Prompt Chaining: Quando um prompt não é suficiente Se você já tentou espremer um projeto inteiro em uma única mensagem, Você já sabe como isso termina: requisitos → solução → plano → riscos → final doc 
 
 
 
 
 Ele faz os passos, Esqueça as limitações, lhe dá uma resposta “confiante” que não pode ser facilmente verificada, E no momento em que algo está errado, você não tem ideia de onde o erro aconteceu. Pense nisso como construindo um fluxo de trabalho onde cada prompt é uma estação em uma linha de montagem: um passo para dentro, um passo para fora, e a saída se torna a entrada para a próxima estação. Prompt Chaining Em outras palavras: você não está pedindo a um LLM para fazer "tudo de uma vez". . one thing at a time, reliably 1) O que é uma cadeia rápida? É a prática de: Prompt Chaining 
 
 
 
 
 Dividir uma grande tarefa em tarefas menores Desenhar um prompt dedicado para cada sub-tarefa Passar saídas estruturadas de um passo para o próximo Adicionar a validação + as etapas de correção para que a cadeia não deslize É basicamente a "mentalidade de microsserviços" aplicada ao raciocínio LLM. Single Prompt vs Prompt Chaining (em inglês) 
 
 
 
 
 
 
 
 
 
 
 
 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 Bom para tarefas simples e de um único tiro Criado para fluxos de trabalho multi-passo e reais Lógica O modelo adivinha o processo Você O processo Definição Controle Dificuldade em estudar Cada passo é controlável Debugando “Where did it go wrong?” Você pode identificar o passo quebrado Limites de Contexto Fácil de sobrecarregar Alimentar dados gradualmente, passo a passo 2) Por que isso funciona (a verdadeira razão) LLMs não são ótimos em juggling . multiple goals simultaneously Peça: “Analisar os requisitos, propor recursos, estimar esforço, priorizar, depois escrever um plano” – e você configurou um problema de otimização multi-objetivo. objetiva e silenciosamente sub-entrega sobre o resto. one Prompt Chaining reduz a carga cognitiva: . one step → one output → one success criteria 3) O mecanismo do núcleo: Input → Process → Output (Repetido) Em seu coração, Prompt Chaining é um loop: 
 
 
 
 Entrada: saída do passo anterior + quaisquer novos dados Processo: o próximo prompt com regras + restrições de formato Resultado: resultado estruturado para o próximo passo Aqui está uma cadeia simples que você pode 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]
 4) Quatro não negociáveis para construir boas cadeias 4.1 As sub-tarefas devem ser independentes Conectado e e 
 
 
 Independente: cada passo faz um trabalho (sem sobreposição) Conectado: cada passo depende da saída anterior (não há passos “flutuantes”) Bad: “Extrair pontos de dor e características de design” Bom: Passo 1 extrai pontos de dor; Passo 2 desenha características com base neles. 4.2 As saídas intermediárias devem ser estruturadas O texto livre é frágil.O próximo convite pode lê-lo errado, reinterpretá-lo ou ignorá-lo. Use structured formats like  , em ou . JSON tables bullet lists with fixed keys Exemplo (JSON que você pode realmente analisar): {
  "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 deve explicitamente “herdar” o contexto Não suponha que o modelo “lembre-se do que você quis dizer”.Na próxima mensagem, faça referência explícita à saída anterior: 
 
 “Using the pain_points JSON under  , generate 1–2 features per item…” pain_points “Utilizando o pain_points JSON em , gerar 1 a 2 características por item...” pain_points 4.4 Construir em um caminho de falha (validação + reparação) Cada cadeia precisa de um “portão de qualidade”: 
 
 
 
 Verificar: “A saída contém todas as chaves necessárias? Reparação: “Se faltar, regenere apenas as peças que faltam” Guardrail: “Max 2 retires; caso contrário, devolva o melhor esforço + erros” Três arquiteturas que você usará em todos os lugares 5.1 Cadeia linear: passos fixos, sem ramos O fluxo de trabalho é previsível. Use it when: Exemplo: Relatório de receita mensal do Reino Unido (linear) Digamos que você tenha uma exportação CSV de uma loja de comércio eletrônico do Reino Unido e que você queira: 
 
 
 
 Limpeza Insights Relatório de Gestão Pronto 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 cadeias lineares são entediantes da melhor maneira: elas são previsíveis, automatizadas e fáceis de testar. 5.2 Branching Chaining: escolha um caminho com base na classificação O próximo passo depende de uma decisão (tipo, gravidade, intenção). Use it when: Exemplo: Triagem de mensagens do cliente (Branching) Passo 1 Classifica a mensagem: 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."
 Então você ramifica: 
 
 
 
 Se a queixa → gerar um plano de resposta a incidentes Se a sugestão → produzir viabilidade + traçado do roteiro Se a pergunta gerar uma resposta de suporte direto Avaliação de queixas (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 cadeias de ramificação são como você pára de tratar cada entrada como o mesmo problema. 5.3 Looping Chaining: repita até atingir uma condição de parada Você precisa processar muitos itens semelhantes, ou refinar a saída iterativamente. Use it when: Exemplo: Listagens de produtos gerados em lote (Looping) O passo 1 divide uma lista em blocos de itens: 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>
 Passo 2 loops sobre cada bloco: 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>
 Cadeias necessárias : hard stop rules 
 
 
 
 Processar exatamente N itens, ou Repita no máximo 2 vezes se a contagem de palavras for muito longa, ou Parar se a validação passar Caso contrário, você criará o loop infinito mais caro do mundo. 6) Lista de verificação prática “Não tire a si mesmo” Problema: o formato intermediário é confuso → seguinte prompt falha Faça a formatação não negociável. Fix: Adicione linhas como: 
 
 
 “Output JSON only”. “Se você não pode cumprir, saia: ERROR:FORMAT.” Problema: o modelo esquece detalhes anteriores Repita o “contrato” de cada vez. Fix: 
 
 
 “Use a matriz pain_points da saída anterior.” “Do not invent extra categories.” Título: Loops Never Converge Defina as restrições mensuráveis + max retries. Fix: 
 
 
 
 Contagem de palavras ≤ 200 Max retorna: 2 "Se ainda falhar, devolva a melhor tentativa + uma lista de erros" Problema: a seleção de ramificação está errada melhorar as regras de classificação + adicionar uma segunda verificação. Fix: Exemplo do: 
 
 
 A queixa deve incluir sentimentos negativos E uma questão concreta. Em caso de incerteza, etiqueta de saída: pergunta (precisa de esclarecimento). Ferramentas que tornam a cadeia menos dolorosa Você pode encadear prompts manualmente (copiar / colar trabalhos), mas a ferramenta ajuda uma vez que você vai além de alguns passos. 
 
 
 
 
 n8n / Make: ferramentas de fluxo de trabalho de baixo código para cadeia de chamadas de API, armazenamento de saídas, desencadeamento de alertas. LangChain / LangGraph: Construa cadeias com memória, ramificação, retries, chamadas de ferramentas e gerenciamento de estado. Redis / Postgres: persista resultados intermediários para que você possa retomar, auditar e evitar chamadas repetidas. Noção / Google Docs: surpreendentemente eficaz para os estágios iniciais da cadeia “humano no loop”. 8) Como aumentar esse nível Prompt Chaining torna-se ainda mais poderoso quando você o combina com: 
 
 
 
 RAG: adicione um passo de recuperação no meio da cadeia (por exemplo, “docs de política de retificação” antes de redigir uma resposta) Portões de aprovação humana: aprovação antes de ações arriscadas (mudanças de preços, reembolsos de clientes, respostas de conformidade) Passos multimodais: texto → imagem breve → geração de diagramas → documento final Tome o final Prompt Chaining não é “mais prompts”. . workflow design Uma vez que você comece a tratar os convites como passos com contratos, validações e caminhos de falha, seu LLM pára de se comportar como um gerador de texto caótico e começa a agir como um colega de equipe confiável - uma estação de cada vez. Se você está construindo algo além de uma demonstração de um tiro, . chain it

Read My Stories

Este áudio é produzido no idioma original da história!

Prompt Chaining: Transforme um prompt em um fluxo de trabalho LLM confiável

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Modelo Bitcoin UTXO, alimentando um ecossistema único

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Modelo Bitcoin UTXO, alimentando um ecossistema único

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps