Prompt Engineering Basics: A Practical Glossary Entry

Prompt engineering is het schrijven van invoertekst waarmee je een language model de output krijgt die je echt wilt. Het zit ergens tussen schrijven en debuggen: je codeert niet in traditionele zin, maar je test wel hypothesen over hoe een model instructies interpreteert en je itereert wanneer het fout gaat.

Wat een prompt eigenlijk is

Een prompt is alles wat je naar een model stuurt voordat het een respons genereert — instructies, context, voorbeelden, en de eigenlijke vraag of taak. De meeste moderne chatmodellen splitsen dit in rollen: een systeembericht (bepaalt gedrag en beperkingen), gebruikersberichten (het eigenlijke verzoek), en soms assistent-berichten (vorige beurten of voorbeelden). Als je een API als die van OpenAI of Anthropic gebruikt, zet je deze expliciet in code. Als je een chat-interface gebruikt, is de systeemprompt vaak verborgen of ingesteld aan het begin van een gesprek.

Waarom dezelfde vraag verschillende antwoorden geeft

Language models voorspellen het volgende token op basis van alles wat eraan voorafgaat, inclusief je formulering, woordvolgorde, en zelfs punctuatie. Vraag "Explain recursion" en je krijgt een generiek antwoord uit een leerboek. Vraag "Explain recursion to a junior developer who understands loops but not recursion, using a single Python example with a base case and recursive case" en je krijgt iets veel nuttiger. De specifiteit van je invoer bepaalt rechtstreeks de specifiteit van de output. Dit is het kernidee dat beginners nodig hebben: het model leest niet je gedachten, het voert patroonherkenning uit op je woorden.

Kerntechnieken die je eerst moet leren

Zero-shot prompting betekent direct vragen zonder voorbeelden: "Write a regex that matches US phone numbers." Dit werkt prima voor gangbare, duidelijk omschreven taken.

Few-shot prompting betekent het model één of meer voorbeelden van het invoer/uitvoerpatroon geven dat je wilt, voordat je het vraagt het patroon voort te zetten. Als je een model supporttickets in categorieën wilt indelen, zal het model drie gelabelde voorbeelden krijgen en meer consistente resultaten produceren dan alleen de categorieën in proza beschrijven.

Chain-of-thought prompting vraagt het model stap voor stap te redeneren voordat het een eindantwoord geeft, vaak door letterlijk "think step by step" toe te voegen of door het te vragen zijn werk te tonen. Dit helpt met wiskunde, logica, en taken met meerdere stappen, hoewel het ook het tokengebruik en de responslengte verhoogt.

Role prompting wijst het model een persona toe — "You are a senior security engineer reviewing this code for vulnerabilities" — wat toon, vocabulaire, en het soort detail dat het prioriteert kan verschuiven. Het geeft het model geen nieuwe mogelijkheden, maar het verankert wel zijn output-stijl.

Structuur telt meer dan slimheid

Beginners gaan er vaak van uit dat prompt engineering gaat om een magische zin vinden. In de praktijk wint structuur bijna altijd van slimheid. Verdeel je prompt in duidelijke onderdelen: context, taak, beperkingen, en format. Bijvoorbeeld:

Context: You're reviewing a Python Flask app for a security audit.
Task: Identify SQL injection risks in the code below.
Constraints: Only flag issues in the /login and /search routes.
Format: Return a numbered list with the line number and a one-sentence explanation.

Deze soort expliciete opmaak vermindert onduidelijkheid en maakt outputs makkelijker parseerbaar wanneer je prompts in een script aan elkaar ketent.

Veelgemaakte fouten in het begin

Een veel voorkomende fout is vaagheid vermomd als bondigheid — vragen "make this better" zonder te definiëren wat "better" betekent (sneller? leesbaarder? veiliger?). Een ander is een enkele prompt volproppen met vijf ongerelateerde taken, wat de neiging heeft ondiepe antwoorden op alle vijf te produceren in plaats van een stevig antwoord op één. Beginners vergeten ook dat modellen geen geheugen hebben tussen afzonderlijke API-aanroepen tenzij je de voorafgaande gespreksgeschiedenis expliciet doorgeeft, wat mensen in de war brengt bij het bouwen van iets met toestand.

Testen en itereren als een ingenieur

Behandel prompts als code die je versiet en test, niet als eenmalige tekst die je weggooit. Hou een log bij van promptvariaties en hun outputs, vooral voor alles wat je in productie hergebruikt, zoals een customer supportbot of een code review assistent. Kleine woordveranderingen — "summarize" versus "summarize in exactly three bullet points" — kunnen aanzienlijk verschillende resultaten produceren, en de enige manier om te weten wat voor je use case werkt is de vergelijking zelf uit te voeren in plaats van aan te nemen.

Waar dit in het bouwen van echte dingen past

Zodra prompts betrouwbaar zijn, is de volgende stap meestal programmatisch gebruik: een API aanroepen met ingestelde temperature en max_tokens voor je taak, retry-logica toevoegen voor onjuist gevormde outputs, en responses valideren voordat ze een gebruiker bereiken. Dat is waar prompt engineering begint te overlappen met regelmatige software engineering discipline, en het is een goed moment om van experimenteren in een chatvenster naar het schrijven van eigenlijke scripts te gaan.

Als je verder wilt gaan, bekijk je Korra Studio's segmenten over werken met LLM API's in Python en over het bouwen van kleine AI-aangestuurde tools helemaal zelf.