Prompt Chaining（提示链）

Prompt Chaining（提示链） 是一种 Agentic System Patterns（智能体设计模式）中的工作流模式。核心思想是：将复杂任务分解为一系列顺序子步骤，每次 LLM 调用只处理上一步的输出，而不是试图一次完成全部内容。

这是五种主要工作流模式中最简单的一种，也是理解其他模式的起点。

工作机制

典型的 Prompt Chain 流程：

flowchart LR
    In((输入)) --> C1[LLM Call 1]
    C1 -->|Output 1| G{Gate}
    G -->|Pass| C2[LLM Call 2]
    C2 -->|Output 2| C3[LLM Call 3]
    C3 --> Out((输出))
    G -.->|Fail| Exit((Exit))

其中 Gate（门控） 是可选的程序检查点——在将上一步输出传入下一步之前，用代码逻辑验证是否满足继续条件。Gate 不依赖 LLM 判断，而是用确定性程序逻辑（如正则匹配、Schema 校验、数值阈值）保证流程正确。

为何分步比一步更好

直觉上，一次 LLM 调用完成所有事似乎更高效。但 Prompt Chaining 的核心逻辑是：每次让 LLM 做更简单的任务，反而能提升整体精度。

原因有三：

注意力集中：模型在单次调用中同时处理过多目标时，容易顾此失彼；分步让每次调用聚焦一件事
中间验证：Gate 在每步产出后立即检查，比让错误随链条传递要早发现、早纠正
输出格式控制：每步可以有自己的输出格式约束，减少 LLM 需要同时记住的约束数量

代价是延迟增加：链条越长，总时间越长（每步串行等待）。适合精度优先、延迟不敏感的场景。

适用场景

任务可以清晰分解为固定的子步骤，且子步骤之间有明确的前后依赖
追求以延迟换精度，对响应速度不敏感
需要在某些中间步骤用程序逻辑做质量控制（Gate）

典型示例（Anthropic 给出的例子）：

先生成营销文案，再翻译成另一种语言（翻译只在内容确定后才有意义）
先生成文档提纲，用程序检查提纲是否满足某些标准（Gate），再按提纲写全文

与并行化的区别

Prompt Chaining 是串行的：每步等待上步完成。Agentic System Patterns（智能体设计模式）中的 Parallelization 模式则是并行的：独立子任务同时执行。

选择依据：如果子任务之间有依赖（下游需要上游结果），用 Prompt Chaining；如果子任务相互独立，用 Parallelization。

与 ReAct 的区别

ReAct 也是顺序执行，但子步骤在运行时动态决定（每步推理后决定下一步）。Prompt Chaining 的步骤则是设计时预先固定的。

Prompt Chaining 更像流水线，ReAct 更像动态导航。

在更大框架中的位置

Prompt Chaining 是 Agentic System Patterns（智能体设计模式）中最基础的工作流模式。可以与其他模式组合：

链条中的某一步可以用 Parallelization 并行完成
链条的某一步可以用 Evaluator-Optimizer 循环精修
多个链条可以通过 Routing 分流，导向不同的子链