Prompt Chaining

Die Promptverkettung ist eine ausgeklügelte Technik zur Ausführung komplexer Arbeitsabläufe, indem sie in eine Folge von miteinander verbundener Eingaben für Künstliche Intelligenz (KI) Modelle. Anstatt sich auf eine einzige, monolithische Anweisung zu verlassen, um eine vielschichtige Aufgabe auszuführen, strukturiert diese Methode den Prozess so, dass die Ausgabe eines Schritts als Eingabe für den nächsten dient. Dieser modulare Ansatz verbessert erheblich die die Zuverlässigkeit und Interpretierbarkeit von Large Language Models (LLMs) und ermöglicht robuste Anwendungen zu entwickeln, die in der Lage sind, Schlussfolgerungen zu ziehen, zu planen und auszuführen mehrstufigen Operationen.

Wie Prompt Chaining funktioniert

Das Kernprinzip der Promptverkettung ist Aufgabenzerlegung, bei der ein kompliziertes Ziel in überschaubare Teilaufgaben aufgeteilt wird. Jedes Glied in der Kette konzentriert sich auf eine bestimmte Funktion - wie wie Datenbereinigung, Informationsextraktion oder Entscheidungsfindung Entscheidungsfindung -, bevor die Ergebnisse weitergegeben werden. Dieser iterative Prozess ermöglicht eine Zwischenvalidierung und stellt sicher, dass Fehler frühzeitig erkannt werden, anstatt sich durch eine komplexe Reaktion zu verbreiten.

Diese Methodik ist die Grundlage für die Erstellung von KI-Agenten, die mit externen Tools oder APIs interagieren können. Spezialisierte Frameworks wie LangChain haben entstanden, um diese Orchestrierung zu erleichtern und den Datenfluss zwischen dem KI-Modell, Vektor-Datenbanken und anderen Software-Komponenten. Durch Durch die Aufrechterhaltung des Zustands über diese Interaktionen hinweg ermöglicht die prompte Verkettung die Schaffung dynamischer Systeme, die sich an Benutzereingaben und sich ändernde Daten anpassen können.

Anwendungsfälle in der Praxis

Die Promptverkettung ist besonders effektiv bei der Kombination von Verarbeitung natürlicher Sprache (NLP) mit anderen Modalitäten oder spezialisierten Datenquellen.

1. Intelligente Kundenbetreuung: Ein Support-System könnte eine erste Textklassifizierung um die Anfrage eines Benutzers zu kategorisieren. Wenn das Problem als "technisch" identifiziert wird, löst der Workflow eine Retrieval-Augmented Generation (RAG) Schritt aus. Das System durchsucht eine technische Wissensdatenbank nach relevanten Artikeln, und eine anschließende Aufforderung weist den LLM an, die abgerufenen Informationen zu einer benutzerfreundlichen Antwort zusammenzufassen.
2. Visuelle Qualitätskontrolle: In Fertigung kann ein Arbeitsablauf Text- und Bildmodelle verketten. Ein Benutzer könnte eine Textbeschreibung eines Defekts liefern (z. B. "Kratzer auf der Oberfläche"). Diese Beschreibung wird geparst, um ein Computer Vision (CV) Modell wie Ultralytics YOLO11. Das Bildverarbeitungsmodell führt die Objekterkennung auf dem Fließband, und die Erkennungsergebnisse werden in eine abschließende Eingabeaufforderung zurückgeführt, um eine automatische Qualitätsprüfung Bericht zu erstellen.

Code-Beispiel

Die folgenden Python Schnipsel demonstriert eine einfache Kettenverbindung. Es verwendet die Ausgabe eines YOLO11 , um eine natürlichsprachliche Aufforderung für einen hypothetischen nächsten Schritt zu konstruieren.

from ultralytics import YOLO

# Load the YOLO11 model for object detection
model = YOLO("yolo11n.pt")

# Step 1: Run inference on an image
# The output contains detected objects which will fuel the next link in the chain
results = model("https://ultralytics.com/images/bus.jpg")

# Step 2: Process results to create input for the next link
# We extract class names to form a descriptive sentence
detected_objects = [model.names[int(c)] for c in results[0].boxes.cls]
next_prompt = f"I found these objects: {', '.join(detected_objects)}. Describe the scene."

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

Prompt-Chaining vs. verwandte Konzepte

Es ist hilfreich, die Promptverkettung von anderen Begriffen in der Landschaft des maschinellen Lernens zu unterscheiden:

• Schnelles Engineering: Dies ist die umfassendere Disziplin der Entwicklung optimaler Eingaben zur Steuerung des Modellverhaltens. Die Promptverkettung ist ein spezifisches Architekturmuster innerhalb des Prompt-Engineering, das sich auf die sequentielle Ausführung konzentriert.
• Gedankenkettenanregung: Diese Technik ermutigt ein Modell, "Schritt für Schritt" innerhalb eines einzigen Prompt-Response Zyklus. Im Gegensatz dazu umfasst die Promptverkettung mehrere unterschiedliche Aufrufe, bei denen häufig Daten zwischen verschiedenen Modellen oder Software-Werkzeugen.
• Prompt Tuning: A Methode zur Modelloptimierung die "weiche Prompts" (lernbare Parameter) während des Trainings aktualisiert. Die Promptverkettung ist eine Inferenzzeitstrategie, die standardmäßige Eingaben in natürlicher Sprache verwendet, ohne die Gewichte des Modells Gewichte.

Durch den Einsatz von Prompt Chaining können Entwickler die Kontextbeschränkungen und Engpässe bei der Argumentation von Einzelmodellen überwinden. Modelle überwinden. Diese Technik ist unverzichtbar für die Entwicklung von Agentische KI Systeme, die Vision, Sprache und Logik integrieren, um komplexe, dynamische Probleme in Robotik und Automatisierung zu lösen.