Prompt Chaining：多步分解和顺序执行思想

最新推荐文章于 2026-01-04 10:31:11 发布

原创最新推荐文章于 2026-01-04 10:31:11 发布 · 615 阅读

8 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#prompt #提示词

上下文工程专栏收录该内容

6 篇文章

订阅专栏

欢迎来到啾啾的博客🐱。
记录学习点滴。分享工作思考和实用技巧，偶尔也分享一些杂谈💬。
有很多很多不足的地方，欢迎评论交流，感谢您的阅读和评论😄。

1 引言

我们继续了解Prompt，今天了解Prompt Chaining——链式提示。
Prompt Chaining 缺乏灵活性和自适应性，中间结果解析也相对脆弱。然而，它的多步分解和顺序执行思想，正是 ReAct（通过 LLM 驱动的思考-行动循环实现复杂任务）和查询重写（优化搜索或检索输入）等更高级 LLM 应用模式的基石。

资料：https://www.promptingguide.ai/zh/techniques/prompt_chaining

AI使用声明：本篇示例由AI生成，内容由人工校对、验证。

2 Prompt Chaining概念

为了提高大语言模型的性能使其更可靠，一个重要的提示工程技术是将任务分解为许多子任务。确定子任务后，将子任务的提示词提供给语言模型，得到的结果作为新的提示词的一部分。这就是所谓的链式提示（prompt chaining），一个任务被分解为多个子任务，根据子任务创建一系列提示操作。

链式提示可以完成很复杂的任务。LLM 可能无法仅用一个非常详细的提示完成这些任务。在链式提示中，提示链对生成的回应执行转换或其他处理，直到达到期望结果。

除了提高性能，链式提示还有助于提高 LLM 应用的透明度，增加控制性和可靠性。这意味着您可以更容易地定位模型中的问题，分析并改进需要提高的不同阶段的性能。

链式提示在构建 LLM 驱动的对话助手和提高应用程序的个性化用户体验方面非常有用。

3 转换用户输入

要将用户输入的“想要学习LLM应用开发”转化为一个Prompt Chaining，我们需要一个**“任务规划器”（Task Planner）或者一个“意图识别器”（Intent Recognizer）**作为链的起点。这个规划器将用户的模糊意图具体化为一系列可执行的步骤。

以用户输入“学习LLM应用开发”为例：

3.1 第一步：意图识别与初步任务规划（Task Planning / Intent Recognition Chain Head）

这个步骤是整个链条的“大脑”，负责将用户的笼统需求转化为清晰、可执行的子任务列表。

Prompt (对您的LLM发出的第一个提示):

    你是一个教育内容规划专家，擅长将复杂的学习主题分解为逻辑清晰、逐步深入的学习路径。
    
    用户有一个学习需求：“想要学习LLM应用开发”。
    
    请根据这个学习需求，规划一个详细的学习大纲。这个大纲应该包含：
    1.  **主要学习阶段：** 2-4个高层次的阶段名称。
    2.  **每个阶段的子主题/任务：** 为每个阶段列出3-5个具体的学习点或小任务，这些任务应该是有序的，前置知识为后续学习打基础。
    3.  **最终学习目标：** 概括完成这些学习后能达到的能力。
    
    请以清晰的Markdown列表格式输出，不要包含额外解释。

LLM预期输出示例 (假设您的LLM生成，实际内容要多的多，大致结构大差不差):

**学习路径规划：LLM应用开发**
    
    **最终学习目标：** 掌握LLM应用开发的核心知识与实践能力，能够独立构建简单的LLM应用。
    
    1.  **阶段一：LLM基础与核心概念**
        * LLM是什么？基本原理与发展
        * 常见应用场景与潜力
        * 局限性、风险与伦理考量
    
    2.  **阶段二：开发环境与工具链**
        * 选择合适的编程语言与框架（Python, LangChain/LlamaIndex）
        * 开发环境搭建（安装Python, 库管理）
        * 主流LLM API接入与基本调用（OpenAI, Gemini, Hugging Face）
    
    3.  **阶段三：LLM应用开发核心技术**
        * 提示工程 (Prompt Engineering) 基础与高级技巧
        * 检索增强生成 (RAG) 原理与实现
        * LLM智能体 (Agent) 模式与工具使用
    
    4.  **阶段四：项目实践与进阶**
        * 构建第一个LLM应用项目（例如：智能问答机器人）
        * 应用测试、调试与优化
        * 模型部署与性能监控概述

作用： 这个输出是整个Prompt Chaining的骨架。它将用户的模糊需求转化为了一个结构化的任务列表，为后续的内容生成提供了明确的指引。

3.2 第二步：循环内容生成与细化（Iterative Content Generation Chain）

现在，我们有了学习大纲。接下来，我们将遍历这个大纲中的每一个子主题/任务，动态地生成针对该主题的详细学习内容。

循环机制： 遍历第一步LLM输出的每个“子主题/任务”。对于每一个子主题，构造一个新的提示发送给LLM。
Prompt (针对每个子主题的动态提示):

你是一个资深的LLM应用开发教育者，擅长将复杂概念用清晰、易懂的方式解释。
你的任务是为以下学习主题生成详细且实用的学习内容。

---
**学习主题：** [从第一步输出中提取的当前子主题，例如：“LLM是什么？基本原理与发展”]
---

请围绕“学习主题”提供以下内容：
1.  **核心概念解释：** 清晰定义和解释该主题涉及的关键概念。
2.  **重要性或应用场景（如果适用）：** 阐述该主题为什么重要或在LLM开发中的作用。
3.  **学习建议/资源推荐（如果适用）：** 提供进一步学习的建议或推荐的资源类型（例如：特定文档、教程类型）。
4.  **一个简单的示例或思考题（如果适用）：** 帮助读者巩固理解。

请以结构化的Markdown格式输出，确保内容专业且易于理解。

LLM预期输出示例 (针对“LLM是什么？基本原理与发展”):

### **学习主题：LLM是什么？基本原理与发展**

#### 1. 核心概念解释：
**大型语言模型（LLM）**是一种基于**深度学习**（特别是**Transformer架构**）的**人工智能模型**，它通过在海量文本数据上进行**预训练**来学习语言的模式、语法、语义和世界知识。其核心能力在于**理解、生成和处理人类语言**。

* **Transformer架构：** LLM的基础，引入了“自注意力机制”（Self-Attention），能够高效处理序列数据并捕捉长距离依赖关系。
* **预训练（Pre-training）：** 模型在海量无标注文本数据上（如互联网上的书籍、文章、代码）学习预测下一个词或填充缺失的词，从而掌握通用语言能力。
* **微调（Fine-tuning）：** 在预训练的基础上，使用特定任务的有标注数据对模型进行调整，使其更好地适应特定应用（如情感分析、问答）。

#### 2. 重要性与应用场景：
理解LLM的基本原理是进入应用开发的基础。它能帮助我们把握模型的优势与局限，从而设计出更高效、鲁棒的应用。LLM在**智能客服、内容创作、代码辅助、教育辅导**等领域展现出巨大潜力。

#### 3. 学习建议/资源推荐：
* **阅读资料：** 了解Transformer论文原文的简化解释版本。
* **视频教程：** 搜索关于LLM基础、Transformer架构的入门视频。
* **互动平台：** 尝试使用ChatGPT或类似的LLM产品，感受其能力。

#### 4. 思考题：
* Transformer架构中的“自注意力机制”相比循环神经网络（RNN）和卷积神经网络（CNN）有什么优势？
* 预训练和微调在LLM的生命周期中分别扮演什么角色？

作用： 这步是核心的内容生成环节。通过循环调用，您的LLM可以为学习路径中的每一个细分点提供详细的解释和指导，保证了输出的深度和广度。

3.3 第三步：结果整合与呈现（Result Aggregation）

在所有子主题的内容都生成完毕后，将它们整合起来，形成一个完整的、结构化的学习指南。

机制： 将第二步中所有子任务生成的Markdown内容，按照第一步生成的大纲顺序进行拼接。
可选的 Prompt (用于最终整合和格式检查):

你是一个专业的文档编辑和格式化工具。
请将以下所有内容按顺序拼接起来，形成一个完整、连贯的“LLM应用开发学习指南”。确保标题层级清晰，Markdown格式正确，整体阅读体验良好。

---
[所有第二步生成的Markdown内容拼接在此处]
---

作用： 确保最终呈现给用户的学习材料是完整、美观且易于阅读的。

4 总结：Prompt Chaining如何保证LLM的输出质量

在上述Prompt Chaining过程中，有几个关键点来保证LLM的输出质量：

明确而具体的提示（Clear and Specific Prompts）：
- 每个步骤的提示都非常明确地告诉LLM它要扮演什么角色（“教育内容规划专家”、“资深LLM应用开发教育者”），要完成什么任务，以及期望的输出格式。
- 例如，在规划阶段，我明确要求了“主要学习阶段”、“子主题/任务”和“最终学习目标”的Markdown列表格式。在内容生成阶段，我要求了“核心概念解释”、“重要性”等具体章节。
角色设定（Role Playing）：
- 让LLM扮演特定的角色（如“教育内容规划专家”、“资深LLM应用开发教育者”），这有助于引导模型以相应的知识和风格进行响应。
分而治之（Divide and Conquer）：
- 将一个大的复杂任务（生成整个学习指南）分解为多个小任务（规划、逐个主题生成内容），LLM更容易在小任务上保持高质量输出，减少“跑偏”的风险。
上下文传递与限制：
- 尽管是链式，但每个子任务的提示都相对独立，同时又通过上一步的输出（如学习大纲）作为隐式或显式的上下文。这避免了将整个历史对话作为上下文，从而减少了上下文窗口限制的问题，并降低了错误积累的风险。
迭代与优化（Iteration and Refinement）：
- 在实际部署前，您需要对这个Prompt Chaining进行多次测试。
- 检查中间输出： 观察第一步生成的大纲是否合理，第二步每个主题的内容是否符合预期。
- 调整提示： 如果发现某个环节的输出质量不佳，就只针对那个环节的提示进行优化，而不是改动整个流程。例如，如果概念解释不够清晰，就加强对“核心概念解释”部分的提示要求。
- 加入校验（可选）： 更高级的应用可以在每个步骤后加入一个小的校验步骤，例如让LLM评估其自身输出的质量或完整性，如果不合格则尝试重新生成。

通过这样的Prompt Chaining设计，您的LLM应用就能将用户简单的意图，转化为一个深度和广度兼备、结构清晰的定制化学习内容，从而显著提升用户体验和输出质量。

4.1 Prompt Chaining的局限性

Prompt Chaining不是动态。在上面的例子可以看到，其是一套静态的Prompt模板，流程是固定的。
缺乏灵活性和自适应性。
代码依赖于解析LLM输出的特定格式（例如Markdown列表）。如果LLM偶尔“跑偏”，输出格式不完全符合预期，解析代码就可能失败，导致整个链条中断。
中间解析结果也是脆弱的。
而且随着链条的增长，每次传递的上下文可能会变大，触及模型令牌限制；频繁的API调用也会增加延迟和成本。
存在长上下文和效率问题。