Taal AI-GIDS
Snelle ketening
Bij het koppelen van aanwijzingen wordt een taak opgedeeld in een vaste reeks kleinere aanwijzingen, waarbij de uitvoer van elke stap de invoer van de volgende stap wordt: bijvoorbeeld extraheren, vervolgens analyseren en vervolgens opstellen.
Luister naar deze gidsAI-verteld · ~3 min
Op deze pagina4 minuten lezen
Overzicht
Dit maakt het LLM-werk betrouwbaarder en gemakkelijker te debuggen dan één gigantische prompt. Het blijft ook voorspelbaarder dan een autonome agent, omdat de ontwikkelaar de stappen bepaalt en niet het model.
Diepe duik
Eén enkele megaprompt vraagt het model om alles in één keer te doen: de bron lezen, feiten extraheren, erover redeneren, de stijlregels volgen en het antwoord formatteren. Elke extra vraag concurreert om aandacht. Als de uitvoer verkeerd is, kun je niet zeggen welk onderdeel is mislukt. Door snelle ketening wordt het werk in fasen verdeeld, en elke fase heeft één duidelijke taak. Een typische keten bestaat uit drie stappen: 1. Haal de relevante citaten uit een document. 2. Beantwoord een vraag met alleen die aanhalingstekens. 3. Vergelijk het antwoord met de citaten en herschrijf het voor het publiek. Gewone code kan uitgangen tussen stappen controleren. Het kan JSON parseren, bevestigen dat een verplicht veld bestaat, of de keten stoppen als een classificator weinig vertrouwen retourneert. Anthropic's essay uit december 2024 "Building Effective Agents" noemt deze controles "poorten". Het beschrijft prompt chaining als een workflow die extra latentie inruilt voor hogere nauwkeurigheid, omdat elke oproep een eenvoudiger taak wordt. Ketens en agenten verschillen in wie het pad controleert. In een keten codeert de ontwikkelaar de reeks hard. In een agent beslist het model tijdens runtime welke tool vervolgens moet worden aangeroepen en wanneer dit klaar is. Ketens zijn goedkoper om te testen, gemakkelijker uit te leggen en falen op voorspelbare plaatsen. Agents zijn geschikt voor open problemen waarbij de stappen niet vooraf bekend zijn. Veel productiesystemen zijn eerder ketens dan agenten, soms met parallelle vertakkingen (routing) of stappen. Drie misvattingen komen vaak voor: - Het ketenen kost altijd meer. Kleine, gerichte aanwijzingen kunnen zelfs goedkopere modellen gebruiken voor de eenvoudige stappen. - Meer stappen is altijd beter. Bij elke overdracht kan informatie verloren gaan of fouten ontstaan. - Keten heeft een raamwerk nodig. Bibliotheken zoals LangChain bieden hulpmiddelen, maar een keten bestaat uit slechts een paar functieaanroepen die strings of JSON doorgeven.
Implementatie in de echte wereld
Een juridisch team behandelt contracten in drie gesprekken. De eerste extraheert clausules in JSON, de tweede markeert clausules die verschillen van een standaardsjabloon, en de derde schrijft een duidelijke Engelse samenvatting van alleen de gemarkeerde items.
Een marketingworkflow genereert eerst een blogoverzicht. Een codecontrole bevestigt dat de schets de vereiste trefwoorden omvat, en vervolgens wordt elke sectie in een afzonderlijke oproep geschreven, zodat lange artikelen coherent blijven.
Een ondersteuningstool classificeert een inkomende e-mail eerst als facturering, bug of annulering. Vervolgens wordt de e-mail naar een categoriespecifieke prompt gestuurd met de juiste beleidstekst als bijlage: een keten met een vertakking.
Een onderzoeker vat twintig artikelen één voor één samen en geeft de twintig samenvattingen vervolgens door aan een laatste prompt waarin hun methoden worden vergeleken. Hierdoor wordt voorkomen dat een enkel gesprek wordt overbelast met context.
De toekomst van snelle ketening
Frameworks stellen ketens steeds vaker voor als expliciete grafieken van stappen. Dat maakt het gemakkelijker om vertakkingen, nieuwe pogingen en punten toe te voegen waar iemand de uitvoer beoordeelt. Naarmate modellen langere contexten aankunnen en complexe instructies beter volgen, kunnen sommige ketens die alleen bestaan om modellimieten te omzeilen, weer samenvloeien in afzonderlijke oproepen. Anderen zullen blijven, omdat ze inspectiepunten, nalevingscontroles en kostenbeheersing bieden die met één telefoontje niet mogelijk zijn. Het veld bevindt zich op een praktische middenweg: gebruik vaste ketens waarvan de stappen bekend zijn, en bewaar de autonomie van agenten voor taken die deze echt nodig hebben.
Het in de praktijk brengen
Waarom het ertoe doet
- Snelheid en schaal. Taalworkflows kunnen sneller verlopen zonder dat dit ten koste gaat van de consistentie.
- Toegang en bereik. Het breidt de toegang uit naar meerdere talen en communicatiestijlen.
- Duidelijkere beslissingen. Teams kunnen meer tijd besteden aan beoordeling, terwijl automatisering de herhaling afhandelt.
Pas op voor
- Gehallucineerde feiten kunnen stilletjes rapporten binnendringen, stromen ondersteunen of onderzoeksresultaten opleveren.
- Gevoeligheid voor prompts kan inconsistente resultaten opleveren voor vergelijkbare verzoeken.
- Gevoelige tekstgegevens kunnen openbaar worden gemaakt als de toegangscontroles zwak zijn.
Volgende stappen
- Definieer het uitvoerformaat, de toon en de kwaliteitsnormen vóór de implementatie.
- Grondreacties met vertrouwde bronnen wanneer nauwkeurigheid belangrijk is.
- Houd een menselijk controlepunt bij voor resultaten met een hoge inzet.
- Houd faalpatronen bij en train prompts of workflows regelmatig opnieuw.
Blijf verkennen
Gratis nieuwsbrief
Ontvang de dagelijkse AI-briefing
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Take the Prompt Chaining quiz
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Veelgestelde vragen
Wat is Prompt Chaining?
Bij het koppelen van aanwijzingen wordt een taak opgedeeld in een vaste reeks kleinere aanwijzingen, waarbij de uitvoer van elke stap de invoer van de volgende stap wordt: bijvoorbeeld extraheren, vervolgens analyseren en vervolgens opstellen. Dit maakt het LLM-werk betrouwbaarder en gemakkelijker te debuggen dan één gigantische prompt. Het blijft ook voorspelbaarder dan een autonome agent, omdat de ontwikkelaar de stappen bepaalt en niet het model.
Wat is het bepalende kenmerk van prompt chaining?
Chaining splitst een taak op in geordende fasen, en elke fase geeft zijn output door als input voor de volgende fase.
Hoe verschilt een promptchain van een autonome agent?
Wie het pad beheert, is het belangrijkste verschil. Een ketting volgt een reeks die de ontwikkelaar heeft geschreven. Een agent kiest zijn acties terwijl hij actief is.
Wat zijn in het essay 'Building Effective Agents' van Anthropic 'poorten' in een promptketen?
Gates zijn controles in gewone code, zoals het valideren van JSON of een betrouwbaarheidsscore, die beslissen of de keten doorgaat.
Welke afweging maakt prompt chaining doorgaans?
Elke oproep wordt een eenvoudiger taak, wat de nauwkeurigheid verbetert, maar het duurt langer om meerdere oproepen achter elkaar uit te voeren.
Als elk van de vier geketende stappen voor 95 procent betrouwbaar is en de storingen onafhankelijk zijn, hoe betrouwbaar is dan ongeveer de hele keten?
0,95 vier keer met zichzelf vermenigvuldigd is ongeveer 0,81. Daarom worden fouten steeds groter en zijn poorten belangrijk.
Blijf leren
Gerelateerde gidsen
Er zijn meer handleidingen voor dit onderwerp geselecteerd