Anti-patronen om te vermijden
Op deze pagina
- Fouten die uw prompts saboteren
- Anti-patroon 1: Subjectieve taal
- Anti-patroon 2: Tegenstrijdige instructies
- Anti-patroon 3: Het model vragen om te tellen
- Anti-patroon 4: Overmatige token-generatie
- Anti-patroon 5: Numerieke schalen
- Anti-patroon 6: Vage instructies
- Anti-patroon 7: Het negeren van pre-filling
- Belangrijkste punten
Fouten die uw prompts saboteren
Het beheersen van het opstellen van prompts betekent ook weten wat u niet moet doen. Bepaalde gewoonten, die perfect natuurlijk zijn in menselijke communicatie, leveren slechte resultaten op met Mistral-modellen—precies omdat ze vertrouwen op een impliciet begrip dat het model mist. Deze les somt de zeven meest voorkomende anti-patronen op, met voor elk de foutieve versie, de gecorrigeerde versie en de logica achter de correctie. U zult onderweg waarschijnlijk een paar van uw eigen gewoonten herkennen.
Anti-patroon 1: Subjectieve taal
Tussen collega’s werkt “schrijf een tekst die niet te lang is” omdat u context deelt: de collega kent de use-case, de lezer en de bedrijfsgewoonten. Het model neemt subjectieve woorden niet waar zoals u dat doet. Termen als “kort”, “lang”, “veel”, “interessant” of “niet te” zijn ambigu en produceren onvoorspelbare resultaten van de ene uitvoering naar de andere.
Fout:
Write a text not too long about AI.
Include many interesting examples.
Goed:
Write a text of 200 to 300 words about generative AI.
Include 3 concrete examples of application in business
(marketing, HR, customer service).
De correctieregel is mechanisch: vervang elke subjectieve term door een objectieve maatstaf. “Niet te lang” wordt “200-300 woorden”, “veel voorbeelden” wordt “3 voorbeelden” en “interessant” wordt een precieze beschrijving van het type verwachte voorbeelden.
Anti-patroon 2: Tegenstrijdige instructies
Wanneer uw prompt incompatibele instructies bevat—“wees exhaustief en behandel alle aspecten” gevolgd door “antwoord in maximaal 3 zinnen”—moet het model kiezen welke het volgt, en die keuze is onvoorspelbaar. De ene dag krijgt u drie oppervlakkige zinnen, de volgende een uitgebreide muur van tekst. De correctie bestaat erin de twee vereisten te verzoenen tot één coherente instructie: “Behandel de 3 belangrijkste aspecten van het onderwerp. Geef voor elk aspect een samenvattende zin (max. 25 woorden).” Exhaustiviteit wordt een gedefinieerd bereik, beknoptheid een beperking per element—geen conflict meer.
Als uw regels echt complex zijn, met verschillend gedrag afhankelijk van het geval, stapel ze dan niet op: structureer ze als een beslissingsboom, waarbij elke tak expliciet is:
If the client is an individual:
→ Use an accessible tone, avoid technical jargon
→ Propose the Starter offer first
If the client is a business:
→ Use a professional and technical tone
→ Propose the Enterprise offer first
If you are unsure:
→ Politely ask if this is for personal or professional use
Anti-patroon 3: Het model vragen om te tellen
Taalmodellen zijn slecht in tellen. Ze tellen woorden, tekens of zinnen niet echt—ze schatten, omdat ze tokens manipuleren en geen teksteenheden. Vragen om “precies 150 woorden” of “controleer of elke zin minder dan 20 woorden bevat” is alsof u een schilder vraagt in micron te meten: het is hun gereedschap niet.
Fout:
Write a text of exactly 150 words.
Check that each sentence is less than 20 words.
Goed:
Write a short text (around 150 words, 2-3 paragraphs).
Use concise and direct sentences.
En als tellen echt cruciaal is voor uw applicatie—een tekenlimiet opgelegd door een interface bijvoorbeeld—voer dit dan in code uit nadat u het antwoord van het model hebt ontvangen, niet in de prompt. Uw programmeertaal telt perfect; het model niet.
Anti-patroon 4: Overmatige token-generatie
Elk gegenereerd token heeft een kostprijs, zowel financieel als qua latentie. Het model vragen informatie te produceren die u niet gaat gebruiken, is pure verspilling: u betaalt meer om langer te wachten op tekst die u niet leest. Het typische geval is code-analyse waarbij u vraagt om “elke regel in detail uit te leggen”, plus “de geschiedenis van de taal” en “mogelijke alternatieven”, terwijl alleen bugs u interesseren.
Goed:
Analyze this code and identify:
1. Potential bugs (with the line concerned)
2. A proposed fix for each bug
Nothing else.
De finale “nothing else” is een verrassend krachtige instructie: het zegt het model expliciet geen aanvullingen, waarschuwingen of uitbreidingen toe te voegen die het spontaan produceert. Uw antwoord komt sneller binnen, kost minder en komt direct ter zake.
Anti-patroon 5: Numerieke schalen
Het model vragen om een beoordeling op een schaal van 1 tot 5 of 1 tot 10 lijkt rigoureus—in werkelijkheid is het het tegenovergestelde. Het model heeft geen betrouwbare interne kalibratie voor deze schalen: dezelfde tekst kan vandaag een 6/10 krijgen en morgen een 8/10, zonder criteria die de kloof verklaren. De oplossing bestaat erin getallen te vervangen door verbale schalen met expliciete criteria:
Evaluate the quality of this text according to these levels:
- Insufficient: factual errors, incoherent structure
- Acceptable: correct but lacks depth or clarity
- Good: well structured, clear, with relevant examples
- Excellent: publication-ready, original, brings clear added value
Choose one level and justify in 2 sentences.
Omdat elk niveau wordt gedefinieerd door observeerbare criteria, wordt de evaluatie reproduceerbaar en onderbouwd—u weet waarom een tekst “Acceptable” is in plaats van “Good”, en het model past bij elke aanroep dezelfde criteria toe.
Anti-patroon 6: Vage instructies
“Verbeter deze tekst” is het perfecte voorbeeld van een instructie die duidelijk lijkt en dat helemaal niet is. Wat verbeteren? Spelling? Stijl? Structuur? Het model kiest voor u, en het riskeert passages te herschrijven die u ongewijzigd wilde laten. De professionele versie bakent zowel af wat er gecorrigeerd moet worden als wat intact moet blijven:
Improve this text by correcting:
1. Spelling and grammar mistakes
2. Sentences longer than 30 words (simplify them)
3. Word repetitions within a range of 3 sentences
Do NOT modify:
- The meaning of sentences
- Technical terms (even if synonyms exist)
- Paragraph structure
Het blok “Do NOT modify” is even belangrijk als het eerste: zonder dit zal een ijverig model uw technische termen vervangen door benaderende synoniemen.
Anti-patroon 7: Het negeren van pre-filling
Het laatste anti-patroon is een gemiste kans plutôt dan een actieve fout: veel gebruikers negeren de mogelijkheid om het antwoord vooraf in te vullen via de assistant-rol, zoals gezien in de les over rollen. Toch is het een krachtige hefboom om een formaat af te dwingen. Met een simpel gebruikersbericht dat om JSON vraagt, kan het model een inleidende zin toevoegen, backticks, een laatste opmerking—zoveel elementen die uw parsing zullen breken. Door uw berichten te eindigen met het begin van een assistant-antwoord, wordt het formaat quasi gegarandeerd:
Zonder pre-filling (onvoorspelbaar formaat):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."}
]
Met pre-filling (gegarandeerd formaat):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."},
{"role": "assistant", "content": "{\"advantages\": [", "prefix": True}
]
Het model bevindt zich al “midden in het schrijven” van het JSON-object: het kan het alleen nog maar voltooien.
Belangrijkste punten
- Vervang subjectieve taal en vage instructies door meetbare en afgebakende instructies
- Vermijd tegenstrijdige instructies—structureer complexe gevallen als een beslissingsboom
- Vraag het model nooit om te tellen: kritieke tellingen gebeuren in code
- Beperk de generatie tot daadwerkelijk gebruikte informatie, met verbale schalen in plaats van numerieke
- Benut pre-filling door de assistant om het uitvoerformaat te garanderen