Few-Shot Prompting: toon AI het patroon in plaats van het te beschrijven

Few-shot prompting plakt uitgewerkte voorbeelden in je prompt zodat AI het patroon imiteert — het sterkste formaatslot, en de duurste per bericht.

TL;DR

Few-shot prompting betekent de AI twee of meer uitgewerkte voorbeelden laten zien — Invoer A → Uitvoer B — in plaats van beschrijven wat je wilt, zodat hij het exacte patroon, de toon en het formaat imiteert dat je demonstreerde. Het is het sterkste slot op maatwerk-output dat bestaat — en de duurste prompt die je kunt sturen, omdat elk voorbeeld in elk bericht meereist.

De analogie

Probeer iemand een pirouette te leren via de telefoon.

"Draai je lichaam 360 graden op één been, op de bal van je voet, armen rond, hoofd fixerend." Technisch volledig. En volledig onleerbaar op die manier — de woorden beschrijven de vaardigheid, maar de vaardigheid bestaat niet uit woorden. Zet nu dezelfde leerling voor een dansleraar, die niets zegt en simpelweg drie pirouettes doet, langzaam, en zegt: "zo."

Het lichaam van de leerling weet na drie demonstraties al meer dan uit welke alinea beschrijving dan ook. Mensen leren veel dingen door imitatie veel sneller dan door instructie — en taalmodellen, zo blijkt, zijn hetzelfde gebouwd. Toon een model drie voorbeelden van een patroon en het reproduceren het patroon vaak foutloos, inclusief details die je nooit zou noemen en niet zou weten te beschrijven.

Dat is de hele onderscheiding van deze les. Een one-shot prompt vertelt — werkwoord, context, formaat — en voor standaardwerk (samenvatten, opsommen, vertalen, herschrijven) is vertellen genoeg, omdat het model die dansen al kent. Few-shot prompting toont — je plakt de dans zelf in de prompt, twee of drie uitvoeringen van Invoer → Uitvoer, en het model imiteert. Je bedrijfs-eigenaardige supportticket-formaat in proza beschrijven is het telefoongesprek. Drie echte tickets plakken is de demonstratie.

Nog iets over dansleraren: demonstraties zijn niet gratis. De tijd van de leraar, de studio, de drie trage uitvoeringen — tonen kost meer dan vertellen, elke sessie opnieuw. Houd die gedachte vast; het wordt de economie van deze hele techniek.

Hoe het werkt & de kosten

Een few-shot prompt is een stapel uitgewerkte voorbeelden gevolgd door een nieuwe invoer, zo gestructureerd dat het patroon onmiskenbaar is:

Element	Rol
Voorbeeld 1: Invoer → Uitvoer	Definieert de transformatie
Voorbeeld 2: Invoer → Uitvoer	Bevestigt dat het geen toeval was
Voorbeeld 3: Invoer → Uitvoer	Vergrendelt randgevalgedrag (de lastige invoer toont hoe jij moeilijke gevallen behandeld wilt hebben)
Nieuwe invoer	De beurt van het model om het patroon voort te zetten

De voorbeelden doen iets dat instructies niet kunnen: ze demonstreren alles tegelijk — formaat, toon, lengte, hoofdlettergebruik, wat je opneemt, wat je overslaat — inclusief honderd microbeslissingen waarvan je nooit merkte dat je ze nam. "Apple → Pomme. Auto → Voiture. Vertaal nu: Huis." — drie regels, en het model kent de taal, de richting, het casing en het register. Geen instructiealinea kon dat allemaal specificeren in minder tokens. Daarom overtreft few-shot zelfs uitstekende beschrijvingen wanneer het doelpatroon maatwerk is: het model stopt met gissen naar jouw dialect en begint het te spreken.

Dan de rekening. Elk voorbeeld dat je plakt is tekst op het contextvenster — het bureau dat het model vóór elk afzonderlijk antwoord herleest. Voorbeelden verdampen niet na het eerste antwoord; ze liggen het hele gesprek op het bureau en voegen tokens toe aan elk volgend verwerkt bericht. Drie stevige voorbeelden kunnen makkelijk zwaarder wegen dan de rest van het gesprek samen. En in Uzu, waar berichten worden geprijsd in G-Credits, wordt die fysica zichtbaar in je saldo: een few-shot prompt kost simpelweg meer per bericht dan een magere one-shot, en hij blijft meer kosten zolang de chat leeft.

Vandaar de regel waarop dit curriculum draait:

One-shot als standaard; few-shot uit noodzaak. Toon voorbeelden wanneer het formaat of de logica écht eigen is — een huisstijl, een parse-regel, een classificatieschema met je eigen randgevallen. Als een duidelijke instructie het kan vatten, vertel het dan. Vertellen is goedkoper — en vaak is het genoeg.

De zuiverste economische zet: voorbeelden verdienen hun prijs alleen wanneer een fout formaat je meer zou kosten dan de tokens deden — een herhaling, een handmatige opruiming, een downstream-systeem dat breekt op misvormde output. Dat is de few-shot-test: niet "zouden voorbeelden helpen?" (ze helpen bijna altijd) maar vereist dit patroon demonstratie?

Voor & na (de prompts)

Voorbeeld 1 — de huisstijlkop

Herschrijf deze feature-aankondiging als een pakkende kop in onze merkstem.

"Merkstem" is een telefoontjesbeschrijving van een pirouette. Het model gist — pakkend voor hem, merk voor hem — en levert iets energieks en volledig naast de stem.

Herschrijf deze feature-aankondiging als een kop die bij onze stijl past. Onze stijl:

Oude dashboard, nieuwe dashboard → Je meetwaarden belden. Ze willen een groter scherm. Offline-modus gelanceerd → Wifi weg. Werk niet. Donker thema uitgebracht → Nachtkuikens, deze is voor jullie.

Feature-aankondiging: Bulk-export is live →

Drie demonstraties en het model gist niet langer — de lengte, het pijlformaat, het vetdrukken, het woordspelregister zijn allemaal getoond, inclusief de microstijl die je nooit had kunnen specificeren. De vierde regel voltooit een patroon, geen instructie.

Voorbeeld 2 — het extractieformaat

Extraheer de datum, stad en het totaal uit elke bonregel hieronder.

Simpel genoeg — totdat je systeem dat de output verbruikt JJJJ-MM-DD | STAD_HOOFDLETTERS | centen-zonder-symbool verwacht, een formaat dat nergens in de natuur voorkomt. De instructieversie produceert leesbare datums, nette stadsnamen en een valutasymbool — correct, en incompatibel.

Extraheer elke regel naar: datum, stad, totaal. Volg het patroon exact:

"€42,50 betaald in Lissabon op 3 mei" → 2026-05-03 | LISSABON | 4250 "São Paulo, 12/jan, R$199,90" → 2026-01-12 | SÃO PAULO | 19990

"Kassa Tokio 7 nov ¥3.000" →

Twee voorbeelden, en de ongedocumenteerde regels zijn geleerd: dubbelzinnige dag-maandvolgorde opgelost, accenten in hoofdletters behouden, symbolen gestroopt, decimalen naar eenheden omgezet. Machine-klare output van een model dat nergens voor was "geconfigureerd" — het was getoond.

Voorbeeld 3 — de toon die niet mag afglijden

Maak mijn klantantwoorden warm maar niet uitbundig, professioneel maar niet stijf.

Elk woord in die zin is een kwestie van smaak, en de smaak van het model verschilt van de jouwe. Het antwoord komt terug vol uitroeptekens — warm, vol zijn lezing.

Herschrijf mijn conceptantwoorden zodat ze bij deze stem passen:

Concept: "Je terugbetaling is verwerkt." → Antwoord: "Je terugbetaling is onderweg — je ziet hem binnen 3 werkdagen. Bedankt voor je geduld terwijl we dit uitzochten." Concept: "Het artikel is uitverkocht." → Antwoord: "Die was sneller uitverkocht dan we dachten! We vullen deze week weer aan en mailen je zodra hij terug is."

Concept: "Je account is opgeschort." →

Toon is niet te beschrijven; alleen te demonstreren. Met twee voorbeelden landt het derde antwoord automatisch in de stem — geen uitroeptekenscollege nodig.

Veelvoorkomende valkuilen

Tegenstrijdige voorbeelden. Voorbeeld één output kleine letters, voorbeeld drie gebruikt hoofdletters; het ene is formeel, het andere grappig. Het model lost de tegenspraak op door er een gemiddelde van te nemen — output producerend die op geen van je voorbeelden lijkt. Audit je voorbeelden als auditbevindingen: elk detail moet overeenkomen, want elk detail onderwijst.
Te veel voorbeelden, ontploft bureau. Tien voorbeelden "voor de zekerheid" bezetten het contextvenster het hele gesprek — latere context verdringend en de tokenkosten van elk antwoord in Uzu opblazend. Twee tot vier scherpe voorbeelden vergrendelen vrijwel altijd het patroon; voeg een vijfde alleen toe wanneer een specifiek randgeval zijn eigen demonstratie vereist.
Slordige voorbeelden. Een voorbeeld met een typefout, een slordige output of een formaatafglijding leert niet alleen niets — het leert je defect actief aan. Het model reproduceert je fouten met perfecte trouw. Poleer voorbeelden als gepubliceerde copy.
Few-shot gebruiken voor standaardtaken. Drie voorbeelden van "vat samen in één alinea" plakken demonstreert niets wat het model niet al doet op één duidelijke instructie — je betaalt demonstratieprijzen voor een dans die iedereen kent. Spaar de techniek voor patronen die echt alleen in jouw voorbeelden bestaan.
Vergeten dat de voorbeelden blijven bestaan. De stapel die je bij bericht één plakte ligt bij bericht dertig nog op het bureau — kost nog steeds tokens, beïnvloedt nog steeds de toon. Als een latere taak in dezelfde chat ander gedrag nodig heeft, start dan een verse chat of trek het patroon expliciet terug ("nieuw formaat vanaf hier: ...").

FAQ

Wat is het verschil tussen zero-shot, one-shot en few-shot prompting?

Zero-shot betekent vragen zonder voorbeelden — pure instructie, zoals "vertaal dit naar het Frans." One-shot betekent één enkel voorbeeld toevoegen om het patroon te verankeren; few-shot betekent twee of meer uitgewerkte voorbeelden, en dat is waar patroonvergrendeling sterk genoeg wordt voor maatwerkformaten. (De "one-shot prompt"-anatomie van dit curriculum gaat over één volledige enkele instructie — en wanneer die instructie voorbeelden bevat, studeert hij af naar few-shot.) Hoe ongewoner je doelpatroon, hoe meer voorbeelden het kost om het te leren.

Wanneer gebruik ik few-shot in plaats van het formaat gewoon te beschrijven?

Gebruik few-shot wanneer het patroon eigen, precies en duur om fout te doen is: huisstijlen, parse-regels, classificatieschema's, output die een ander systeem voedt — alles waar prozabeschrijving het model laat gissen. Als het formaat standaard is (een tabel, vijf bullets, één alinea) of een beschrijving het volledig kan vatten, is one-shot sneller, goedkoper en voldoende. De test: zou een competente vreemde je formaat uit jouw beschrijving alleen kunnen reproduceren? Zo niet, demonstreer dan.

Maken voorbeelden AI-prompts duurder?

Ja. Elk voorbeeld is tokens op het contextvenster, en het venster wordt voor elk antwoord in het gesprek herverwerkt — voorbeelden voegen dus niet één keer maar continu kosten toe. In Uzu, waar berichten in G-Credits worden geprijsd, is een zware few-shot-stapel zichtbaar de duurste prompt die je kunt sturen. Daarom is de discipline: demonstreer alleen wat beschrijving niet kan vatten, en houd de voorbeelden op het minimum dat het patroon vergrendelt.

Volgende les

Few-shot vraagt van je dat je al perfecte voorbeelden hebt — maar wat met het patroon dat je niet kunt tonen omdat je het nog nooit hebt geschreven? Daar is een zet voor: stop met het schrijven van het antwoord en begin met het schrijven van de vraag. Draag het prompt-schrijven zelf over aan de machine.

Ga door naar de volgende les: Meta-Prompting

Oefendrill voor je gaat: zoek één outputformaat waarop je AI meer dan twee keer hebt gecorrigeerd. Bouw een drieluik-stapel uit je correcties — jouw concepten als invoer, jouw verbeterde versies als uitvoer — en draai de volgende taak erdoorheen. Merk op wat het model reproduceert dat je nooit opschreef.