链式提示（Prompt Chaining）

一、概念

把一个复杂任务拆成多个子任务，每个子任务一个提示词，上一步的输出作为下一步输入的一部分，串成一条链输出最终结果。

本质：串行拆解——不是用一个超详细的大提示硬扛，而是”分而治之”，每步只做一件明确的子操作。

二、类型

维度	单个复杂提示	链式提示
任务复杂度	LLM 可能撑不住	靠拆分逐步完成
透明度	黑盒，难定位问题	每步可单独检查、定位是哪一环节出错
控制性	中间过程不可控	可对中间结果做转换/清洗
可靠性	一步错全错	分阶段验证、改进
索引性	无法定位	能分析改进每个阶段的性能

三、机制

任务 → 子任务1 → 子任务2 → ... → 子任务N → 最终结果
        (提示1)    (提示2)         (提示N)
          ↓输出      ↓输出            ↓输出
        作为提示2输入  作为提示3输入   作为最终回应

两个关键点：

1. 提示链对生成的回应执行转换或其他处理，直到达到期望结果。
2. 拆出的每一步都是一个独立可验证的环节——这是”控制性、透明度、可靠性”的来源。

四、实例

一个典型的”多操作/多转换”场景。长文档问答被拆成两步：

步骤 1 — 提取（Extraction）

• 任务：从文档中找出与问题相关的引文
• 输出要求：用 <quotes></quotes> 标记包裹的引文列表；找不到就回”未找到相关引文！”
• 用 #### 包裹文档占位符 {{文档}}

步骤 2 — 生成（Generation）

• 输入：<quotes></quotes> 里的引文 + 原始文档（#### 分隔）
• 任务：基于引文构建准确、友好、有帮助的回答

可扩展的第三步（练习版）

作者提示可以再加一个提示，在最终回应发给用户前移除引用标志（如 [27]）——即”清洗/后处理”环节，进一步验证”每一步都是独立转换”的设计思想。

模型/上下文说明

• 长上下文任务用了 gpt-4-1106-preview（也适用于 Claude 等长上下文 LLM）
• 灵感来源于 Anthropic 的 prompt-chaining 文档

五、场景

• 文档问答/长文本处理（提取 → 生成，多步转换）
• 构建 LLM 驱动的对话助手
• 提升个性化用户体验的 App
• 任何需要多个操作/多次转换才能完成的任务

链式提示是把复杂任务串行拆成子任务，上一步输出喂给下一步，逐步转换直到最终结果。

分四点：

1. 为什么：复杂任务单个提示撑不住；拆开能提升性能、透明度、控制性、可靠性。
2. 怎么做：确定子任务 → 每步写一个提示 → 输出作为下一步输入的一部分。
3. 典型例子：文档问答拆成「提取引文 → 基于引文生成回答」两步。
4. 适用：对话助手、个性化体验、需要多步转换的任务。

一点研究向思考

• 链式提示是”流程控制”层面的设计，不同于 CoT 那种”单次推理内”的引导——链式是在多次调用之间编排，CoT 是在一次调用内部引导推理。
• 拆链时每一步的输出格式要结构化约束（如 <quotes> 标记），否则下一步输入会脏（如引用标志 [27] 污染）——这引出了”清洗步骤”作为独立环节的设计。
• 与 Self-consistency（同题多次采样+投票，偏并行）相对，链式提示是串行的；两者可组合。