15 prompt engineering tips van de makers van Claude - Deel 1

Hoi, welkom bij AIToday Live, de Nederlandse podcast waar we praten over de nieuwste ontwikkelingen in kunstmatige intelligentie en hoe jij ze kunt toepassen in je werk. En vandaag gaan we het hebben over een onderwerp dat steeds belangrijker wordt naarmate AI-modellen zoals Claude en ChatGPT steeds vaker worden ingezet, namelijk promptengineering. Recent hebben prompt-experts van Anthropic, de makers van Claude, in een gesprek van anderhalf uur hun beste tips gedeeld over hoe je de perfecte prompts kunt schrijven om taalmodellen beter te laten werken. Vandaag neem ik je mee door deze tips, met extra uitleg en natuurlijk praktische voorbeelden. Omdat ik de oorspronkelijke video behoorlijk taai en niet voor iedereen toegankelijk vind, geef ik je een samenvatting van de 15 meest waardevolle tips zoals zij die hebben aangegeven en dan vul ik ze aan met praktische voorbeelden uit de werkomgeving. Het mooie is dat deze tips namelijk niet alleen voor Claude gelden, maar net zo goed toepasbaar zijn voor ChatGPT. Laten we meteen beginnen met de eerste tip. Communiceer duidelijk en precies bij het schrijven van prompts. Een goed geschreven prompt begint met helder en precies taalgebruik. Dit klinkt misschien logisch, maar het kan moeilijker zijn dan je denkt. Als je bijvoorbeeld vraagt, schrijf een samenvatting van dit document, kan het taalmodel wel een samenvatting maken, maar als je niet specificeert hoe lang die moet zijn of welke informatie belangrijk is, kan het resultaat behoorlijk teleurstellend zijn. Als een beter geformuleerde prompt zou zijn, schrijf een samenvatting van maximaal 200 woorden met een nadruk op de financiële impact van de verandering in de regelgeving. Je geeft duidelijk meer context en stuur het taalmodel in een specifieke richting. Wees bereid om snel te itereren en veel prompts te versturen. Deze tip heb ik in aflevering 80 van dit seizoen al wat extra toegelicht, maar omdat deze zo belangrijk is nogmaals. Prompten is een proces. Denk daar niet te licht over. Goede prompt engineers weten dat je vaak en veel moet itereren. Dat betekent veel kleine aanpassingen maken om uiteindelijk het gewenste resultaat te krijgen. Zie het als een dialoog met de AI, met het taalmodel. Je stelt een vraag, kijk naar het antwoord en stelt de vraag opnieuw, maar dan beter. Een voorbeeld is dat je het taalmodel vraagt om een marketingtekst te schrijven. Misschien is de eerste versie te formeel en dan pas je de prompt aan naar 'schrijf een informele marketingtekst voor een jong publiek'. Vervolgens herhaal je het proces totdat de tekst precies goed is en dat je deze kunt opslaan voor hergebruik. Denk na over randgevallen en ongebruikelijke scenario's. Prompten gaat niet alleen over de meest voor de hand liggende gevallen, maar juist ook over de uitzonderingen. Overweeg hoe je je prompt kan falen in ongewone situaties. Door rekening te houden met randgevallen maak je je prompts robuuster en veelzijdiger, ook weer voor hergebruik. Voor onze podcast heb ik een prompt die interessante, genoemde bronnen uit de aflevering haalt. Gasten geven tips over boeken, evenementen of websites. En die willen we in de show notes delen. Een randgeval is wanneer dit helemaal niet voorkomt in de aflevering. Daarmee moet de prompt om kunnen gaan en consistent antwoord geven, zodat het geautomatiseerde productieproces van onze podcast daar niet stuk gaat. Belangrijk is daarom om de randgevallen te bewaren als testcases, waardoor je ze steeds kan gebruiken bij wijzigingen van je prompts. En dat leidt eigenlijk ook tot tip nummer 4, test je prompts met onvolledige of onrealistische gebruiksgebruikersinvoer. Gebruikers zijn niet altijd even precies in aangeven van wat ze willen. Test je prompts met imperfecte, realistische invoer om te zien hoe ze presteren onder alle dagelijke omstandigheden. Stel je hebt agents gemaakt voor vragen te kunnen stellen aan interne kennis uit je organisatie. Test deze agents door vragen te stellen met bijvoorbeeld afkortingen en informele taal zoals "waar vind ik de HR-info?" of "waar vind ik die doc over vakantieaanvraag?" Dit weerspiegelt hoe medewerkers hun vragen in de praktijk kunnen formuleren en helpt om de effectiviteit van de resultaten te analyseren, wat ons ook weer leidt naar tip 5. Analyseer de output van de AI zorgvuldig. Je kunt pas echt verbeteren als je de resultaten goed analyseert. Soms lijkt een antwoord correct, maar mist het belangrijke nuances. Stel je vraagt het taalmodel om een analyse te maken van een financiële situatie. Als het taalmodel geen rekening houdt met belastingtarieven, krijg je misschien een antwoord dat op het eerste gezicht logisch lijkt, maar in de praktijk onbruikbaar is. Lees de output dus altijd grondig na en stel jezelf de vraag "heeft het taalmodel precies gedaan wat ik wilde?" Tip nummer 6. Verwijder veronderstellingen en communiceer de volledige set aan benodigde informatie. Het is verleidelijk om ervan uit te gaan dat het taalmodel bepaalde dingen al weet. Maar hoe minder je aan het taalmodel overlaat, hoe beter het werkt. Zorg ervoor dat je duidelijk alle relevante details meegeeft. Een voorbeeld is als je vraagt "plan een marketingcampagne voor onze nieuwe productlancering" zou de AI wellicht niet weten wanneer die lancering plaatsvindt. Een betere prompt is dan "plan een marketingcampagne voor onze productlancering op 1 november, gericht op social media en online advertenties". Een van de deelnemers aan het gesprek vroeg er ook nog toe dat ze het taalmodel steeds behandeld als een nieuwe medewerker. Zou die medewerker zonder achtergrondkennis de instructies kunnen uitvoeren die ik ook aan het taalmodel geef? En als het antwoord nee is, hoe groot is dan de kans dat het taalmodel dit dan wel kan? Dan gaan we naar de laatste tip van vandaag, nummer 7. En dat is "heb empathie voor het taalmodel". Deze tip vond ik in eerste instantie heel lastig toen ik die hoorde, want het lijkt op vermenselijking en empathie en dat klinkt voor mij als inleving in de emoties van het model. En het taalmodel heeft geen emoties. Een AI begrijpt jouw intentie niet zoals een mens dat doet. Het werkt puur op basis van patronen. Maar wat eigenlijk aangegeven is, wat deze expert aangaf, is dat je moet je voorstellen hoe de AI je vraag interpreteert. Dus dit vraagt om een soort tussen aanhalingstekens empathie voor AI, zoals deze expert noemde. En het gaat er dan om dat het helpt om echt even in de schoenen van het model te gaan staan en te bedenken wat zou het hieruit opmaken. Wat hier de expert bedoelt met empathie is dat jij je inleeft in de werking van het model. Zo weet ik dat Chachibiti de voorkeur heeft om puntsgewijs met bullet points te antwoorden. Kan in heel vaak irritant zijn, dus als ik dat niet wil moet ik direct beginnen met aangeven dat het model in volzinnen moet antwoorden. Claude daarentegen heeft de voorkeur om te vousvoyeren, dus dat hij in de u-vorm schrijft. Daarom begin ik daar meteen te vragen om te laten schrijven in de je-vorm, om te tutoyeren. Dit zijn hele eenvoudige voorbeelden, maar hoe meer kennis je van het taalmodel hebt, des te beter hoe je met het taalmodel communiceert. Dit was het eerste deel van de podcast over promptengineering en de tips rechtstreeks uit het Claude team. In het volgende deel gaan we verder met nog meer waardevolle tips, waaronder hoe je prompts als code kunt behandelen, hoe je een balans vindt tussen standaard en randgevallen en hoe je schrijfvaardigheid kunt combineren met systematisch denken. Dus abonneer je via je favoriete podcast app. Dan krijg je de volgende aflevering automatisch te zien. [Muziek]