Prompt Chaining

O encadeamento de prompts divide uma tarefa numa sequência de chamadas a um modelo de linguagem de grande porte (LLM) ou a outro modelo, em que cada prompt é criado a partir da saída da chamada anterior. Em vez de um único prompt longo que tem de ler um e-mail de apoio, encontrar o número da encomenda, verificar a encomenda e redigir uma resposta, uma cadeia executa um prompt separado e mais específico para cada etapa, e o código normal transmite os resultados e verifica-os pelo caminho. Cada saída intermédia pode ser inspecionada, testada e corrigida individualmente. Tongshuang Wu, Michael Terry e Carrie Cai estudaram este padrão em AI Chains, apresentado na CHI 2022, onde o encadeamento melhorou a qualidade dos resultados e a perceção de transparência e controlo dos participantes num estudo com 20 pessoas.

Como funciona uma cadeia de prompts#

Uma cadeia é um programa fixo. O programador decide as etapas, a respetiva ordem e o modelo de prompt de cada uma, e o código transfere dados entre elas, muitas vezes como JSON, que um esquema de saída estruturada garante ser analisável. O guia Building Effective Agents da Anthropic classifica o encadeamento de prompts como um fluxo de trabalho, um sistema cujo percurso é definido no código, e descreve verificações programáticas, chamadas gates, entre etapas para confirmar que o processo continua no rumo certo. Os exemplos incluem escrever texto de marketing e depois traduzi-lo, e elaborar um esboço, verificá-lo com base em critérios e só depois redigir o documento. A contrapartida é a latência em troca de precisão: é mais fácil acertar em cada chamada, mas cada etapa acrescenta uma ida e volta.

Os gates são importantes porque os erros acumulam-se. Um valor incorreto extraído na primeira etapa torna-se um facto apresentado com confiança na terceira, por isso as cadeias costumam validar formatos, intervalos ou campos obrigatórios antes de avançar. As cadeias mais longas acrescentam ciclos como o acima, repetindo uma etapa com a mensagem de erro incluída no prompt, ou uma etapa de encaminhamento em que a primeira chamada classifica o pedido e o código seleciona o prompt adequado. Frameworks como o LangChain fornecem blocos de construção para compor cadeias, embora muitas cadeias de produção sejam apenas algumas chamadas de função em Python simples.

Aplicações no mundo real#

• Geração de código: O AlphaCodium encadeia a análise do problema, a geração de testes, a elaboração da solução e a correção orientada por testes, aumentando a pontuação pass@5 do GPT-4 nos problemas de validação do CodeContests de 19%, com um único prompt direto, para 44%.
• Processamento de documentos: Os pipelines de faturas e contratos extraem campos numa chamada, validam-nos no código e geram resumos ou e-mails com base nos campos validados noutra chamada.
• Geração aumentada por recuperação (RAG): A primeira chamada reescreve a pergunta do utilizador como uma consulta de pesquisa, a recuperação é executada no código numa base de dados vetorial e uma segunda chamada responde com base nos trechos recuperados.
• Reconhecimento de matrículas: Um modelo YOLO deteta matrículas em fotogramas de vídeo, e cada matrícula recortada é enviada para o GPT-4o mini, que lê os caracteres como texto, pelo que o modelo de linguagem só vê matrículas.

Ultralytics Platform Agents cria este tipo de cadeia numa tela visual. O modelo YOLO → VLM Monitor executa o YOLO26 numa imagem, envia as deteções para um bloco Gate, que só prossegue quando encontra pelo menos uma pessoa, e envia a imagem com os resultados das etapas anteriores para um modelo visão-linguagem num bloco LLM. A mesma cadeia em Python, até ao prompt da segunda ligação:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Link 1: detect objects and list their class names
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
names = [result.names[int(c)] for c in result.boxes.cls]

# Gate: call the language model only when a person is present
if "person" in names:
    # Link 2: build the next prompt from link 1's output
    prompt = f"Objects detected: {', '.join(names)}. In one sentence, describe what the people are doing."
    print(prompt)

O prompt apresentado transporta os resultados da deteção de objetos para a chamada seguinte, e uma imagem sem pessoas nunca chega até ela.

Encadeamento de prompts vs. conceitos relacionados#

• Prompts de cadeia de pensamento: Pedem a uma única chamada do modelo que explicite as etapas do seu raciocínio. Uma cadeia de prompts distribui as etapas por várias chamadas, com código entre elas.
• Agentes de IA e prompts ReAct: O modelo escolhe a ação seguinte e decide quando terminou. Numa cadeia, o programador fixa as etapas antecipadamente, o que facilita os testes e torna previsíveis os custos.
• Fluxos de trabalho agênticos: A família mais ampla de sistemas LLM criados com várias etapas e ferramentas, que inclui o encadeamento, o encaminhamento, as chamadas paralelas e as configurações orquestrador-trabalhador.
• Engenharia de prompts: A prática de escrever cada prompt individual. O encadeamento é uma decisão de conceção sobre quantos prompts utilizar e como os dados fluem entre eles.