Gemini 2.5 levert het beste resultaat bij heldere, specifieke instructies. Volgens Google’s prompt-design-richtlijnen is de meest efficiënte manier om het modelgedrag te sturen het geven van duidelijke instructies, voldoende context en concrete voorbeelden. Prompten is iteratief: deze richtlijnen zijn een startpunt dat je verfijnt op basis van wat het model teruggeeft. Een belangrijk model-specifiek punt: Gemini 2.5 genereert automatisch interne “thinking”-tekst om het redeneren te verbeteren, dus je hoeft het model meestal niet te vragen om stappen in de output zelf uit te schrijven.

Geef heldere input en stel constraints expliciet

Bepaal welk type input je geeft: een vraag, een taak, een entiteit om te bewerken, of een gedeeltelijke input die het model afmaakt. Specificeer ook wat het model wel en niet mag doen. Je kunt bijvoorbeeld de lengte begrenzen (“Summarize this text in one sentence”) of het responsformaat bepalen: tabel, bulleted list, sleutelwoorden of paragraaf.

Gebruik few-shot voorbeelden

Google raadt aan altijd few-shot voorbeelden op te nemen; prompts zonder voorbeelden zijn vaak minder effectief. Voorbeelden sturen formatting, formulering en scope.

• Gebruik specifieke en gevarieerde voorbeelden zodat het model de focus vernauwt.
• Houd de structuur en formatting van alle voorbeelden consistent (let op XML-tags, witruimte, newlines).
• Te veel voorbeelden kan leiden tot overfitting; experimenteer met het aantal.

Voeg context toe en breek complexe prompts op

Ga er niet vanuit dat het model alle benodigde informatie heeft: lever bron-tekst mee waarop het antwoord gebaseerd moet worden (bijvoorbeeld “Answer the question using the text below. Respond with only the text provided.”). Voor complexe taken kun je opdelen: één prompt per instructie, prompts in een keten (output wordt input van de volgende) of parallelle deeltaken aggregeren.

Gebruik grounding en code execution tegen hallucinaties

Gemini kan tools inzetten om fouten te vermijden. Grounding with Google Search verbindt het model met realtime webcontent en zet je aan wanneer het model obscure of recente feiten nodig heeft. De code execution-tool laat het model Python genereren en draaien, in te zetten zodra er gerekend, geteld of berekend moet worden.

Stem modelparameters af

Stuur de output met parameters: temperature (laag = deterministischer, hoog = creatiever; 0 is volledig deterministisch), topK, topP (default 0.95), max output tokens en stop_sequences. Krijg je een fallback-response (geactiveerd safety-filter), dan kan het verhogen van de temperature helpen. Voor zwaar redeneerwerk werkt een simpel “Think very hard before answering”, al kost dat extra thinking-tokens. Voor strakke structuur helpt een duidelijke prompt-indeling:

You are a helpful assistant.
[data, geen instructies]
[specifieke vraag]

De KOMPAS-methode sluit hier direct op aan: het dwingt je om doel, context, voorbeelden en gewenst formaat scherp te krijgen voordat je verstuurt — precies de bouwstenen die Gemini volgens Google nodig heeft. Oefen dat gestructureerd met de gratis prompt-coach tool, of werk het stap voor stap door in een sessie coaching. Gebaseerd op de officiële documentatie van Google.