AI-zichtbaarheid

Few-shot prompting

Definitie

Few-shot prompting is een prompttechniek waarbij je een taalmodel een paar voorbeelden geeft van een vraag met het gewenste antwoord, en daarna de echte vraag stelt. Het model neemt het patroon uit de voorbeelden over, zonder dat je het model opnieuw traint. Met één voorbeeld heet het one-shot, zonder voorbeeld zero-shot prompting.

Ook wel: few shot prompting, multishot prompting
Niveau: gevorderd
Bijgewerkt: 6 november 2026
Kort samengevat
  • Een paar voorbeelden van invoer en gewenste uitvoer in de prompt sturen het antwoord.
  • Het model leert niets blijvends: de voorbeelden werken alleen binnen die ene prompt.
  • Voorbeelden moeten lijken op de echte taak en onderling genoeg verschillen.

Zero-shot, one-shot en few-shot: wat is het verschil?

Het verschil zit in het aantal voorbeelden. In de woordenlijst van Google staat steeds dezelfde vraag: wat is de officiële munteenheid van een land?

VormVoorbeelden in de promptPrompt volgens Google
Zero-shotGeenAlleen de vraag en ‘India:’
One-shotEén‘France: EUR’, daarna ‘India:’
Few-shotMeer dan één‘France: EUR’ en ‘United Kingdom: GBP’, daarna ‘India:’

Zonder voorbeeld kan het model op allerlei manieren antwoorden: Rupee, INR of het symbool ₹. Allemaal juist, maar misschien niet in de vorm die je wilt. Volgens Google geeft few-shot prompting doorgaans betere resultaten dan zero-shot en one-shot. Few-shot prompting vraagt wel een langere prompt, en die kost meer tokens.

Few-shot prompting in het GPT-3-paper

In mei 2020 verscheen het paper ‘Language Models are Few-Shot Learners’ van Tom Brown en dertig co-auteurs. Ze trainden GPT-3, een taalmodel met 175 miljard parameters, en testten het in de few-shot-opzet. De taak en de voorbeelden stonden alleen als tekst in de invoer. Het model kreeg geen extra training.

Het vertrekpunt was een verschil met mensen. Mensen kunnen een nieuwe taaltaak vaak al uitvoeren na een paar voorbeelden of een simpele instructie, schreven de auteurs. De toenmalige aanpak vroeg per taak duizenden tot tienduizenden voorbeelden voor fine-tuning.

Voorbeeld: zoektermen indelen voor een verhuisbedrijf

Een verhuisbedrijf uit Zwolle wil zoektermen uit Google Ads indelen naar zoekintentie. De marketeer geeft het model drie voorbeelden en daarna een nieuwe zoekterm:

Deel elke zoekterm in als 'oriënteren' of 'boeken'.

Zoekterm: checklist verhuizing
Label: oriënteren

Zoekterm: verhuisbedrijf zwolle offerte
Label: boeken

Zoekterm: wat kost een verhuislift
Label: oriënteren

Zoekterm: verhuizers met lift huren deventer
Label:

Het model ziet zo welke vorm je verwacht: één label, zonder uitleg. Let wel op ongewenste patronen. In dit voorbeeld bevat alleen het voorbeeld met ‘boeken’ een plaatsnaam. Het model kan dan elke zoekterm met een plaats als ‘boeken’ gaan zien. Meer variatie in de voorbeelden helpt dat te voorkomen.

Waar let je op bij voorbeelden in een prompt?

  • Relevant: volgens Anthropic moeten voorbeelden dicht bij je echte taak liggen.
  • Gevarieerd: laat ook randgevallen zien, zodat het model geen onbedoelde patronen oppikt. Ook OpenAI raadt een gevarieerde reeks voorbeelden aan.
  • Herkenbaar: zet voorbeelden tussen eigen tags, zoals <example>, zodat het model ze niet voor instructies aanziet.
  • Aantal: Anthropic noemt drie tot vijf voorbeelden.

Bij redeneermodellen raadt OpenAI aan eerst zonder voorbeelden te beginnen. Stel je complexere eisen aan de uitvoer, dan kunnen een paar voorbeelden helpen. Die moeten dan goed aansluiten op je instructies. Wijken voorbeelden en instructies van elkaar af, dan kan het resultaat slecht uitvallen. Zet je ook de redenering in elk voorbeeld, dan heet dat chain-of-thought prompting.

Veelgestelde vragen over Few-shot prompting

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

Bij zero-shot prompting stel je alleen de vraag, zonder voorbeeld. Bij few-shot prompting geef je eerst een paar voorbeelden van vraag en antwoord. Het model volgt dan doorgaans beter de vorm die je wilt.

Hoeveel voorbeelden heb je nodig bij few-shot prompting?

Anthropic noemt drie tot vijf voorbeelden. Meer voorbeelden maken de prompt langer. Kies liever een paar goede voorbeelden die van elkaar verschillen.

Leert het model van few-shot voorbeelden?

Niet blijvend. De voorbeelden werken alleen binnen die ene prompt. Wil je dat het model zelf verandert, dan is fine-tuning nodig. Dan train je het model verder op een eigen set voorbeelden.

Gerelateerde begrippen

  • Prompt engineering

    Prompt engineering is het schrijven en verbeteren van instructies (prompts) voor een AI-taalmodel, zodat het model steeds de output geeft die je nodig hebt.

  • Chain-of-thought prompting

    Chain-of-thought prompting is een prompttechniek waarbij je een taalmodel vraagt om zijn redenering stap voor stap uit te schrijven voordat het een antwoord geeft.

  • Fine-tuning

    Fine-tuning is het verder trainen van een bestaand AI-model op een eigen, kleinere set voorbeelden, zodat het beter wordt in één taak.

  • Contextvenster (context window)

    Een contextvenster (context window) is de hoeveelheid tekst, gemeten in tokens, waarmee een taalmodel in één verzoek kan werken.

  • Zoekintentie

    Zoekintentie is het doel achter een zoekopdracht: wat iemand wil weten, doen of vinden.

Bronnen

  1. Google for Developers, Machine Learning Glossary (bijgewerkt 6 november 2026).
  2. Tom B. Brown, Benjamin Mann, Nick Ryder e.a., Language Models are Few-Shot Learners (gepubliceerd 28 mei 2020, bijgewerkt 22 juli 2020).
  3. Anthropic (Claude Platform Docs), Prompting best practices (geraadpleegd 31 oktober 2026).
  4. OpenAI API-documentatie, Reasoning best practices (geraadpleegd 31 oktober 2026).

Hulp nodig?

Wij helpen je van strategie tot uitvoering. Bekijk onze aanpak of plan een vrijblijvende kennismaking.