定义

提示链是一种技术，其中一个语言模型（LLM）提示生成的输出作为后续相关提示的输入或上下文。与依赖单个、庞大的提示来解决复杂问题不同，链式调用将任务分解为一系列更小、更易于管理且相互关联的步骤。

为什么它很重要

复杂的现实世界问题很少有简单的“一击即中”的答案。提示链允许开发人员和分析师以受控的、迭代的方式利用 LLM 在特定子任务上的优势——例如提取、总结、推理和格式化。与单提示方法相比，这显著提高了最终输出的可靠性和深度。

工作原理

这个过程本质上是顺序的。步骤 1 执行一个提示，产生输出 A。然后，输出 A 被程序化地输入到步骤 2 提示的输入字段中，该提示旨在处理输出 A 并生成输出 B。这个流程会持续进行，直到达到最终的期望结果。像 LangChain 这样的框架就是专门设计来管理这种有状态的多步骤执行的。

常见用例

• 数据提取和结构化： 首先，提示 LLM 从非结构化文本中提取关键实体。第二个提示然后接收这些实体并将它们格式化为严格的 JSON 模式。
• 复杂推理： 一个链可以首先总结一份长文档，然后下一个提示可以使用该摘要来回答一个高度具体、需要推断的问题。
• 代码生成和完善： 初始提示生成样板代码；后续提示根据一套最佳实践审查该代码并建议必要的修改。

主要优势

• 提高准确性： 通过隔离任务，每个提示都可以针对一个狭窄的功能进行高度优化，从而减轻模型的认知负担并最大限度地降低“幻觉”风险。
• 透明度和调试： 这种分步性质允许工程师检查中间输出，从而更容易精确定位错误或偏差发生的确切位置。
• 处理复杂性： 它使得解决多阶段问题成为可能，而这些问题会使单个提示的上下文窗口或指令集不堪重负。

挑战

• 延迟和成本： 每一步都需要一个单独的 API 调用，从而增加了总执行时间和相关的 token 成本。
• 编排开销： 实现和管理提示之间的状态转移需要强大的软件工程基础设施。
• 错误传播： 早期步骤中的错误或不良输出不可避免地会降低所有后续步骤的质量。

相关概念

智能体（Agents）、检索增强生成（RAG）、少样本学习（Few-Shot Learning）