Prompt Chaining: Apabila Satu Prompt Tidak Cukup Jika anda pernah cuba untuk mengekstrak keseluruhan projek ke dalam satu prompt- Anda tahu bagaimana ia berakhir: keperluan → penyelesaian → pelan → risiko → akhir doc 
 
 
 
 
 Ia menjejaskan langkah, melupakan sekatan mereka, Ia memberi anda jawapan "beriman" yang tidak boleh disahkan dengan mudah. Dan ketika sesuatu yang salah, anda tidak tahu di mana kesilapan itu berlaku. Pikirkan ia sebagai membina aliran kerja di mana setiap prompt adalah stesen pada barisan pemasangan: satu langkah masuk, satu langkah keluar, dan output menjadi input untuk stesen seterusnya. Prompt Chaining Dengan kata lain: anda tidak meminta LLM untuk melakukan "semua pada satu masa." . one thing at a time, reliably 1) Apa yang dimaksudkan dengan cepat rantai? Adalah amalan daripada: Prompt Chaining 
 
 
 
 
 Membongkar tugas besar kepada sub-tugas yang lebih kecil Reka bentuk prompt khusus untuk setiap sub-tugas Meneruskan output terstruktur dari satu langkah ke langkah seterusnya Menambah langkah pengesahan + koreksi supaya rantaian tidak mengalir Ia pada asasnya "pandangan mikro perkhidmatan" yang digunakan untuk alasan LLM. Single Prompt vs Prompt Chaining (dalam bahasa Inggeris biasa) 
 
 
 
 
 
 
 
 
 
 
 
 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 kompleksiti Sesuai untuk tugas-tugas mudah, satu tembakan Dibina untuk aliran kerja pelbagai langkah, sebenar Logik Model meramalkan proses awak Proses yang Definisi Control Tag: sukar untuk steer Setiap langkah boleh dikendalikan Debugging “Di mana ia salah?” Anda boleh mengesan langkah yang rosak Batas konteks Mudah untuk Overflow Feed data secara beransur-ansur, langkah demi langkah Mengapa Ia Berfungsi (The Real Reason) LLM tidak hebat dalam juggling . multiple goals simultaneously Minta: "Menganalisis keperluan, mencadangkan ciri-ciri, menganggarkan usaha, menetapkan keutamaan, kemudian menulis rancangan" - dan anda telah menetapkan masalah pengoptimuman pelbagai objektif. secara objektif dan diam-diam mengabaikan yang lain. one Prompt Chaining mengurangkan beban kognitif: . one step → one output → one success criteria 3) Mekanisme teras: input → proses → output (terulang) Di tengah-tengahnya, Prompt Chaining ialah loop: 
 
 
 
 Input: output langkah terdahulu + sebarang data baru Proses: prompt seterusnya dengan peraturan + sekatan format Hasil: hasil terstruktur untuk langkah seterusnya Berikut ialah rantaian mudah yang boleh anda visualisasikan: 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) Empat Non-Negotiable untuk Membina Rantaian Baik 4.1 Sub-tugas mesti bebas Terhubung dan dan 
 
 
 Independen: setiap langkah melakukan satu kerja (tidak berlapis) Terhubung: setiap langkah bergantung kepada output terdahulu (tidak ada langkah "menapaki") Bad: “Extract pain points and design features” Baik: Langkah 1 mengekstrak kesakitan; Langkah 2 merancang ciri-ciri berdasarkan mereka. 4.2 Hasil pertengahan mesti distrukturkan Teks percuma rapuh. petunjuk seterusnya boleh membacanya dengan salah, menafsirkannya semula, atau mengabaikannya. Gunakan format yang berstruktur seperti daripada atau . JSON tables bullet lists with fixed keys Contoh (JSON anda sebenarnya boleh 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 Setiap prompt mesti secara eksplisit "memiliki" konteks Jangan menganggap bahawa model akan "mengingat apa yang anda maksudkan."Dalam petunjuk seterusnya, merujuk secara eksplisit kepada output terdahulu: 
 
 “Menggunakan pain_points JSON di bawah pain_points, menjana 1–2 ciri per item...” “Menggunakan pain_points JSON di bawah pain_points, menjana 1–2 ciri per item...” 4.4 Membina dalam laluan kegagalan (validasi + pembaikan) Setiap rantaian memerlukan “pintu kualiti”: 
 
 
 
 Mengesahkan: "Adakah output mengandungi semua kunci yang diperlukan? Perbaikan: “Jika hilang, regenerasi hanya bahagian-bahagian yang hilang” Guardrail: “Max 2 retries; jika tidak, kembalikan usaha terbaik + kesilapan” Tiga arsitektur yang anda akan gunakan di mana-mana sahaja 5.1 Rantai Linear: langkah tetap, tiada cawangan aliran kerja boleh diramalkan. Use it when: Contoh: Laporan pendapatan bulanan UK (Linear) Katakan anda mempunyai eksport CSV dari kedai e-dagang UK dan anda mahu: 
 
 
 
 cleaning Pengetahuan Laporan Pengurusan Siap 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>
 Rantaian linear membosankan dalam cara yang terbaik: mereka boleh diramalkan, boleh diautomatkan, dan mudah untuk diuji. 5.2 Rantaian rantaian: Pilih laluan berdasarkan klasifikasi langkah seterusnya bergantung kepada keputusan (jenis, keparahan, niat). Use it when: Contoh: Pemasaran Mesej Pelanggan (Branching) Langkah 1 mengklasifikasikan mesej: 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."
 Kemudian anda Branch: 
 
 
 
 Jika keluhan → mencipta rancangan tindak balas insiden Jika cadangan → menghasilkan kelayakan + roadmap slotting Jika soalan → menghasilkan jawapan sokongan langsung Penyelesaian permohonan (contoh : 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>
 Rantaian rantaian ialah bagaimana anda berhenti merawat setiap input seperti masalah yang sama. 5.3 Looping Chaining: ulangi sehingga anda mencapai keadaan berhenti anda perlu memproses banyak item yang serupa, atau memperbaiki output secara iteratif. Use it when: Contoh: Senarai produk yang dihasilkan secara batch (Looping) Langkah 1 membahagikan senarai kepada blok item: 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>
 Langkah 2 loop di atas setiap blok: 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>
 Rantaian Rantaian perlu : hard stop rules 
 
 
 
 Proses tepat N item, atau Retry at most 2 times if word count is too long, or Berhenti jika validasi berlalu Jika tidak, anda akan mencipta loop yang paling mahal di dunia. 6) Senarai Teka-teki Praktis "Jangan Tembak Diri Sendiri" Masalah: format pertengahan tidak selesa → prompt seterusnya gagal Buat format yang tidak boleh didagangkan. Fix: Masukkan baris seperti: 
 
 
 “Hasilkan JSON sahaja.” Jika anda tidak boleh mematuhi, output: ERROR:FORMAT. Masalah: model melupakan butiran terdahulu Tulis semula “kontrak” setiap kali. Fix: 
 
 
 "Menggunakan array pain_points daripada output terdahulu." “Jangan mencipta kategori tambahan.” Tag: kelengkapan tidak pernah berkonvergen Menentukan sekatan yang boleh diukur + max retries. Fix: 
 
 
 
 Jumlah kata ≤ 200 Max Retriever : 2 » "Jika masih gagal, kembalikan percubaan terbaik + senarai ralat" Masalah: Pemilihan cabang yang salah meningkatkan peraturan klasifikasi + menambah cek kedua. Fix: Contoh : 
 
 
 Keluhan mesti mengandungi perasaan negatif DAN isu tertentu. Sekiranya tidak pasti, label output: soalan (perlukan penjelasan). Alat-alat yang membuat rantai kurang menyakitkan Anda boleh rantaian prompts secara manual (kopi / melampirkan kerja), tetapi alat membantu apabila anda melampaui beberapa langkah. 
 
 
 
 
 n8n / Make: alat aliran kerja kod rendah untuk rantai panggilan API, menyimpan output, memicu amaran. LangChain / LangGraph: membina rantaian dengan memori, rangkaian, retries, panggilan alat, dan pengurusan negeri. Redis / Postgres: menahan hasil pertengahan supaya anda boleh meneruskan, mengaudit, dan mengelakkan panggilan berulang. Notion / Google Docs: mengejutkan berkesan untuk peringkat awal "manusia dalam lingkaran" rantai. 8) Bagaimana untuk menaik taraf ini Prompt Chaining menjadi lebih kuat apabila anda menggabungkannya dengan: 
 
 
 
 RAG: tambahkan langkah pemulihan pertengahan rantaian (contohnya, "dokumen dasar retch" sebelum merancang jawapan) Pintu persetujuan manusia: persetujuan sebelum tindakan berisiko (perubahan harga, bayaran balik pelanggan, jawapan pematuhan) Langkah-langkah multi-modal: teks → imej singkat → pengeluaran diagram → dokumen akhir Akhir mengambil Prompt Chaining bukan “lebih prompts.” . workflow design Sebaik sahaja anda mula merawat petunjuk sebagai langkah dengan kontrak, pengesahan, dan laluan kegagalan, LLM anda berhenti bertindak seperti pengeluar teks yang kacau dan mula bertindak seperti rakan sekerja yang boleh dipercayai - satu stesen pada satu masa. Jika anda sedang membina apa-apa selain daripada satu-shot demo, . chain it

Read My Stories

Audio ini dihasilkan dalam bahasa asal cerita!

Prompt Chaining: Menukar satu prompt kepada aliran kerja LLM yang boleh dipercayai

About Author

KOMEN

GANTUNG TANDA

ARTIKEL INI DIBENTANGKAN DALAM

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps