Hoe geef je AI betere context voor antwoorden die niet standaard zijn

Heb je ooit aan AI gevraagd om 'een e-mail te schrijven' of 'een concept uit te leggen' en kreeg je een pijnlijk standaard, met clichés gevuld antwoord? Je bent niet de enige. Het probleem zit niet in de AI – het is het gebrek aan context. Grote taalmodellen (LLM's) kiezen standaard voor het statistisch meest waarschijnlijke antwoord. Dat betekent dat ze veilige, nietszeggende tekst produceren, tenzij je ze heel specifiek de weg wijst.

De oplossing is simpel: geef het model vooraf specifieke beperkingen, context en structuur, voordat het iets genereert. Hier zijn de technieken die het grootste verschil maken, gebaseerd op onderzoek naar prompt engineering en ervaringen van gevorderde gebruikers.

De basisstrategieën voor betere context

1. Wijs een rol en publiek toe

In plaats van een kale opdracht als 'Schrijf een e-mail', bepaal je wie de AI is en voor wie het schrijft. Een rol verandert onmiddellijk de toon, diepgang en het perspectief. Bijvoorbeeld: 'Je bent een HR-manager die een welkomstmail schrijft voor een nieuwe softwareontwikkelaar die op afstand werkt in een andere tijdzone.' De combinatie van rol en publiek maakt de output meteen een stuk specifieker .

Bronnen van MIT's effectieve promptgids , OpenAI's eigen beste praktijken en communitybronnen voor prompt engineering benadrukken dit allemaal als een fundamentele techniek.

2. Geef achtergrondinformatie die het antwoord beïnvloedt

Voeg vóór je vraag een of twee zinnen context toe die het model anders niet zou weten. MasterPrompting.net stelt voor om jezelf één diagnosevraag te stellen: 'Wat zou het model waarschijnlijk fout doen als ik het dit niet vertel?' Dat is precies de informatie die je moet toevoegen .

Dezelfde bron schat dat simpelweg vertellen wie je bent (of voor wie de output is) en wat je probeert te bereiken, 80% van je resultaten zal verbeteren .

3. Vertel wat het NIET moet doen

Door grenzen te stellen voordat de AI begint met genereren, filter je standaard output bij de bron weg. Bijvoorbeeld: 'Gebruik geen modewoorden, begin niet met 'In de huidige snel veranderende wereld', noem niet meer dan 3 punten.' Deze techniek wordt aanbevolen door bronnen die zich richten op het vermijden van standaard ChatGPT-output . Het principe is om de outputruimte vroeg te beperken, voordat het model naar clichés kan afdrijven.

4. Structureer prompts in gelabelde secties

Gebruik duidelijke scheidingen zoals

## Achtergrond

## Instructies

## Beperkingen

## Outputformaat

5. Geef voorbeelden van wat je wilt

Een enkel goed voorbeeld (of een slecht voorbeeld dat je wilt vermijden) in je prompt beperkt de outputruimte aanzienlijk en vermindert standaard antwoorden. Dit staat bekend als 'few-shot' prompting – het model laten zien wat je zoekt in plaats van het alleen te beschrijven .

Geavanceerde technieken

De rangschik-truc

Vraag niet om één antwoord, maar om opties die op een spectrum zijn gerangschikt. Voorbeeld: In plaats van 'Vertel me een mop over de zon', probeer: 'Vertel me 5 moppen over de zon, gerangschikt van meest bekend tot de 5e die ik nog nooit heb gehoord.' Dit dwingt de model voorbij zijn meest statistisch waarschijnlijke (en dus meest standaard) antwoord .

De 'interview me'-methode

Begin je prompt met: 'Interview me totdat je de situatie begrijpt, en geef dan je aanbeveling.' Het model stelt je gerichte vragen voordat het zijn antwoord genereert, waardoor het eerst betere context uit jou haalt. Deze techniek komt van ervaren gebruikers die de AI behandelen als een slimme nieuwe medewerker die eerst de vereisten moet inventariseren .

Stel vervolgvragen

Accepteer niet het eerste antwoord. De initiële reactie van de AI is vaak een gemiddelde – behandel het als een eerste versie. Stel vervolgvragen zoals 'Maak dat specifieker', 'Geef me een versie voor een niet-technisch publiek' of 'Daag nu je eigen aannames uit.' Elke iteratie verbetert de specificiteit, en het behandelen van de AI als een slimme medewerker die om meer details gevraagd kan worden, is een kenmerk van gevorderde prompters .

Moedig een standpunt aan

LLM's hebben de neiging om een neutrale, evenwichtige toon aan te nemen. Als je een minder standaard antwoord wilt, vraag de AI dan expliciet om een standpunt in te nemen. 'Dwing het om een standpunt in te nemen' is een techniek die wordt gedeeld door ervaren gebruikers die opmerken dat de natuurlijke neiging van AI om te behagen – het 'sycophancy effect' – kan worden omgebogen door om een specifiek perspectief te vragen .

Alles samenbrengen: een raamwerk

Voor je belangrijkste prompts combineer je deze technieken in een gestructureerd raamwerk. Een praktisch model uit de community van gevorderde gebruikers bestaat uit vier delen :

• Opdracht: Korte, duidelijke instructies
• Citaten: Relevante verwijzingen of context
• Notities: Jouw inzichten of aandachtspunten
• Aanvullende instructies: Formaat, woordenaantal, perspectief, toon en beperkingen

Dit raamwerk lijkt op het 'Ricky'-raamwerk (Rol, Intentie, Conditie, Context, Voorbeelden) en andere gestructureerde benaderingen die professionals gebruiken om consistente, niet-standaard resultaten te krijgen .

De conclusie

Het belangrijkste inzicht is dat context niet draait om langere prompts schrijven – het gaat om het schrijven van gerichtere prompts. Neem voordat je je verzoek typt 10 seconden de tijd om te bepalen wie de AI moet zijn, wat het moet vermijden en welke specifieke informatie het nodig heeft. Dat alleen al zal je resultaten transformeren van standaard naar echt bruikbaar.