Prompt Chaining: cando unha prompt non é suficiente Se algunha vez tentou espremer un proxecto enteiro nun só prompt- Xa sabes como remata: requisitos → solución → plan → riscos → final doc 
 
 
 
 
 que vai camiñando, esquece as limitacións, dáche unha resposta "confiante" que non podes comprobar facilmente, e no momento en que algo está mal, non tes nin idea de onde ocorreu o erro. Pensalo como construír un fluxo de traballo onde cada prompt é unha estación nunha liña de montaxe: un paso dentro, un paso fóra, e a saída convértese na entrada para a seguinte estación. Prompt Chaining Noutras palabras: non estás a pedir a un LLM que faga "todo á vez". . one thing at a time, reliably 1) ¿Que é unha cadea rápida? É a práctica de: Prompt Chaining 
 
 
 
 
 Descompoñer unha tarefa grande en tarefas menores Deseñar un prompt dedicado para cada subtarefa Pasar saídas estruturadas dun paso ao seguinte Engadir validación + pasos de corrección para que a cadea non se derrube É basicamente a "mentalidade de microservizos" aplicada ao razoamento LLM. Single Prompt vs Prompt Chaining (en inglés) 
 
 
 
 
 
 
 
 
 
 
 
 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 Complexidade Bo para tarefas sinxelas e dun só tiro Construído para varios pasos, fluxos de traballo reais Lóxica O modelo adiviña o proceso túa O proceso Definición O control Dificultade para guiar Todos os pasos son guiables Debuxo “Onde foi o erro?” Podes marcar o paso roto Límites de contexto Fácil de sobrevivir Alimentación de datos gradualmente, paso a paso 2) Por que funciona (A verdadeira razón) Os LLMs non son bos en xogar . multiple goals simultaneously Pregunta: "Análise os requisitos, propoñer características, estimar esforzo, priorizar, a continuación, escribir un plan" - e ten configurado un problema de optimización multi-obxectivo.  objective and quietly under-deliver on the rest. one Prompt Chaining reduce a carga cognitiva: . one step → one output → one success criteria 3) O mecanismo principal: entrada → proceso → saída (repetida) No seu corazón, Prompt Chaining é un loop: 
 
 
 
 Entrada: saída de paso anterior + calquera novos datos Proceso: o seguinte prompt con regras + restricións de formato Resultado: resultado estruturado para o seguinte paso Aquí tes unha cadea simple que podes visualizar: 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]
 Catro non negociables para construír boas cadeas 4.1 As subfuncións deben ser independentes Conectado e e 
 
 
 Independente: cada paso fai un traballo (non se sobrepón) Conectado: cada paso depende da saída anterior (non hai pasos flotantes) Mal: "Extraer puntos de dor e características de deseño" Bo: paso 1 extrae puntos de dor; paso 2 deseña características baseadas neles. 4.2 As saídas intermedias deben estar estruturadas O texto libre é fráxil.O seguinte prompt pode mallealo, reinterpretalo ou ignoralo. Utiliza formatos estruturados como , ou . JSON tables bullet lists with fixed keys Exemplo (JSON que realmente podes analizar): {
  "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 Cada prompt debe "herdar" explicitamente o contexto Non supoña que o modelo vai "lembrar o que quere dicir."Na seguinte prompt, fai referencia explícita á saída anterior: 
 
 "Utilizando o pain_points JSON baixo pain_points, xere 1-2 características por elemento..." "Utilizando o pain_points JSON baixo pain_points, xere 1-2 características por elemento..." Construír nun camiño de fallo (validación + reparación) Cada cadea necesita unha “porta de calidade”: 
 
 
 
 Validar: "A saída contén todas as claves necesarias? Reparación: “Se falta, só rexenerar as partes que faltan” Guardrail: "Max 2 retiras; se non, devolve o mellor esforzo + erros" 5) Tres arquitecturas que usarás en todas partes 5.1 Cadeaxe linear: pasos fixos, sen ramas O fluxo de traballo é previsible. Use it when: Exemplo: Informe mensual de ingresos do Reino Unido (linear) Digamos que ten unha exportación CSV dunha tenda de comercio electrónico do Reino Unido e quere: 
 
 
 
 Limpeza Insights Informe de xestión preparado 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>
 As cadeas lineais son aburridas do mellor xeito: son previsibles, automatizables e fáciles de probar. 5.2 Branching Chaining: escolla un camiño baseado na clasificación O seguinte paso depende dunha decisión (tipo, gravidade, intención). Use it when: Exemplo: Clasificación de mensaxes de cliente (Branching) Paso 1 clasifica a mensaxe: 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."
 Entón ti branco: 
 
 
 
 Se a queixa → xerar un plan de resposta a incidentes Se a suxestión → produce viabilidade + mapa de ruta Se a pregunta → xera unha resposta de apoio directo Xestión de reclamacións (exemplo): 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>
 As cadeas de ramificación son como deixar de tratar cada entrada como o mesmo problema. 5.3 Looping Chaining: repita ata que atinxe unha condición de parada ten que procesar moitos elementos similares, ou refinar a saída iterativamente. Use it when: Exemplo: Listaxes de produtos xerados por lotes (Looping) O paso 1 divide unha lista en bloques de elementos: 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>
 Paso 2 Loops sobre cada bloque: 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>
 Necesidade de cadeas : hard stop rules 
 
 
 
 Procesar exactamente N elementos, ou Repetir ata 2 veces se o número de palabras é demasiado longo, ou Parar se a validación pasa Se non, crearás o ciclo infinito máis caro do mundo. 6) Lista de verificación práctica "Non tire a ti mesmo" Problem: intermediate format is messy → next prompt fails Fai que a formatación non sexa negociable. Fix: Engadir liñas como: 
 
 
 “Output JSON só”. Se non pode cumprir, saia: ERROR:FORMAT. Problema: o modelo esquece os detalles anteriores Repetir explicitamente o “contrato” cada vez. Fix: 
 
 
 "Use a matriz de puntos de dor da saída anterior". “Non inventes categorías adicionais”. Problema: os loops nunca converxen Definición de límites mensurables + max retries. Fix: 
 
 
 
 “Conto de palabras ≤ 200” Max retiras: 2 Se aínda falla, devolva o mellor intento + unha lista de erros. Problema: a selección de ramificacións é incorrecta mellorar as regras de clasificación + engadir unha segunda comprobación. Fix: Exemplo de: 
 
 
 A queixa debe incluír sentimentos negativos E unha cuestión concreta. En caso de incerteza, etiqueta de saída: pregunta (necesita aclaración). Ferramentas que fan que a cadea sexa menos dolorosa Podes encadear as indicacións manualmente (copiar / pegar obras), pero a ferramenta axuda unha vez que vai máis aló duns pasos. 
 
 
 
 
 n8n / Make: ferramentas de fluxo de traballo de código baixo para cadear chamadas de API, almacenar saídas, desencadear alertas. LangChain / LangGraph: construír cadeas con memoria, ramificación, retries, chamadas de ferramentas e xestión de estado. Redis / Postgres: persisten os resultados intermedios para que poida continuar, auditar e evitar chamadas repetidas. Noción / Google Docs: sorprendentemente eficaz para a cadeaxe "humano no ciclo" de estadios iniciais. 8) Como aumentar o nivel Prompt Chaining faise aínda máis poderoso cando se combina con: 
 
 
 
 RAG: engade un paso de recuperación de cadea media (por exemplo, "Documentos de política de retorno" antes de redactar unha resposta) Portas de aprobación humana: aprobar antes de accións arriscadas (cambios de prezos, devolucións de clientes, respostas de cumprimento) Pasos multi-modales: texto → imaxe breve → xeración de diagramas → documento final Toma final Prompt Chaining non é “máis prompts”. . workflow design Unha vez que comece a tratar as indicacións como pasos con contratos, validacións e camiños de fracaso, o seu LLM deixa de comportarse como un xerador de texto caótico e comeza a actuar como un compañeiro de equipo fiable - unha estación á vez. Se estás construíndo algo máis aló dunha demostración dun só tiro, . chain it

Read My Stories

Este audio está producido na lingua orixinal da historia!

Prompt Chaining: converter unha prompt nun fluxo de traballo LLM fiable

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Writing Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Startups Community!

HackerNoon Decoded 2024: Celebrating Our Remote Work Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Startups Community!

HackerNoon Decoded 2024: Celebrating Our Remote Work Community!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps