Prompt-Chaining

一句話定義

一種 workflow pattern：把任務拆成依序執行的步驟，每個 LLM 呼叫處理前一步的輸出；中間可加入程式化「閘門（gate）」做驗證。

核心要點

• 形式：A → 驗證 → B → 驗證 → C
• 適用情境：任務可被拆成固定子任務（subtasks 是預先確定的）
• 可觀測性價值（2026-05-13-Stanford-AI系統課程）：chaining 不只讓模型表現更好，也讓流程可 debug。單一 prompt「讀投訴信並寫回信」是黑盒；拆成「抽抱怨點 → 起草大綱 → 完整回信」後，每一步都能獨立測試、驗證與修正。
• 使用者工作流語境：2026-04-28-DeepSeek-從入門到精通 把提示語鏈描述為連續提示語序列，透過任務分解、知識激活、品質控制、回饋整合與多模態處理，讓複雜內容生成更連貫。
• 常見結構：先提供 Context，再給 Instruction，接著 Refinement，最後 Synthesis；課件稱之為 CIRS 模型。
• 範例：
  • 先生成行銷文案 → 再翻譯
  • 先寫大綱 → 再寫完整文件
  • 先分析任務 → 構思方案 → 發展內容 → 評估與改寫
• 與 Agent 的差異：步驟與順序由人類預先定義；不是 LLM 自主決定。

與其他概念的關係

• 是 Anthropic 在「Building Effective Agents」中歸納的 5 個 workflow pattern 之一。
• 對比 Orchestrator-Workers：prompt chaining 步驟固定；orchestrator-workers 動態決定子任務。
• 建在 Augmented-LLM 之上。
• 是 Prompt-Engineering 的流程化版本：不只設計單一提示語，而是設計一串提示語與檢查點。
• 可降低 AI-幻覺 與品質漂移風險，前提是每一步都有明確驗證標準。
• 在 AI輔助開發 中可用來拆解除錯或技術選型：先分析情境，再列假設，接著逐一驗證，最後產生可測的修補方案。

相關來源

• 2026-04-28-Anthropic-Building-Effective-Agents
• 2026-04-28-DeepSeek-從入門到精通
• 2026-04-28-ChatGPT-Prompt-Guideline
• 2026-05-13-Stanford-AI系統課程 — 客戶投訴回信三段拆解案例；補入 chaining 作為 observability / debug 工具

備註

同名概念有兩個語境：工程系統中的 workflow pattern，以及使用者與 AI 對話時的連續提示策略。兩者核心相同，都是把大任務拆成穩定、可檢查的序列。