Promptcomponent in FlowHunt

Zonder een goede prompt zouden alle bots zich hetzelfde gedragen en vaak de plank misslaan met hun antwoorden. Prompts geven instructies en context aan het taalmodel, waardoor het begrijpt wat voor soort tekst het moet genereren.

Overzicht van de Promptcomponent

De Prompt-component is ontworpen om flexibele prompt-sjablonen te genereren voor gebruik in AI-workflows, waardoor dynamische invoeging van variabelen en context mogelijk is. Deze component is vooral nuttig in conversatie-AI-scenario’s, zoals chatbots of virtuele assistenten, waarbij het creëren van aanpasbare en contextbewuste prompts essentieel is.

Wat doet de component?

De Promptcomponent creëert een prompt-sjabloon waarin verschillende dynamische variabelen kunnen worden opgenomen, zoals gebruikersinvoer, chatgeschiedenis, systeeminstructies en contextberichten. Door gebruik te maken van deze variabelen kun je rijke en contextgevoelige prompts structureren die de prestaties en relevantie van achterliggende AI-modellen of agenten verbeteren.

Belangrijkste kenmerken

• Dynamische sjablonen: Bouw prompts die automatisch beschikbare informatie zoals chatgeschiedenis, gebruikersinvoer en context bevatten.
• Aangepaste variabelen: Ondersteunt het invoegen van variabelen als {input}, {human_input}, {context}, {chat_history}, {system_message} en {all_input_variables} direct in het prompt-sjabloon.
• Ondersteuning voor systeemberichten: Maakt het toevoegen van instructies op systeemniveau mogelijk om het AI-gedrag te beïnvloeden.
• Herbruikbaar in workflows: De output van deze component kan als input worden gebruikt voor andere componenten, zoals LLM’s (Large Language Models) of verdere verwerkingsstappen.

Inputs

De volgende inputs kunnen aan de Promptcomponent worden geleverd:

Outputs

• Bericht:
  De component levert een enkel berichtobject dat de samengestelde prompt bevat, waarbij alle dynamische variabelen zijn vervangen door hun bijbehorende waarden.

Voorbeelden van gebruik

• Conversatie-AI: Automatisch prompts genereren voor chatbots op basis van gebruikersinvoer, gesprekshistorie en extra context.
• Retrieval-Augmented Generation: Prompts aanpassen voor retrieval-taken door relevante eerdere interacties en systeeminstructies mee te nemen.
• Instruction Tuning: Prompts eenvoudig afstemmen op verschillende taken of gebruikerspersona’s door het sjabloon en systeembericht aan te passen.

Waarom deze component gebruiken?

• Verbetert Prompt Engineering: Beheer en werk prompt-sjablonen eenvoudig bij zonder hardcoding.
• Verhoogt AI-relevantie: Door context, systeemberichten en historie toe te voegen, worden prompts informatiever en nauwkeuriger.
• Vergroot flexibiliteit: Ondersteunt een breed scala aan toepassingen, van eenvoudige Q&A tot complexe, meerstapsgesprekken.

Samenvattende tabel

Deze component is een fundamenteel hulpmiddel voor iedereen die geavanceerde, contextgevoelige AI-workflows bouwt waarbij promptconstructie essentieel is om hoogwaardige resultaten te behalen.

Sjabloon

Dit is een geavanceerde optionele instelling. Je kunt prompt-sjablonen maken met opgegeven variabelen om de chatoutput volledig te beheersen. Bijvoorbeeld:

Als ervaren SEO analyseer je de inhoud van de URL en bedenk je een titel van maximaal 65 tekens.— Inhoud van de URL —{input}Taak: Genereer een Titel vergelijkbaar met anderen via de {human_input} query. Wijzig {human_input} niet in de nieuwe titel. NIEUWE TITEL:

Het standaard prompt-sjabloon ziet er als volgt uit:

Je bent een AI-taalmodelassistent.
Je taak is om een antwoord te genereren op basis van de inputquery.
Als er context is, gebruik deze dan om het antwoord te genereren op de INPUT en HUMAN_INPUT query.
Formatteer het antwoord met markdown.

ANTWOORD IN TAAL: {lang}
VARIABELEN:
{"session_start_time": "2025-06-03 07:35:22", "current_page_url": "https://app.flowhunt.io/aistudio/flows/de6c2e2c-d817-4b2f-af2c-12dba3f46870?ws=74be5f74-d7c5-4076-839d-8ac1771a3b75"}
INPUT: {input}

ANTWOORD:

Het standaardprompt volgt dezelfde structuur als de instellingen van de component. Je kunt de instellingen overschrijven door de variabelen in het sjabloonveld aan te passen en te gebruiken. Je eigen sjablonen maken geeft je meer controle over de output.

Hoe verbind je de Promptcomponent met je flow

De prompt is een optionele component die de uiteindelijke output verder aanpast en specificeert. Er moeten verschillende componenten worden aangesloten:

• Chatgeschiedenis: Het verbinden van chatgeschiedenis is niet verplicht, maar vaak wel handig. Door eerdere berichten te onthouden worden toekomstige antwoorden relevanter.
• Context: Elke betekenisvolle tekstoutput kan dienen als context. Meestal wordt de kennis van retrievers gekoppeld.
• Input: Alleen de Chat Input-component kan hier worden aangesloten.

De output van deze component is tekst die met diverse componenten verbonden kan worden. Meestal sluit je direct aan met de Generatorcomponent om de prompt aan een LLM te koppelen.

Voorbeeld

Laten we een heel eenvoudige bot maken. We borduren voort op het voorbeeld van de middeleeuwse ridderbot van eerder. Hoewel deze grappig praat, is zijn belangrijkste missie om een behulpzame klantenservicebot te zijn en willen we dat hij relevante informatie geeft.

Laten we onze bot een typische klantenservicevraag stellen. We vragen naar de prijzen van URLsLab. Om een goed antwoord te krijgen, moeten we:

• Context geven: Voor dit voorbeeld gebruiken we de URL-retrievercomponent om een pagina met alle benodigde informatie te geven.
• Input verbinden: Input is altijd het menselijke bericht uit de Chat Input-component.
• Chatgeschiedenis: Optioneel, maar voor dit geval koppelen we het.
• Sjabloon: We houden het prompt eenvoudig: “Je bent een behulpzame klantenservicebot die praat als een middeleeuwse ridder.”. Prompts kunnen veel uitgebreider zijn. Zie onze promptbibliotheek voor inspiratie.
• Generator toevoegen: We willen dat de bot conversatievaardig is. Hiervoor koppel je de Generator. De Prompt dient als input voor de generator.

De resulterende flow ziet er ongeveer zo uit:

Het is tijd om de kennis van onze middeleeuwse ridderbot te testen. De URL die we gaven bevat de prijzen van URLsLab. Dus laten we daar naar vragen:

Onze bot gebruikt nu pompeus ouderwets taalgebruik om eenvoudige vragen te beantwoorden. Maar belangrijker: let op hoe de bot vasthoudt aan zijn centrale rol als behulpzame klantenservicebot. Tot slot gebruikt hij succesvol de informatie van de opgegeven URL.