Prompt Chaining

概述

将复杂任务分解为顺序执行的多个 LLM 调用步骤，每个步骤处理前一步的输出，可在中间插入程序化检查点（gate）以确保质量。

关键内容

1. 工作流程：Input → [LLM1] → Gate? → [LLM2] → Gate? → [LLM3] → Output。每个 LLM 调用处理上一个的输出，可在中间步骤插入程序化检查（gate）。
2. 适用场景：任务能被清晰拆分为固定子任务，以延迟换取更高精度。适合需要多阶段处理的场景，如内容生成→翻译、大纲→检验→正文。
3. 典型案例：生成营销文案 → 翻译成目标语言；写文档大纲 → 检验大纲 → 基于大纲撰写正文。每个中间 gate 可以验证输出质量，不合格则终止或重试。
4. 与软件工程的对应：Prompt Chaining 对应软件工程中的 Chain of Responsibility 模式和 Pipeline 模式，数据沿固定路径流动，每阶段进行特定处理。
5. 优势与权衡：优势在于每步骤可独立优化和调试，gate 提供质量控制点；代价是增加端到端延迟，适合精度优先于速度的场景。

来源

• 01_building_effective_agents.md — 第三章 3.2 节，Anthropic Engineering Blog "Building effective agents"

相关

• AI Agent 架构模式 — part_of (五种核心模式之一)
• Routing 模式 — compares_to (同为工作流模式)
• Agent vs Workflow — relates_to (属于工作流范式)
• 工具组合模式 — compares_to (提示词链 vs 工具链编排)