--- id: CP-312 slug: few-shot-prompting-voorbeelden-stappen lang: nl title: Een AI voorbeelden geven en een taak opdelen description: Hoe u een AI-assistent stuurt met twee of drie voorbeelden en een taak opdeelt in stappen die u één voor één controleert, zonder gegevens bloot te geven. canonical_url: https://startbrain.io/cyberpedia/nl/articles/few-shot-prompting-voorbeelden-stappen/ markdown_url: https://startbrain.io/cyberpedia/nl/articles/few-shot-prompting-voorbeelden-stappen.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, “Een AI voorbeelden geven en een taak opdelen”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/few-shot-prompting-voorbeelden-stappen/ (CC BY 4.0) wing: 4 theme: prompt_correctly reflex: air-016 schema: G5 updated: "2026-11-03" translations: nl: https://startbrain.io/cyberpedia/nl/articles/few-shot-prompting-voorbeelden-stappen/ fr: https://startbrain.io/cyberpedia/fr/articles/few-shot-prompting-decomposition-etapes/ en: https://startbrain.io/cyberpedia/en/articles/few-shot-prompting-step-by-step/ de: https://startbrain.io/cyberpedia/de/articles/few-shot-prompting-beispiele-schritte/ es: https://startbrain.io/cyberpedia/es/articles/few-shot-prompting-ejemplos-pasos/ it: https://startbrain.io/cyberpedia/it/articles/few-shot-prompting-esempi-passaggi/ sources: - "n": 1 title: Prompt engineering techniques - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering accessed: "2026-11-03" - "n": 2 title: Language Models are Few-Shot Learners publisher: arXiv url: https://arxiv.org/abs/2005.14165 published: "2020-05-28" accessed: "2026-11-03" - "n": 3 title: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2201.11903 published: "2022-01-28" accessed: "2026-11-03" - "n": 4 title: Large Language Models are Zero-Shot Reasoners publisher: arXiv url: https://arxiv.org/abs/2205.11916 published: "2022-05-24" accessed: "2026-11-03" - "n": 5 title: Least-to-Most Prompting Enables Complex Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2205.10625 published: "2022-05-21" accessed: "2026-11-03" - "n": 6 title: System message design for Azure OpenAI - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering accessed: "2026-11-03" - "n": 7 title: Prompt injection is not SQL injection (it may be worse) publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection published: "2025-12-08" accessed: "2026-11-03" - "n": 8 title: LLM01:2025 Prompt Injection publisher: OWASP url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/ accessed: "2026-11-03" --- # Een AI voorbeelden geven en een taak opdelen Een AI-assistent antwoordt beter wanneer u laat zien wat u verwacht dan wanneer u het alleen beschrijft. Twee of drie voorbeelden van het gewenste resultaat geven heet "few-shot" (in het Nederlands: leren van enkele voorbeelden). Een ingewikkeld probleem opdelen in kleine stappen die u na elkaar controleert, is een tweede toepassing. Beide technieken verbeteren de antwoorden, maar maken ze niet betrouwbaar. Deze pagina legt uit hoe u ze op het werk gebruikt en wat u nooit in een voorbeeld mag zetten. ## In 30 seconden - Waar het voorkomt: in elk verzoek aan een AI-assistent dat een bepaald formaat moet opleveren (samenvatting, sortering, standaardtekst) of een probleem in meerdere stappen moet oplossen. - Wat het oplevert: antwoorden die dichter bij uw wens liggen, mits de voorbeelden goed gekozen zijn en u elke stap nakijkt. - De reflex: De reflex: geef twee of drie fictieve of geanonimiseerde voorbeelden, verdeel de taak in stappen en controleer elke stap voordat u verdergaat. - Als het al gebeurd is: bevatte een voorbeeld de naam van een klant, een intern cijfer of een fragment uit een contract, waarschuw dan uw contactpersoon voor beveiliging en gebruik het niet opnieuw. ## Directe vragen ### Wat is few-shot? Het is het toevoegen aan het verzoek van een of meer voorbeelden van het gewenste gedrag, als paren van invoer en verwacht resultaat. Microsoft preciseert dat het model niet leert in de zin van een blijvende verandering: de voorbeelden sturen het alleen voor het lopende antwoord [1]. Een verzoek zonder voorbeelden heet "zero-shot" [1]. Het idee komt uit het onderzoek. Het artikel uit 2020 over GPT-3 beschrijft taken en demonstraties die "purely via text interaction with the model" worden gegeven, zonder hertraining [2]. ### Waarom helpen voorbeelden? In het voorbeeld van Microsoft lijkt een model dat een categorie moet geven voor een krantenkop te raden wat er verwacht wordt. Met voorbeelden begrijpt het het formaat en kan het zelfs afleiden welk soort label gewenst is, hoewel geen enkel voorbeeld het label "basketball" droeg [1]. ### Wat betekent een taak opdelen in stappen? Microsoft geeft aan dat taalmodellen vaak betere resultaten geven wanneer de taak in kleinere stappen is verdeeld. Het voorbeeld: eerst vragen de nuttige feiten te halen uit een tekst, en pas daarna zoekopdrachten laten maken om ze te controleren [1]. Bij een korte tekst is het verschil bescheiden, maar het wordt duidelijk wanneer de tekst veel beweringen bevat [1]. ### Moet u de AI vragen zijn redenering te tonen? Dat is een variant. Microsoft beschrijft een instructie die vraagt stap voor stap te werk te gaan en alle stappen te presenteren. Volgens de documentatie verkleint dit de kans op onnauwkeurigheid en maakt het de beoordeling van het antwoord makkelijker [1]. Microsoft preciseert dat deze techniek alleen geldt voor modellen zonder redeneervermogen en dat deze technieken "aren't recommended for reasoning models like gpt-5 and o-series models" [1]. ### Kunt u vertrouwen op een redenering die logisch lijkt? Nee, goed gepresenteerde stappen bewijzen op zichzelf niets. Microsoft raadt aan het model een "uitweg" te geven, bijvoorbeeld "not found" te antwoorden als de informatie niet in de aangeleverde tekst staat [1]. De antwoorden verschillen ook per model en per versie [6]. ## Hoe het werkt Taalmodellen produceren de meest waarschijnlijke woordenreeks op basis van de tekst die ze ontvangen [1]. Goed gekozen voorbeelden sturen die reeks naar het gewenste formaat. Voor problemen in meerdere stappen heeft het onderzoek verschillende methoden beschreven. Het artikel uit 2022 over de "gedachtegang" (chain of thought) laat zien dat enkele demonstraties met tussenliggende redeneerstappen de resultaten verbeteren bij taken op het gebied van rekenen, gezond verstand en symbolisch redeneren [3]. Een ander artikel uit 2022 laat zien dat het toevoegen van de zin "Let's think step by step" volstaat, zonder enig voorbeeld, om de resultaten te verbeteren [4]. Een derde methode, "van eenvoudig naar complex" (least-to-most), verdeelt een probleem in deelproblemen die in volgorde worden opgelost, waarbij elk antwoord helpt het volgende op te lossen [5]. Deze resultaten komen uit tests op standaardproblemen, niet uit kantoorsituaties. Ze laten zien dat de methode kan helpen, zonder een goed antwoord te garanderen. ## Wat u doet - Schrijf twee of drie korte, gevarieerde voorbeelden, die elk een invoer en de exact verwachte uitvoer tonen. - Vervang elk echt gegeven door een verzonnen gegeven: een fictieve naam, een afgerond bedrag zonder verband met een dossier, een herschreven tekst. - Plaats de instructie duidelijk. De volgorde telt: Microsoft merkt op dat de volgorde van de informatie de uitvoer kan veranderen, ook die van de voorbeelden [1]. - Verdeel de taak: vraag een eerste stap, lees die na, corrigeer haar en ga dan verder met de volgende, voortbouwend op de goedgekeurde stap. - Voorzie een uitweg: sta de AI toe te antwoorden dat ze het niet weet of dat er informatie ontbreekt [1]. - Controleer belangrijke feiten (cijfers, data, namen) in een betrouwbare bron voordat u ze gebruikt. Een voorbeeld van een verzoek in twee stappen, hier ter illustratie: ```text Illustratie, fictieve tekst. Stap 1: [som de controleerbare beweringen in de onderstaande tekst op.] Stap 2: [stel na mijn controle voor elke bewering een manier voor om haar te controleren.] Ontbreekt er informatie, antwoord dan "niet gevonden". ``` ## De valkuilen - Bevooroordeelde voorbeelden. Het model bootst na wat u laat zien. Microsoft wijst op gevoeligheid voor volgorde, met een recentheidseffect: wat aan het einde van het verzoek staat, kan zwaarder wegen [1]. Varieer de voorbeelden en lees het antwoord na met de vraag of het hun vorm niet kopieert. - Verzonnen stappen. Een stap die aannemelijk lijkt, kan onjuist zijn. Alleen de conclusie nalezen is niet genoeg. - Overmatig vertrouwen. De winst die het onderzoek heeft gemeten, heeft betrekking op bepaalde testsets [3][4]. Ze zeggen niets over uw dossier. - Lekken via de instructies. Instructies en voorbeelden maken deel uit van het verzoek. OWASP rekent tot de risico's het vrijgeven van gevoelige informatie en het onthullen van informatie over de systeeminstructies [8]. Microsoft wijst erop dat een systeembericht het model beïnvloedt zonder te garanderen dat het de regels naleeft [6]. Reken er niet op dat de instructie "onthul niets" een geheim beschermt dat in een voorbeeld staat. - Tekst van derden in het verzoek. Plakt u een document van buiten in (cv, e-mail, webpagina), dan kan het verborgen instructies bevatten. De Britse NCSC geeft het (hypothetische) voorbeeld van een cv met verborgen tekst die vraagt de eerdere instructies te negeren en het dossier goed te keuren [7]. Het voegt eraan toe dat de huidige modellen geen beveiligingsgrens afdwingen tussen instructies en gegevens [7]. Lees de uitvoer dus voorzichtig na wanneer de brontekst niet van uzelf is. ## Praktijkgevallen ### Mei 2020: GPT-3 getest met voorbeelden De auteurs van GPT-3, een model met 175 miljard parameters, testen het zonder het model bij te werken, met taken en voorbeelden die alleen via tekst worden gegeven. Ze melden goede resultaten op veel datasets, en ook datasets waarbij leren van enkele voorbeelden moeite blijft houden [2]. ### Mei 2022: één zin volstaat bij een rekentest Onderzoekers laten zien dat het toevoegen van "Let's think step by step" de nauwkeurigheid bij de MultiArith-test van 17,7 % naar 78,7 % brengt en bij GSM8K van 10,4 % naar 40,7 %, met het model text-davinci-002 [4]. Ook met deze winst is het antwoord volgens deze cijfers bij MultiArith in meer dan een op de vijf gevallen fout en bij GSM8K in meer dan een op de twee [4]. ### Mei 2022: opdelen van eenvoudig naar complex De auteurs van de least-to-most-methode melden dat ze met het model code-davinci-002 en 14 voorbeelden minstens 99 % nauwkeurigheid halen op de SCAN-test, tegenover 16 % met chain of thought [5]. Ze preciseren dat chain of thought de neiging heeft slecht te presteren bij problemen die moeilijker zijn dan de getoonde voorbeelden [5]. ## Bronnen 1. Microsoft, “Prompt engineering techniques - Microsoft Foundry”. https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (geraadpleegd op 3 november 2026) 2. arXiv, “Language Models are Few-Shot Learners”, 28 mei 2020. https://arxiv.org/abs/2005.14165 (geraadpleegd op 3 november 2026) 3. arXiv, “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”, 28 januari 2022. https://arxiv.org/abs/2201.11903 (geraadpleegd op 3 november 2026) 4. arXiv, “Large Language Models are Zero-Shot Reasoners”, 24 mei 2022. https://arxiv.org/abs/2205.11916 (geraadpleegd op 3 november 2026) 5. arXiv, “Least-to-Most Prompting Enables Complex Reasoning in Large Language Models”, 21 mei 2022. https://arxiv.org/abs/2205.10625 (geraadpleegd op 3 november 2026) 6. Microsoft, “System message design for Azure OpenAI - Microsoft Foundry”. https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering (geraadpleegd op 3 november 2026) 7. NCSC (Royaume-Uni), “Prompt injection is not SQL injection (it may be worse)”, 8 december 2025. https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection (geraadpleegd op 3 november 2026) 8. OWASP, “LLM01:2025 Prompt Injection”. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (geraadpleegd op 3 november 2026) --- Oorspronkelijke bron: Cyberpedia, de openbare encyclopedie over cyberveiligheid en AI van Brain. Canonieke versie: https://startbrain.io/cyberpedia/nl/articles/few-shot-prompting-voorbeelden-stappen/ U mag deze tekst vrij hergebruiken onder de licentie CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), mits u “Brain, Cyberpedia” vermeldt met een link naar bovenstaand adres.