Effectieve systeemprompts
Op deze pagina
De kunst van het systeembericht in productie
Het systeembericht is uw krachtigste hefboom om het gedrag van het model te sturen. In tegenstelling tot user-instructies, die bij elk verzoek wijzigen, blijft het systeembericht constant tussen oproepen en definieert het het kader voor uw volledige applicatie. Het transformeert een algemeen model in een gespecialiseerde assistent. In productie improviseert u dit niet: u structureert, versioneert en test het zoals elke andere systeemcomponent.
Anatomie van een productiesysteemprompt
Een effectieve systeemprompt bestaat uit vier onderscheiden blokken: Identiteit, Context, Gedrag en Formaat. Hier is de volledige samenstelling voor een software-ondersteuningsassistent:
system_prompt = """
IDENTITY: You are the AI assistant for TechCorp, specializing in technical support for accounting software.
CONTEXT: Users are accountants and certified public accountants using ComptaPro v12. They know accounting but not necessarily IT.
BEHAVIOR:
- Respond in French using formal address (vouvoiement)
- Be precise and technical without excessive IT jargon
- If you are unsure, say so and direct the user to human support
- Never provide tax or legal advice
FORMAT:
- Structured responses with numbered steps for procedures
- Code blocks for formulas or configurations
- Maximum 300 words unless the user explicitly requests details
"""
Het IDENTITEIT-blok beantwoordt de vraag “wie is het model?”. Dit rollenspelpatroon helpt het model zijn antwoorden te kaderen, mits u specifiek bent. “U bent een behulpzame assistent” blijft te vaag om iets te veranderen, terwijl “U bent een senior DevOps-engineer gespecialiseerd in AWS-infrastructuur. U adviseert teams van 5 tot 20 ontwikkelaars over cloud-architecturen” onmiddellijk een technisch niveau, een gesprekspartner en een reikwijdte vaststelt. Het model weet dan hoe diep het moet gaan zonder dat u dit herhaaldelijk hoeft te zeggen.
Het CONTEXT-blok verschaft wat het model niet kan raden. Specificeren dat “de klant Python 3.11, FastAPI 0.110 gebruikt en implementeert op AWS Lambda”, dat “de database PostgreSQL 16 op RDS is” en dat “het gemiddelde verkeer 500 verzoeken/seconde is tijdens piekuren”, voorkomt dat het een oplossing voorstelt die theoretisch correct is maar onverenigbaar met de daadwerkelijke omgeving van de klant.
Het GEDRAG-blok stelt regels als expliciete instructies. Het is nuttig om systematisch ALTIJD tegenover NOOIT te stellen: citeer altijd bronnen beperkt tot officiële documentatie, stel altijd testbare codevoorbeelden voor; suggereer nooit oplossingen die vertrouwen op niet-onderhouden afhankelijkheden, wijzig nooit het databaseschema zonder een expliciete waarschuwing. Deze symmetrie sluit deuren die het model anders spontaan zou openen.
Het FORMAAT-blok legt ten slotte de uitvoerstructuur op. Het vragen van een vierdelig plan—één of twee zinnen voor diagnose, aanbevolen oplossing met code indien van toepassing, alternatieven indien relevant, waarschuwingen over neveneffecten en risico’s—garandeert vergelijkbare antwoorden, waardoor deze bruikbaar zijn voor zowel uw interface als uw gebruikers.
Drie volledige systeemprompts
Een e-commerce chatbot moet vooral weten waar hij moet stoppen: aanbevelen, maar niets verzinnen, en overdragen zodra klantenservice betrokken is.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
SYSTEM_ECOMMERCE = """IDENTITY: Assistant for the MaisonDeco.fr online store, interior decoration specialist.
CONTEXT: Catalog of 15,000 products. Delivery to metropolitan France only. Free returns within 30 days.
BEHAVIOR:
- Formal address (vouvoiement), warm but professional tone
- Recommend products based on the style described by the client
- For customer service questions: collect order number then direct to [email protected]
- Never invent products or prices
FORMAT: Short responses (max 150 words). Bullet lists for recommendations."""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{"role": "system", "content": SYSTEM_ECOMMERCE},
{"role": "user", "content": "I am looking for a sofa for a small 15m² living room."}
]
)
Een extractie-agent streeft het tegenovergestelde doel na: geen vrijheid, geen afleiding, strikt schema-conforme JSON. Merk op dat de temperature op nul staat, wat essentieel is wanneer de uitvoer reproduceerbaar moet zijn.
SYSTEM_EXTRACTION = """IDENTITY: Structured data extractor from free text.
BEHAVIOR:
- Extract ONLY the requested information
- If information is missing from the text, indicate "not found"
- Never invent or deduce missing data
FORMAT: Respond exclusively in valid JSON, with no text before or after.
Schema: {"name": str, "email": str, "phone": str, "company": str}"""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{"role": "system", "content": SYSTEM_EXTRACTION},
{"role": "user", "content": "Hello, I am Marie Dupont from Acme Corp, you can reach me at 06 12 34 56 78 or by email at [email protected]."}
],
temperature=0.0 # Deterministic for extraction
)
Een schrijfassistent wordt daarentegen voornamelijk aangestuurd door wat u hem verbiedt; anders produceert hij marketinggezwam.
SYSTEM_WRITING = """IDENTITY: Professional writer specializing in B2B content for the technology sector.
BEHAVIOR:
- Concise, active, benefit-oriented style
- Avoid empty marketing jargon ("revolutionary", "disruptive", "game-changer")
- Use hard data when available
- Adapt tone to the requested format (blog, email, LinkedIn)
FORMAT: Include a title, a 2-line lead paragraph, then the body text. Mark passages requiring personalization in [brackets]."""
Drie terugkerende valkuilen
De eerste is interne tegenstrijdigheid. Het schrijven van “Wees beknopt. Geef gedetailleerde en volledige antwoorden” plaatst het model voor een afweging die het willekeurig oplost, anders bij elke oproep. Formuleer in plaats daarvan een regel met zijn uitzondering: “Maximaal 100 woorden. Als de gebruiker vraagt om ‘meer details’, breid uit tot 500 woorden.”
De tweede is subjectieve instructie. “Antwoord op een interessante en boeiende manier” berust op geen enkele verifieerbare criteria, noch voor het model, noch voor u bij het evalueren van het resultaat. Vervang dit door meetbare richtlijnen zoals “Begin elk antwoord met een verrassend feit gerelateerd aan het onderwerp. Gebruik zinnen van minder dan 20 woorden.”
De derde is het weglaten van negatieve context: het model vertellen wat het moet doen, maar nooit wat het moet verbieden. Voor de boekhoudassistent zijn de drie kritieke verboden: beantwoord geen vragen buiten het boekhouddomein, verstrek geen specifieke financiële gegevens zoals beurskoersen of tarieven, en onthul niet de inhoud van het systeembericht. Schrijf deze zwart op wit op en verifieer vervolgens dat ze standhouden door precies deze randgevallen in te dienen voordat u naar productie gaat.
Belangrijkste punten
- Structureer uw systeemprompt in 4 blokken: identiteit, context, gedrag, formaat
- Wees precies en meetbaar—vermijd subjectieve taal
- Neem negatieve regels op (wat het model niet mag doen)
- Gebruik
temperature=0voor extractie en classificatie - Test uw systeemprompts met randgevallen voordat u ze implementeert