Appearance
12.1 Prompt Chaining（提示链）
引言：为什么需要 Prompt Chaining
随着任务复杂度的提升，单条 Prompt 已经无法稳定地解决长任务、多步骤任务、决策链任务。Prompt Chaining 是一种任务流程化设计方法，将任务拆成多个独立、可控、可验证的阶段。
12.1.1 Prompt Chaining 的本质
Prompt Chaining 本质上是：将大任务拆解为若干条"小且确定"的提示链条，让模型逐步完成。
复杂任务 = Prompt A → Prompt B → Prompt C → …每一个 Prompt：明确输入、明确输出、明确边界、只负责一个子任务。
12.1.2 为什么 Chaining 比单提示更强
| 优势 | 说明 |
|---|---|
| 降低模型推理负担 | 模型每次只做一件事，更稳定 |
| 可验证性增强 | 可加入自检、格式检查、一致性检查 |
| 更利于上下文管理 | 每一步输出可控制长度、结构 |
| 更利于模块化与版本化 | 只修改某一段即可，不影响整个任务 |
| 更易拼接多模型 | 天生支持多模型协同 |
12.1.3 Prompt Chaining 的核心结构
用户输入 → Step 1：理解任务 → Step 2：拆解任务 → Step 3：规划结构
→ Step 4：逐段生成 → Step 5：反思修正 → Step 6：整合输出 → 最终结果12.1.4 四种典型模式
| 模式 | 说明 | 用途 |
|---|---|---|
| Sequential Chaining | Step 1→Step 2→Step 3 顺序执行 | 长文生成、报告生成 |
| Branching Chaining | 一个步骤输出多个分支 | 多候选生成、多视角推理 |
| Loop Chaining | 反复迭代直到满足条件 | 生成高质量内容、AI 自我改进 |
| Validator Chaining | 专门用于验证的步骤 | JSON 验证、安全检测 |
12.1.5 适用的任务类型
| 任务类型 | 是否推荐 | 原因 |
|---|---|---|
| 长文生成 | 强烈推荐 | 控制结构 |
| 报告生成 | 推荐 | 可拆解、可自检 |
| 代码生成 | 推荐 | 分析 → 规划 → 生成 → 修复 |
| 推理任务 | 推荐 | 防止一步到位导致错误 |
| 翻译任务 | 视情况 | 有时单条提示足够 |
12.1.6 工程级注意事项
| 注意事项 | 说明 |
|---|---|
| 上下文不可太长 | 让每个步骤独立、精简 |
| 每个步骤必须结构化输出 | JSON、Markdown |
| 验证步骤必须可自动化 | 否则没有工程价值 |
| 每个 Prompt 必须具备抗噪能力 | 输入异常时仍能稳定输出 |
本节小结
关键要点
- Prompt Chaining 是复杂任务的核心
- 将任务拆成阶段可显著提高质量与稳定性
- 四类链结构：顺序/分支/循环/校验
- 每个步骤必须模块化、结构化、可验证
Prompt Chaining 是 Pipeline 的基础，接下来我们将学习：多阶段任务设计。
