Het RACON model voor de juiste prompt
Het RACON model is een acroniem dat structuur biedt voor het maken van de juiste prompt. Laten we kijken waar RACON voor staat.
RACON-model
Rol
Welke persoonlijkheid dient jouw model (ChatGPT, Gemini, Copilot of Claude) aan te nemen. Denk hierbij aan een tekst als ‘je bent een specialist op het gebied van duurzaamheid’. Rol-prompting, het geven van een rol aan je model wordt ook wel betwist door mensen. Ze geven aan dat het niet uitmaakt voor de uitkomst.
Actie
Welk taak wil je dat het model voor je doet. Denk hierbij aan ‘schrijf een blogpost’, of geef me 25 Instagram berichten over duurzaamheid, inclusief drie hashtags per bericht’.
Context
Welke informatie heeft het model nodig om de actie uit te voeren? Geef hierbij aan welk doel je beoogt met je blogpost of de hiervoor genoemde Instagram berichten. Geef ook aan voor wie je een blogpost schijft, zoals ‘De doelgroep voor de blogpost is: ‘vrouwen tussen de 25 en 45 jaar met een gezin’
Output
Wat zijn je verwachtingen ten aanzien van de wijze waarop het model de vraag beantwoord? Denk aan het maximum aantal woorden van de blogpost, of je de output opgesomd wilt hebben of in kolommen. Denk bijvoorbeeld aan ‘de blogpost bevat eenvoudig taalgebruik op het niveau van een 12-jarige’, of ‘geef een opsomming in 5 stappen, geef bij elke stap een voorbeeld’, of ‘geef een tabel met drie kolommen. Kolom 1: benoem de stap, kolom 2: beschrijf de stap. Kolom 3: geef het voorbeeld.
Nabewerking
Je leest de output van jouw generatieve AI-model, maar de uitkomst moet nog worden aangescherpt. Of je bent iets vergeten om in de context te zetten. Dat overkomt mijzelf regelmatig. Deze fase is daarom bedoeld om nog een extra vraag (1-shot prompt) toe te voegen om tot de definitieve output te komen.
Voordelen van het RACON model
Het RACON model biedt structuur zodat je geen onderdelen in de prompt vergeet. Tegelijkertijd houdt het rekening met de nabewerkingsfase. Een fase die vrijwel altijd nodig is om die output te krijgen die je wenst.