Alisina NawabiNa deze les kun je uitleggen wat een prompt en een system prompt zijn, hoe ze een taalmodel sturen via de tokens die het ziet, en waarom waar een instructie staat net zo telt als wat erin staat.
Handig vooraf: Hoe AI voorspelt
Je denkt waarschijnlijk dat prompten draait om geheime, magische woorden: de juiste toverspreuk die de AI ontgrendelt. Zo werkt het niet, en zodra je ziet wat sturen echt is, snap je meteen waarom dezelfde vraag de ene keer een braaf, algemeen antwoord geeft en de andere keer een vlijmscherpe analyse.
Neem één vraag: "Wat vind je van dit idee: een abonnement op verse bloemen, elke week thuisbezorgd?" Stel hem twee keer.
Zonder iets erboven krijg je een braaf antwoord: leuk concept, handig voor drukke mensen, let even op de bezorgkosten. Correct en nietszeggend.
Zet er nu één regel boven die het model nooit als jouw vraag ziet: "Je bent een kritische investeerder die vooral naar risico’s zoekt." Diezelfde vraag levert ineens iets heel anders op: hoe hoog is de uitval na maand twee, wat kost een nieuwe klant, en blijven verse bloemen wel heel door de hele bezorgketen? De vraag is identiek. Alleen de tekst ervóór veranderde, en die verschoof het complete antwoord.
Die regel vooraan heet de system prompt. Jouw eigenlijke vraag is de user prompt. Raad eerst zelf wat de sturing deed:
Twee system prompts, twee antwoorden op ‘wat vind je van dit bloemenidee?’. Welke sturing gaf het antwoord dat begon over uitval, klantacquisitiekosten en de bezorgketen?
Voel je het contrast? Dan is dit de schone definitie. Een prompt is alle tekst die een taalmodel ziet voordat het zijn antwoord begint te voorspellen: je vraag, plus eventuele instructies en voorbeelden die je meegeeft. Een system prompt is daarvan het bevoorrechte deel dat vooraan staat en de rol, de regels, de toon en het gewenste format zet, nog voordat de gebruiker iets typt. De system prompt stuurt; de user prompt vraagt.
Waarom is een prompt geen toverspreuk?
Omdat een taalmodel bij elke stap het waarschijnlijkste volgende token voorspelt op grond van alle tekst tot dan toe. Een prompt is niets magisch: het ís die "alle tekst tot dan toe". Zet je er "je bent een kritische investeerder" voor, dan verschuift dat de kansverdeling van elk volgend token richting risico-taal, cijfers en kritische vragen. Je giet geen geheime code in het model; je zet de tokens neer die aan het antwoord voorafgaan.
De app stuurt trouwens geen losse zin naar het model, maar een lijstje berichten met elk een rol. Grofweg drie: system (de instructie vooraf), user (jij) en assistant (het model zelf). Waar die system-instructie precies zit, verschilt per aanbieder. Bij OpenAI is het een bericht met een aparte rol in diezelfde lijst, vroeger system, in de nieuwere modellen developer, met een vaste rangorde waarin de instructie van de ontwikkelaar boven die van de eindgebruiker gaat. Bij Anthropic bestaat er geen system-rol in de berichtenlijst; de system prompt gaat als aparte top-level parameter mee, en de berichten zelf zijn alleen user en assistant.
Eén ding hebben ze gemeen, en het verklaart waarom de system prompt zo veel gewicht heeft: het model onthoudt niets tussen beurten. Omdat een taalmodel niets vasthoudt en de app elke beurt de hele geschiedenis opnieuw meestuurt, gaat die system prompt óók elke beurt opnieuw mee, altijd vooraan. Hij is geen instelling die je één keer aanzet; hij staat bij elk antwoord opnieuw bovenaan de stapel.
Zie de system prompt als de regieaanwijzing die een acteur vóór de scène krijgt: ‘speel dit als een achterdochtige rechercheur’. De user prompt is de zin die je hem daarna toewerpt. Dezelfde zin klinkt heel anders afhankelijk van de rol die vooraf gezet is, en die rol hoort het publiek nooit, het ziet alleen het resultaat.
Waarom telt het net zoveel wáár een instructie staat als wát erin staat?
Omdat niet elke plek even zwaar weegt. Een instructie vooraan, in de system prompt, wordt betrouwbaar opgepakt. Maar een belangrijke instructie die je diep in een lange lap context begraaft, raakt ondergesneeuwd: modellen vinden informatie aan het begin en het einde van een lange context beter terug dan informatie die in het midden staat, een effect dat Liu en collega’s in 2023 "lost in the middle" doopten. Hoe sterk het speelt verschilt per model, maar de vuistregel is simpel: zet wat er echt toe doet vooraan of vlak bij je vraag, niet ergens halverwege.
Test jezelf voor je verdergaat:
Wat is een system prompt eigenlijk?
Goed sturen is dan ook geen trucje, maar heldere specificatie. Wees concreet, geef context, benoem de rol en het publiek, en zeg in welk format je het antwoord wilt. Het sterkste stuurmiddel is vaak geen instructie maar een voorbeeld: laat één keer zien hoe een goed antwoord eruitziet, en het model trekt de rest die kant op. Beschrijven wat je wilt werkt; het tonen werkt meestal beter.
Blijft één eerlijke grens. De system prompt stuurt sterk, maar vergrendelt niets hard. Omdat alles uiteindelijk tokens zijn die in dezelfde verdeling meedingen, kan een handig geformuleerde user prompt de system prompt soms overrulen, precies het gat waar verborgen instructies in een webpagina een AI-agent laten ontsporen. Zie de system prompt dus als een sterke regisseur, niet als een slot: hij bepaalt hoe het stuk gespeeld wordt, maar de tekst blijft tekst.
En dat is het hele idee achter sturen. Je zoekt geen magische woorden. Je zet, tot op het token nauwkeurig, de tekst neer die aan het antwoord voorafgaat, en je zet het belangrijkste vooraan.
Veelgestelde vragen
AI die jouw regels volgt
Ik denk met je mee, ontwerp en bouw AI-agents die binnen jouw toon, jouw regels en jouw systemen werken, van het eerste idee tot een werkend product dat live staat.
Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.
