Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Context en beperkingen

Les 4 van 16 Bijgewerkt op 28 juli 2026 Beginner
Op deze pagina
  1. Context: geef het model wat het niet weet
  2. Drie soorten context om te verstrekken
  3. Definieer het verwachte formaat
  4. Beperk de lengte
  5. Beperk toon en register
  6. Beperk de reikwijdte
  7. Combineer context en beperkingen
  8. Belangrijkste punten

Context: geef het model wat het niet weet

Mistral-modellen beschikken over uitgebreide algemene kennis, maar weten niets over uw specifieke situatie: uw bedrijf, uw project, uw doelgroep of uw zakelijke beperkingen. De context die u in uw prompt verstrekt, overbrugt deze kloof. Dit is wat het verschil maakt tussen een universeel hulpmiddel en een gespecialiseerde assistent. Zonder context produceert het model generieke antwoorden: gemiddeld correct, maar in de praktijk onbruikbaar. Met de juiste context levert het maatwerk.

Drie soorten context om te verstrekken

De eerste is situationele context: de situatie rondom uw verzoek. Een marketingdirecteur die simpelweg “stel een marketingplan op” schrijft, krijgt een standaardplan uit een handboek. Als hij zijn situatie specificeert, verandert alles:

Context: Ik ben de marketingdirecteur van een MKB-bedrijf met 50 medewerkers
gespecialiseerd in B2B-verkoop van kantoormeubilair.
We lanceren in september 2026 een nieuwe milieuvriendelijke lijn.
Ons jaarlijkse marketingbudget bedraagt €80.000.

Elke zin in deze context sluit tientallen irrelevante antwoorden uit: geen B2C-strategieën, geen budgetten van zeven cijfers, geen aanbevelingen die niets met de lancering te maken hebben.

De tweede is documentcontext: de gegevens die het model moet analyseren of gebruiken. Het model kent uw interne cijfers niet; u moet ze aanleveren, bij voorkeur afgebakend met tags om ze te scheiden van de instructies:

Hier zijn de kwartaalresultaten om te analyseren:

<data>
Q1 2026: Omzet €1,2M, marge 23%, 145 nieuwe klanten
Q2 2026: Omzet €1,5M, marge 21%, 178 nieuwe klanten
Q3 2026: Omzet €1,1M, marge 19%, 112 nieuwe klanten
</data>

Identificeer trends en stel 3 corrigerende maatregelen voor voor Q4.

De derde is doelgroepcontext: voor wie de gegenereerde inhoud bestemd is. U legt een onderwerp niet op dezelfde manier uit aan een beginner als aan een expert. Specificeer bijvoorbeeld: “De tekst is voor ervaren Python-ontwikkelaars (5+ jaar ervaring) die voor het eerst kennismaken met API’s voor taalmodellen. Leg geen Python-basics uit, maar werk LLM-concepten gedetailleerd uit.” Het model kalibreert vervolgens het detailniveau precies daar waar uw lezer het nodig heeft.

Definieer het verwachte formaat

Het uitvoerformaat is een van de krachtigste beperkingen. Zonder richtlijnen kiest het model een standaardformaat—vaak doorlopende tekst—dat u vervolgens moet herschrijven. Door het formaat te specificeren, krijgt u precies wat u nodig heeft, klaar voor gebruik.

Voor een lijst zegt u het expliciet: “Som de voordelen op als opsommingstekens (maximaal 5).” Voor een tabel: “Presenteer de resultaten in een Markdown-tabel met de kolommen Functie | Beschikbaarheid | Prioriteit.” Voor software-integratie is gestructureerde JSON koning, en het verdient aanbeveling dit veld per veld te specificeren:

Retourneer het antwoord in het volgende JSON-formaat:
{
  "summary": "string (max 100 woorden)",
  "keywords": ["string"],
  "sentiment": "positive | neutral | negative",
  "confidence_score": "number (0-1)"
}

Hetzelfde principe geldt voor code: “Schrijf de functie in Python 3.11+. Voeg docstrings in Google-stijl en type-hints toe. Neem 2 gebruiksvoorbeelden op als commentaar aan het einde.” Hoe preciezer u het formaat beschrijft, hoe minder nabewerking nodig is.

Beperk de lengte

Mistral-modellen neigen naar volledigheid als u geen limieten stelt. U kunt de lengte beperken op aantal woorden (“Antwoord in maximaal 150 woorden”), op structuur (“Antwoord in precies 3 alinea’s van elk 2-3 zinnen”) of op elementen (“Geef precies 5 aanbevelingen, elk in één zin”).

Eén waarschuwing echter: taalmodellen tellen woorden en tekens slecht. Vragen om “precies 150 woorden” levert tekst op van ongeveer 150 woorden, maar zelden exact. Als lengte echt belangrijk voor u is, geef dan de voorkeur aan structurele beperkingen—aantal alinea’s, punten, secties—die het model veel trouwer volgt dan precieze tellingen.

Beperk toon en register

De toon van het antwoord beïnvloedt direct de bruikbaarheid: tekst met de verkeerde toon is tekst die u moet herschrijven. Wees expliciet, ook als dat betekent dat u specificaties stapelt: “Toon: professioneel maar toegankelijk. Vermijd technisch jargon tenzij onvermijdelijk (definieer het in dat geval). Gebruik formeel taalgebruik. Geen emoji’s of informele taal.”

Pro-tip: de meest effectieve richtlijnen voor de toon vergelijken de taak vaak met een bekende professionele situatie. “Antwoord als een senior consultant die presenteert aan een directiecomité”, “Neem een pedagogische toon aan, zoals een professor die uitlegt aan masterstudenten”, of “Wees direct en beknopt, zoals een intern auditrapport”: elk van deze zinnen vat een hele reeks keuzes qua vocabulaire, lengte en houding samen in één beeld dat het model weet te decoderen.

Beperk de reikwijdte

Het afbakenen van de reikwijdte betekent dat u het model vertelt waar het moet stoppen. Hier is een voorbeeld van beperkingen:

Beperkingen reikwijdte:
- Focus ALLEEN op de Franse markt
- Noem GEEN Amerikaanse of Britse regelgeving
- Negeer fiscale aspecten (een andere expert behandelt dit)
- Als informatie ontbreekt, vermeld dit dan expliciet
  in plaats van het te verzinnen

Let goed op de laatste beperking: het is uw beste verdediging tegen hallucinaties. Een model dat om een compleet antwoord wordt gevraagd, neigt ertoe hiaten in te vullen met aannemelijke informatie; door het expliciet toestemming te geven zijn grenzen aan te geven, verandert u stilzwijgend verzinsel in een zichtbare vlag die u vervolgens kunt afhandelen.

Combineer context en beperkingen

In de praktijk combineert een professionele prompt natuurlijk alles wat hierboven is besproken: context en permanente regels in de systeemprompt, gegevens en verwacht formaat in het gebruikersbericht. Hier is een compleet voorbeeld van HR-analyse:

messages = [
    {
        "role": "system",
        "content": """Je bent een senior HR-analist bij een technologiebedrijf.
Regels:
- Formeel Engels, professionele toon
- Baseer je analyse uitsluitend op de verstrekte gegevens
- Als gegevens ontbreken, markeer dit dan met [MISSING_DATA]
- Formaat: secties met koppen, opsommingstekens, geen doorlopende tekst"""
    },
    {
        "role": "user",
        "content": """Analyseer de onderstaande verzuimgegevens en stel een actieplan voor.

Gegevens Q1 2026:
- Algemeen verzuimpercentage: 7,2% (+1,8 punt t.o.v. Q1 2025)
- Meest getroffen afdeling: Customer Support (12,1%)
- Hoofdreden: kortdurend ziekteverzuim (< 5 dagen)
- Gemiddelde diensttijd van afwezige medewerkers: 2,3 jaar

Verwacht formaat:
1. Diagnose (max. 3 punten)
2. Waarschijnlijke oorzaken (3 hypothesen)
3. Actieplan (5 concrete maatregelen met tijdslijn)"""
    }
]

Merk op hoe elk element dat in deze les aan bod kwam, zijn plaats vindt: rol en register in het systeem, afgebakende gegevens in het gebruikersbericht, genummerd formaat aan het einde van het bericht, en de anti-verzin-beveiliging ([MISSING_DATA]) eenmalig ingesteld.

Belangrijkste punten

  • Context transformeert een generiek antwoord in een gepersonaliseerd antwoord
  • Verstrek situationele, document- en doelgroepcontext waar nodig
  • Definieer altijd het verwachte uitvoerformaat (JSON, lijst, tabel, enz.)
  • Beperk de lengte op structuur in plaats van op woordtelling
  • Baken de reikwijdte af en geef het model toestemming ontbrekende informatie te signaleren