Categorie: Prompting

Je zit midden in een bouwklus. Codex stelt opnieuw een aanpak voor die je eerder al had afgewezen. Dan mag je weer uitleggen waarom. Experimenteel contextbeheer moet helpen om zulke eerdere details beter beschikbaar te houden. Je kunt het aanzetten in de configuratie van Codex, maar een gegarandeerde besparing op je verbruik is het niet.

Een bericht van MaxForAI op X bracht de instelling onder de aandacht met de belofte van flink lager GPT-6-verbruik. De functie zelf staat inderdaad in de documentatie van OpenAI. Die documentatie bevestigt de werking en de toegangseisen, maar noemt bij deze instelling geen besparingspercentage.

Hoe werkt het nieuwe Codex-contextbeheer?

Een taalmodel kan maar een begrensde hoeveelheid informatie tegelijk meenemen. Dat heet het contextvenster. Bij lange opdrachten moet een code-agent dus bepalen welke eerdere informatie beschikbaar blijft.

Volgens de configuratiereferentie van OpenAI gebruikt deze experimentele modus notities en doorzoekbare geschiedenis, in plaats van de context herhaaldelijk tot één samenvatting te comprimeren. Het doel is eerder opgebouwde details te bewaren. De functie staat standaard uit en vereist een ChatGPT-login met Plus, Pro of Pro Lite.

Denk aan een boekingsformulier. Je hebt afgesproken dat een klant eerst een tijdslot kiest en pas daarna zijn e-mailadres invult. Halverwege moet Codex een fout in de beschikbaarheidscontrole oplossen. Die oorspronkelijke keuze moet dan nog meetellen. Een zoekbare eerdere afspraak kan daarbij helpen; alleen een korte samenvatting kan de reden achter de volgorde missen. Dit is een voorbeeld van het probleem, geen gemeten testresultaat.

Minder opnieuw uitleggen is de goede reden om dit te proberen

Ik vind dit vooral interessant voor opdrachten die langer duren dan één kleine wijziging. Wie met AI bouwt, wil dat afgewezen oplossingen afgewezen blijven en dat eerdere afspraken terug te vinden zijn. Daar heb je in de praktijk meer aan dan aan een indrukwekkend besparingsgetal zonder vergelijkbare test.

Het zwakke punt van dat enthousiasme: meer geschiedenis maakt een fout besluit niet goed. Als je aan het begin een onduidelijke opdracht geeft, kan Codex ook die onduidelijkheid bewaren. Een concrete opdracht blijft nodig. In de uitleg over betere prompts schrijven staat hoe je grenzen en gewenste uitkomsten vastlegt.

Hoe zet je de instelling aan zonder dubbele configuratie?

Open je persoonlijke bestand ~/.codex/config.toml en maak eerst een kopie. Gebruik je de Codex-extensie in je editor, dan beschrijft OpenAI de route via het tandwiel: Codex Settings → Open config.toml. De uitleg over configuratie vermeldt ook dat projectinstellingen je persoonlijke standaard kunnen overschrijven.

Zoek eerst op context_management. Staat de instelling al op true, voeg dan niets toe. Ontbreekt hij, dan kun je dit blok gebruiken:

[features.context_management]
experimental_mode = true

Heb je al een blok [features], dan kun je daar ook deze ene regel onder zetten:

context_management.experimental_mode = true

Kies één schrijfwijze. TOML, het bestandsformaat van deze configuratie, accepteert geen dubbele definitie van dezelfde instelling. De korte regel hoort binnen [features], vóór het volgende blok tussen vierkante haken. Plak hem dus niet zomaar onderaan het bestand.

Sla het bestand op en begin een nieuwe taak om de instelling te proberen. Meldt je client dat hij de instelling niet kent, controleer dan of er een update beschikbaar is. Alleen een API-key voldoet niet aan de door OpenAI genoemde ChatGPT-loginvoorwaarde. Wil je terug, zet dezelfde waarde op false.

Een vinkje bewijst nog geen lager verbruik

Op 6 september 2026 hebben we de eigen Codex-configuratie gecontroleerd. De instelling stond al op true. Daarmee is vastgesteld dat de optie aanstond. We hebben geen vergelijking van het verbruik met en zonder deze functie uitgevoerd.

Wil je zelf vergelijken, gebruik dan twee kopieën van dezelfde beginversie van een klein project. Geef dezelfde opdracht met hetzelfde model en dezelfde denkstand, één keer met de functie uit en één keer aan. Noteer het zichtbare verbruik én of het resultaat werkt. Eén poging per stand is hooguit een eerste aanwijzing: modelgedrag kan tussen runs verschillen.

Je eerste handeling kan nog kleiner: controleer vandaag of de instelling al in je bestand staat. Bij een volgende langere bouwklus kun je vervolgens letten op een concrete afspraak die Codex eerder vergat. Blijft die behouden en hoef je minder te corrigeren, dan merk je waar deze functie nuttig kan zijn. Voor een eerste oefenproject kun je de stappen voor vibe coding leren gebruiken. Een herhaalde vergelijking moet daarna uitwijzen of ook het verbruik daalt.

Geschreven door Sam. Instelling en documentatie gecontroleerd op 6 september 2026.

Gebruik GLM-5.3 niet standaard op de zwaarste stand voor iedere opdracht. Zet max in voor een bug die meerdere bestanden raakt, een migratie of een onduidelijke fout. Voor een kleine uitleg of gerichte wijziging is low vaak een betere eerste proef. Het model kiezen is minder belangrijk dan je taak scherp begrenzen.

Z.ai bracht GLM-5.3 op 14 augustus 2026 uit voor codewerk en cyberanalyse. Het model is beschikbaar via Coding Plan en werkt volgens de documentatie in onder meer OpenCode en Claude Code.

Wat verandert er voor je prompt?

GLM-5.3 is gebouwd om zelfstandig meerdere stappen te zetten. Een vage opdracht als ‘verbeter deze website’ geeft het model daardoor veel ruimte om zelf aannames te maken. Dat klinkt handig, tot de agent precies het onderdeel wijzigt dat je wilde behouden.

Geef bij codewerk altijd vijf dingen mee:

1. Doel: welk zichtbaar of meetbaar resultaat moet er zijn?
2. Scope: welke map, pagina of functie mag veranderen?
3. Behoud: wat mag beslist niet wijzigen?
4. Bewijs: welke test of controle moet slagen?
5. Stopmoment: wanneer moet de agent stoppen en terugkoppelen?

Dat sluit aan op het verschil tussen een system prompt en een user prompt: vaste veiligheids- en werkinstructies horen niet verstopt te zitten in één losse opdracht.

Wanneer kies je low, high of max?

Z.ai ondersteunt alleen deze drie reasoning-effortniveaus. ‘Thinking’ helemaal uitschakelen kan bij 5.3 niet. De maker adviseert max voor coding, maar dat is een algemene aanbeveling. Je eigen taak bepaalt of de extra rekentijd iets oplevert.

Een prompt die GLM-5.3 minder laat gokken

Doel: los de fout op waardoor het contactformulier na een geldige inzending een 500 geeft.

Scope: alleen de formulier-handler en bijbehorende tests.
Behoud: verander geen velden, teksten, styling of e-mailontvangers.

Werkwijze:
1. Reproduceer eerst de fout.
2. Leg de oorzaak in maximaal vijf regels uit.
3. Maak de kleinste reparatie.
4. Draai de bestaande tests en voeg één regressietest toe.

Stop als productiegegevens, secrets of een externe betaling nodig zijn.
Lever de diff en testuitvoer op.

Deze opdracht voorkomt niet iedere fout. Hij maakt een fout wel eerder zichtbaar. De agent moet eerst bewijzen dat hij hetzelfde probleem ziet, daarna klein wijzigen en tot slot testen.

Test GLM-5.3 naast je huidige model

Gebruik niet twee verschillende bugs om modellen te vergelijken. Geef beide modellen dezelfde afgeronde taak, dezelfde context en dezelfde stopregel. Kijk vervolgens naar vier uitkomsten: is de fout opgelost, zijn alle tests groen, hoeveel herstelwerk was nodig en hoeveel tijd kostte het?

De officiële GLM-5.3-benchmarks zijn sterk, maar komen bij release vooral van Z.ai zelf. Een model dat hoog scoort op Terminal-Bench kan alsnog minder goed passen bij jouw repository, taal of manier van werken. De aanpak uit onze praktische modelvergelijking blijft gelden: kies op basis van je eigen taak, niet op basis van één ranglijst.

Mijn advies: maak GLM-5.3 eerst een bewuste tweede optie in OpenCode of Claude Code. Gebruik max op één lastige maar afgebakende taak. Pas als de diff kleiner, de tests beter en het herstelwerk lager uitvallen, heb je een reden om je standaardmodel te veranderen.

Door Sam · 11 juli 2026

TL;DR: OpenAI publiceerde deze week niet alleen de claim dat GPT-5.6 Sol Ultra een vijftig jaar oud wiskundevermoeden bewees — het publiceerde ook de complete prompt die dat resultaat opleverde. Die twee pagina’s tekst zijn de beste promptles die ik dit jaar heb gelezen, en vrijwel elke techniek erin werkt ook in een gewone chat. Voor de volledigheid: het bewijs zelf moet nog door wiskundigen worden gecontroleerd; de prompt is daarvan losstaand leerzaam.

Even de context. Op 10 juli meldde OpenAI dat zijn nieuwe topmodel met 64 parallelle agents in een uur een bewijs vond van de Cycle Double Cover-conjecture, een beroemd open probleem uit de graaftheorie. Naast het bewijs staat ook de letterlijke prompt online. Ik heb hem woord voor woord gelezen — beroepsdeformatie — en er zeven lessen uitgehaald die je vandaag kunt toepassen. Ook zonder 64 agents. Ook in ChatGPT, Claude of Gemini.

Les 1: definieer eerst de begrippen, dan pas de vraag

De prompt begint niet met “bewijs dit vermoeden”. Hij begint met vier zinnen die vastleggen wat een graaf, een brug en een cykel in déze opdracht betekenen — inclusief randgevallen (“twee parallelle kanten vormen een cykel van lengte twee”). Pas daarna komt de opdracht.

Vertaling naar jouw praktijk: als in je prompt een woord staat dat op twee manieren uitgelegd kan worden (“rapport”, “samenvatting”, “klant”), leg het dan vast vóór je de taak geeft. De helft van de teleurstellende AI-antwoorden die ik in coaching voorbij zie komen, begint met een definitieverschil.

Les 2: schrijf op wat NIET telt als antwoord

Het meest onderschatte blok uit de prompt is een opsomming van alles wat niet als oplossing geldt: deelresultaten, bewijzen voor speciale gevallen, reducties naar een ander onbewezen vermoeden, “kandidaat-tegenvoorbeelden zonder certificaat”. Wie weleens een groot rapport aan een model vraagt, herkent waarom dit nodig is: zonder die lijst lever je het model tien vluchtwegen om met iets half af te komen.

Doe dit bij elke serieuze opdracht. “Kom niet terug met een opsomming van aandachtspunten; ik wil een besluit met onderbouwing” verandert de uitkomst meer dan welke beleefdheidsformule dan ook.

Les 3: neem aan dat het kan

Er staat één zin in die op het eerste gezicht vals spelen lijkt: “Assume for purposes of this task that a complete affirmative proof exists” — neem aan dat er een volledig bewijs bestaat. Waarom zou je dat doen? Omdat een model dat “weet” dat een probleem als onopgelost te boek staat, geneigd is precies dát te antwoorden: dit is een beroemd open probleem, hier is een samenvatting van de literatuur. De aanname snijdt die uitweg af en dwingt het model om te zóéken in plaats van te classificeren.

In het klein gebruik je dit al als je schrijft: “er bestaat een elegante oplossing voor dit probleem in onze codebase — vind hem”. Let op de grens: je duwt het model naar volharding, niet naar verzinsels. Daarom bestaat les 4.

Les 4: organiseer je eigen tegenspraak

De prompt eist “adversarial agents” die elk kandidaat-bewijs aanvallen op een concrete lijst faalwijzen, en verwerpt expliciet “statusrapporten en vaag optimisme”. Precies dit onderdeel maakt les 3 veilig: hard duwen op volharding mag, omdat er een even harde filter achter staat.

In een gewone chat bootst je dit na met één vervolgbericht: “Val je eigen antwoord nu aan alsof je een strenge reviewer bent. Zoek: aannames zonder bron, stappen die niet volgen, randgevallen die falen. Herstel daarna alleen wat echt stuk is.” Ik noem dat in mijn coaching de tweede-stoel-truc, en het is de snelste kwaliteitswinst die ik ken.

Les 5: geef een tijdsbudget, geen deadline

Mijn favoriete zin: “Spend at least 8 hours on this before even thinking of returning or giving up.” Minstens acht uur — een minimum, geen maximum. Wij zetten in prompts bijna altijd een plafond (“houd het kort”, “max 500 woorden”) en zelden een vloer. Terwijl moderne modellen met een redeneervermogen vooral vroegtijdig stóppen als je niets zegt.

Probeer het verschil: “denk hier eerst grondig over na en werk minstens drie serieuze alternatieven uit voordat je kiest” versus een kale vraag. Bij analyse- en schrijftaken is het gat verbluffend.

Les 6: bewaak de onafhankelijkheid van pogingen

De prompt verbiedt de dirigent om alle agents te vertellen welke aanpak favoriet is — anders kruipt de hele zwerm naar dezelfde doodlopende route. Jij doet hetzelfde in het klein wanneer je drie varianten wilt: vraag ze in gescheiden gesprekken, of expliciet “drie wezenlijk verschillende aanpakken, deel geen aannames tussen de varianten”. Drie variaties op één idee is geen keuze.

Les 7: sluit de sluiproutes naar buiten af

Het slot van de prompt: zoeken op het web mag alleen voor standaardachtergrond, níet om de oplossing of de status van het probleem op te zoeken. De opstellers wisten precies welke kortere wegen het model zou proberen, en sloten ze één voor één af. Dat is de kern van goed prompten: niet magische woorden vinden, maar de voorspelbare uitwegen dichttimmeren.

Wat we (nog) niet zeker weten

• Of het bewijs zelf klopt — wiskundigen zijn nog aan het lezen en peer review ontbreekt vooralsnog. De prompt blijft leerzaam, wat er ook uit die controle komt.
• Of deze prompt in één keer raak was of de zoveelste iteratie. Mijn geld staat op dat laatste; niemand schrijft zo’n uitsluitingslijst zonder eerst tien keer verkeerd verrast te zijn.
• Hoeveel van het resultaat aan de prompt hangt en hoeveel aan de multi-agent-infrastructuur die je als gewone gebruiker (nog) niet hebt.

Mijn oordeel

Vergeet even of de wiskunde standhoudt — dat oordeel is aan de wiskundigen. Wat mij betreft is de gepubliceerde prompt zelf het nieuws. Hij bevestigt wat ik hier al langer beweer: het verschil tussen een matig en een sterk resultaat zit zelden in het model en bijna altijd in de opdracht. Definities vooraf, een uitsluitingslijst, georganiseerde tegenspraak, een vloer onder de denktijd. Niks daarvan vereist 64 agents. Wil je die technieken systematisch leren toepassen, begin dan bij mijn gids over betere prompts schrijven of test je huidige prompt in de Prompt Coach.

OpenAI noemt persoonlijke AGI als einddoel, maar voor ondernemers zit de praktische winst nu al in iets kleiners: een AI die uw context, criteria en grenzen goed meekrijgt. Een beter model helpt pas echt wanneer u beter kunt sturen.

Het plan van OpenAI, Built to benefit everyone: our plan, vergelijkt AI met infrastructuur zoals elektriciteit. Die vergelijking klopt vooral op een punt: waarde ontstaat pas wanneer gewone mensen er werk mee kunnen doen. Niet in een demo. Niet in een abstract toekomstbeeld. In de mailbox, briefing, codebase, klantenservice, offerte of analyse waar u vandaag mee vastloopt.

Persoonlijke AI begint met betere opdrachtgeving

Veel mensen wachten op een slimmer model terwijl hun huidige prompts nog geen duidelijke taakgrens hebben. Dat geeft rommelige output, vooral bij werk waar oordeel nodig is: een klantmail herschrijven, een juridisch risico samenvatten, een salespagina beoordelen of een idee omzetten naar een uitvoerbaar plan.

Een persoonlijke AI werkt beter wanneer u drie dingen vooraf scherp maakt:

• welke beslissing de AI voorbereidt;
• welke informatie vaststaat en welke twijfelachtig is;
• waar u zelf de eindkeuze houdt.

Dat klinkt simpel. In de praktijk is dit precies waar veel AI-gebruik stukloopt. De gebruiker vraagt om “een strategie” en krijgt een glad document terug. Beter is: “maak drie opties voor mijn nieuwsbrief, beoordeel ze op doelgroepfit, risico op holle taal en verkoopdruk, en adviseer welke ik handmatig moet uitwerken.” Dan helpt AI uw oordeel vooruit in plaats van het te vervangen.

Gebruik AI als werkruimte, niet als antwoordmachine

OpenAI benadrukt menselijke sturing: richting kiezen, afwegingen maken, smaak toepassen en verantwoordelijkheid nemen. Voor promptwerk betekent dit dat u AI niet als eindredacteur moet behandelen, maar als werkruimte waarin u sneller kunt denken.

Een goede werkruimte heeft vaste patronen. Voor zakelijke prompts werkt dit vaak beter dan losse voorbeeldzinnen:

1. Geef de taak en het echte einddoel.
2. Geef context die de AI niet kan raden.
3. Noem de criteria waarop u de output beoordeelt.
4. Vraag eerst om opties of diagnose, daarna pas om tekst.
5. Laat de AI expliciet onzekerheden markeren.

Wie hiermee wil oefenen, kan starten met de Prompt Coach of de promptgidsen per model. Voor softwareteams is de gids met OpenAI Codex use cases een logische volgende stap, omdat daar de grens tussen opdracht, context en controle direct zichtbaar wordt.

Wat ondernemers vandaag kunnen aanpassen

Wacht niet tot “persoonlijke AGI” als productlabel volwassen is. Maak nu al een persoonlijke AI-werkwijze voor drie terugkerende taken. Kies taken waar een fout niet meteen schade doet, maar waar context veel verschil maakt. Denk aan contentbriefs, meetingvoorbereiding, e-mailtriage, concurrentieanalyse of conceptvoorstellen.

Maak per taak een vaste promptkaart met:

• doel van de taak;
• input die u altijd meestuurt;
• regels voor toon, bronnen en aannames;
• de menselijke check vóór publicatie of verzending;
• een voorbeeld van goede output.

Dit is minder spectaculair dan een autonome agent, maar het levert sneller bruikbaar werk op. De bedrijven die hier voordeel uit halen, bouwen geen promptbibliotheek vol losse trucjes. Ze bouwen werkafspraken rond AI.

Waar coaching zinvol wordt

Prompting wordt interessanter zodra de vraag niet meer is “welke prompt werkt?”, maar “welke taak mag AI voorbereiden en welke keuze blijft bij mij?”. Daar zit het verschil tussen spelen met ChatGPT en AI inzetten in uw dagelijkse werk.

In een Prompt Coaching sessie is dat meestal de eerste stap: één echte workflow kiezen, de taakgrens vastzetten en daarna pas prompts schrijven. Zo wordt persoonlijke AI geen vaag toekomstwoord, maar een manier om beter voorbereid aan uw eigen beslissingen te beginnen.