Wat is het grootste nadeel bij het gebruik van tools voor gestructureerde data-extractie?	Het schrijven en beheren van zeer grote JSON-schema's.
Wat is de 'trick' om het probleem van grote JSON-schema's te verlichten?	Het gebruiken van één flexibel schema (bijv. `to_JSON`) dat een object accepteert met zoveel eigenschappen als het LLM wil toevoegen.
Hoe definieer je de gewenste data-structuur in deze methode?	Door de specifieke eigenschappen en typen in de prompt te schrijven, en Claude te instrueren deze structuur via de tool aan te roepen.
Welke rol speelt de flexibele tool (zoals `to_JSON`) in dit proces?	Het fungeert als een container die de LLM toestaat om een object met een willekeurig aantal eigenschappen terug te geven.
Wat is het belangrijkste voordeel van deze methode bij het aanpassen van de data-structuur?	Je hoeft alleen een eenvoudige wijziging aan te brengen in de prompt, in plaats van een complex schema te herschrijven.
Wat is het belangrijkste nadeel van deze flexibele extractiemethode?	De resultaten zijn mogelijk niet zo perfect als bij een dedicated, hard-gecodeerd schema, vooral bij kritieke taken.
Hoe moet je accolades (curly braces) schrijven in een F-string wanneer je de structuur in de prompt definieert?	Je moet ze dubbel maken (escaped curly braces, bijv. `{{ }}`).