提示链（prompt chaining），有时也被称为流水线模式（pipeline pattern），是利用大语言模型处理复杂任务时的一种强大范例。它并不期望大语言模型在一个单一的、整体的步骤中解决复杂问题，而是提倡采用分而治之的策略。其核心思想是将原本令人生畏的复杂问题分解为一系列更小、更易于处理的子问题。每个子问题都通过专门设计的提示词单独处理，一个提示词生成的输出会作为后续提示的输入。 这种顺序处理技术赋予系统两大核心特质：一是模块化，二是清晰性，这显著改善了系统与大语言模型的交互过程。通过分解复杂任务，理解和调试每个单独步骤变得更加容易，使整个过程更加稳健且可解释。链中的每个步骤都可以精心设计和优化，以聚焦于更大问题的特定方面，从而输出更准确、更有针对性的结果。 前一个步骤的输出作为下一个步骤的输入，这一点至关重要。这种信息传递建立了一个依赖链，这也正是提示链模式名称的由来。在此过程中，先前操作的上下文和结果会指导后续处理。这使得大语言模型能够在先前工作基础上继续推进，不断完善其理解，并逐步向目标解决方案靠拢。 此外，提示链不仅有助于分解问题，还能整合外部知识和工具。在每个步骤中，可以指示大语言模型与外部系统、应用程序编程接口（API）或数据库进行交互，使其知识和能力超越内部训练数据的范围。这种能力极大地扩展了大语言模型的潜力，使它们不仅能作为独立的模型运行，还能成为更广泛、更智能系统的重要组成部分。 提示链的意义远不止于解决简单的问题。它还是构建复杂 AI 智能体的基础技术之一。这些智能体可以利用提示链在动态环境中自主规划、推理和行动。通过有策略地构建提示序列，智能体可以参与需要多步推理、规划和决策的任务。此类智能体的工作流程更贴近人类思维过程，从而实现与复杂领域和系统的更自然、更有效的交互。

​
1.1.1 单一提示词的局限性

对于多维度的任务，使用单个复杂提示词对大语言模型而言往往效率低下，可能导致模型难以同时兼顾各类约束条件和指令要求。具体而言，这种处理方式容易引发以下问题：指令忽视，即提示词中的某些部分被模型忽略；上下文漂移，即模型在生成过程中逐渐偏离初始上下文；错误传播，即早期出现的错误在后续生成中被不断放大；提示词信息不足，导致模型因缺乏充分上下文而无法有效回应；幻觉现象加剧，即认知负荷增加导致模型生成错误信息的可能性上升。例如，当要求模型分析一份市场研究报告、总结核心发现、提取关键数据点并据此起草一封电子邮件时，尽管模型可能在总结方面表现良好，但在提取准确数据或正确撰写邮件内容时容易出错，从而导致整体任务失败。

​
1.1.2 通过顺序分解提高可靠性

提示链通过将复杂任务分解为聚焦的顺序工作流程来应对单一提示词的局限性带来的挑战，从而显著提高了系统的可靠性和可控性。以上述示例为例，流程化或链式方法可以描述如下。
  • 初始提示词（内容摘要）：“请总结以下市场研究报告的关键发现：[文本]。”在这一步骤中，模型的任务高度聚焦于内容摘要，从而有效提升了此环节的准确性。
  • 第二个提示词（趋势识别）进一步提出：“利用上述内容摘要，识别出三大新兴趋势，并提取支持每个趋势的具体数据点：[初始提示词的输出]。”此时，提示词受到更多限制，并直接建立在已验证的上一步输出之上。
  • 第三个提示词（邮件撰写）要求：“起草一封简洁的电子邮件给营销团队，概述以下趋势及其支持数据：[第二个提示词的输出]。”
这种分解方法可以对过程进行更精细的控制。由于每个步骤都设计得更加简单和明确，模型的认知负担得以减轻，从而可以显著提升最终输出的准确性与可靠性。这种模块化设计类似于一个计算流水线，其中每个函数执行特定操作，并将处理后的结果传递给下一个函数。为确保每个特定任务都能得到准确响应，可以在每个阶段为模型分配不同的角色。例如，在之前的场景中，初始提示词可将模型指定为“市场分析师”，后续提示词可依次将模型指定为“行业分析师”和“专业文档撰写员”等。

​
1.1.3 结构化输出的作用

提示链的可靠性在很大程度上取决于步骤之间所传递数据的完整性。如果一个提示词的输出不明确或格式不佳，后续提示词可能会因为输入错误而失败。为了缓解这个问题，指定结构化输出格式（如 JSON 或 XML）至关重要。例如，趋势识别步骤的输出可以格式化为一个 JSON 对象：
这种结构化格式确保数据具有机器可读性，能够被精确解析并无缝插入下一个提示词中。这种做法最大限度地减少了解读自然语言产生错误的可能性，是构建稳健、多步骤的大语言模型系统的关键组成部分。