Prompt Chaining: When One Prompt Isn’t Enough If you’ve ever tried to squeeze an entire project into one prompt— —you already know how it ends: exigences → solution → plan → risques → final doc 
 
 
 
 
 it skips steps, oublier les contraintes, il vous donne une réponse «confidente» que vous ne pouvez pas facilement vérifier, Et au moment où quelque chose ne va pas, vous n’avez aucune idée de l’endroit où l’erreur s’est produite. Pensez à cela comme à la construction d'un flux de travail où chaque prompt est une station sur une ligne d'assemblage: une étape dans, une étape hors, et la sortie devient l'entrée pour la station suivante. Prompt Chaining In other words: you’re not asking an LLM to do “everything at once.” You’re asking it to do  . one thing at a time, reliably 1) What Is Prompt Chaining? C’est la pratique de : Prompt Chaining 
 
 
 
 
  a big task into smaller sub-tasks Decomposing Designing a  dedicated prompt for each sub-task  from one step to the next Passing structured outputs Adding   steps so the chain doesn’t drift validation + correction C’est fondamentalement la « mentalité des micro-services » appliquée au raisonnement LLM. Single Prompt vs Prompt Chaining (en anglais) 
 
 
 
 
 
 
 
 
 
 
 
 Dimension 
 Single Prompt 
 Prompt Chaining 
 
 
 
 
 Complexity 
 Good for simple, one-shot tasks 
 Built for multi-step, real workflows 
 
 
 
 
 Logic 
 Model guesses the process 
 You   the process define 
 
 
 
 
 Control 
 Hard to steer 
 Every step is steerable 
 
 
 
 
 Debugging 
 “Where did it go wrong?” 
 You can pinpoint the broken step 
 
 
 
 
 Context limits 
 Easy to overflow 
 Feed data gradually, step-by-step Complexity Good for simple, one-shot tasks Conçu pour des flux de travail multi-étapes et réels Logic Model guesses the process vous Le processus define Contrôle Hard to steer Every step is steerable Debugging “Where did it go wrong?” You can pinpoint the broken step Context limits Easy to overflow Alimentation des données progressivement, étape par étape Pourquoi cela fonctionne (la vraie raison) Les LLM ne sont pas excellents pour le juggling . multiple goals simultaneously Demandez : « Analyser les exigences, proposer des fonctionnalités, estimer l’effort, prioriser, puis écrire un plan » – et vous avez mis en place un problème d’optimisation à plusieurs objectifs.  objective and quietly under-deliver on the rest. one Prompt Chaining reduces the cognitive load:    . one step → one output → one success criteria 3) Le mécanisme de base : entrée → processus → sortie (Répétée) Au cœur, Prompt Chaining est une boucle : 
 
 
 
  previous step output + any new data Input:  the next prompt with rules + format constraints Process:  structured result for the next step Output: Voici une chaîne simple que vous pouvez visualiser: flowchart LR
  A[Raw user feedback] --> B[Prompt 1: Extract pain points]
  B --> C[Prompt 2: Propose features]
  C --> D[Prompt 3: Prioritise & estimate effort]
  D --> E[Prompt 4: Write an iteration plan]
 4) Quatre non négociables pour construire de bonnes chaînes 4.1 Sub-tasks must be independent  Connecté et et 
 
 
  each step does one job (no overlap) Independent: Connecté : chaque étape dépend de la sortie précédente (pas d’étapes « flottantes ») Bad: “Extract pain points and design features”   Good: Step 1 extracts pain points; Step 2 designs features based on them. 4.2 Intermediate outputs must be structured Free text is fragile. The next prompt can misread it, re-interpret it, or ignore it. Utilisez des formats structurés tels que , à , or  . JSON tables bullet lists with fixed keys Example (JSON you can actually parse): {
  "pain_points": [
    {"category": "performance", "description": "Checkout takes > 8 seconds", "mentions": 31},
    {"category": "ux", "description": "Refund button hard to find", "mentions": 18},
    {"category": "reliability", "description": "Payment fails with no error", "mentions": 12}
  ]
}
 4.3 Each prompt must explicitly “inherit” context Ne supposez pas que le modèle « se souviendra de ce que vous vouliez dire. » Dans la prochaine prompt, faites explicitement référence à la sortie précédente: 
 
 “Using the pain_points JSON under  , generate 1–2 features per item…” pain_points Utiliser le pain_points JSON sous , generate 1–2 features per item…” pain_points 4.4 Construire sur un chemin de défaillance (validation + réparation) Chaque chaîne a besoin d’une « porte de qualité » : 
 
 
 
 Validate: “Does output contain all required keys? Are numbers consistent?” Repair: “If missing, regenerate only the missing parts” Guardrail: “Max 2 retries; otherwise return best effort + errors” 5) Trois architectures que vous utiliserez partout 5.1 Linear Chaining: fixed steps, no branches Le flux de travail est prévisible. Use it when: Example: UK Monthly Revenue Report (Linear) Supposons que vous ayez un export CSV d'un magasin de commerce électronique du Royaume-Uni et que vous voulez: 
 
 
 
 cleaning Insights Un rapport de gestion prêt Step 1 — Data cleaning prompt (outputs a clean table or JSON) SYSTEM: You are a data analyst. Follow the instructions exactly.
USER:
Clean the dataset below.
​
Rules:
1) Drop rows where revenue_gbp or units_sold is null.
2) Flag outliers in revenue_gbp: > 3x category mean OR < 0.1x category mean. Do not delete them.
3) Add month_over_month_pct: (this_month - last_month) / last_month * 100.
4) Output as JSON array only. Each item must have:
   date, category, revenue_gbp, units_sold, region_uk, outlier_flag, month_over_month_pct
​
Dataset:
<PASTE DATA HERE>
 Step 2 — Insights prompt (outputs bullet insights) SYSTEM: You are a senior analyst writing for a UK leadership audience.
USER:
Using the cleaned JSON below, produce insights:
​
1) Category: Top 3 by revenue_gbp, and Top 3 by month_over_month_pct. Include contribution %.
2) Region: Top 2 regions by revenue, and biggest decline (>10%).
3) Trend: Overall trend (up/down/volatile). Explain revenue vs units relationship.
​
Output format:
- Category insights: 2-3 bullets
- Region insights: 2-3 bullets
- Trend insights: 2-3 bullets
​
Cleaned JSON:
<PASTE STEP-1 OUTPUT>
 Step 3 — Report-writing prompt (outputs final document) SYSTEM: You write crisp internal reports.
USER:
Turn the insights below into a "Monthly Revenue Brief" (800–1,000 words).
​
Structure:
1) Executive summary (1 short paragraph)
2) Key insights (Category / Region / Trend)
3) Recommendations (2–3 actionable items)
4) Close (1 short paragraph)
​
Use GBP (£) formatting and UK spelling.
Insights:
<PASTE STEP-2 OUTPUT>
 Linear chains are boring in the best way: they’re predictable, automatable, and easy to test. 5.2 Branching Chaining : choisir un chemin en fonction de la classification  the next step depends on a decision (type, severity, intent). Use it when: Exemple : Triage des messages clients (Branchage) Step 1 classifies the message: SYSTEM: You classify customer messages. Output only the label.
USER:
Classify this message as one of:
- complaint
- suggestion
- question
​
Output format: label: <one of the three>
​
Message:
"My order was charged but never arrived, and nobody replied to my emails. This is ridiculous."
 Puis vous branchez : 
 
 
 
 If   → generate incident response plan complaint If   → produce feasibility + roadmap slotting suggestion If   → generate a direct support answer question Le traitement des plaintes (exemple) : SYSTEM: You are a customer ops manager.
USER:
Create a complaint handling plan for the message below.
​
Include:
1) Problem statement
2) Actions: within 1 hour, within 24 hours, within 48 hours
3) Compensation suggestion (reasonable for UK e-commerce)
Output in three sections with bullet points.
​
Message:
<PASTE MESSAGE>
 Branching chains are how you stop treating every input like the same problem. 5.3 Looping Chaining: repeat until you hit a stop condition  you need to process many similar items, or refine output iteratively. Use it when: Example: Batch-generate product listings (Looping) L'étape 1 divise une liste en blocs d'éléments : SYSTEM: You format product data.
USER:
Split the following product list into separate blocks.
​
Output format (repeat for each item):
[ITEM N]
name:
key_features:
target_customer:
price_gbp:
​
Product list:
<PASTE LIST>
 Étape 2 sur chaque bloc : SYSTEM: You write high-converting product copy.
USER:
Write an e-commerce description for the product below.
​
Requirements:
- Hook headline ≤ 12 words
- 3 feature bullets (≤ 18 words each)
- 1 sentence: best for who
- 1 sentence: why it's good value (use £)
- 150–200 words total, UK English
​
Product:
<PASTE ITEM N>
 Les chaînes ont besoin : hard stop rules 
 
 
 
 Process exactly N items, or Retournez au plus 2 fois si le nombre de mots est trop long, ou Arrêter si la validation passe Otherwise you’ll create the world’s most expensive infinite loop. La liste de contrôle « Don’t Shoot Yourself » Problème : le format intermédiaire est gênant → next prompt fails  make formatting non-negotiable. Fix: Ajoutez des lignes comme : 
 
 
 “Output JSON only.” “If you can’t comply, output: ERROR:FORMAT.” Problem: the model forgets earlier details  explicitly restate the “contract” each time. Fix: 
 
 
 “Use the   array from prior output.” pain_points “Do not invent extra categories.” Problem: loops never converge Définissez les contraintes mesurables + les retraits max. Fix: 
 
 
 
 “Word count ≤ 200” « Max Retries : 2 » “If still failing, return best attempt + an error list” Problem: branch selection is wrong  improve classification rules + add a second check. Fix: Exemple : 
 
 
 La plainte doit contenir des sentiments négatifs ET un problème concret. If uncertain, output label: question (needs clarification). 7) Tools That Make Chaining Less Painful You can chain prompts manually (copy/paste works), but tooling helps once you go beyond a few steps. 
 
 
 
 
 n8n / Make: outils de flux de travail à faible code pour la chaîne des appels API, le stockage des sorties, le déclenchement des alertes. LangChain / LangGraph: construire des chaînes avec la mémoire, la ramification, les retries, les appels à outils et la gestion de l'état. Redis / Postgres: persiste les résultats intermédiaires afin que vous puissiez reprendre, auditer et éviter les appels répétés. Notion / Google Docs : étonnamment efficace pour la chaîne « humaine dans la boucle » au stade précoce. 8) How to Level This Up Prompt Chaining devient encore plus puissant lorsque vous le combinez avec: 
 
 
 
 RAG : ajoutez une étape de récupération au milieu de la chaîne (par exemple, « FETCH POLICY DOCKS » avant de rédiger une réponse) Portes d’approbation humaine : approuver avant les actions risquées (changements de prix, remboursements des clients, réponses de conformité) Étapes multi-modales : texte → brève image → génération de diagrammes → document final Final Take Prompt Chaining is not “more prompts.”   It’s  . workflow design Once you start treating prompts as steps with contracts, validations, and failure paths, your LLM stops behaving like a chaotic text generator and starts acting like a dependable teammate—one station at a time. If you’re building anything beyond a one-shot demo,  . chain it

Read My Stories

Cet audio est produit dans la langue originale de l'histoire !

Prompt Chaining: Transformer une prompt en un flux de travail LLM fiable

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

La fuite de l'invite du système Claude Sonnet 3.5 : une analyse médico-légale

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

La fuite de l'invite du système Claude Sonnet 3.5 : une analyse médico-légale

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps