プロンプトチェイニング

プロンプト・チェイニングは、複雑なワークフローを実行するために使用される高度なテクニックである。 のための相互接続された入力のシーケンスに分解することによって、複雑なワークフローを実行するために使用される高度な技術です。 人工知能（AI）モデル。 この方法では、多面的なタスクを実行するために単一の単一命令に頼るのではなく、あるステップの出力がそのステップの入力となるようにプロセスを構造化する。 あるステップの出力が次のステップの入力となるようにプロセスを構成する。このモジュール方式は の信頼性と解釈可能性を大幅に向上させる。 ラージ・ランゲージ・モデル（LLM）の信頼性と解釈可能性を大幅に向上させる。 開発者は、推論、計画、実行が可能なロバストなアプリケーションを構築することができる。 多段階操作

プロンプトチェイニングの仕組み

プロンプト・チェイニングの核となる原則は タスク分解である。 複雑な目的を管理しやすいサブタスクに分割する。連鎖の各リンクは、特定の機能（例えば、データクリーニング、情報抽出、意思決定など）に焦点を当てる。 データ洗浄、情報抽出、意思決定などである。 などの特定の機能に焦点を当てる。この反復プロセスにより、中間的な検証が可能になり、エラーが伝播するのではなく、早期に発見されるようになる。 エラーが複雑なレスポンスを通じて伝播するのではなく、早期に発見されることを保証する。

この方法論は この方法論は、外部ツールやAPIと相互作用できるAIエージェントを作成するための基礎となる。 LangChainのような専門的なフレームワークが登場した。 このオーケストレーションを容易にするために、AIモデルとベクター・データベース、その他のソフトウェア・コンポーネントの間のデータの流れを管理するLangChainのような専門的なフレームワークが登場した、 ベクトル・データベース、その他のソフトウェア・コンポーネント間のデータの流れを管理する。これにより プロンプトチェーンは、これらの相互作用にわたって状態を維持することで、ユーザーの入力や変化するデータに適応できる動的なシステムの作成を可能にする。 ユーザーの入力や変化するデータに適応できる動的なシステムの構築が可能になる。

実際のアプリケーション

プロンプト・チェイニングは 自然言語処理（NLP） 他のモダリティや特殊なデータソースと組み合わせる場合に特に効果的です。

1. インテリジェントなカスタマーサービス：サポートシステムは テキスト分類 プロンプトを使用してユーザーの問い合わせを分類します。問題が「技術的」であると識別された場合、ワークフローは以下をトリガーします。 検索拡張生成（RAG） ステップを開始します。システムは技術的な知識ベースから関連記事を検索し、次のプロンプトがLLMに指示する。 LLMは、検索された情報をユーザーフレンドリーな回答に合成するよう指示する。
2. 視覚的品質管理：製造業では 製造業では、ワークフローはテキストと 視覚モデルを連鎖させることができる。ユーザーは、欠陥（例えば「表面の傷」）についてテキストで説明するかもしれない。この を構成するために解析されます。 のようなコンピュータビジョン（CV）モデルを構成するために解析されます。 Ultralytics YOLO11.ビジョンモデルは 検出します。 検出結果は最終プロンプトにフィードバックされ、自動品質検査を生成します。 品質検査 レポートを生成します。

コード例

以下 Pythonスニペットはシンプルなチェーンリンクを示しています。これは YOLO11 オブジェクト検出モデルからの出力を使って、仮想的な次のステップのための自然言語プロンプトを構築する。

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)

プロンプトチェイニングと関連概念の比較

プロンプト・チェイニングを、機械学習における他の用語と区別することは有益である。 機械学習における

• プロンプトエンジニアリング:これは、モデルの動作を導くための最適な入力を設計する、より広範な学問分野である。プロンプトチェーニングは、プロンプトエンジニアリングの中の特定の プロンプトエンジニアリングの中でも、逐次実行に焦点を当てた特定のアーキテクチャパターンである。
• 思考連鎖プロンプティング:このテクニックは、一つのプロンプト-レスポンス・サイクルの中で、モデルが「ステップ・バイ・ステップ」で推論することを促す。 サイクルの中で「ステップバイステップ」で推論することを促す。対照的に、プロンプトの連鎖は複数の異なる呼び出しを含み、多くの場合、異なるモデルまたはソフトウェアツール間でデータを渡す。 モデルやソフトウェアツールの間でデータを受け渡すことが多い。
• プロンプト・チューニング:A モデル最適化手法 学習中に「ソフトプロンプト」（学習可能なパラメータ）を更新するモデル最適化手法。プロンプト連鎖は 推論時間戦略であり モデルの重みを変更することなく、標準的な自然言語入力を使用する推論時 の重みを変更することなく、標準的な自然言語入力を使用する推論時間戦略である。

プロンプトチェイニングを活用することで、開発者はスタンドアロンモデルのコンテキストの制限や推論のボトルネックを克服することができる。 を克服することができる。このテクニックは エージェント型AI システムを構築する上で不可欠な技術である。 ロボット工学やオートメーションにおける複雑で動的な問題を解決する。