grijpt een mens in?
• Houd de instructie onderhoudbaar. Een systeemprompt die steeds langer wordt met losse uitzonderingen, wordt onoverzichtelijk. Herschrijf hem af en toe als één samenhangende tekst.
• Scheid instructies en gegevens. Zet instructies, achtergrondinformatie en de invoer van de gebruiker duidelijk apart, bijvoorbeeld met kopjes of markeringen. Dat helpt het model en maakt misbruik lastiger.

Tips voor dagelijks gebruik

• Begin met het doel. Vertel wat je met het antwoord gaat doen, bijvoorbeeld “ik wil dit in een mail aan mijn team plakken”.
• Geef het materiaal mee. Plak de tekst, gegevens of notities waarop het antwoord gebaseerd moet zijn.
• Noem de doelgroep. Een uitleg voor een directeur is anders dan een uitleg voor een nieuwe collega.
• Vraag om een vorm. Een tabel, drie opsommingen, een korte alinea of een lijst met vragen.
• Werk in rondes. Vraag eerst een opzet, beoordeel die en vraag daarna om verbeteringen.
• Geef feedback. “Korter”, “minder formeel” of “voeg een voorbeeld toe” werkt vaak beter dan opnieuw beginnen.
• Bewaar goede prompts. Een prompt die goed werkt voor een terugkerende taak, kun je opslaan en hergebruiken.
• Controleer feiten. Laat het model niet raden naar cijfers, namen of bronnen; geef ze mee of controleer ze.

Wie doet prompt engineering?

In de eerste golf van generatieve AI werd prompt engineer genoemd als nieuw beroep. Inmiddels is het vooral een vaardigheid die bij veel rollen hoort. Medewerkers die dagelijks met AI werken, hebben baat bij de basis: een duidelijke opdracht met context en voorbeelden. Ontwikkelaars en productteams die AI in software inbouwen, gaan verder: zij schrijven systeemprompts, bouwen testsets, meten resultaten en combineren prompts met bronnen, tools en controles. In organisaties is het verstandig om goede prompts voor veelvoorkomende taken centraal te delen, zodat niet iedereen het wiel opnieuw uitvindt.

Veelgemaakte fouten

• Te weinig context. Het model weet niets over je bedrijf, je klant of je doel, tenzij je het vertelt.
• Tegenstrijdige instructies. “Wees uitgebreid” en “houd het kort” in dezelfde prompt.
• Alleen zeggen wat niet mag. Beschrijf ook wat het model wel moet doen.
• Eén prompt voor alles. Een grote, ingewikkelde opdracht levert vaak een slechter resultaat op dan een paar kleinere stappen.
• Niet testen. Een prompt die bij één voorbeeld werkt, werkt niet automatisch bij honderd andere.
• Blind vertrouwen. Ook een goede prompt voorkomt geen fouten. Controleer de uitkomst waar het ertoe doet.
• Vertrouwelijke gegevens delen. Zet geen klant- of bedrijfsgegevens in een prompt van een dienst waarvoor geen afspraken zijn gemaakt over opslag en gebruik.
• Vergeten wat er na het antwoord gebeurt. Een goed antwoord heeft pas waarde als duidelijk is wie het gebruikt en hoe.

Prompt engineering, RAG of fine-tuning?

Prompt engineering is vaak de eerste en goedkoopste manier om een AI-model beter te laten presteren. Pas als dat niet genoeg is, kijk je naar andere technieken. RAG is de logische volgende stap als het model specifieke, actuele kennis nodig heeft, zoals productinformatie, beleid of documenten. Fine-tuning komt in beeld als het model een vaste stijl, structuur of taak consequent moet uitvoeren en goede prompts dat niet voldoende oplossen. In de praktijk worden de drie gecombineerd: een goede instructie, de juiste bronnen per vraag en eventueel een model dat op voorbeelden is getraind.

Is prompt engineering nog nodig met slimmere modellen?

Nieuwere modellen begrijpen ook minder zorgvuldige vragen steeds beter. Voor persoonlijk gebruik is een perfecte prompt daardoor minder belangrijk dan een paar jaar geleden. Voor bedrijfstoepassingen blijft het wel essentieel. Daar gaat het niet alleen om de formulering, maar om het vastleggen van context, regels, grenzen en uitvoerformaat, en om het testen en verbeteren daarvan. Steeds vaker wordt daarom ook gesproken over context engineering: het zorgvuldig samenstellen van alle informatie die een model nodig heeft om een taak goed uit te voeren.

Wat betekent dit voor jouw project?

Bij Contentooo, een workflow met intake, klantprofiel, onderzoek, contentplan, conceptgeneratie, controle en klantakkoord, geldt een eenvoudige les: goede invoer bepaalt wat een volgende stap oplevert. Dat is de kern van prompt engineering. Een AI-stap levert pas een bruikbaar concept op als de intake, het klantprofiel en het onderzoek goed zijn vastgelegd.

In Elevtr, mijn software voor het voorbereiden en publiceren van LinkedIn-content, maak ik onderscheid tussen input, voorstel, keuze en uitvoering. De prompt hoort bij de input, het antwoord van het model is een voorstel, en de keuze blijft bij de gebruiker.

Wil je AI inzetten in een vast proces, met instructies die je kunt testen en verbeteren? Stuur me welke taak de AI moet doen, met een paar voorbeelden van goed werk. Dan bepalen we samen de logische eerste stap.

Veelgestelde vragen over prompt engineering

Wat is prompt engineering?

Prompt engineering is het zorgvuldig opstellen en verbeteren van instructies voor een AI-model, zodat het betere en betrouwbaardere antwoorden geeft. Het gaat om context, voorbeelden, structuur, toon en grenzen.

Hoe schrijf je een goede prompt?

Een goede prompt beschrijft de taak, de context, de doelgroep, het gewenste formaat en de grenzen. Voorbeelden van een goed antwoord helpen het model om het patroon te begrijpen, en een concrete, ondubbelzinnige formulering voorkomt misverstanden.

Wat is het verschil tussen zero-shot en few-shot prompting?

Bij zero-shot prompting geef je alleen de opdracht, zonder voorbeelden. Bij few-shot prompting geef je een paar voorbeelden van invoer en gewenste uitvoer, zodat het model het patroon kan overnemen.

Verwante termen

Large Language Model (LLM) · AI-hallucinatie · Fine-tuning · RAG (Retrieval Augmented Generation) · AI-agent · AI-chatbot