Prompt Chaining

Prompt-Verkettung ist ein fortschrittliches Architekturmuster in der Entwicklung von Künstlicher Intelligenz (AI), bei dem eine komplexe Aufgabe in eine Abfolge kleinerer, überschaubarer Teilaufgaben zerlegt wird. In diesem Arbeitsablauf dient die Ausgabe eines Schritts – häufig erzeugt von einem großen Sprachmodell (LLM) oder einem Computer-Vision-System – als Eingabe für den darauffolgenden Schritt. Im Gegensatz zu einem einzelnen monolithischen Prompt, der versucht, ein vielschichtiges Problem auf einmal zu lösen, ermöglicht die Verkettung Entwicklern, zuverlässigere, besser testbare und leistungsfähigere Anwendungen zu entwickeln. Dieser modulare Ansatz ist entscheidend für die Erstellung anspruchsvoller KI-Agenten, die schlussfolgern, im Web recherchieren oder mit physischen Umgebungen interagieren können.

Die Funktionsweise der Verkettung#

Im Kern begegnet die Prompt-Verkettung den Einschränkungen von Kontextfenstern und den Schlussfolgerungsfähigkeiten in Basismodellen. Wenn ein Modell aufgefordert wird, zu viele unterschiedliche Vorgänge in einer einzigen Anfrage auszuführen (z. B. „Analysiere dieses Bild, extrahiere den Text, übersetze ihn ins Spanische und formatiere ihn als JSON-Rechnung“), steigt die Fehlerwahrscheinlichkeit. Durch die Aufteilung in eine Pipeline können Entwickler die Genauigkeit jeder Stufe überprüfen.

Effektive Verkettungen verwenden häufig in Python geschriebenen „Klebecode“ oder werden von Orchestrierungsbibliotheken wie LangChain verwaltet, um die Datentransformation zwischen den Schritten zu übernehmen. Dadurch lassen sich unterschiedliche Technologien integrieren, etwa die visuelle Leistungsfähigkeit der Objekterkennung mit der sprachlichen Ausdrucksfähigkeit generativer Textmodelle zu verbinden.

Anwendungen in der Praxis#

Prompt-Verkettung ist besonders leistungsfähig, wenn sie die Lücke zwischen verschiedenen Datenmodalitäten überbrückt und dadurch multimodale Modelle in dynamischen industriellen und kommerziellen Umgebungen einsetzbar macht.

1. Automatisierte visuelle Berichterstattung: In der intelligenten Fertigung kann ein Qualitätskontrollsystem ein Bildverarbeitungsmodell mit einem LLM verketten. Zunächst scannt ein Hochgeschwindigkeitsmodell wie Ultralytics YOLO26 Komponenten an einer Montagelinie. Die strukturierte Ausgabe (z. B. „Class: Dented_Can, Confidence: 0.92“) wird in eine Textzeichenfolge umgewandelt. Dieser Text wird anschließend mit einem Prompt wie „Erstelle auf Grundlage dieses Defekts eine Wartungsanfrage“ an ein Sprachmodell übergeben, das eine für Menschen lesbare E-Mail für den Produktionsleiter erstellt.

2. Kontextbezogener Kundensupport: Intelligente Chatbots verwenden häufig Verkettungen, um komplexe Nutzeranfragen zu bearbeiten. Das erste Glied der Kette kann Verarbeitung natürlicher Sprache (NLP) verwenden, um die Absicht des Nutzers zu klassifizieren. Wenn die Absicht technischer Natur ist, löst das System einen Workflow zur wissensgestützten Generierung (RAG) aus: Es erstellt Einbettungen für die Anfrage, durchsucht eine Vektordatenbank nach Dokumentation und fordert schließlich ein LLM auf, die abgerufenen Textabschnitte zu einer hilfreichen Antwort zusammenzufassen.

Codebeispiel: Bild zu Sprache#

Das folgende Beispiel zeigt das erste „Glied“ einer Kette: den Einsatz von Computer Vision (CV), um strukturierte Daten zu erzeugen, die als Kontext für einen nachgelagerten Prompt dienen.

from ultralytics import YOLO

# Load the YOLO26 model (natively end-to-end and highly efficient)
model = YOLO("yolo26n.pt")

# Step 1: Run inference to 'see' the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Step 2: Format visual detections into a natural language string
det_names = [model.names[int(c)] for c in results[0].boxes.cls]
prompt_context = f"The scene contains: {', '.join(det_names)}. Please describe the likely activity."

# The 'prompt_context' variable is now ready to be sent to an LLM API
print(prompt_context)

Verwandte Konzepte unterscheiden#

Für die Implementierung effektiver Architekturen des maschinellen Lernens (ML) ist es hilfreich, die Prompt-Verkettung von ähnlichen Begriffen aus dem KI-Umfeld zu unterscheiden:

• Im Vergleich zu Prompting mit Gedankengängen: Gedankengang (CoT) ist eine Technik, die innerhalb eines einzelnen Prompts verwendet wird, um ein Modell dazu anzuregen, seine „Arbeitsschritte zu zeigen“ (z. B. „Denke Schritt für Schritt“). Bei der Prompt-Verkettung gibt es mehrere eigenständige API-Aufrufe, wobei die Eingabe für Schritt B von der Ausgabe von Schritt A abhängt.
• Im Vergleich zu Prompt-Engineering: Prompt-Engineering ist die übergeordnete Disziplin der Optimierung von Texteingaben, um eine bessere Modellleistung zu erzielen. Prompt-Verkettung ist ein spezifisches Engineering-Muster, das sich auf den sequenziellen Ablauf von Vorgängen und die Steuerung der Logik konzentriert.
• Im Vergleich zu Prompt-Tuning: Prompt-Tuning ist eine Methode zur Modelloptimierung, bei der während einer Trainingsphase lernbare Parameter (Soft-Prompts) aktualisiert werden. Prompt-Verkettung findet vollständig während der Echtzeit-Inferenz statt und verändert die Modellgewichte nicht.

Durch den Einsatz von Prompt-Verkettung können Teams robuste Anwendungen entwickeln, die Logik, Datenabruf und Aktions- bzw. Handlungserkennung integrieren. Für die Verwaltung der Datensätze und das Training der Bildverarbeitungsmodelle, die diese Verkettungen ermöglichen, bietet die Ultralytics-Plattform eine zentrale Lösung für Annotation, Training und Bereitstellung.