Few-shot prompting: stuur AI met goede voorbeelden (2026)

Few-shot prompting betekent dat je een AI-model enkele goede voorbeelden van invoer en gewenste uitvoer geeft. Gebruik het wanneer een duidelijke zero-shot-opdracht nog te veel variatie oplevert, en meet op vaste testgevallen of de voorbeelden echt helpen.

Wanneer voorbeelden meer zeggen dan extra uitleg

Een voorbeeld maakt impliciete keuzes zichtbaar. Denk aan de exacte labels van een classificatie, de lengte van een samenvatting, de toon van een antwoord of de velden van een extractie.

De OpenAI-documentatie over prompt engineering omschrijft few-shot learning als het sturen van een model met een handvol invoer- en uitvoervoorbeelden. De voorbeelden horen de mogelijke invoer voldoende divers te vertegenwoordigen. Het oorspronkelijke OpenAI-onderzoek Language models are few-shot learners laat zien waar de term vandaan komt, maar is geen garantie dat ieder huidig model bij iedere taak door meer voorbeelden beter wordt.

Bij OpenAI-reasoningmodellen adviseert de leverancier om eerst een eenvoudige zero-shot-opdracht te proberen. Andere actuele modelhandleidingen kunnen juist voorbeelden aanbevelen, dus volg de richtlijn voor jouw model en vergelijk op dezelfde testset of de voorbeelden werkelijk helpen.

De basisstructuur

Zet instructies en voorbeelden duidelijk uit elkaar:

Taak
Classificeer iedere melding als Account, Betaling of Techniek.
Geef alleen het label en een korte reden op basis van de tekst.

Voorbeeld
Invoer: "Ik kan na het wijzigen van mijn wachtwoord niet meer inloggen."
Uitvoer:
Label: Account
Reden: De melding gaat over toegang tot het account.

Voorbeeld
Invoer: "De export blijft hangen nadat ik op Download klik."
Uitvoer:
Label: Techniek
Reden: De genoemde functie rondt de actie niet af.

Nieuwe invoer
"Mijn factuur bevat dezelfde regel twee keer."

Anthropic noemt voorbeelden in de actuele prompting best practices een betrouwbare manier om formaat, toon en structuur te sturen. De documentatie adviseert voor Claude relevante, diverse en herkenbaar afgebakende voorbeelden. Google behandelt zero-shot, few-shot en duidelijke scheiding van promptonderdelen in de prompt design strategies.

Stappenplan: bouw een veilige few-shot-prompt

Stap 1: definieer het gewenste gedrag

Schrijf eerst taak, toegestane labels, uitvoervorm en succescriteria op. Zonder deze basis kunnen voorbeelden elkaar onbedoeld tegenspreken.

Stap 2: maak een baseline volgens de modelrichtlijn

Test de eenvoudigste aanbevolen opzet op een kleine maar representatieve set. Dat kan zero-shot zijn bij een reasoning-model of een minimale voorbeeldset wanneer de actuele modeldocumentatie few-shot adviseert. Noteer precies welke fouten terugkomen.

Stap 3: kies minimale, representatieve voorbeelden

Kies voorbeelden die de gemeten fout verduidelijken. Dek normale invoer, relevante variatie en minstens één lastig geval af. Vermijd voorbeelden die nauwelijks lijken op je echte gebruik.

Stap 4: maak de structuur identiek

Gebruik voor ieder voorbeeld dezelfde koppen, labels en volgorde. Een vast patroon voorkomt dat het model toevallige opmaak als betekenisvolle regel interpreteert.

<example>
<input>...</input>
<output>
Label: ...
Reden: ...
</output>
</example>

Stap 5: verwijder gevoelige gegevens

Vervang namen, adressen, accountnummers en bedrijfsgeheimen door fictieve waarden. Lees bij persoonsgegevens ook ChatGPT, privacy en AVG.

Stap 6: test op ongeziene gevallen

Gebruik andere voorbeelden voor testen dan voor de prompt zelf. Vergelijk de few-shot-versie met de zero-shot-baseline op juistheid, consistentie en ongewenste neveneffecten.

Stap 7: wijzig één ding per ronde

Voeg niet tegelijk voorbeelden, extra regels en een ander model toe. Pas één onderdeel aan en herhaal dezelfde testset, zoals beschreven in prompt engineering.

Goede en slechte voorbeeldsets

Een goede set:

gebruikt exact dezelfde labels als de instructie;
bevat voorbeelden uit de echte taakverdeling;
laat relevante uitzonderingen zien;
is onderling consistent;
bevat geen vertrouwelijke gegevens;
wordt apart getest op nieuwe invoer.

Een slechte set bevat alleen makkelijke gevallen, gebruikt per voorbeeld een andere structuur of geeft twee vergelijkbare invoeren verschillende labels zonder uitleg. Meer voorbeelden repareren zo'n fundamenteel probleem niet.

Voor algemene promptopbouw kun je verder met goede prompts maken.

Veelgemaakte fouten

Een willekeurig aantal voorbeelden als vaste regel gebruiken. Meet wat jouw taak nodig heeft.
Alle voorbeelden uit één categorie kiezen. Het model ziet dan geen bruikbare grens tussen labels.
Promptvoorbeelden als testset hergebruiken. Daarmee test je herkenning in plaats van generalisatie.
Tegenstrijdige instructie en voorbeelden laten staan. Maak labels, criteria en uitvoer exact gelijk.
Echte klantdata kopiëren. Gebruik fictieve of passend geanonimiseerde gevallen.
Steeds meer voorbeelden stapelen. Extra context kan afleiden en maakt onderhoud moeilijker.
Een fout antwoord als voorbeeld bewaren. Laat inhoud en label door een bevoegde beoordelaar controleren.

Veelgestelde vragen

Wat is few-shot prompting?

Bij few-shot prompting zet je enkele representatieve invoer- en uitvoervoorbeelden in de prompt. Het model leidt daaruit het gewenste patroon, formaat of onderscheid af zonder dat je het model voor die taak opnieuw traint.

Hoeveel voorbeelden heb je nodig?

Er is geen universeel aantal. Begin met het kleinste setje dat alle belangrijke categorieën en een lastig grensgeval toont, en voeg alleen voorbeelden toe wanneer een vaste test laat zien dat ze de uitkomst verbeteren.

Wat is het verschil tussen zero-shot en few-shot?

Zero-shot gebruikt alleen een duidelijke opdracht, context en uitvoerformaat. Few-shot voegt voorbeelden toe wanneer uitleg alleen het gewenste patroon onvoldoende vastlegt.

Welke voorbeelden werken het best?

Kies voorbeelden die op je echte invoer lijken, samen de relevante variatie afdekken en exact dezelfde labels en structuur gebruiken. Neem minstens één moeilijk maar realistisch geval op als dat in de praktijk voorkomt.

Kunnen slechte voorbeelden de uitkomst verslechteren?

Ja. Tegenstrijdige labels, typefouten, uitzonderlijke formuleringen en een scheve verdeling kunnen het verkeerde patroon aanleren. Controleer ieder voorbeeld en test het geheel op ongeziene gevallen.

Mag je klantgegevens als voorbeeld gebruiken?

Gebruik liever fictieve of goed geanonimiseerde voorbeelden. Verwijder persoonsgegevens, geheimen en unieke combinaties die alsnog naar een persoon of organisatie te herleiden zijn, en volg het beleid van je account en organisatie.

Is few-shot hetzelfde als fine-tuning?

Nee. Few-shot-voorbeelden reizen mee in de prompt en veranderen het model niet blijvend. Fine-tuning is een afzonderlijk trainingsproces en vraagt een andere afweging, dataset en evaluatie.