Prompt Chaining

O encadeamento de prompts é um padrão arquitetural avançado no desenvolvimento de Inteligência Artificial (IA) onde uma tarefa complexa é decomposta em uma sequência de sub-tarefas menores e gerenciáveis. Neste fluxo de trabalho, a saída de uma etapa — frequentemente gerada por um Modelo de Linguagem Grande (LLM) ou por um sistema de visão computacional — serve como entrada para a etapa subsequente. Ao contrário de um único prompt monolítico que tenta resolver um problema multifacetado de uma só vez, o encadeamento permite que desenvolvedores criem aplicações mais confiáveis, testáveis e capazes. Esta abordagem modular é essencial para a criação de Agentes de IA sofisticados que conseguem raciocinar, navegar na web ou interagir com ambientes físicos.

Link to this sectionA Mecânica do Encadeamento#

Em sua essência, o encadeamento de prompts aborda as limitações das janelas de contexto e das capacidades de raciocínio em Modelos de Fundação. Quando um modelo é solicitado a realizar muitas operações distintas em uma única requisição (por exemplo, "Analise esta imagem, extraia o texto, traduza-o para o espanhol e formate-o como uma fatura JSON"), a probabilidade de erro aumenta. Ao dividir isso em um pipeline, os desenvolvedores podem verificar a precisão de cada estágio.

Cadeias eficazes frequentemente utilizam "código de colagem" escrito em Python ou gerenciado por bibliotecas de orquestração como LangChain para lidar com a transformação de dados entre as etapas. Isso permite a integração de tecnologias díspares, como combinar a acuidade visual da Detecção de Objetos com a fluência linguística de modelos de texto generativos.

Link to this sectionAplicações no Mundo Real#

O encadeamento de prompts é particularmente poderoso ao preencher a lacuna entre diferentes modalidades de dados, permitindo que Modelos Multimodais funcionem em ambientes industriais e comerciais dinâmicos.

1. Relatórios Visuais Automatizados: Na Manufatura Inteligente, um sistema de controle de qualidade pode encadear um modelo de visão com um LLM. Primeiro, um modelo de alta velocidade como o Ultralytics YOLO26 escaneia componentes em uma linha de montagem. A saída estruturada (por exemplo, "Classe: Lata_Amasada, Confiança: 0.92") é convertida em uma string de texto. Este texto é então passado para um modelo de linguagem com um prompt como "Redija um pedido de manutenção baseado neste defeito", gerando um e-mail legível por humanos para o gerente de chão de fábrica.

2. Suporte ao Cliente com Consciência de Contexto: Chatbots inteligentes frequentemente usam encadeamento para navegar em consultas complexas de usuários. O primeiro elo na cadeia pode usar Processamento de Linguagem Natural (NLP) para classificar a intenção do usuário. Se a intenção for técnica, o sistema dispara um fluxo de trabalho de Geração Aumentada por Recuperação (RAG): ele gera embeddings para a consulta, pesquisa em um banco de dados vetorial por documentação e, finalmente, instrui um LLM a sintetizar os fragmentos recuperados em uma resposta útil.

Link to this sectionExemplo de Código de Visão para Linguagem#

O exemplo a seguir demonstra o primeiro "elo" em uma cadeia: usar Visão Computacional (CV) para gerar dados estruturados que servem como contexto para um prompt subsequente.

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)

Link to this sectionDistinguindo Conceitos Relacionados#

Para implementar arquiteturas de Aprendizado de Máquina (ML) eficazes, é útil diferenciar o encadeamento de prompts de termos similares no cenário de IA:

• Vs. Prompting de Cadeia de Pensamento: Cadeia de Pensamento (CoT) é uma técnica usada dentro de um único prompt para incentivar um modelo a "mostrar seu raciocínio" (por exemplo, "Pense passo a passo"). O encadeamento de prompts envolve múltiplas chamadas de API distintas onde a entrada para o passo B depende da saída do passo A.
• Vs. Engenharia de Prompt: A engenharia de prompt é a disciplina mais ampla de otimizar entradas de texto para obter um melhor desempenho do modelo. O encadeamento é um padrão de engenharia específico que foca no fluxo sequencial de operações e no controle lógico.
• Vs. Ajuste de Prompt: O ajuste de prompt é um método de Otimização de Modelo que atualiza parâmetros treináveis (prompts suaves) durante uma fase de treinamento. O encadeamento de prompts ocorre inteiramente durante a Inferência em Tempo Real e não altera os Pesos do Modelo do modelo.

Ao aproveitar o encadeamento de prompts, as equipes podem construir aplicações robustas que integram lógica, recuperação de dados e Reconhecimento de Ação. Para gerenciar os conjuntos de dados e treinar os modelos de visão que impulsionam essas cadeias, a Plataforma Ultralytics oferece uma solução centralizada para anotação, treinamento e implantação.