Prompt Chaining

Prompt chaining là một mô hình kiến trúc tiên tiến trong phát triển Trí tuệ nhân tạo (AI), trong đó một tác vụ phức tạp được phân tách thành một chuỗi các tác vụ con nhỏ hơn, dễ quản lý hơn. Trong quy trình này, đầu ra của một bước—thường được tạo bởi Mô hình ngôn ngữ lớn (LLM) hoặc hệ thống thị giác máy tính—sẽ đóng vai trò là đầu vào cho bước tiếp theo. Không giống như một prompt đơn lẻ cố gắng giải quyết một vấn đề đa diện cùng một lúc, chaining (chuỗi prompt) cho phép các lập trình viên xây dựng các ứng dụng đáng tin cậy, dễ kiểm thử và có năng lực cao hơn. Phương pháp mô-đun này rất cần thiết để tạo ra các Tác nhân AI tinh vi có khả năng suy luận, duyệt web hoặc tương tác với môi trường vật lý.

Link to this sectionCơ chế của Chaining#

Về cốt lõi, prompt chaining giải quyết các hạn chế về ngữ cảnh (context window) và khả năng suy luận của Mô hình nền tảng. Khi một mô hình được yêu cầu thực hiện quá nhiều thao tác riêng biệt trong một yêu cầu duy nhất (ví dụ: "Phân tích hình ảnh này, trích xuất văn bản, dịch sang tiếng Tây Ban Nha và định dạng nó thành hóa đơn JSON"), xác suất xảy ra lỗi sẽ tăng lên. Bằng cách chia nhỏ quy trình này thành một pipeline, các lập trình viên có thể xác minh độ chính xác của từng giai đoạn.

Các chuỗi hiệu quả thường sử dụng "glue code" (mã kết nối) được viết bằng Python hoặc được quản lý bởi các thư viện điều phối như LangChain để xử lý việc chuyển đổi dữ liệu giữa các bước. Điều này cho phép tích hợp các công nghệ khác biệt, chẳng hạn như kết hợp khả năng thị giác của Phát hiện đối tượng với khả năng ngôn ngữ linh hoạt của các mô hình văn bản tạo sinh.

Link to this sectionCác ứng dụng trong thực tế#

Prompt chaining đặc biệt mạnh mẽ khi thu hẹp khoảng cách giữa các phương thức dữ liệu khác nhau, cho phép các Mô hình đa phương thức hoạt động trong các môi trường công nghiệp và thương mại năng động.

1. Báo cáo trực quan tự động: Trong Sản xuất thông minh, hệ thống kiểm soát chất lượng có thể kết nối một mô hình thị giác với một LLM. Đầu tiên, một mô hình tốc độ cao như Ultralytics YOLO26 sẽ quét các thành phần trên dây chuyền lắp ráp. Đầu ra có cấu trúc (ví dụ: "Class: Dented_Can, Confidence: 0.92") được chuyển đổi thành một chuỗi văn bản. Văn bản này sau đó được truyền đến một mô hình ngôn ngữ với câu lệnh như "Soạn thảo yêu cầu bảo trì dựa trên lỗi này," tạo ra một email mà quản lý phân xưởng có thể đọc hiểu.

2. Hỗ trợ khách hàng nhận biết ngữ cảnh: Các chatbot thông minh thường sử dụng chaining để điều hướng các truy vấn phức tạp của người dùng. Mắt xích đầu tiên trong chuỗi có thể sử dụng Xử lý ngôn ngữ tự nhiên (NLP) để phân loại ý định của người dùng. Nếu ý định đó mang tính kỹ thuật, hệ thống sẽ kích hoạt quy trình Tạo tăng cường truy xuất (RAG): nó tạo ra các embeddings cho truy vấn, tìm kiếm tài liệu trong cơ sở dữ liệu vector, và cuối cùng yêu cầu LLM tổng hợp các đoạn tài liệu được truy xuất thành một câu trả lời hữu ích.

Link to this sectionVí dụ mã nguồn Vision-to-Language#

Ví dụ dưới đây minh họa "mắt xích" đầu tiên trong một chuỗi: sử dụng Thị giác máy tính (CV) để tạo ra dữ liệu có cấu trúc làm ngữ cảnh cho một prompt ở bước tiếp theo.

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 sectionPhân biệt các khái niệm liên quan#

Để triển khai các kiến trúc Học máy (ML) hiệu quả, việc phân biệt prompt chaining với các thuật ngữ tương tự trong bối cảnh AI là rất hữu ích:

• Vs. Chain-of-Thought Prompting: Chain-of-Thought (CoT) là một kỹ thuật được sử dụng trong nội bộ một prompt duy nhất để khuyến khích mô hình "thể hiện cách làm việc" (ví dụ: "Hãy suy nghĩ từng bước một"). Prompt chaining liên quan đến nhiều lệnh gọi API riêng biệt, trong đó đầu vào cho bước B phụ thuộc vào đầu ra của bước A.
• Vs. Prompt Engineering: Prompt engineering là một chuyên ngành rộng hơn về tối ưu hóa đầu vào văn bản để đạt được hiệu suất mô hình tốt hơn. Chaining là một mô hình kỹ thuật cụ thể tập trung vào luồng hoạt động tuần tự và kiểm soát logic.
• Vs. Prompt Tuning: Prompt tuning là một phương pháp Tối ưu hóa mô hình giúp cập nhật các tham số có thể học được (soft prompts) trong giai đoạn huấn luyện. Prompt chaining xảy ra hoàn toàn trong quá trình Suy luận thời gian thực và không làm thay đổi Trọng số mô hình của mô hình.

Bằng cách tận dụng prompt chaining, các đội ngũ có thể xây dựng các ứng dụng mạnh mẽ tích hợp logic, truy xuất dữ liệu và Nhận diện hành động. Để quản lý tập dữ liệu và huấn luyện các mô hình thị giác hỗ trợ cho những chuỗi này, Ultralytics Platform cung cấp một giải pháp tập trung cho việc gán nhãn, huấn luyện và triển khai.