Agent-prompts zijn geen gewone chatprompts
Gebruikers die AI taken laten plannen of uitvoeren lopen vaak tegen hetzelfde probleem aan: ze schrijven agentopdrachten alsof het gewone chatvragen zijn, zonder grenzen, stopregels of controlepunten. Het gevolg is niet alleen een minder mooi antwoord, maar vooral meer herstelwerk achteraf. Deze gids laat zien hoe je de prompt vooraf zo opbouwt dat de uitkomst beter te controleren is.
Onze positie is simpel: hoe meer een AI mag doen, hoe scherper de prompt de grenzen moet maken. Een prompt moet niet slim klinken; hij moet duidelijk maken wat de taak is, welke context telt, welke outputvorm nodig is en wanneer het antwoord beter terughoudend kan zijn.
ReAct-achtig onderzoek naar redeneren en handelen liet al zien dat taalmodellen acties en redenering kunnen combineren. Bij moderne agents maakt dat duidelijke toestemming, broncontrole en stopregels belangrijker.
Dat maakt dit onderwerp interessanter dan een lijst met kant-en-klare voorbeeldprompts. De meeste mensen zoeken nog naar de perfecte formulering, terwijl het echte verschil meestal ontstaat door contextselectie, testcases, voorbeeldoutput en vaste controlecriteria. Juist daar kunnen kleine teams zich onderscheiden zonder dure software.
Begin daarom niet met de vraag: welke promptzin werkt het best? Begin met de vraag: welke beslissing moet dit antwoord makkelijker maken? Voor een klantmail is dat misschien toon en duidelijkheid. Voor een onderzoeksnotitie is dat bronbasis en onzekerheid. Voor een productvergelijking is dat keuzecriteria. De prompt moet die beslissing zichtbaar ondersteunen.
Een bruikbare prompt bestaat uit vijf lagen. Eerst benoem je de rol of het perspectief. Daarna beschrijf je de taak in één concrete zin. Vervolgens geef je context: doelgroep, situatie, voorbeelden, feiten en beperkingen. Daarna kies je de outputvorm. Tot slot voeg je een controleafspraak toe: wat moet het model doen als informatie ontbreekt of tegenstrijdig is?
Die laatste laag wordt vaak vergeten. Daardoor krijg je antwoorden die soepel lezen, maar niet zeggen waar ze op gebaseerd zijn. Vraag daarom expliciet om aannames, ontbrekende informatie of controlepunten. Dat vertraagt het werken nauwelijks, maar het maakt de output veel betrouwbaarder.
| Keuze | Gebruik wanneer | Let op |
|---|---|---|
| Chatprompt | alleen tekstoutput nodig is | geen actiegrenzen nodig |
| Agentprompt | AI stappen voorstelt | beslismoment toevoegen |
| Actieprompt | er iets gewijzigd wordt | bevestiging verplicht |
Een praktisch voorbeeld: Een agent die informatie zoekt voor een inkoopkeuze moet eerst bronnen en aannames tonen, niet direct een mail versturen. Maak de taak klein genoeg om goed te beoordelen. Als je meerdere dingen tegelijk vraagt, zoals analyseren, herschrijven, plannen en controleren, splits de opdracht dan op in stappen. Zo zie je sneller waar de kwaliteit wegvalt.
Een agent die informatie zoekt voor een inkoopkeuze moet eerst bronnen en aannames tonen, niet direct een mail versturen.
- Is uitvoering begrensd?
- Zijn bronnen duidelijk?
- Staat er een stopregel?
- Moet een mens bevestigen?
Plan deze taak, maar voer niets uit zonder bevestiging. Splits in: informatie verzamelen, risico's, voorgestelde stappen, beslismomenten en vragen die eerst beantwoord moeten worden.
Handig naast context pakket maker prompt injection checker.
Voor teams is het slim om deze aanpak vast te leggen in een kleine promptbibliotheek. Niet als statische lijst met honderd losse prompts, maar als werkmap met contextblokken, testcases en voorbeeldoutput. Noteer per prompt waarvoor hij bedoeld is, wanneer hij niet gebruikt moet worden en welke scorecriteria bepalen of het antwoord goed genoeg is.
Maak ook ruimte voor versiebeheer. Als een prompt wordt aangepast, schrijf kort op waarom. Was de toon te formeel? Ontbrak er broncontrole? Was de output te lang? Die notities lijken klein, maar na een maand weet je precies welke promptbeslissingen echt effect hadden.
De valkuil is dat je prompt steeds langer wordt. Een agentprompt zonder stopregel lijkt efficiënt, maar kan te snel overgaan van advies naar actie. Een lange prompt kan nuttig zijn wanneer de context stabiel en relevant is, maar hij wordt zwak wanneer oude regels, dubbele eisen en losse voorbeelden door elkaar lopen. Schrap dus net zo actief als je toevoegt.
Wil je dit meteen toepassen, start dan met context pakket maker en prompt injection checker. Gebruik daarna de promptdatabase om een verwante prompt te vinden en pas hem aan op je eigen situatie. De beste prompt is niet de meest indrukwekkende prompt, maar de prompt die morgen opnieuw hetzelfde soort goede antwoord oplevert.
Veelgestelde vragen
Moet elke prompt zo uitgebreid zijn? Nee. Voor een simpele creatieve taak is een korte opdracht vaak genoeg. Gebruik deze structuur vooral voor terugkerende, feitelijke of beslissingsgerichte taken.
Wanneer voeg je voorbeelden toe? Voeg voorbeelden toe wanneer toon, structuur of beoordelingsniveau belangrijk is. Eén goed voorbeeld kan soms meer doen dan vijf extra instructieregels.
Wat doe je als het antwoord toch tegenvalt? Verander niet alles tegelijk. Pas één onderdeel aan: meer context, een scherper outputformat, een voorbeeld of een strengere stopregel. Test daarna opnieuw met dezelfde input.