首页/AI/AI 应用速查/提示链(Prompt Chaining)

提示链(Prompt Chaining)

把复杂任务拆成多个顺序步骤,每步输出作为下一步输入:抽取 → 加工 → 生成。中间产物可人工/程序校验,失败可局部重试。

AI 应用速查AI更新于 2026-10-13

提示链是什么

提示链(Prompt Chaining)把复杂任务拆成多个顺序步骤,每一步的输出作为下一步的输入,例如先抽取结构化数据、再加工成摘要、最后生成对外文案。好处是每步职责单一、输出可验证,出错时只重跑那一步,中间还能插入人工或程序的检查点;代价是调用次数与总延迟上升。判断要不要拆的分界点是:凡是输出错误会向后续步骤连锁放大的环节,都值得单独成步并加校验。

基本信息

拆分原则每步职责单一,输出可验证
收益局部重试、可插检查点、问题定位清晰
代价调用次数与端到端延迟增加
典型链路抽取、加工、生成,或翻译、润色、校对
工程要点中间产物做 schema 校验后再传入下一步
适用边界简单任务拆链会平白增加成本

典型使用场景

  • 长文处理:先抽取关键数据,再据数据生成摘要与文案
  • 多语言流水线:翻译后润色,最后做术语一致性校对
  • 数据入库:抽取阶段强制输出结构化字段,便于落库
  • 报告生成:先做数据分析,再生成结论与建议段落
  • 质量把关:在生成与发布之间插入校验或人工审核步骤

三步链示例

三步链示例
步骤 1:从原文抽取关键数据 → 输出 JSON(字段固定,便于校验)
步骤 2:用 JSON 生成 200 字摘要 → 只依据字段内容,不引入外部信息
步骤 3:按摘要生成 3 条社媒文案 → 每条不超过 40 字,语气统一

# 每一步的输出都先校验(schema / 正则 / 关键字段非空)再传入下一步
# 每步中间产物落盘留存,便于回放定位是哪一步出的问题
# 前一步失败时只重跑该步,不要从第一步整体重来

什么时候该拆步

情形建议原因
输出要给程序消费拆出结构化抽取步JSON 可校验,错误立刻暴露
任务含多个独立判断按判断拆步单步多任务时模型会顾此失彼
对延迟敏感尽量合并或并行每一步都增加一次往返
结果要人工确认在关键步设检查点把错误拦在扩散之前
链越长误差累积越多,三步以上要检查每步是否有独立的验收标准;没有验收标准的步骤通常是拆多了。
拆链同时给了并行机会:互不依赖的步骤可以并发调用,把延迟压回接近单步水平,但要注意并发限流与成本。

易错点

  • 链条过长:误差逐级累积,端到端成功率按步数相乘下降
  • 中间产物不校验直接进下一步:抽取错误被后续步骤放大成整篇错误
  • 把简单任务拆成多步:成本与延迟翻倍,质量没有变化
  • 中间结果不留存:线上出问题时无法回放,只能凭猜测排查
  • 每步都用最强模型:多数步骤只需小模型即可完成,预算被无谓消耗

数据来源与参考

  • Anthropic 提示工程文档:Prompt chaining

相关工具

​‌‌​​‌​​​‌‌​‌‌‌‌​‌‌​​​‌‌​‌‌‌​​‌‌​​‌​‌‌‌​​‌‌‌​​​‌​‌‌​‌​​‌​‌‌‌​​​‌​‌‌​‌​​‌​‌‌​​​‌‌​‌‌‌​‌​​​‌‌​‌‌‌‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌