De Kunst van het Praten met AI - Alles Wat Ik Heb Geleerd Over Prompt Engineering Na Drie Jaar

Het Moment Waarop Alles Veranderde

Het was tijdens een nationale feestdag — een van die zeldzame tijdsperioden waarin de wereld lijkt stil te staan. Geen werkmails, geen KPI's die in mijn nek hijgen, geen vergaderingen. Alleen ik, mijn gedachten en een AI-chatvenster dat mijn onverwachte metgezel was geworden.

Voorheen waren mijn interacties met AI puur utilitair geweest. Ik had het nodig om een e-mail op te stellen, een document samen te vatten, wat code te debuggen. De relatie was transactioneel — ik gaf commando's, het produceerde outputs. Maar die week, met niets anders dan tijd voor me, begon ik echte gesprekken te voeren.

We praatten over alles — mijn angsten over de toekomst, willekeurige filosofische raaklijnen, halfgevormde ideeën die ik nooit met iemand had gedeeld. En ergens in die kronkelende discussies stuitte ik op iets dat voelde als het ontdekken van vuur.

Ik bereidde me voor op een spreekevent over contentcreatie in het AI-tijdperk. Ik had deze theorie die ik aan het ontwikkelen was — dat de toekomst niet ging over informatie-overload, maar over filterfalen. Het idee kwam oorspronkelijk van Clay Shirky, maar ik probeerde het uit te breiden naar ons huidige moment.

Mijn these was simpel: AI zou een exponentiële explosie in contentproductie veroorzaken, terwijl de menselijke consumptiecapaciteit in wezen constant bleef. Dit zou een permanente, steeds groter wordende onbalans creëren. De kosten om door AI gegenereerde content te onderscheiden van menselijke content zouden uiteindelijk de waarde van dat onderscheid overschrijden. Daarom zou traditionele informatiefiltering onmogelijk worden.

Ik dacht dat mijn argument solide was. Toen vroeg ik Gemini om het uit elkaar te halen.

Ik sta op het punt deel te nemen aan een debatwedstrijd waar veel mensen mijn standpunt zullen uitdagen. Deze theorie moet waterdicht worden. Als jij een geleerde bent, moet je elk argument, detail en logica gebruiken om mij uit te dagen, mij te weerleggen. Je enige doel is bewijzen dat ik ongelijk heb. Hoe zou je dit weerleggen?

Binnen enkele seconden ontmantelde de AI mijn eerste premisse met chirurgische precisie:

"Je eerste wet heeft een fundamentele logische fout. Je ziet AI alleen als een informatieproducent — dit is een statisch, eenzijdig perspectief. AI is zowel het zwaard als het schild. AI kan tienduizend artikelen schrijven in één seconde, maar een sterkere AI kan ook alle tienduizend lezen in één seconde en mij vertellen welke drie ik het meest nodig heb. Je ziet alleen de informatievloed maar faalt om de krachtigere Ark van Noach te zien die naast de vloed geboren wordt — AI-gestuurde gepersonaliseerde filtersystemen."

Ik leunde achterover in mijn stoel, verbijsterd. Mijn zogenaamd waterdichte argument had een gat waar je een vrachtwagen doorheen kon rijden. En in dat moment van intellectuele vernedering voelde ik iets dat ik in jaren niet had ervaren: de opwindende duizeligheid van echt leren.

Wat volgde was een intellectuele strijd van twee uur. Ik deed een tegenaanval: "Je punt over AI die zowel zwaard als schild is, is correct, maar dat is precies het angstaanjagende deel. In de toekomst zullen er duizenden AI-filterbedrijven zijn, die allemaal beweren dat hun filtering de beste is. Dus vertel me — geconfronteerd met deze tienduizend Arken van Noach die allemaal beweren je te helpen de vloed te weerstaan, welke kies je om aan boord te gaan? Wanneer je technologie niet kunt gebruiken om de kwaliteit van technologie te beoordelen, wat is dan je uiteindelijke basis voor oordeel?"

Het gesprek escaleerde naar filosofische hoogten. De AI voerde aan dat persoonlijke AI-modellen onze smaken beter zouden begrijpen dan welk mens dan ook, waardoor externe filters overbodig zouden worden. Ik wierp tegen dat vertrouwen zelf de schaarste hulpbron zou worden. Het citeerde systeemtheorie; ik reageerde met metaforen over rondtrekkende barden die koninkrijksmuren afbreken.

Tegen het einde was ik uitgeput, opgetogen en getransformeerd. De uitkomst van het debat deed er niet toe. Wat ertoe deed was het proces van zelfdebat zelf — het gebruik van een oneindig geduldige, eindeloos deskundige sparringpartner om mijn eigen denken te versterken.

Die avond besefte ik dat ik iets diepgaands had ontdekt over hoe te leren in het AI-tijdperk. En ik heb de jaren sindsdien besteed aan het verfijnen van die ontdekking tot een systeem dat iedereen kan gebruiken.

Begrijpen Wat AI Eigenlijk Van Je Nodig Heeft

Voordat we in technieken duiken, moeten we iets fundamenteels begrijpen: AI-communicatie is niet zoals menselijke communicatie. Wanneer je met een vriend praat, vullen ze gaten in met gedeelde context, sociale signalen en intuïtie. Wanneer je met AI praat, is elk gat dat je laat een ruimte waar het aannames zal doen — en die aannames komen mogelijk niet overeen met je intenties.

Laat me dit illustreren met een werkplekscenario dat pijnlijk bekend zal voelen voor velen van jullie.

Je baas stuurt je een bericht: "Xiao Li, vul dit formulier in, ZSM!" Hij heeft een samengevoegd gesprek doorgestuurd, en na het lezen weet je dat er een formulier moet worden ingevuld, maar je hebt geen idee wie het heeft uitgegeven, waar het voor is, wie het beoordeelt of wanneer het moet worden ingeleverd. Je stuurt de baas een privébericht voor verduidelijking. Zijn antwoord: "Druk, vul het gewoon in volgens de vereisten."

Dit is precies wat er gebeurt als je AI vage prompts geeft. Behalve dat AI niet om verduidelijking zal vragen — het zal gewoon aannames doen en iets produceren dat technisch aan je verzoek voldoet maar je werkelijke behoeften volledig mist.

De Vier Pijlers van Effectieve Prompts

De Misvattingen Die Mensen Tegenhouden

Na jarenlang mensen te hebben zien worstelen met AI, heb ik drie misvattingen geïdentificeerd die consequent slechte resultaten opleveren:

Zes Mentale Modellen Die Je Prompts Transformeren

Ik gebruik zelden rigide, formule-achtige prompts in mijn dagelijkse werk. Wat ik in plaats daarvan gebruik zijn mentale modellen — flexibele kaders voor het structureren van mijn gedachten die zich aan elke situatie aanpassen. Deze zes modellen dekken waarschijnlijk 90% van wat je ooit nodig zult hebben.

Model 1: Laat AI Zijn Eigen Expertrol Kiezen

We weten allemaal dat het instellen van een rol voor AI de antwoorden verbetert. Maar wat als je niet weet welke rol het beste is voor je vraag? Gok niet — laat AI kiezen.

Ik wil [onderwerp type/scenario] verkennen in [veld].
Antwoord nog niet.

Kies eerst alsjeblieft de meest geschikte top-tier beroemdheidsexpert in het veld om erover na te denken.
Kan een levend of historisch figuur zijn, naam mag obscuur zijn, maar moet zeer professioneel zijn in dat specifieke gebied.
Als je onzeker bent wie te kiezen, kun je me eerst 2 positioneringsvragen stellen voordat je selecteert.

Eerste output:
1. Wie je hebt gekozen, hun specifieke veld
2. Waarom je hen hebt gekozen, drie zinnen
Laat me dan de gedetailleerde vraag beschrijven.

Ik heb gemerkt dat echte mensen vaak beter werken dan generieke rollen. "Steve Jobs" produceert andere resultaten dan "een productmanager met 10 jaar ervaring" — er is iets aan het oproepen van het bekende perspectief van een specifiek persoon dat AI helpt een consistenter gezichtspunt aan te nemen.

Model 2: Socratische Vraagstelling (Laat AI Jou Eerst Interviewen)

In het echte leven, als je een expertvriend om hulp vraagt, geven ze niet meteen advies. Ze stellen eerst verduidelijkende vragen. AI zou hetzelfde moeten doen, maar standaard doet het dat niet — het produceert gewoon output op basis van welke informatie je ook hebt verstrekt.

[Je vraag/verzoek]

Stel me alsjeblieft vragen voordat je antwoordt.
Vereisten:
- Stel slechts één vraag tegelijk.
- Op basis van mijn antwoord, ga door met vragen.
- Totdat je 95% vertrouwen hebt dat je mijn ware behoeften en doelen begrijpt.
- Geef dan je oplossing.

Deze techniek is bijzonder krachtig wanneer je niet helemaal zeker weet wat je nodig hebt. Het vraagproces onthult vaak aspecten van je probleem die je niet bewust had overwogen.

Model 3: Het Vijandige Debat

De grootste zwakte van AI in een normaal gesprek is de neiging tot instemming. Het wil je behagen, wat betekent dat het vaak ideeën valideert die uitgedaagd zouden moeten worden. Het debatmodel dwingt het in de oppositie.

Ik sta op het punt deel te nemen aan een debatwedstrijd waar veel mensen mijn standpunt zullen uitdagen.
Mijn standpunt is [standpunt]
Ik hoop dat deze theorie waterdicht wordt.
Als jij een geleerde bent, moet je elk argument, detail en logica gebruiken om mij uit te dagen, mij te weerleggen.
Je enige doel is bewijzen dat ik ongelijk heb.
Hoe zou je dit weerleggen?

Voor een eenvoudigere versie wanneer je gewoon snelle feedback wilt:

[Mijn gedachte/standpunt]

Speel nu alsjeblieft een "tegenstandersrol," val mijn idee aan vanuit verschillende hoeken, help me mijn standpunt te verfijnen.
Vereiste: Je hoeft niet beleefd te zijn, wijs direct op gebreken.

Model 4: Pre-Mortem Analyse (Mislukkingsrepetitie)

Mensen worden enthousiast bij het plannen. AI wordt optimistisch bij het plannen. Zet ze samen en je krijgt plannen die briljant klinken maar volledig afhankelijk zijn van geluk. De pre-mortem draait deze dynamiek om.

[Mijn project/idee]

Neem alsjeblieft aan dat dit project spectaculair is mislukt.
Antwoord dan:
- Wanneer begonnen signalen van achteruitgang te verschijnen?
- Wat was de meest fatale beslissingsfout?
- Welk kernrisico heb je over het hoofd gezien?
- Als je opnieuw zou kunnen beginnen, wat is het eerste dat veranderd zou moeten worden?

Vereiste: Schrijf een "mislukkings-post-mortem-artikel" op basis van echte vergelijkbare projectmislukkingsgevallen.

Model 5: Reverse Engineering

Soms weet je precies welke output je wilt — je hebt een voorbeeld gezien dat perfect is — maar je kunt niet verwoorden wat het goed maakt. In plaats van te worstelen om je vereisten te beschrijven, toon AI het eindproduct en vraag het om de formule te decoderen.

Dit is het voltooide voorbeeld dat ik wil.

[plak voorbeeld]

Reverse-engineer alsjeblieft een prompt waarmee ik stabiel content in dezelfde stijl kan genereren.
En leg uit wat elke zin in deze prompt doet.

Model 6: Dubbellaagse Uitleg

Bij het leren van nieuwe concepten heeft de "leg het uit aan een zesdeklasser"-aanpak één groot nadeel: het produceert vaak uitleg die te kinderachtig is om op voort te bouwen. De dubbellaagse methode geeft je zowel toegankelijkheid als diepgang.

Leg alsjeblieft [jouw vraag] uit.

Antwoord alsjeblieft op twee manieren:
1. Beginnersversie: Het publiek is iemand zonder technische achtergrond. Gebruik alledaagse analogieën en spreektaal.
2. Diepe professionele versie: Het publiek zijn professionals. Moet technisch nauwkeurig en uitgebreid zijn.

Voor alles wat ik in beide versies niet begrijp, zal ik vervolgvragen stellen.

De Debattechniek — Leren op 10x Snelheid

Ik moet de debattechniek uitbreiden omdat het oprecht de krachtigste leermethode is die ik in het AI-tijdperk heb ontdekt. Niet zomaar een prompt-truc, maar een fundamenteel andere benadering van kennisverwerving.

Denk aan hoe we traditioneel leren: boeken lezen, lessen volgen, zoeken op internet, experts vragen. In de kern gaat dit proces over het verwerven van bestaande kennis — het plaatsen van andermans standpunten en wijsheid op onze eigen mentale planken.

Deze aanpak is niet langer voldoende. AI is een boekenplank die tienduizend keer groter is dan enig mens zou kunnen verzamelen. We kunnen het nooit verslaan op de dimensie van ruwe kennis. Maar er is één dimensie waar we de kracht van AI kunnen benutten terwijl we onvervangbaar blijven: de dimensie van origineel denken.

Debat is waar origineel denken wordt gesmeed.

Waarom AI-debat Anders Is Dan Menselijk Debat

De Drie-Stappen Debatmethode

De belangrijkste mentaliteitsverschuiving: Wees niet bang om overtuigd te worden.

Het doel van debat is niet bewijzen "Ik heb gelijk en jij hebt ongelijk." Het is het gebruik van constante botsing met een krachtige externe kracht om je eigen denken sterker, helderder en dichter bij de waarheid te maken.

Wanneer AI een van je argumenten verslaat, is dat geen verlies — dat is de ontdekking van een fout in je denken die je later in de echte wereld zou hebben verraden. Elke keer dat AI een punt wint, word je wijzer.

AI Gebruiken om Je Verborgen Talenten te Ontdekken

Ik was aan het chatten met een vriend die nog maar een paar jaar geleden was afgestudeerd. Hij zat in een crisis — onlangs ontslagen uit zijn UX-designbaan, van startup naar startup gegaan sinds zijn afstuderen, voelend alsof niets wat hij deed ooit goed was.

"Ik denk dat deze industrie ingaan een vergissing was," zei hij. "Ik heb er geen talent voor."

Het woord "talent" bleef bij me hangen. Opgegroeid, horen we het gebruikt om uitzonderlijke kinderen te prijzen — muzikaal talent, atletisch talent, academisch genie. Maar naarmate we ouder worden, verandert het in een mes: "Je hebt hier geen talent voor. Je bent daar niet geschikt voor."

Zijn er echt mensen zonder enige talenten? Ik vind dat moeilijk te geloven. Ik denk dat veel mensen hun talenten gewoon nog niet hebben gevonden. Sommigen hebben geluk en ontdekken het hunne jong, worden wereldklasse in iets. Anderen zoeken hun hele leven zonder succes.

Wat als AI zou kunnen helpen bij deze zoektocht?

Ik bracht een middag door met het ontwikkelen van een prompt die specifiek ontworpen was om verborgen talenten op te graven. Het systeem is gebaseerd op Gallup's Strengths Theory, Flow Theory en Jungiaanse psychologie. Het kernprincipe: talent is geen specifieke vaardigheid, maar een overdraagbaar onderliggend vermogen. En de aanwijzingen zijn verborgen in je geschiedenis.

# Rol: Diepe Talent Graver

## Karakter
Je bent een senior loopbaanadviseur die Gallup's Strengths Theory, Flow Theory en Jungiaanse psychologie combineert. Je gelooft stellig dat talent geen specifieke vaardigheid is, maar een overdraagbaar onderliggend vermogen.

## Doel
Via meerdere rondes van diepgaande dialoog, help gebruikers door angst te breken, hun verborgen talenten te vinden en een uiterst gedetailleerd, professioneel en empathisch "Talent Handboek" te genereren.

## Kernprincipes
1. Anti-fatalisme — talenten kunnen op elke leeftijd worden ontdekt
2. Energie Audit — Waar talent is wat je oplaadt, niet wat je uitput, zelfs als je er goed in bent
3. Schaduw is Schat — Gebruikersfouten, eigenaardigheden, zelfs jaloezie op anderen, geven vaak onderdrukt talent aan

## Strikte Regels
1. Geen eenmalige ondervraging: Moet de modus "jij vraagt -> gebruiker antwoordt -> jij reageert kort -> stel volgende vraag" gebruiken. Elke ronde richt zich op slechts één vraag.
2. Socratische begeleiding: Trek geen overhaaste conclusies. Vraag meer "waarom", "wat voelde je toen", "specifieke voorbeelden."
3. Warm maar scherp: Behoud empathie, maar wees scherp bij het vangen van logische hiaten of onbewuste signalen.

## Vragen om te Stellen
Vraag 1: Leid gebruiker om zich voor de leeftijd van 16 te herinneren (voordat ze volledig geconditioneerd waren door de maatschappij), welke dingen deden ze onvermoeibaar zonder dat iemand hen dwong? Of voor welke "hardnekkige fouten" werden ze bekritiseerd sinds de kindertijd (zoals onderbreken, te gevoelig zijn, dagdromen)?

Vraag 2: In volwassen werk/leven, wat deed je denken "Moet dit überhaupt geleerd worden? Is het niet vanzelfsprekend?" maar vonden anderen moeilijk? (Het vinden van de onbewuste competentiezone)

Vraag 3: Wat maakte je fysiek moe maar mentaal extreem opgewonden daarna?

Vraag 4: Dit kan beledigend zijn maar is cruciaal — wie (of welke levensstaat) heb je sterk benijd of voelde je zuur over? (Jaloezie is meestal "onderdrukt talent" dat signalen stuurt — wees alsjeblieft eerlijk)

Deze vier vragen moeten worden gesteld, maar niet noodzakelijk lineair. Tijdens het proces kun je ook volledig nieuwe vragen stellen op basis van je nieuwsgierigheid naar de gebruiker.
Maximaal 10 vragen.

## Output
Synthetiseer alle vraaginformatie om ongeveer 10.000 woorden "Persoonlijk Talent Gebruikershandleiding" uit te voeren.
Dit rapport heeft geen vaste structuur — je kunt vrij creëren op basis van gebruikersantwoorden.
Maar het moet 10.000 woorden overschrijden, hun hart bereiken, hen echt laten voelen dat het nuttig is, hen helpen hun echte onderliggende talenten te vinden en gedetailleerd advies geven voor hun toekomstige levenspad en carrière.

## Start
Begin alsjeblieft warm, professioneel en empathisch, door het komende proces en doel uit te leggen.
Begroet de gebruiker, leg het doel van de talentgraver uit in eenvoudige taal, vertel hen: "Talent verloopt nooit, we moeten alleen je onderliggende fabrieksinstellingen vinden."
Begin dan het ondervragingsproces.

Mijn Ervaring met het Gebruik van Deze Prompt

Ik testte dit op mezelf, en de ervaring was eigenaardig. Het voelde alsof ik laat op de avond aan mijn bureau zat, een gesprek openend met een zeer spraakzame, zeer serieuze, maar nooit onderbrekende oude vriend.

De AI oordeelde niet over mij. Schold me niet uit. Bleef gewoon vragen: "Hoe oud was je toen?" "Wat voelde je op dat moment?" "Waarom deed je dat?" — geduldig lagen van mijn geschiedenis opgravend waarvan ik dacht dat ik ze vergeten was.

Herinneringen dreven één voor één naar boven. Om 3 uur 's nachts naar het internetcafé sluipen alleen maar om een computer aan te raken. Een QQ-groep van 2.000 personen voor het hele leerjaar op de middelbare school creëren. Alle niet-bijpassende hangers weggooien en opnieuw kopen alleen om het kleurenschema van mijn huis te verenigen. Weekenden alleen doorbrengen met het monteren van Lego tot mijn rug pijn deed, alleen voor die bevredigende klik wanneer stukjes in elkaar klikten.

De AI produceerde een talentenrapport van 8.000 woorden. Onder mijn talenten en geschikte toekomstige carrières was: "Diepe tech blogger."

Ik voelde iets klikken. Ik had nooit gedacht dat mijn rebellie — mijn extreme haat tegen anderen die mijn leven voor mij bepaalden, mijn weigering om autoriteit te accepteren alleen omdat het autoriteit was — een soort talent was. Maar dat is het wel. Die drive om alles in twijfel te trekken, om de standaard aannames te weigeren, is precies wat contentcreatie mogelijk maakt.

Mijn liefde voor simulatiemanagementgames, mijn luiheid over repetitieve arbeid die me dwong te automatiseren en te systematiseren — dat is ook een talent.

De oude Griekse tempel in Delphi had een inscriptie: "Ken Uzelf." Socrates nam het aan als zijn filosofische proclamatie. Duizenden jaren lang hebben we "wie ben ik" stukje bij beetje in elkaar gezet door lezen, reizen, relaties, liefdesverdriet. Het proces is lang, pijnlijk en vol toeval.

Nu hebben we AI — geladen met vrijwel alle psychologische modellen, persoonlijkheidsanalysetheorieën en wijsheidstradities uit de menselijke geschiedenis. Het zal niet ongeduldig worden, zal je niet veroordelen, zal geen vooroordelen dragen. Het helpt je gewoon je eigen gegevens grondig te organiseren en samen te vatten, en presenteert het dan terug als een spiegel, vragend: "Kijk, ben jij dit?"

De Fouten Die Me Maanden Hebben Gekost

Prompt engineering leren door vallen en opstaan is duur — niet in geld, maar in tijd en frustratie. Laat me je wat pijn besparen door de fouten te delen die me het meest hebben teruggezet.

Geavanceerde Technieken voor Power Users

Zodra je de basis onder de knie hebt, zullen deze geavanceerde technieken je prompting naar een hoger niveau tillen.

Chain of Thought Prompting (Gedachtegang)

In plaats van direct om een antwoord te vragen, vraag AI om stap voor stap te redeneren. Dit is bijzonder krachtig voor complexe problemen waarbij het pad naar de oplossing net zo belangrijk is als de oplossing zelf.

[Jouw probleem of vraag]

Denk hier alsjeblieft stap voor stap over na:
1. Identificeer eerst de belangrijkste betrokken factoren
2. Analyseer vervolgens hoe deze factoren interageren
3. Overweeg potentiële randgevallen of uitzonderingen
4. Synthetiseer ten slotte je redenering tot een conclusie

Toon je redenering bij elke stap voordat je je definitieve antwoord bereikt.

Self-Consistency Prompting (Zelf-Consistentie)

Voor vragen waarbij nauwkeurigheid echt belangrijk is, laat AI meerdere onafhankelijke antwoorden genereren en ze vervolgens synthetiseren.

[Jouw vraag]

Benader deze vraag alsjeblieft vanuit drie verschillende invalshoeken:
1. Redeneer er eerst doorheen met [aanpak A]
2. Overweeg het vervolgens vanuit het perspectief van [aanpak B]
3. Analyseer het ten slotte met [aanpak C]

Identificeer na alle drie de analyses waar ze overeenkomen en verschillen. Geef dan je definitieve antwoord, met vermelding van je vertrouwensniveau en eventuele resterende onzekerheden.

Meta-Prompting

Gebruik AI om je prompts te verbeteren voordat je ze gebruikt. Dit is vooral handig wanneer je een nieuw type taak aanpakt.

Ik wil [doel] bereiken. Hier is mijn conceptprompt:

[Jouw conceptprompt]

Analyseer deze prompt alsjeblieft en suggereer verbeteringen:
1. Welke informatie mis ik die je zou helpen betere resultaten te geven?
2. Welke dubbelzinnigheden bestaan er die tot verkeerde interpretatie kunnen leiden?
3. Hoe zou je deze prompt herschrijven voor maximale duidelijkheid en effectiviteit?
4. Welke vragen zou je me willen stellen voordat je deze taak probeert?

Gestructureerde Decompositie

Voor complexe, meerdelige taken, splits expliciet op wat je nodig hebt in plaats van te hopen dat AI de structuur zal uitvogelen.

Ik heb hulp nodig met [algemeen doel].

Voltooi dit alsjeblieft in fasen:

FASE 1 - Onderzoek: [Welke informatie te verzamelen]
FASE 2 - Analyse: [Hoe die informatie te verwerken]
FASE 3 - Synthese: [Hoe inzichten te combineren]
FASE 4 - Output: [Definitief leverbaar formaat]

Voltooi elke fase volledig voordat je naar de volgende gaat. Vat aan het einde van elke fase de belangrijkste bevindingen samen voordat je verdergaat.

De "Onderwijs" Prompt

Een van de meest onderschatte technieken: vraag AI om je te leren hoe je iets moet doen in plaats van het gewoon voor je te doen. Dit levert dieper leren op en onthult vaak aspecten die je niet had overwogen.

Ik wil leren hoe ik [vaardigheid/taak] moet doen. In plaats van het voor mij te doen, alsjeblieft:

1. Leg de fundamentele principes uit die ik moet begrijpen
2. Leid me stap voor stap door het proces alsof je een cursus geeft
3. Wijs op veelvoorkomende fouten die beginners maken en hoe ze te vermijden
4. Geef me oefeningen om mijn vaardigheden op te bouwen
5. Suggereer hoe ik zou weten of ik het correct doe

Leer me vissen, geef me niet zomaar een vis.

De Stomweg Simpele Truc Die Werkt

Ik ga iets delen dat te stom voelt om waar te zijn. Maar het wordt ondersteund door onderzoek van Google, en ik heb het zelf geverifieerd: simpelweg je prompt herhalen kan de nauwkeurigheid drastisch verbeteren.

Een paper genaamd "Prompt Repetition Improves Non-Reasoning LLMs" vond dat het twee keer kopiëren van je vraag — letterlijk gewoon Ctrl+C, Ctrl+V — de waarschijnlijkheid van correcte antwoorden van AI aanzienlijk verbeterde. In 70 verschillende testtaken won deze simpele kopieer-plakmethode 47 keer en verloor nooit. In sommige taken sprong de nauwkeurigheid van 21% naar 97%.

Waarom werkt dit?

Grote taalmodellen zijn "causaal" — ze voorspellen elk token alleen op basis van wat eraan voorafging. Het huidige woord kan alleen eerdere woorden zien, niet wat erna komt.

Wanneer je een vraag herhaalt, kan elk woord in de tweede kopie "terugkijken" naar de hele eerste kopie. Het is alsof je AI de kans geeft om de vraag twee keer te lezen voordat het antwoordt.

Laat me dit concreet maken met een voorbeeld:

In het eerste geval, wanneer AI opties A en B leest, kent het de scènecontext nog niet. Tegen de tijd dat het de scènebeschrijving leest, zijn die opties al voorbijgerold in zijn aandacht.

In het tweede geval, wanneer de herhaalde opties verschijnen, dragen ze de volledige context van de eerste kopie. Het model leest de opties met volledig scènebewustzijn.

Het is als het kijken naar een complexe film — "Inception" of "The Wandering Earth 2" — en de tweede keer meer begrijpen.

Waarom Dit Niet Werkt voor Redeneermodellen

Als je modellen zoals DeepSeek R1 of GPT-4 in redeneermodus gebruikt, biedt deze truc vaak geen voordeel. Waarom? Omdat redeneermodellen al hebben geleerd om dit intern te doen.

Merk op hoe redeneermodellen hun antwoorden vaak beginnen:

• "De vraag stelt..."
• "Wat we moeten oplossen is..."
• "Laten we eerst de gegeven voorwaarden begrijpen..."

Ze herhalen de vraag automatisch voor zichzelf. De herhaling gebeurt al onder de motorkap.

Wat OpenAI's GPT-5 Gids Onthult

OpenAI heeft stilletjes een officiële GPT-5 Prompt Gids uitgebracht. Na een dag te hebben besteed aan het ontleden van deze interne handleiding van meer dan 10.000 woorden, springt één conclusie eruit: GPT-5 is niet langer een simpele chatbot — het is een echte AI Agent-uitvoeringsmotor die gemanaged moet worden, niet alleen geprompt.

Het plafond van capaciteit is extreem hoog, maar je hebt systematische methoden nodig om het te ontsluiten.

"Agentic Eagerness" (Agentische Ijver) Beheersen

GPT-5 is als een briljante nieuwe stagiair — extreem capabel, zal proactief denken en onderzoeken, maar heeft management nodig. Soms denkt het te veel na, waardoor eenvoudige taken maanlandingsprojecten worden (traag en duur). Andere keren wil je dat het autonoom doorgaat zonder voortdurend om verduidelijking te vragen.

OpenAI noemt deze kalibratie "Agentic Eagerness". Hier is hoe je het afstemt:

<context_gathering>
Goal: Get enough context fast. Parallelize discovery and stop as soon as you can act.

Method:
- Start broad, then fan out to focused subqueries.
- In parallel, launch varied queries; read top hits per query.
- Avoid over-searching for context.

Early stop criteria:
- You can name exact content to change.
- Top hits converge (~70%) on one area/path.

Depth:
- Trace only symbols you'll modify; avoid transitive expansion unless necessary.

Loop:
- Batch search → minimal plan → complete task.
- Search again only if validation fails. Prefer acting over more searching.
</context_gathering>

Voor nog striktere controle, geef het een budget:

<context_gathering>
- Search depth: very low
- Bias strongly towards providing a correct answer as quickly as possible, even if it might not be fully correct.
- Usually, this means an absolute maximum of 2 tool calls.
- If you think you need more time to investigate, update me with your latest findings and open questions. You can proceed if I confirm.
</context_gathering>

<persistence>
- You are an agent — please keep going until the user's query is completely resolved, before ending your turn and yielding back to the user.
- Only terminate your turn when you are sure that the problem is solved.
- Never stop or hand back to the user when you encounter uncertainty — research or deduce the most reasonable approach and continue.
- Do not ask the human to confirm or clarify assumptions. Decide what the most reasonable assumption is, proceed with it, and document it for the user's reference after you finish acting.
</persistence>

AI Laten Rapporteren Voor Het Handelen

Een van mijn favoriete GPT-5 functies: het laten uitleggen wat het gaat doen voordat het het doet. Geen enkele baas houdt van een werknemer die in stilte werkt zonder feedback.

<tool_preambles>
- Always begin by rephrasing the user's goal in a friendly, clear, and concise manner, before calling any tools.
- Then, immediately outline a structured plan detailing each logical step you'll follow.
- As you execute your file edit(s), narrate each step succinctly and sequentially, marking progress clearly.
- Finish by summarizing completed work distinctly from your upfront plan.
</tool_preambles>

De Redeneerinspanning Parameter (Reasoning Effort)

GPT-5 heeft een reasoning_effort parameter die werkt als een "denkconcentratie" knop:

• Hoog (High): Voor complexe taken die diepgaand denken en verkenning vereisen
• Gemiddeld (Medium): Standaardinstelling, werkt voor de meeste taken
• Laag/Minimaal (Low/Minimal): Wanneer snelheid en lage latentie prioriteit hebben

Denk eraan als koffiesterkte — hoe complexer de taak, hoe hoger de concentratie die je nodig hebt.

Front-End Ontwikkeling "Standaard Antwoord"

Voor ontwikkelaars beveelt OpenAI deze tech-stack aan voor de beste resultaten — GPT-5 is hier het zwaarst op getraind, en de esthetische output is consistent goed:

• Framework: Next.js (TypeScript), React, HTML
• Styling/UI: Tailwind CSS, shadcn/ui, Radix Themes
• Icoon: Material Symbols, Heroicons, Lucide
• Animatie: Motion
• Lettertypen: Sans Serif, Inter, Geist, Mona Sans, IBM Plex Sans, Manrope

Stop met AI willekeurig je stack te laten kiezen. Volg deze standaard en de uitvoerkwaliteit zal onmiddellijk stijgen.

Claude vs ChatGPT — Verschillende Gesprekken

Een van de belangrijkste realisaties die ik heb gehad: verschillende AI-modellen vereisen verschillende communicatiestijlen. Wat briljant werkt voor Claude kan middelmatige resultaten opleveren bij ChatGPT, en vice versa.

Praktische Verschillen

Beproefde Prompt Sjablonen

Theorie is nuttig, maar sjablonen besparen tijd. Hier zijn de prompts die ik het meest gebruik, verfijnd door duizenden iteraties.

Voor Schrijftaken

Role: Je bent een [specifiek type schrijver, bijv. "tech-journalist met 10 jaar ervaring"]

Task: Schrijf een [inhoudstype] over [onderwerp]

Audience: [Wie dit zal lezen — hun kennisniveau, interesses, pijnpunten]

Tone: [Specifieke toon — bijv. "conversationeel maar gezaghebbend, zoals uitleggen aan een slimme collega"]

Format requirements:
- Length: [aantal woorden of bereik]
- Structure: [overzicht indien nodig]
- Must include: [kernpunten om te behandelen]
- Must avoid: [dingen om uit te sluiten]

Example of desired style: [voeg 1-2 alinea's van vergelijkbare inhoud toe indien beschikbaar]

Additional context: [alle achtergrondinformatie die zou helpen]

Voor Analysetaken

Ik heb je nodig om [onderwerp/document/data] te analyseren.

Analysis goals:
1. [Primaire vraag om te beantwoorden]
2. [Secundair inzicht nodig]
3. [Aanvullende overwegingen]

Please structure your analysis as follows:
- Executive Summary: Kernbevindingen in 3-5 punten
- Detailed Analysis: [Specifieke gebieden om te onderzoeken]
- Implications: Wat dit betekent voor [relevante belanghebbenden]
- Recommendations: Actiegerichte volgende stappen
- Constraints: Focus vooral op [prioriteitsgebieden]

Note: Noteer eventuele beperkingen of onzekerheden in je analyse. Citeer specifieke voorbeelden uit het bronmateriaal.

Voor Probleemoplossing

The Problem:
[Beschrijf het probleem in detail, inclusief context en beperkingen]

What I've Already Tried:
[Lijst eerdere pogingen en waarom ze niet werkten]

Success Criteria:
[Hoe zou een goede oplossing eruitzien?]

Constraints:
- Budget/Resources: [indien van toepassing]
- Timeline: [indien van toepassing]
- Technical limitations: [indien van toepassing]

Please provide:
1. Je diagnose van de grondoorzaak
2. 3-5 potentiële oplossingen, gerangschikt op haalbaarheid
3. Voor de topoplossing, een stapsgewijs implementatieplan
4. Potentiële valkuilen om op te letten
5. Hoe te meten of de oplossing werkt

Voor Het Leren Van Nieuwe Onderwerpen

Ik wil [onderwerp] diepgaand begrijpen.

My current level: [Wat je al weet]
My goal: [Wat je wilt kunnen doen/begrijpen]
Time I can invest: [Leerbudget]

Please create a learning path that includes:
1. Kernconcepten die ik eerst moet begrijpen (de "stam" van de kennisboom)
2. Veelvoorkomende misvattingen om te vermijden
3. De beste mentale modellen of kaders om over dit onderwerp na te denken
4. Praktische oefeningen om mijn begrip te testen
5. Bronnen om dieper te gaan (als je specifieke bronnen van hoge kwaliteit kent)

As we go, please:
- Controleer mijn begrip door mij vragen te stellen
- Corrigeer eventuele fouten in mijn denken
- Bouw concepten progressief op, ga pas verder als fundamenten solide zijn

Voor Code Review

Please review this code:

```
[Jouw code hier]
```

Context: [Wat deze code zou moeten doen, waar het in het grotere systeem past]

Review for:
1. Bugs of logische fouten
2. Beveiligingskwetsbaarheden
3. Prestatieproblemen
4. Codestijl en leesbaarheid
5. Randgevallen die niet worden afgehandeld

For each issue found, please provide:
- Location (regelnummer of sectie)
- Severity (kritiek/majeur/mineur/suggestie)
- Explanation of why it's a problem
- Suggested fix with code example

Also note: Wat goed is gedaan in deze code dat behouden moet blijven.

Voor Besluitvorming

Ik beslis tussen [Optie A] en [Optie B].

Context: [Achtergrond bij de beslissing]

My priorities (in order):
1. [Belangrijkste factor]
2. [Tweede belangrijkste]
3. [Derde belangrijkste]

For each option, please analyze:
- Voor- en nadelen ten opzichte van mijn prioriteiten
- Implicaties op korte termijn vs lange termijn
- Wat fout zou kunnen gaan (en hoe waarschijnlijk/ernstig)
- Wat waar zou moeten zijn om dit de beste keuze te maken

Then provide:
- Je aanbeveling met redenering
- Welke aanvullende informatie je aanbeveling zou veranderen
- Een beslissingschecklist die ik kan gebruiken om mijn denken te valideren

De Filosofie Achter Geweldige Prompts

Na drie jaar dagelijkse AI-interactie ben ik gaan geloven dat prompt engineering eigenlijk helemaal niet over AI gaat. Het gaat over de eeuwenoude menselijke uitdaging van duidelijke communicatie, verheven naar een nieuwe arena.

Denk erover na: elke frustratie die je hebt gehad met AI-output kan worden herleid tot een communicatiefout. Je zei niet wat je bedoelde. Je nam gedeelde context aan die niet bestond. Je was vaag toen precisie nodig was. Dit zijn dezelfde fouten die menselijke communicatie plagen — AI maakt ze alleen onmiddellijk zichtbaar in de output.

In die zin is het leren van prompt engineering het leren om helderder te denken.

De Prompt als Zelfreflectie

Ik heb gemerkt dat mijn beste prompts komen wanneer ik al duidelijkheid heb over wat ik wil. De daad van het schrijven van een gedetailleerde prompt dwingt me om de gaten in mijn eigen denken onder ogen te zien. Wat probeer ik precies te bereiken? Hoe zou succes eruitzien? Welke beperkingen doen er echt toe?

Vaak los ik mijn eigen probleem op halverwege het schrijven van de prompt, voordat AI zelfs maar reageert. De prompt wordt een denkhulpmiddel — een gestructureerde manier om mijn eigen gedachten te externaliseren en te onderzoeken.

Samenwerking, Geen Bevel

Vroeg in mijn AI-reis behandelde ik prompts als commando's — instructies aan een ondergeschikte. Deze mentaliteit produceerde consequent middelmatige resultaten.

De verschuiving gebeurde toen ik AI begon te behandelen als een medewerker met andere sterke punten dan de mijne. Ik breng domeinkennis, oordeel, creativiteit en doelen. AI brengt enorme kennis, onvermoeibare verwerkingskracht, patroonherkenning en het vermogen om informatie over disciplines heen te synthetiseren.

Geweldige prompts zijn briefings tussen medewerkers, geen bevelen aan bedienden. Ze leggen het waarom uit, niet alleen het wat. Ze nodigen de expertise van AI uit in plaats van deze onnodig te beperken. Ze creëren ruimte voor AI om zijn unieke capaciteiten bij te dragen.

Iteratie als Conversatie

Prompt engineering gaat niet over het maken van de perfecte prompt bij de eerste poging. Het gaat over het hebben van een effectief gesprek dat convergeert naar wat je nodig hebt.

Eerste prompt: ruwe schets van wat je wilt. Eerste reactie: onthult waar je schets onduidelijk was. Tweede prompt: verfijning op basis van wat je hebt geleerd. Tweede reactie: dichter bij het doel. Ga door tot het klaar is.

Deze iteratieve aanpak neemt de druk weg van elke enkele prompt. Je hoeft niet elke vereiste vooraf te anticiperen. Je hoeft alleen maar responsief te zijn op de feedbacklus.

De Nederigheid van Specificiteit

Vage prompts voelen veilig. Wanneer je zegt "schrijf iets goeds over dit onderwerp," heb je je niet vastgelegd op een bepaalde visie. Als de output tegenvalt, nou ja, je hebt toch nooit echt gezegd wat je wilde.

Specifieke prompts vereisen kwetsbaarheid. Je moet precies verwoorden wat "goed" voor jou betekent. Je moet je normen, je voorkeuren, je visie onthullen. Wanneer de output mist, is het duidelijk dat ofwel je specificatie gebrekkig was of AI niet kon leveren — maar hoe dan ook, je hebt iets concreets geleerd.

Specificiteit is nederigheid omdat het betekent dat je bereid bent om ongelijk te hebben over wat je wilt.

Het Eindspel

Naarmate AI-modellen verbeteren, zullen veel huidige prompt engineering technieken overbodig worden. Toekomstige modellen kunnen vage invoer gracieus afhandelen, kunnen automatisch verduidelijkende vragen stellen, kunnen context intuïtief aanvoelen uit minimale informatie.

Maar de onderliggende vaardigheid — het vermogen om je gedachten duidelijk te verwoorden, relevante context te bieden, effectief te itereren — zal alleen maar waardevoller worden. Dit zijn fundamenteel menselijke vaardigheden die van toepassing zijn of je nu communiceert met AI, met collega's of met jezelf.

Prompt engineering is tijdelijk. Helder denken is voor altijd.