Als nächstesNächster Leitfaden
Systemaufforderungen erklärt
Sprach-KI
Sprach-KI-GUIDE
Schnelle Verkettung
Durch die Eingabeaufforderungsverkettung wird eine Aufgabe in eine feste Abfolge kleinerer Eingabeaufforderungen unterteilt, wobei die Ausgabe jedes Schritts zur Eingabe des nächsten Schritts wird: zum Beispiel Extrahieren, dann Analysieren, dann Entwurf.
Auf dieser Seite4 Minuten gelesen
Übersicht
Dies macht die Arbeit von LLM zuverlässiger und einfacher zu debuggen als eine einzige riesige Eingabeaufforderung. Es bleibt auch vorhersehbarer als ein autonomer Agent, da der Entwickler über die Schritte und nicht über das Modell entscheidet.
Tiefer Einblick
Eine einzelne Mega-Eingabeaufforderung fordert das Modell auf, alles auf einmal zu tun: die Quelle lesen, Fakten extrahieren, darüber nachdenken, Stilregeln befolgen und die Antwort formatieren. Jede zusätzliche Nachfrage konkurriert um Aufmerksamkeit. Wenn die Ausgabe falsch ist, können Sie nicht erkennen, welcher Teil fehlgeschlagen ist. Durch die schnelle Verkettung wird die Arbeit in Phasen aufgeteilt, und jede Phase hat eine klare Aufgabe. Eine typische Kette besteht aus drei Schritten: 1. Extrahieren Sie die relevanten Zitate aus einem Dokument. 2. Beantworten Sie eine Frage nur mit diesen Zitaten. 3. Vergleichen Sie die Antwort mit den Zitaten und schreiben Sie sie für das Publikum neu. Gewöhnlicher Code kann die Ausgaben zwischen den Schritten überprüfen. Es kann JSON analysieren, bestätigen, dass ein erforderliches Feld vorhanden ist, oder die Kette stoppen, wenn ein Klassifikator eine geringe Konfidenz zurückgibt. Anthropics Aufsatz „Building Effective Agents“ vom Dezember 2024 nennt diese Kontrollen „Tore“. Es beschreibt Prompt Chaining als einen Workflow, der zusätzliche Latenz gegen höhere Genauigkeit eintauscht, da jeder Anruf eine einfachere Aufgabe wird. Ketten und Agenten unterscheiden sich darin, wer den Pfad kontrolliert. In einer Kette codiert der Entwickler die Sequenz fest. In einem Agenten entscheidet das Modell zur Laufzeit, welches Tool als nächstes aufgerufen wird und wann es fertig ist. Ketten sind günstiger zu testen, einfacher zu erklären und versagen an vorhersehbaren Stellen. Agenten lösen offene Probleme, bei denen die Schritte nicht im Voraus bekannt sind. Viele Produktionssysteme sind eher Ketten als Agenten, manchmal mit Verzweigungen (Routing) oder Schritten, die parallel laufen. Drei Missverständnisse sind weit verbreitet: - Verkettung kostet immer mehr. Tatsächlich können kleine, fokussierte Eingabeaufforderungen für die einfachen Schritte günstigere Modelle verwenden. - Mehr Schritte sind immer besser. Bei jeder Übergabe können Informationen verloren gehen oder Fehler auftreten. - Verkettung braucht einen Rahmen. Bibliotheken wie LangChain bieten Hilfsfunktionen an, aber eine Kette besteht nur aus ein paar Funktionsaufrufen, die Strings oder JSON übergeben.
Strategische Auswirkungen
Geschwindigkeit und Umfang
Sprachworkflows können schneller ablaufen, ohne dass die Konsistenz darunter leidet.
Zugang und Erreichbarkeit
Es erweitert den Zugang über Sprachen und Kommunikationsstile hinweg.
Klarere Entscheidungen
Teams können mehr Zeit für die Beurteilung aufwenden, während die Automatisierung die Wiederholungen bewältigt.
Die Zukunft der Prompt Chaining
Frameworks stellen Ketten zunehmend als explizite Diagramme von Schritten dar. Dies erleichtert das Hinzufügen von Verzweigungen, Wiederholungsversuchen und Punkten, an denen eine Person die Ausgabe überprüft. Da Modelle längere Kontexte verarbeiten und komplexe Anweisungen besser befolgen, können einige Ketten, die nur zur Umgehung von Modellgrenzen existieren, wieder zu einzelnen Aufrufen zusammengeführt werden. Andere werden bleiben, weil sie Inspektionsstellen, Compliance-Prüfungen und Kostenkontrolle bieten, die ein Anruf nicht leisten kann. Das Feld befindet sich auf einem praktischen Mittelweg: Verwenden Sie feste Ketten, bei denen die Schritte bekannt sind, und bewahren Sie die Autonomie der Agenten für Aufgaben auf, die sie wirklich benötigen.
Reale Umsetzung
Ein Rechtsteam bearbeitet Verträge in drei Anrufen. Der erste extrahiert Klauseln in JSON, der zweite kennzeichnet Klauseln, die von einer Standardvorlage abweichen, und der dritte schreibt eine Zusammenfassung nur der markierten Elemente in einfachem Englisch.
Ein Marketing-Workflow generiert zunächst eine Blog-Gliederung. Eine Codeüberprüfung bestätigt, dass die Gliederung die erforderlichen Schlüsselwörter abdeckt, und dann wird jeder Abschnitt in einem separaten Aufruf geschrieben, damit die Artikel kohärent bleiben.
Ein Support-Tool klassifiziert eine eingehende E-Mail zunächst als Abrechnung, Fehler oder Stornierung. Anschließend wird die E-Mail mit dem richtigen Richtlinientext an eine kategoriespezifische Eingabeaufforderung gesendet, bei der es sich um eine Kette mit einer Verzweigung handelt.
Ein Forscher fasst jeweils 20 Arbeiten zusammen und übergibt die 20 Zusammenfassungen dann an eine letzte Eingabeaufforderung, die ihre Methoden vergleicht. Dadurch wird verhindert, dass ein einzelner Aufruf mit Kontext überlastet wird.
Risiken und Leitplanken
Halluzinierte Fakten können still und leise in Berichte, Support-Flows oder Forschungsergebnisse einfließen.
Eine schnelle Sensibilität kann bei ähnlichen Anfragen zu inkonsistenten Ergebnissen führen.
Sensible Textdaten können offengelegt werden, wenn die Zugriffskontrollen schwach sind.
Implementierungs-Roadmap
Definieren Sie vor dem Rollout Ausgabeformat, Ton und Qualitätsstandards.
Bodenantworten mit vertrauenswürdigen Quellen, wann immer es auf Genauigkeit ankommt.
Halten Sie einen Kontrollpunkt für die menschliche Überprüfung für Ergebnisse mit hohem Risiko ein.
Verfolgen Sie Fehlermuster und trainieren Sie Eingabeaufforderungen oder Arbeitsabläufe regelmäßig neu.
Entdecken Sie weiter
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Prompt Chaining quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Häufig gestellte Fragen
Was ist Prompt Chaining?
Durch die Eingabeaufforderungsverkettung wird eine Aufgabe in eine feste Abfolge kleinerer Eingabeaufforderungen unterteilt, wobei die Ausgabe jedes Schritts zur Eingabe des nächsten Schritts wird: zum Beispiel Extrahieren, dann Analysieren, dann Entwurf. Dies macht die Arbeit von LLM zuverlässiger und einfacher zu debuggen als eine einzige riesige Eingabeaufforderung. Es bleibt auch vorhersehbarer als ein autonomer Agent, da der Entwickler über die Schritte und nicht über das Modell entscheidet.
Was ist das entscheidende Merkmal der Prompt-Verkettung?
Durch die Verkettung wird eine Aufgabe in geordnete Stufen aufgeteilt, und jede Stufe gibt ihre Ausgabe als Eingabe der nächsten Stufe weiter.
Wie unterscheidet sich eine Prompt Chain von einem autonomen Agenten?
Wer den Pfad kontrolliert, ist der entscheidende Unterschied. Eine Kette folgt einer Sequenz, die der Entwickler geschrieben hat. Ein Agent wählt seine Aktionen während der Ausführung aus.
Was sind im Aufsatz „Building Effective Agents“ von Anthropic „Tore“ in einer Eingabeaufforderungskette?
Gates sind Prüfungen in gewöhnlichem Code, wie z. B. die Validierung von JSON oder ein Konfidenzwert, die entscheiden, ob die Kette fortgesetzt wird.
Welchen Kompromiss bringt die Prompt-Verkettung normalerweise mit sich?
Jeder Anruf wird zu einer einfacheren Aufgabe, was die Genauigkeit verbessert, aber die Ausführung mehrerer Anrufe nacheinander dauert länger.
Wenn jeder der vier verketteten Schritte zu 95 Prozent zuverlässig ist und Ausfälle unabhängig voneinander sind, wie zuverlässig ist dann ungefähr die gesamte Kette?
0,95 multipliziert mit sich selbst viermal ergibt etwa 0,81. Deshalb sind Fehler und Tore wichtig.
Lerne weiter
Verwandte Leitfäden
Weitere Leitfäden zu diesem Thema ausgewählt