Few-shot prompting: leer een AI wat je wilt met twee voorbeelden

Je hoeft niet alles uit te leggen

Stel je voor: je wilt dat een AI een lijst klantmails in categorieën verdeelt. Je kunt urenlang uitleggen wat je bedoelt met "urgent", "vraag" en "klacht". Of je laat gewoon twee voorbeelden zien. In de meeste gevallen snapt het taalmodel het dan meteen. Dat laatste heet few-shot prompting — en het is een van de krachtigste technieken die je kunt gebruiken zonder technische kennis.

Het idee is simpel: je geeft een AI twee tot vijf voorbeelden van wat je wilt, en het model leert daaruit het patroon. Zonder training, zonder code, zonder ingewikkelde uitleg. Je laat gewoon zien in plaats van vertellen.

Zero-shot, one-shot, few-shot: wat is het verschil?

Er zijn drie manieren om een taalmodel een taak te geven:

Zero-shot betekent dat je de AI vraagt iets te doen zonder enig voorbeeld. Gewoon: "Categoriseer deze mail als urgent, normaal of laag." Het model doet z'n best op basis van algemene kennis, maar interpreteert misschien anders dan jij bedoelt.

One-shot geef je precies één voorbeeld. Handig als de taak vrij eenduidig is en je weinig ruimte hebt in je prompt.

Few-shot geef je twee tot vijf voorbeelden. Dit werkt vaak het beste, omdat het model een patroon kan herkennen en nuances begrijpt. Meer dan vijf voorbeelden levert meestal geen grote verbetering meer op — en het kost wel prompt-ruimte.

De keuze hangt af van hoe duidelijk de taak is. Vraag je om een standaard samenvatting? Zero-shot kan prima. Vraag je om iets specifieks voor jouw bedrijf of stijl? Few-shot is je vriend.

Wanneer zet je few-shot in?

Few-shot prompting is vooral waardevol in deze situaties:

• Je wilt een specifieke output-structuur. Bijvoorbeeld: je wilt dat elke productomschrijving eindigt met drie bulletpoints over voordelen, gevolgd door een CTA. Laat twee voorbeelden zien, en het model volgt het format.

• De taak heeft nuance. Denk aan toon, stijl of subtiele onderscheidingen. "Schrijf een vriendelijke maar professionele reactie" is vaag. Twee voorbeelden maken het concreet.

• Het gaat om domeinspecifieke kennis. Als je wilt dat een AI facturen controleert of technische notities samenvat op jouw manier, dan helpt het om te laten zien hoe jij dat normaal doet.

• Zero-shot werkt niet goed genoeg. Krijg je telkens antwoorden die net niet kloppen? Probeer dan two-shot of three-shot.

Few-shot is geen wondermiddel voor alles. Bij hele simpele taken ("vertaal dit naar Engels") voegt het weinig toe. En bij taken die veel context vragen, kun je snel tegen de limieten van je prompt aanlopen.

Hoe kies je goede voorbeelden?

Niet elk voorbeeld werkt even goed. De kwaliteit van je voorbeelden bepaalt de kwaliteit van de output. Dit zijn de vuistregels:

1. Kies representatieve voorbeelden Je voorbeelden moeten de variatie in je échte werk laten zien. Als je mails classificeert, kies dan niet drie keer een heel korte mail. Neem één korte, één middellange en één met wat meer context.

2. Wees consistent in je format Als je voorbeelden verschillende structuren hebben, raakt het model in de war. Gebruik altijd hetzelfde format: input, dan output. Of: vraag, dan antwoord. Hou het identiek.

3. Toon edge cases Als er lastige gevallen zijn — een mail die zowel een vraag als een klacht bevat, een tekst die grappig én professioneel moet zijn — neem er dan één op in je voorbeelden.

4. Hou het realistisch Verzin geen perfect gepolijste voorbeelden die je in de praktijk nooit tegenkomt. Het model leert van wat je laat zien. Als je voorbeelden te ideaal zijn, gaat het dat ook verwachten van de échte input.

5. Test met verschillende sets Soms werkt een ander stel voorbeelden beter. Probeer twee varianten en kijk welke de beste resultaten geeft.

Een concreet voorbeeld uit de praktijk

Stel: je wilt productomschrijvingen herschrijven in een pakkende, voordeel-gerichte stijl. Zo zou een few-shot prompt eruitzien:

Prompt:

"Herschrijf de volgende productomschrijvingen in een pakkende, voordeel-gerichte stijl.

Voorbeeld 1: Origineel: 'Deze stofzuiger heeft 2000 watt vermogen en een HEPA-filter.' Herschreven: 'Zuig je huis in recordtijd schoon, zonder dat stof terugkomt. Krachtige motor, ideaal voor wie last heeft van allergie.'

Voorbeeld 2: Origineel: 'Onze agenda heeft 365 pagina's en een harde kaft.' Herschreven: 'Elke dag een verse pagina, een jaar lang. Stevig genoeg voor in je tas, mooi genoeg voor op je bureau.'

Nu jouw beurt: Origineel: 'Deze koptelefoon heeft noise cancelling en 30 uur accuduur.'"

Zie je wat er gebeurt? Het model leert uit de voorbeelden dat je:

• Niet de specs herhaalt, maar vertaalt naar voordelen

• Een conversational toon gebruikt

• Kort en pakkend schrijft

Zonder die voorbeelden zou je een veel algemener antwoord krijgen.

Veelgemaakte fouten

Ook bij few-shot prompting kun je de mist ingaan. Dit zijn de valkuilen:

Te veel voorbeelden — na vijf voorbeelden wordt de verbetering marginaal, en je vult je prompt vol. Blijf bij twee tot vier, tenzij je echt een extreem complexe taak hebt.

Inconsistente voorbeelden — als voorbeeld 1 heel formeel is en voorbeeld 2 heel casual, weet het model niet wat je wilt. Kies voorbeelden die dezelfde toon en structuur hebben.

Geen duidelijke scheiding — zorg dat het model weet waar het voorbeeld ophoudt en de échte taak begint. Gebruik labels zoals "Voorbeeld:", "Input:", "Output:", of scheid met lijnen.

Voorbeelden die niet op de taak lijken — als je voorbeelden over productomschrijvingen geeft maar vervolgens vraagt om een mail te schrijven, helpt het niet. Hou het relevant.

Zero-shot of few-shot: wat kies je?

Als vuistregel:

• Zero-shot voor standaardtaken waar het model al goed in is: vertalingen, samenvattingen, algemene vragen.

• Few-shot voor specifieke output, domeinkennis, stijl, structuur of als zero-shot niet goed genoeg werkt.

Begin altijd met zero-shot. Werkt het niet? Voeg dan twee voorbeelden toe en kijk of het verschil maakt. In de meeste gevallen zie je meteen een duidelijke verbetering.

Wat kun je morgen doen?

Pak een taak waar je nu een AI voor gebruikt — bijvoorbeeld mails beantwoorden, teksten herschrijven of data categoriseren. Voeg twee concrete voorbeelden toe van hoe jij het zelf zou doen. Let op de toon, de structuur, de details. Test het resultaat.

De kans is groot dat je output ineens veel dichter bij je eigen werk komt te staan. Few-shot prompting is geen magie — het is gewoon laten zien in plaats van vertellen. En dat werkt, of je nu een tekstschrijver bent, een klantenservice-medewerker of een data-analist.