Prompt engineering

Few-shot prompting: voorbeelden geven aan AI voor beter resultaat

Few-shot prompting: geef 2-5 voorbeelden aan AI voor betere resultaten. Praktische gids met concrete voorbeelden voor beginners.

Door Jérémie Chiari

7 juli 2026 10 min leestijd

Je hebt ChatGPT gevraagd professionele e-mails te schrijven, maar de toon klopt nooit? Je wilt dat Claude aantrekkelijke titels genereert, maar de resultaten zijn te generiek? Few-shot prompting lost dit probleem op door de AI precies te laten zien wat je wilt, in plaats van het alleen maar te beschrijven. Deze techniek bestaat uit het geven van 2 tot 5 concrete voorbeelden voordat je je werkelijke verzoek doet. De AI analyseert deze voorbeelden, herkent het patroon en reproduceert dezelfde stijl voor jouw geval. Het is als iemand laten zien hoe je een shirt vouwt in plaats van het uit te leggen: het resultaat is direct en nauwkeurig. In deze gids ontdek je hoe je few-shot prompting gebruikt om antwoorden te krijgen die precies aan je verwachtingen voldoen, zonder technisch jargon of programmeervaardigheden.

Wat is few-shot prompting en hoe werkt het?

Few-shot prompting is een techniek waarbij je meerdere voorbeelden aan de AI geeft voordat je je werkelijke vraag of verzoek stelt. In tegenstelling tot zero-shot (zonder voorbeeld) waar je gewoon beschrijft wat je wilt, laat few-shot concreet het format, de toon en de verwachte structuur zien.

De term "few-shot" betekent letterlijk "enkele voorbeelden": meestal tussen 2 en 5. Daarboven riskeert je de context te overbelasten zonder efficiëntiewinst. Eronder kan de AI het volledige patroon missen.

Concreet ziet de structuur van een few-shot prompt er zo uit:

Je geeft 2 tot 5 voorbeelden van het verwachte resultaat
Je presenteert je werkelijke geval
De AI genereert een antwoord dat hetzelfde patroon volgt

Neem een eenvoudig voorbeeld. Je wilt dat de AI productbeschrijvingen omzet in aantrekkelijke zinnen voor Instagram:

Zonder few-shot (willekeurig resultaat): "Schrijf een aantrekkelijke zin voor Instagram voor dit product: lichte hardloopschoenen."

Met few-shot (consistent resultaat): "Zet deze beschrijvingen om in Instagram-zinnen:

Product: waterdichte rugzak Zin: Je avontuur stopt nooit. Ook niet in de regen. 🎒

Product: thermische drinkfles Zin: 24 uur koud. Nul compromissen. Je nieuwe bondgenoot. 💧

Product: oplaadbare hoofdlamp Zin: De nacht wordt jouw speelveld. Verlicht je pad. 🔦

Doe nu hetzelfde voor: Product: lichte hardloopschoenen"

Met few-shot begrijpt de AI meteen de toon (dynamisch, kort), de structuur (3 korte zinnen) en de stijl (jij-vorm, emoji aan het eind). Het resultaat zal consistent zijn met je voorbeelden.

Waarom few-shot prompting effectiever is dan beschrijving

Few-shot prompting werkt beter omdat voorbeelden alle ambiguïteit elimineren over wat je echt verwacht. Woorden als "professioneel", "creatief" of "beknopt" hebben verschillende betekenissen voor verschillende mensen. Een voorbeeld zegt meer dan duizend woorden.

Volgens de officiële documentatie van Anthropic (maker van Claude) verbetert few-shot prompting de nauwkeurigheid van antwoorden met 30 tot 50% voor gestructureerde taken. OpenAI bevestigt vergelijkbare resultaten met GPT-4.

Hier is waarom deze techniek zo krachtig is:

Onmiddellijke tijdsbesparing In plaats van 5 keer uit te leggen wat "professionele maar toegankelijke toon" betekent, toon je 2 voorbeelden en krijg je het juiste resultaat meteen.

Gegarandeerde consistentie Als je 20 productbeschrijvingen moet genereren, zorgt few-shot ervoor dat ze allemaal exact hetzelfde format volgen. Perfect voor repetitieve taken.

Stijl leren De AI vangt subtiele nuances op: zinslengte, specifieke woordenschat, alineastructuur, formaliteitsniveau. Elementen die moeilijk met woorden uit te leggen zijn.

Foutreductie Door te laten zien wat correct is, laat je ook zien wat niet correct is. De AI vermijdt ongepaste formats of tonen.

Een concreet voorbeeld: je wilt informatie uit facturen extraheren. Zonder few-shot moet je precies beschrijven elk veld, het format, hoe je speciale gevallen aanpakt. Met few-shot toon je 3 voorbeelden van verwerkte facturen, en de AI reproduceert exact dezelfde verwerking voor de volgende.

Hoe bouw je een goed few-shot prompt: stap-voor-stap methode

Een effectieve few-shot prompt volgt altijd dezelfde structuur: context + voorbeelden + instructie + jouw geval. Deze volgorde garandeert dat de AI precies begrijpt wat je verwacht.

Hier is de volledige methode:

Stap 1: Definieer de context

Begin met een zin die de algemene taak uitlegt. Dit helpt de AI het algemene doel te begrijpen.

Voorbeeld: "Je moet klantbeoordelingen omzetten in korte getuigenissen voor de website."

Stap 2: Geef 2 tot 5 voorbeelden

Kies voorbeelden die goed de variatie van gevallen vertegenwoordigen die je tegenkomt. Als je lange en korte teksten verwerkt, toon beide. Als bepaalde gevallen complex zijn, voeg er een toe.

Aanbevolen format:

Invoer: [jouw voorbeeldinvoer]
Uitvoer: [het verwachte resultaat]

Scheid elk voorbeeld duidelijk. Gebruik regelafbrekingen of scheidingstekens als "---".

Stap 3: Geef de eindopdracht

Een eenvoudige zin die je werkelijke geval introduceert: "Doe nu hetzelfde voor deze nieuwe beoordeling:" of "Pas dezelfde transformatie toe op:".

Stap 4: Presenteer jouw geval

Geef de invoer waarvoor je een uitvoer wilt, in hetzelfde format als je voorbeelden.

Hier is een volledig voorbeeld voor het omzetten van technische beschrijvingen naar eenvoudige taal:

Zet deze technische beschrijvingen om in zinnen die iedereen begrijpt:

Technisch: Octa-core processor geklokt op 2,8 GHz met ARM Cortex-A78 architectuur
Eenvoudig: Een 8-core processor die supersnel is en al je apps zonder vertraging aankan.

Technisch: Lithium-polymeer batterij 5000 mAh met 65W snelladen
Eenvoudig: Een batterij die de hele dag meegaat en in 45 minuten volledig oplaadt.

Technisch: AMOLED-scherm 6,7 inch resolutie 2400x1080 pixels, verversingssnelheid 120 Hz
Eenvoudig: Een groot helder en vloeiend scherm, perfect voor video's en games.

Vereenvoudig nu deze beschrijving:
Technisch: 50 megapixel fotosensor met optische stabilisatie OIS en f/1.8 opening

De AI zal natuurlijk het patroon volgen: vermijd jargon, leg het concrete voordeel uit, houd het in één korte zin.

Veelgemaakte fouten met few-shot prompting vermijden

De meest voorkomende fout is het geven van inconsistente voorbeelden, wat de AI verwarrt in plaats van te begeleiden. Als je voorbeelden verschillende formats volgen, weet de AI niet welk patroon te volgen.

Hier zijn klassieke valkuilen en hoe je ze vermijdt:

Voorbeelden die te veel van elkaar verschillen

Als je eerste voorbeeld 2 regels is, het tweede 10 regels en het derde 1 zin, weet de AI niet welke lengte aan te houden. Behoud consistentie in de structuur.

Fout:

Vraag: Wat is een VPN?
Antwoord: Een VPN versleutelt je verbinding.

Vraag: Hoe werkt Bluetooth?
Antwoord: Bluetooth is een draadloze communicatietechnologie die apparaten op korte afstand kan verbinden, meestal tot 10 meter, met behulp van radiogolven in de 2,4 GHz frequentieband.

Goed:

Vraag: Wat is een VPN?
Antwoord: Een VPN versleutelt je internetverbinding om je gegevens te beschermen en je IP-adres te verbergen.

Vraag: Hoe werkt Bluetooth?
Antwoord: Bluetooth verbindt apparaten draadloos op korte afstand met behulp van beveiligde radiogolven.

Te veel voorbeelden (meer dan 5)

Boven de 5 voorbeelden verspil je tokens zonder de kwaliteit te verbeteren. De AI heeft het patroon al begrepen. Kies liever 3 goed gekozen voorbeelden dan 8 middelmatige.

Voorbeelden die randgevallen niet dekken

Als je gegevens kunt missen of onvolledig zijn, toon hoe je deze gevallen aanpakt. Anders improvisert de AI.

Vergeten voorbeelden duidelijk te scheiden

Zonder duidelijke scheiding kan de AI verwarren waar het ene voorbeeld eindigt en het volgende begint. Gebruik dubbele regelafbrekingen of scheidingstekens.

Few-shot mengen met lange instructies

Als je 3 voorbeelden geeft en daarna 2 alinea's gedetailleerde instructies, annuleer je het voordeel van few-shot. Laat de voorbeelden voor zichzelf spreken. Een korte eindopdracht volstaat.

Een goed test: lees je voorbeelden opnieuw. Als jij, als mens, het patroon meteen begrijpt, zal de AI dat ook doen. Als je aarzelt, verduidelijk je voorbeelden.

Concrete use cases van few-shot prompting voor beginners

Few-shot prompting blinkt uit in alle repetitieve taken waar je een consistent format of stijl wilt. Hier zijn praktische toepassingen die je vandaag nog kunt gebruiken, zelfs zonder ervaring.

Schrijven van professionele e-mails

Je moet vervolgmails naar klanten sturen. Toon 2 voorbeelden van de toon die je wilt (vriendelijk maar beknopt) en de AI genereert de volgende in dezelfde stijl.

Maken van posts op sociale media

Je beheert een Instagram-account voor je bedrijf. Geef 3 voorbeelden van posts die goed hebben gepresteerd, en de AI maakt nieuwe posts die je toon en structuur respecteren.

Gegevenstransformatie

Je hebt een lijst van 100 adressen die consistent moeten worden opgemaakt. Toon 3 voorbeelden van het uiteindelijke format, en de AI verwerkt de rest automatisch.

Samenvattingen van vergaderingen

Je maakt aantekeningen tijdens vergaderingen en wilt ze omzetten in gestructureerde verslagen. Geef 2 voorbeelden van goed gemaakte verslagen, en de AI transformeert je volgende aantekeningen in hetzelfde format.

Vertaling met specifieke stijl

Je vertaalt marketinginhoud van Engels naar Nederlands. Letterlijke vertaling werkt niet. Toon 3 voorbeelden van aangepaste vertalingen (die het effect behouden), en de AI volgt deze aanpak.

Categorisering van klantcommentaren

Je ontvangt honderden beoordelingen. Toon 4 voorbeelden van al gecategoriseerde beoordelingen (positief/neutraal/negatief + onderwerp), en de AI classificeert automatisch de nieuwe.

Samenvattingstabel:

Taak	Aantal voorbeelden	Tijdsbesparing
Standaard e-mails	2-3	70%
Posts sociale media	3-4	60%
Gegevensopmaak	2-3	85%
Gestructureerde samenvattingen	2-3	50%
Aangepaste vertaling	3-5	65%
Categorisering	4-5	80%

Few-shot prompting transformeert taken die uren zouden kosten in enkele minuten. De initiële investering (goede voorbeelden maken) betaalt zich snel terug.

Few-shot vs zero-shot vs one-shot: welke techniek kies je?

Few-shot (2-5 voorbeelden) is geschikt voor taken waar je een precies format of stijl wilt, zero-shot (0 voorbeelden) voor eenvoudige vragen, en one-shot (1 voorbeeld) wanneer het patroon duidelijk is. Elke aanpak heeft sterke punten.

Zero-shot: wanneer gebruiken

Zero-shot betekent een instructie geven zonder voorbeelden. Gebruik het voor:

Eenvoudige feitelijke vragen ("Wat is de hoofdstad van Portugal?")
Voor de hand liggende taken ("Vertaal deze tekst naar het Engels")
Brainstormen zonder formaatbeperking

Voordeel: snel, geen voorbereiding nodig Nadeel: wisselende resultaten, minder controle

One-shot: het gouden midden

Eén voorbeeld volstaat wanneer het patroon eenvoudig en repetitief is. Bijvoorbeeld voor datumopmaak:

Maak deze datum op: 15/03/2024 → 15 maart 2024
Nu: 22/07/2024

Voordeel: bespaart tokens, snel om te schrijven Nadeel: risico op onduidelijkheid als het patroon complex is

Few-shot: wanneer gebruiken

Few-shot is ideaal voor:

Taken met stijl- of toonuances
Complexe formats met meerdere elementen
Situaties waar consistentie cruciaal is
Situaties met uitzonderingen of speciale gevallen

Voordeel: maximale nauwkeurigheid, consistente resultaten Nadeel: verbruikt meer tokens, vereist goede voorbeelden

Hoe kies je?

Stel jezelf deze vraag: "Als ik deze taak aan een collega zou uitleggen, zou ik voorbeelden moeten laten zien?"

Ja: gebruik few-shot
Eén voorbeeld zou volstaan: gebruik one-shot
Verbale instructies volstaan: gebruik zero-shot

Twijfel je? Begin met zero-shot. Als het resultaat niet bevalt, ga over op few-shot. Je zult meteen het verschil in kwaliteit zien.

Om je vaardigheden in prompt engineering verder uit te breiden, raadpleeg onze complete gids over 10 technieken die echt werken. Je ontdekt hoe je few-shot combineert met andere methoden zoals chain-of-thought om de AI stap voor stap te laten redeneren.

Conclusie

Few-shot prompting is de eenvoudigste techniek om consistente en nauwkeurige resultaten met AI te krijgen. Door 2 tot 5 concrete voorbeelden te laten zien in plaats van te beschrijven wat je wilt, elimineer je alle onduidelijkheid en bespaar je aanzienlijk tijd. Deze aanpak werkt voor alle repetitieve taken: e-mails, posts op sociale media, gegevenstransformatie, gestructureerde samenvattingen. Begin met het identificeren van een taak die je regelmatig herhaalt, maak 3 voorbeelden van het ideale resultaat, en laat de AI dit patroon reproduceren. De resultaten zullen je al bij het eerste gebruik verrassen.

Als je net begint met AI, ontdek hoe je ChatGPT als beginner gebruikt en verken 50 nuttige prompts om dagelijks te gebruiken voor inspiratie.

Veelgestelde vragen

Hoeveel voorbeelden moet ik geven voor few-shot prompting?

Tussen 2 en 5 voorbeelden volstaan in de meeste gevallen. Minder dan 2 en de AI kan het volledige patroon missen. Meer dan 5 en je verbruikt tokens zonder de kwaliteit aanzienlijk te verbeteren. Voor eenvoudige taken met een duidelijk patroon werken 2-3 voorbeelden prima. Voor complexe formats of stijlnuances, richt je op 4-5 voorbeelden die verschillende situaties dekken.

Werkt few-shot prompting met alle AI-modellen?

Ja, few-shot prompting werkt met ChatGPT (GPT-3.5, GPT-4), Claude (alle versies), Gemini, Mistral en praktisch alle moderne taalmodellen. Het is een universele techniek die gebruikmaakt van het natuurlijke vermogen van deze modellen om patronen te herkennen. Geavanceerdere modellen zoals GPT-4 of Claude 3 geven meestal betere resultaten met minder voorbeelden, maar het principe blijft hetzelfde.

Wat is het verschil tussen few-shot en fine-tuning?

Few-shot prompting bestaat uit het geven van voorbeelden rechtstreeks in je prompt, zonder het model aan te passen. Het is onmiddellijk en vereist geen technische vaardigheden. Fine-tuning daarentegen betekent het model opnieuw trainen op duizenden voorbeelden om het basisgedrag aan te passen. Fine-tuning is krachtiger maar vereist programmeervaardigheden, tijd en vaak een budget. Voor 99% van de use cases volstaat few-shot ruimschoots.

Moeten mijn voorbeelden echt zijn of kan ik ze verzinnen?

Je kunt je voorbeelden verzinnen, zolang ze getrouw het resultaat vertegenwoordigen dat je wilt bereiken. Het belangrijkste is dat de voorbeelden consistent zijn en duidelijk het patroon tonen. Als je gevoelige gegevens verwerkt, is het verzinnen van geanonimiseerde voorbeelden zelfs aan te raden. Zorg er alleen voor dat je verzonden voorbeelden goed de variatie van echte gevallen dekken die je tegenkomt.

Verbruikt few-shot prompting veel tokens?

Ja, few-shot prompting verbruikt meer tokens dan zero-shot omdat je meerdere voorbeelden in elke prompt opneemt. Deze kosten worden echter ruimschoots gecompenseerd door twee factoren: je krijgt het juiste resultaat meteen (geen 5 keer regenereren nodig), en voor repetitieve taken maak je je voorbeelden eenmaal en hergebruik je ze honderden keren. De return on investment is uitstekend voor elke taak die je regelmatig herhaalt.

Kan ik few-shot combineren met andere promptingtechnieken?

Absoluut, few-shot combineert heel goed met andere technieken. Je kunt bijvoorbeeld few-shot + chain-of-thought gebruiken door voorbeelden te tonen waar de AI stap voor stap redeneert. Of few-shot + rol combineren door de AI te vragen als expert op te treden terwijl je voorbeelden van de gewenste stijl toont. Deze combinaties zijn bijzonder krachtig voor complexe taken. Begin met het beheersen van few-shot alleen, experimenteer dan met combinaties.