Prompt Chaining

O encadeamento de prompts é um padrão arquitetural avançado no desenvolvimento de Inteligência Artificial (AI), no qual uma tarefa complexa é decomposta numa sequência de subtarefas menores e geríveis. Neste fluxo de trabalho, o resultado de uma etapa — frequentemente gerado por um Grande Modelo de Linguagem (LLM) ou por um sistema de visão computacional — serve como entrada para a etapa seguinte. Ao contrário de um único prompt monolítico que tenta resolver um problema multifacetado de uma só vez, o encadeamento permite aos programadores criar aplicações mais fiáveis, testáveis e capazes. Esta abordagem modular é essencial para criar Agentes de IA sofisticados, capazes de raciocinar, navegar na Web ou interagir com ambientes físicos.

Mecânica do encadeamento#

Na sua essência, o encadeamento de prompts aborda as limitações das janelas de contexto e das capacidades de raciocínio dos Modelos fundacionais. Quando se pede a um modelo que execute demasiadas operações distintas num único pedido (por exemplo, "Analisa esta imagem, extrai o texto, traduz-o para espanhol e formata-o como uma fatura JSON"), a probabilidade de erro aumenta. Ao dividir o processo num pipeline, os programadores podem verificar a precisão de cada etapa.

Os encadeamentos eficazes utilizam frequentemente "código de ligação" escrito em Python ou gerido por bibliotecas de orquestração como a LangChain, para tratar da transformação de dados entre etapas. Isto permite integrar tecnologias distintas, como combinar a acuidade visual da Deteção de Objetos com a fluência linguística de modelos generativos de texto.

Aplicações no mundo real#

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

1. Relatórios visuais automatizados: No contexto da Fabricação inteligente, um sistema de controlo de qualidade pode encadear um modelo de visão com um LLM. Primeiro, um modelo de alta velocidade como o Ultralytics YOLO26 analisa componentes numa linha de montagem. O resultado estruturado (por exemplo, "Classe: Dented_Can, Confiança: 0.92") é convertido numa cadeia de texto. Esse texto é então enviado para um modelo de linguagem com um prompt como "Redige um pedido de manutenção com base neste defeito", gerando um e-mail legível para o responsável pela produção.

2. Suporte ao cliente sensível ao contexto: Os chatbots inteligentes utilizam frequentemente o encadeamento para lidar com consultas complexas dos utilizadores. O primeiro elo do encadeamento pode utilizar o Processamento de Linguagem Natural (NLP) para classificar a intenção do utilizador. Se a intenção for técnica, o sistema aciona um fluxo de trabalho de Geração Aumentada por Recuperação (RAG): gera embeddings para a consulta, pesquisa documentação numa base de dados vetorial e, por fim, solicita a um LLM que sintetize os fragmentos recuperados numa resposta útil.

Exemplo de código de visão para linguagem#

O exemplo seguinte demonstra o primeiro "elo" de um encadeamento: utilizar Visão Computacional (CV) para gerar dados estruturados que servem de 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)

Distinguir conceitos relacionados#

Para implementar arquiteturas eficazes de Aprendizagem Automática (ML), é útil distinguir o encadeamento de prompts de termos semelhantes no panorama da IA:

• Em comparação com Prompting de Cadeia de Pensamento: A Cadeia de Pensamento (CoT) é uma técnica utilizada dentro de um único prompt para incentivar um modelo a "mostrar o seu raciocínio" (por exemplo, "Pensa passo a passo"). O encadeamento de prompts envolve várias chamadas distintas à API, nas quais a entrada da etapa B depende do resultado da etapa A.
• Em comparação com Engenharia de Prompts: A engenharia de prompts é a disciplina mais abrangente de otimização das entradas de texto para obter um melhor desempenho do modelo. O encadeamento é um padrão de engenharia específico que se centra no fluxo sequencial das operações e no controlo da lógica.
• Em comparação com Ajuste de Prompts: O ajuste de prompts é um método de Otimização de Modelos que atualiza parâmetros aprendíveis (soft prompts) durante uma fase de treino. O encadeamento de prompts ocorre inteiramente durante a Inferência em tempo real e não altera os Pesos do Modelo.

Ao tirar partido do encadeamento de prompts, as equipas podem criar aplicações robustas que integram lógica, recuperação de dados e Reconhecimento de Ações. Para gerir os conjuntos de dados e treinar os modelos de visão que alimentam estes encadeamentos, a Plataforma Ultralytics oferece uma solução centralizada para anotação, treino e implementação.