Analytische zoekmachine, verwacht ik te veel van AI?

[sanscorp]

Al geruime tijd ben ik als pure eindgebruiker op zoek naar een LMM die mij feitelijke en geverifieerde informatie kan geven wanneer ik even vastloop. Een slimme zoekmachine.

Met vele vele hobby's heb ik soms hele specifieke vragen waar ik gewoon niet uit kom wegens gebrek aan ervaring en kennis. Het zijn veelal ook leertrajecten.

Thuis draai ik bijvoorbeeld ESXi en TrueNAS, heb ik een oude Ender 3 V2 gemod en draai ik klipper, ik ben bezig met een autonome quadcopter met diverse sensoren en telemetrie, heb een oude draaibank omgebouwd naar een CNC met LinuxCNC en MESA kaarten en zo af en toe probeer ik wat defecte hardware te repareren, zo zijn er veel raakvlakken met elektrotechniek en ben ik ook veel bezig met motorvoertuigentechniek.

Voorheen besprak ik heel veel, zo niet alles met een vriend die dezelfde technische interesses had maar zeker op gebied van IT zwaar de overhand had wat kennis betreft. Die vriend is er helaas niet meer en ik merk dat ik de LLM's gebruikte om tot een oplossing te komen met, bijvoorbeeld de afgelopen dagen, ESXi.

Mijn ervaring is tot nu toe, zelfs met mijn beperkte kennis, dat ik de LMM's constant betrap op onjuistheden, hallucinaties en domweg foutieve antwoorden.

Is er wel een LMM die kan voldoen aan mijn wensen? Verwacht ik te veel? Waar zou ik volgens jullie eens een kijkje kunnen nemen? Het zal iets custom moeten worden maar wel binnen een standaard basis abonnement.

Ik heb wensen: Neem alle eerdere context mee, niet pleasen maar feitelijke en bovendien online a.d.h.v. diverse bronnen geverifieerde antwoorden waarbij budget en vooral out of the box oplossingen verkent worden. Online data anno 2026 altijd boven "eigen kennis".

Ik heb ze uiteraard allemaal, al dan niet in betaalde vorm, gebruikt / getest.

[Juup]

Je moet wel de juiste vraag stellen en genoeg informatie geven in die vraag.
Dan heb ik in Claude Opus/Fable meestal in 2 of 3 slagen het antwoord wat ik zoek.
Niet lui zijn, meteen alle relevante info in je vraag zetten.

[Tk55]

Welke modellen en providers heb je gebruikt? Welke tooling? Desktop apps, agent harnesses (Claude code, codex, etc). Welke context geeft je mee? Gebruik je opties als memory, web search, etc?

[sanscorp]

Ik kreeg geen notificatie..

Alle grote spelers heb ik wel uitvoerig getest, ChatGPT, Claude, Grok, Gemini. Ook de chatgpt classic en nieuwe app (waar ook Codex in zit), uiteraard met memory en zo veel mogelijk andere opties aan. Projecten aangemaakt met custom instructies in ChatGPT.

Prompts probeer ik redelijk compleet te schrijven. Bijv. vandaag over Frigate NVR, versies genoemd, OS genoemd, intentie van opzetten genoemd, wat er al gedaan was en wat er nog moest gebeuren. De vraag was vervolgens om een syntax te geven om een disk te mounten en deze juist te formatteren t.b.v. Frigate opnames. Krijg ik eerst 5x een syntax die helemaal niet beschikbaar is in Debian 13. Dan moet ik weer vertellen dat ik Debian 13 geïnstalleerd heb. Vlak daarvoor moest ik hem al vertellen dat ESXi 7 helemaal geen Debian 13 in OS keuze heeft staan en dat dit maar tot 11 gaat terwijl dat ook al verteld was.

Ik ben geen Linux held en mijn vraag was redelijk simpel, later ging dit door met veel foutieve commando's bij het troubleshooten van 1 camera.

Het lijkt wel alsof iedere prompt geheel op zichzelf staat en alle voorgaande context verdwenen is en alle personalisaties en zaken in het werkgeheugen structureel genegeerd worden.


Mijn chatgpt instellingen:

Mandatory operating rules. Treat these as hard gates, not preferences.

LANGUAGE AND OUTPUT: Respond in Dutch unless explicitly asked otherwise. Start every reply with Amsterdam local timestamp: "D-M HH:MM". Be concise, factual, structured and direct. Every sentence must serve the user's goal. No filler, repetition, emojis, generic advice or unsolicited suggestions.

CORE METHOD: Default to audit/review mode. Optimize for correctness, verification, robustness, safety and the user's actual goal, never for speed, fluency, agreement or pleasing. Analyze before answering.

Before answering, adversarially test the request and your intended answer: identify facts, unknowns, assumptions, ambiguity, dependencies, contradictions, risks and consequences; consider alternative interpretations; try to falsify your first conclusion; remove unsupported claims.

EVIDENCE: Never treat model knowledge, memory, prior chats, assumptions or plausibility as evidence. They may guide investigation only. Prefer current primary/official sources, exact-version documentation, datasheets, release notes, actual files, measurements and logs. Cite sources for externally verified claims when material.

VERIFICATION GATE: For technical, configurable, version-dependent, product, compatibility, specification, safety, legal or otherwise current questions: verify externally before giving an actionable answer whenever current primary evidence exists. Do not answer from potentially stale model knowledge. If a critical fact cannot be verified, explicitly state what is unverified and do not turn it into an actionable recommendation.

CONTEXT GATE: Continue from previously established context, but never assume recalled context is correct evidence. Before relying on a critical earlier fact, check the available current conversation, project sources, files or other direct evidence. Detect contradictions. Do not silently replace an established fact. If critical context conflicts, resolve the conflict before advising.

CHANGE/SAFETY GATE: Before recommending a technical change, check its relevant system-wide effects and interactions: configuration dependencies, hardware limits, state/mode transitions, controllers, mappings, outputs, failsafes and existing settings. Do not optimize one state while ignoring another. Consider what happens if the user executes the instruction literally.

PURCHASE GATE: Do not recommend buying a specific product until every critical compatibility requirement has been verified from reliable current sources. Check all relevant electrical, mechanical, protocol, firmware, connector, dimensional and performance requirements. If one critical requirement remains unknown, say compatibility is not established and do not recommend purchase.

CREATIVE PROBLEM SOLVING: When asked to solve, design, improve or troubleshoot something, actively generate non-obvious alternatives. Consider reuse of existing hardware/materials, unconventional combinations, modifications and simpler solutions. Keep IDEA/HYPOTHESIS clearly separate from VERIFIED/EXECUTABLE advice. Creatively generate first; critically filter and verify before implementation advice.

BUDGET: For technical solutions and purchases, optimize total cost after correctness, safety and compatibility. Actively consider reuse and low-cost alternatives instead of defaulting to buying new parts.

NON-TECHNICAL ADVICE: For work, personal coaching, profile analysis, disputes and decision support: distinguish established facts, user claims, interpretation, unknowns, risks and advice. Do not merely confirm the user's framing or your first interpretation. Test alternatives and likely consequences before recommending a course of action.

AMBIGUITY: Do not invent missing information when multiple plausible interpretations exist and the difference could materially affect correctness or safety. State the ambiguity or ask for the missing critical fact.

ERRORS: If you discover an earlier error, correct it explicitly and immediately. Do not defend or rationalize it.

[dmantione]

Dat kan gewoon met Opencode, in combinatie met een model dat een beetje voor algemene opdrachten geschikt is. De default en gratis Big-Pickle van Opencode is helemaal niet slecht en prima voor een experiment, maar Deepseek is veel beter geschikt voor een klusje als dit, ik doe daarom de demonstratie met Deepseek Flash.

De eerste stap is Opencode een agent laten aanmaken die een geschikte systeemprompt heeft. Ik begin daarom met de volgende vraag. Op de schermfoto zie je nog Deepseek Flash staan, maar ik heb direct na het maken van de foto het model op Mimo 2.5 gezet en die heeft deze initiële taak uitgevoerd. Want... wellicht Hollands instinct, maar waarom een betaald model gebruiken voor zo'n doodeenvoudig klusje?



Het resultaat is:



De systeemprompt van Charlotte die Mimo heeft aangemaakt is:

code:

description: Charlotte — schrijft betrouwbare teksten met bronvermelding. Zoekt antwoorden op het internet, toetst bronnen op betrouwbaarheid en schrijft in formele schrijftaal.
mode: subagent
model: deepseek/deepseek-v4-flash
temperature: 0.2
permission:
  webfetch: allow
  websearch: allow
  todowrite: deny
  lsp: deny
  skill: deny
---

Je bent Charlotte, een onderzoeksagent die betrouwbare, bronverantwoorde teksten schrijft.

## Kernregels

1. **Bronverplichting**: Het is je ten strengste verboden om uitspraken te doen die niet door gevonden bronnen gestaafd kunnen worden. Elke bewering wordt ondersteund door een concrete bronvermelding.

2. **Bronnenonderzoek**: Bij elke vraag zoek je uitgebreid op het internet naar antwoorden. Gebruik de tools `websearch` en `webfetch` om relevante en betrouwbare informatie te vinden.

3. **Betrouwbaarheidstoets**: Toets elke gevonden bron op betrouwbaarheid:
   - Is de bron een erkende instantie, wetenschappelijke instelling, overheidsorganisatie of gerenommeerd medium?
   - Is de informatie actueel en up-to-date?
   - Kan de informatie door meerdere onafhankelijke bronnen bevestigd worden?
   - Zijn er belangenconflicten of commerciële motieven zichtbaar?

4. **Schrijfstijl**: Schrijf alle antwoorden in formele schrijftaal. Gebruik correct Nederlands met deugdelijke zinsbouw en professionele bewoordingen.

5. **Structuur**: Werk antwoorden gestructureerd af:
   - Geef een beknopt antwoord op de vraag
   - Onderbouw met gevonden bronnen
   - Vermeld bronvermeldingen aan het einde van het antwoord of inline met ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~[bron X] verwijzingen

6. **Nederlands**: Alle antwoorden worden geschreven in het Nederlands.

## Werkwijze

1. Ontvang de vraag van de gebruiker
2. Zoek naar antwoorden op het internet met behulp van `websearch`
3. Verdiep je in de meest relevante resultaten met `webfetch`
4. Toetst de bronnen op betrouwbaarheid
5. Formuleer een antwoord uitsluitend gebaseerd op betrouwbare bronnen
6. Geef bronvermeldingen op in een overzichtelijk formaat

## Outputformaat

```
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~[Antwoord op de vraag in formele schrijftaal]

---
**Bronnen:**
1. ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~[Naam bron] — ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~[URL] — ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~[Betreffende informatie]
2. ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~[Naam bron] — ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~[URL] — ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~[Betreffende informatie]
```

Vervolgens Opencode even herstarten en vervolgens kunnen we de feitelijke opdracht gaan geven:



Charlotte, die nu dus wel door Deepseek aangestuurd wordt, krijgt nu de volgende opdracht (opgesteld door Mimo):



10 minuten later:



Deepseek is niet gratis via de API, dus wat heeft dit voorbeeld me gekost? $0.04 aan tokens.

Resultaat hier te downloaden:

https://tools.pdf24.org/e...71.pdf%26action%3DgetFile

... en voor het geval de link straks weg is, ook als afbeelding:

[ Voor 7% gewijzigd door dmantione op 05-09-2026 19:42 ]

[sanscorp]

Dat lijkt inderdaad meer op wat ik wil bereiken, het aangeven van strikte eisen en kaders en vooral betrouwbare info krijgen.

Ik ga dat zeker snel proberen, dank je wel!

Wellicht dat ik nog even op de lijn kom wat prompt betreft. Ik zal ook wat resultaten posten. Dat zal niet vandaag of morgen zijn maar jullie houden het tegoed.

[ Voor 4% gewijzigd door sanscorp op 05-09-2026 20:06 ]

[Wilke]

sanscorp schreef op zaterdag 5 september 2026 @ 10:31:
Al geruime tijd ben ik als pure eindgebruiker op zoek naar een LMM die mij feitelijke en geverifieerde informatie kan geven wanneer ik even vastloop.

Geen enkele LLM kan dit, en dat is inherent aan de techniek. Dus wat je vraagt kan niet. Een LLM berekent op statistische wijze wat het meeste logische vervolg/reactie is op een tekst. Het klust dus allerlei bronnen en informatie door elkaar. Per definitie. Dat is wat een LLM is.

Wat wel kan, is dat een LLM tekst met bronnen genereert (die je anders wellicht niet zo makkelijk had gevonden), waar die primaire bronnen je vervolgens hopelijk de feiten kunnen vertellen. Maar het is altijd opletten of de kletskoek die het model zeer stellig verkondigt, matcht met wat de bronnen zeggen.

[ Voor 7% gewijzigd door Wilke op 05-09-2026 20:12 ]

[sanscorp]

Dit was het nut wat ik er bij had verzonnen, "Nee dat kan niet" is natuurlijk een heel realistisch antwoord.

Wel ga ik de methode van dmantione proberen om te zien of dat voor mij bruikbare antwoorden oplevert.

Ik loop gewoon, door mijn ongebruikelijke manier van werken, veel tegen zaken aan die niemand normaliter doet.

Voorbeeld: Wie heeft er thuis nou een DL380 gen 9 staan waar een externe gen 8 SFF cage aan hangt met een oude ATX PSU omdat er toevallig alleen maar 256GB ssd's beschikbaar waren en geen geld is voor 5 nieuwe disks van 4TB?

Dat troubleshooten terwijl je beginner bent in de serverwereld maakte het lastig om een antwoord te vinden waar ik LMM als redmiddel probeerde te gebruiken.

[crimby]

Wilke schreef op zaterdag 5 september 2026 @ 20:11:
[...]


Geen enkele LLM kan dit, en dat is inherent aan de techniek. Dus wat je vraagt kan niet. Een LLM berekent op statistische wijze wat het meeste logische vervolg/reactie is op een tekst. Het klust dus allerlei bronnen en informatie door elkaar. Per definitie. Dat is wat een LLM is.

Wat wel kan, is dat een LLM tekst met bronnen genereert (die je anders wellicht niet zo makkelijk had gevonden), waar die primaire bronnen je vervolgens hopelijk de feiten kunnen vertellen. Maar het is altijd opletten of de kletskoek die het model zeer stellig verkondigt, matcht met wat de bronnen zeggen.

Dit kan je toch prima in een agent of project kwijt. Je hebt allen goede en nauwkeurige instructies nodig en je kan daarin ook meenemen om eigen bronnen grondig te verifiëren.

Ik ken linux of alle use cases niet, maar als je bij Claude (Pro) de instructies en memory goed ingeeft bij een project, dan is deze zeer behulpzaam. Dat betekent wel dat iets wat voor de gebruiker misschien vanzelfsprekend is, dat dat voor de LLM (nog) niet is.

Een LLM werkt technisch zoals je aangeeft maar met de juiste vraagstelling, context en brongebruik is het gezochte antwoord ook de logische reactie op een tekst.

[Wilke]

crimby schreef op zondag 6 september 2026 @ 08:43:
Een LLM werkt technisch zoals je aangeeft maar met de juiste vraagstelling, context en brongebruik is het gezochte antwoord ook de logische reactie op een tekst.

Nee dus. Het antwoord dat je krijgt is een mix van allerlei teksten die zijn gebruikt om het model te construeren. Soms geeft dat toevallig een consistent antwoord, omdat 100 variaties op het juiste antwoord op internet staan. Maar dat is niet wat TS vraagt.

[dmantione]

Het is goed om de beperkingen van LLM's te kennen, maar dat moet je niet tegenhouden om resultaten te boeken. Die kennis moet je in je voordeel inzetten om de resultaten te bereiken die je wilt.

Waarom werkt dit?

Om te beginnen is een LLM veel betrouwbaarder als hij informatie in zijn context heeft, dan als hij informatie op basis van zijn training moet gaan genereren. Als je een LLM deze tekst in context geeft:

Vandaag is het half bewolkt en 23".

... en vervolgens vraagt "Wat voor weer is het?", dan zal de LLM niet gaan halluniceren, maar zijn antwoord direct op de context baseren. Garantie heb je bij een LLM nog steeds niet, maar bij de huidige staat LLM's kun je er echt wel vanuit gaan dat ze informatie uit hun context kunnen verwerken.

De tweede reden dat dit werkt is dat je in Opencode geen vraag aan een LLM stelt, maar aan een agent. Een LLM geeft zuiver antwoord op tekst, een agent gaat een opdracht uitvoeren en maakt daarbij vele malen gebruik van een LLM, maar ook van zoekmachines en software die op de computer staat.

We hebben de agent een werkwijze opgelegd. De agent gaat zich aan die werkwijze houden. Dat is waarom Charlotte bijna 10 minuten nodig had om de klus uit te voeren. Charlotte is dus daadwerkelijk op internet gaan zoeken naar artikelen over emergente zwaartekracht. Dan hebben we de agent gevraagd de gevonden artikelen te toetsen op betrouwbaarheid. Daarvoor zal de agent gebruik maken van een LLM. De agent zal de LLM bijvoorbeeld vragen "Is Wikipedia een betrouwbare bron?"

Voor elk van die LLM-vragen, heeft de LLM de gestelde beperkingen, maar toch, is de kans dat je op deze wijze een set betrouwbare artikelen krijgt groot: Een moderne LLM geeft echt wel een zinnig antwoord op de vraag of Wikipedia een betrouwbare bron is, de kans op hallucinatie van die deelvragen is niet zo groot.

De kans is daarom heel groot dat de agent een serie betrouwbare bronnen vindt. Uit het transcript blijkt dat Charlotte in dit geval begon met het artikel over Emergente Zwaartekracht op de Nederlandstalige en Engelstalige Wikipedia. Zij vond in die artikelen bronnen en ging die bronnen downloaden, lezen en toetsen op betrouwbaarheid.

Volgens gaat de agent het artikel schrijven. Dat schrijven gebeurt "gewoon" met een LLM, maar mét de bagage van de gedownloadde artikelen in context.. Deepseek heeft een contextvenster van 1 megabyte, daar passen best de nodige artikelen in en krijg je dus op basis van die artikelen een antwoord en dat is een klusje dat een moderne LLM heel goed kan. Garanties zijn er zeker niet, maar als je de benodigde informatie in het contextvenster hebt, zal een moderne LLM heel goed presteren.

Vervolgens is Charlotte bezig geweest er een Libreoffice-document van te maken.. Uit het transcript blijkt dat ze herhaaldelijk LibreOffice aanriep om het document naar PDF te converteren en aanvankelijk uitkwam op 3 bladzijden. Ze is vervolgens met de lettergrootte en regelafstand gaan spelen en maakte twee alinea's korter. Dat korter maken gebeurt natuurlijk opnieuw door LLM-aanroepen, maar zo'n klusje kunnen LLM's prima.

Ik denk dat het resultaat heel goed is, maar stel we willen de kans op verkeerde informatie nog verder verkleinen? Daar zijn zeker mogelijkheden voor, door gewoon slim met de mogelijkheden van de KI om te gaan. Ik zou bijvoorbeeld een tweede agent kunnen aanmaken, laten we zeggen Irene, die als opdracht krijg om artikelen te keuren, waar de agent moet kijken of de vermelde feiten daadwerkelijk in de bronnen voorkomen. Ik zou die tweede agent op een heel ander geheel model kunnen laten draaien, zodat het ene model het andere gaat toetsen. Ik zou het hoofdmodel (Mimo) dan kunnen vragen Charlotte het artikel te laten schrijven en verbeteren en het artikel door Irene te laten keuren en Mimo moet dan net zo lang heen en weer gaan tussen beide agenten, totdat het goed is.

Moraal van het verhaal: Ken de beperkingen van LLM's, maar laat dat je niet verhinderen resultaten te bereiken!

[crimby]

Wilke schreef op zondag 6 september 2026 @ 09:22:
[...]


Nee dus. Het antwoord dat je krijgt is een mix van allerlei teksten die zijn gebruikt om het model te construeren. Soms geeft dat toevallig een consistent antwoord, omdat 100 variaties op het juiste antwoord op internet staan. Maar dat is niet wat TS vraagt.

Dan zijn de instructies en memory en context niet eenduidig. Hoe specifieker je bent hoe beter het antwoord en nauwkeuriger.

100 variaties kunnen nog steeds goed zijn afhankelijk van het perspectief. Datzelfde geldt overigens als ik de vraag aan een mens stel zonder kennis, context en “instructies”.

de resultaten die ik dus hiermee heb zijn veelal succesvol, maar ik zorg dus wel dat alle bronnen geverifieerd worden.

Opencode ken ik nog niet @dmantione maar dit klinkt vergelijkbaar waar een agent dus de informatie en antwoord orchestreert.

[sanscorp]

Maar hoe stel je de juiste vragen op het gebied waar je onvoldoende kennis hebt?

Ik kan niet alles overzien en hoop dat een "AI" mij dan op gebruikelijk routes, alternatieven en DIY oplossingen wijst, maar ook vooral verder kijkt dan mijn kennis op dat moment gaat.

Dus als ik vraag "is een optical flow sensor voldoende om autonoom te landen" dan zal een LMM "Ja" zeggen zonder uitleg of war gebruikelijk is, terwijl dat nu juist informatie is die ik zoek.

Ja dit is een hele summiere vraag, maar zelfs als ik allerlei context toevoeg ben ik uiteindelijk langer bezig om een LMM te corrigeren dan dat deze een basisinstructie volgt.

[dmantione]

Dat is dus waar de agent in beeld komt: Een agent kan prima zelfstandig op het internet naar context zoeken, je moet de agent vertellen wat zijn werkwijze dient te zijn. "Zoek naar informatie over het aanwenden van een 'optical flow sensor' bij een autonoom landingsproces", zou onderdeel van een dergelijke aanwijzing kunnen zijn.

Merk op dat de systeemprompt van Charlotte veel uitgebreider was dan de initiële vraag: Modellen helpen zelf actief mee bij het schrijven van een goede systeemprompt. Je kunt de systeemprompt nog handmatig verfijnen als je wilt, maar dat was in dit geval overbodig.

ChatGPT.com als chatbot is tegenwoordig ook een agent, maar die volgt een systeemprompt waar jij geen wetenschap van hebt en alleen bij kunt sturen met je eigen instructie. ChatGPT zoekt wel bronnen op internet bij je vraag, maar blijft werken volgens zijn eigen systeemprompt met instructies, die zorgen dat hij zich als een chatbot gedraagt.

Doordat je in Opencode je eigen agenten met elk hun eigen systeemprompt kunt aanmaken kun je de agent vergaand opdragen een bepaalde werkwijze te volgen.

[sanscorp]

Nu aan het stoeien met Opencode, ook meteen met Ollama. Hardware laat iets toe. Heb een agent gemaakt met dezelfde eisen die ik hierboven postte.

Deepseek is Chinees zie ik, ik wil soms ook gevoelige data uit laten spitten, zoals emails voor dossier. Dat doe ik liever lokaal

Ik duik wel meteen weer in het diepe, geheel nieuw terrein voor mij.

[dmantione]

Heel verstandig. Je kunt Opencode heel goed aan Ollama koppelen.

[DeNachtwacht]

sanscorp schreef op zaterdag 5 september 2026 @ 18:08:
Mijn chatgpt instellingen:

enorme waslijst

Realiseer je dat als je zo'n twee tellend A4tje meegeeft als geheugen, ChatGPT door de bomen het bos niet meer ziet. Die persoonlijke instellingen werken het best als je kort en bondig (zonder dubbelingen en herhalingen) formuleert. Met alle respect maar probeer het eens zónder deze wat mij betreft te uitgebreide, gedetailleerde en daardoor compleet onuitvoerbare instructies. Gewwon alles weg en een lege config. Het is zó specifiek dat 90% van die tekst bij prompts niet nodig is en alleen maar voor verwarring zorgt voor de LLM. Dit soort dingen is handig in een worddocument op te slaan en voor jezelf een specifiek deel te gebruiken als je dat voor deze specifieke vraag nodig hebt.

Er staan ook veel dingen in die niet nodig zijn, bijvoorbeeld "Respond in Dutch unless explicitly asked otherwise.". Dat doet ChatGPT van zichzelf al als je Nederlands praat. Dit toevoegen zorgt alleen maar voor dubbelingen en taalmodellen reageren nu juist slecht op herhalingen van min of meer hetzelfde. En waarom wil je in godsnaam instrueren dat de tijd er altijd voor wordt gezet en meer van dat soort dingen. Je maakt daarmee alleen maar je prompt begrijpen onnodig complex voor de LLM.

En daarnaast werkt 'geheugen' niet zo dat alles wat je erin ooit hebt gezegd wordt opgeslagen. Elke lege nieuwe chat begint het model weer met een 'schone lei' met alleen wat al in het geheugen staat als basis. Niet alles wat je ooit zegt wordt daar automatisch in opgeslagen, dat gebeurt pas als je x of y regelmatig gebruikt en herhaalt.

[ Voor 8% gewijzigd door DeNachtwacht op 06-09-2026 22:09 ]

[sanscorp]

Dit is gegroeid, mede met behulp van chatgpt zelf.

De tijd is verdomd handig als je terug refereert naar een prompt eerder. Dit is ontstaan bij het maken van openscad code waarbij ik meermaals terug moest naar een eerder werkende code. Daar zijn wellicht betere manieren voor maar ik wil ook kunnen zeggen: "Vat alle input en output van het afgelopen uur samen." en dat ging niet omdat chatgpt geen tijdsbesef heeft.

Ook als ik zei "dit is nu gestart met printen en over 4u klaar" kreeg ik 3 seconden later de opmerking "Nu de print klaar is gaan we naar stap 2".

Alles staat er in met een reden, omdat ik er op een bepaald moment tegenaan liep.

Maar ik zal het eens sterk inperken en kritisch bekijken.