开篇：为什么需要提示链？

很多人写 Prompt，喜欢一把梭。

“帮我读资料、提炼观点、生成大纲、写成文章、检查错别字、再给标题。”

这类提示看起来很完整，实际很容易翻车。模型会漏步骤，会乱格式，会把上下文混在一起。出了问题，也不知道是哪一步坏了。

提示链的思路很简单：把一个复杂任务，拆成多个小任务。每一步只做一件事。前一步的输出，作为下一步的输入。

1. 提示链是什么？

一句话：提示链就是 LLM 版流水线。

传统代码里，一个复杂流程会被拆成多个函数。函数 A 处理完，结果交给函数 B。函数 B 再交给函数 C。提示链也是这个思路。

区别在于：每个节点不是普通函数，而是一次模型调用，或者一次模型调用加上一段确定性处理逻辑。

上传 PDF 中把提示链定义为一种流水线模式：它将复杂问题拆成多个更小、更容易管理的子问题，并让每一步的输出作为下一步的输入，形成链式依赖。

2. 为什么它比单提示更稳？

因为模型每次只处理一个清晰目标。

第一步只负责理解任务，不负责写最终答案。

第二步只负责提取信息，不负责润色表达。

第三步只负责生成结构，不负责查漏补缺。

最后一步只负责校验和优化，不重新发散。

任务越复杂，越需要拆。否则模型的注意力会被拉扯，指令会互相干扰。

Anthropic 在 Agent 工作流中也把 Prompt Chaining 作为基础工作流：任务被拆成一串步骤，每次 LLM 调用处理上一轮输出，中间还可以加程序化检查点。

3. 一个最常见的例子：自动写技术文章

比如你要让 AI 写一篇技术文章。不要直接让它“一步写完”。

更好的做法是拆成 6 步：先读资料，再定主题，再搭大纲，再写正文，再做图解，最后审核。

这样做有三个好处。

第一，中间结果能看见。哪里跑偏，一眼能定位。

第二，每一步可以单独优化。大纲不行就只改大纲，不必重写全文。

第三，流程可以自动化。每个节点都能记录输入、输出、耗时和失败原因。

4. 链到底怎么跑？

提示链不是魔法。它的底层就是一个顺序执行器。

在工程里，一个链通常包含 5 类节点：

PromptTemplate：把变量组装成提示词。

LLM Call：调用大模型，拿到中间结果。

OutputParser：把自然语言转成结构化对象。

Validator：检查字段是否完整、格式是否正确。

State：保存每一步的输入、输出、状态和日志。

LangChain 的 RunnableSequence 也是类似思想：多个 Runnable 按顺序组成序列，一个节点的输出会成为下一个节点的输入，常见写法是用管道符连接。

5. 提示链真正落地，要抓 5 个点

提示链不是把 Prompt 简单拆开就完事。要能上线，必须工程化。

每一步都要有明确职责。不要一个节点做三件事。

每一步都要定义输入和输出。最好输出 JSON。

关键节点要有校验。字段缺失、格式错误、证据不足，都要拦住。

失败要能重试或回退。不要一错到底。

全链路要有日志。否则线上出问题，根本没法排查。

OpenAI 的 Structured Outputs 也强调让模型输出符合指定 JSON Schema，这能减少漏字段、枚举幻觉、格式漂移等问题。提示链里，中间结果越结构化，后面的链越稳定。

6. 什么时候该用？什么时候别用？

判断标准很简单：任务能拆，并且每一步的结果可以被下一步复用。

如果任务本身很简单，就不要为了炫技强行上链。多一次模型调用，就多一次延迟，多一份成本，也多一次出错机会。

Google Cloud 的提示设计建议中，也把“结构化提示”和“拆解复杂任务”作为提升模型表现的重要实践。提示链可以看作是这些原则在系统架构里的工程化版本。

7. 真实项目里，提示链通常怎么用？

智能客服：

用户问题 → 意图识别 → 信息补全 → 查知识库 / 查订单 → 生成回复 → 安全审核。

企业知识库：

问题理解 → 查询改写 → 检索文档 → 提取证据 → 生成答案 → 引用校验。

代码助手：

需求理解 → 定位文件 → 生成修改方案 → 修改代码 → 运行测试 → 根据错误继续修复。

内容生成：

找资料 → 提炼观点 → 生成大纲 → 写正文 → 做标题 → 检查事实和表达。

8. 常见坑

链太长：错误会逐步累积，后面全被前面带偏。

中间结果太散：后续节点拿不到稳定输入。

没有校验：上一环节错了，下一环节还继续加工。

上下文越塞越多：成本高，速度慢，还容易丢重点。

没有日志：线上失败后，只能猜。

解决办法也很直接：短链优先，结构化输出，关键节点加 Gate，链路状态全部落日志。

最后总结

提示链是 Agent 最基础的执行模式。

它解决的不是“模型会不会写”，而是“复杂任务怎么稳定完成”。

单提示像临时发挥。提示链像流水线生产。

真正的 AI 应用工程，不是把所有需求塞进一个 Prompt，而是把复杂任务拆成清晰、可控、可观察的步骤。

下一章

我们继续讲路由 Routing：当用户问题不止一种类型时，Agent 如何判断该走哪条处理路径。