Prompt Chaining

学习提示链 (Prompt Chaining) 如何将复杂的 AI 任务分解为可靠的工作流。探索如何将 Ultralytics YOLO26 与 LLM 集成以构建先进的 AI 代理。

提示词链是一种人工智能 (AI) 开发中的高级架构模式，它将复杂的任务分解为一系列更小、可管理的子任务。在这种工作流中，前一步的输出（通常由大语言模型 (LLM) 或计算机视觉系统生成）作为后续步骤的输入。与试图一次性解决多方面问题的单一庞大提示词不同，链式调用允许开发者构建更可靠、可测试且功能更强大的应用程序。这种模块化方法对于创建能够进行推理、浏览网页或与物理环境交互的复杂AI 智能体至关重要。

Link to this section链式调用的机制#

从本质上讲，提示词链解决了基础模型中上下文窗口和推理能力的局限性。当要求模型在单个请求中执行过多不同的操作时（例如：“分析此图像，提取文本，将其翻译成西班牙语，并将其格式化为 JSON 发票”），出错的概率就会增加。通过将其拆分为流水线，开发者可以验证每个阶段的准确性。

有效的链式调用通常利用以 Python 编写或由诸如 LangChain 等编排库管理的“胶水代码”来处理步骤之间的数据转换。这允许集成不同的技术，例如将目标检测的视觉敏锐度与生成式文本模型的语言流畅性相结合。

Link to this section实际应用#

当在不同数据模态之间架起桥梁时，提示词链尤其强大，使多模态模型能够在动态的工业和商业环境中发挥作用。

自动化视觉报告： 在智能制造中，质量控制系统可以将视觉模型与 LLM 链接起来。首先，像 Ultralytics YOLO26 这样的高速模型会扫描装配线上的组件。其结构化输出（例如：“类：Dented_Can，置信度：0.92”）被转换为文本字符串。然后，该文本被传递给语言模型，并带有诸如“根据此缺陷草拟一份维护申请”之类的提示词，从而为现场经理生成可读的电子邮件。
上下文感知的客户支持： 智能聊天机器人通常使用链式调用来处理复杂的用户查询。链中的第一环可能使用自然语言处理 (NLP) 对用户意图进行分类。如果意图属于技术类，系统会触发检索增强生成 (RAG) 工作流：它为查询生成嵌入 (embeddings)，在向量数据库中搜索文档，最后提示 LLM 将检索到的片段综合成有用的答案。

Link to this section视觉到语言的代码示例#

以下示例展示了链中的第一“环”：使用计算机视觉 (CV) 生成结构化数据，作为下游提示词的上下文。

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 section区分相关概念#

为了实现有效的机器学习 (ML) 架构，区分提示词链与 AI 领域中的类似术语很有帮助：

与思维链提示 (Chain-of-Thought Prompting) 的区别： 思维链 (CoT) 是一种在单个提示词内使用的技术，旨在鼓励模型“展示其工作过程”（例如：“逐步思考”）。提示词链涉及多个不同的 API 调用，其中步骤 B 的输入取决于步骤 A 的输出。
与提示词工程 (Prompt Engineering) 的区别： 提示词工程是优化文本输入以获取更好模型性能的更广泛学科。链式调用是一种特定的工程模式，专注于操作的顺序流和逻辑控制。
与提示词微调 (Prompt Tuning) 的区别： 提示词微调是一种在训练阶段更新可学习参数（软提示）的模型优化方法。提示词链完全发生在实时推理期间，且不会更改模型的模型权重。