Prompt Chaining：多步骤 Prompt 的设计与编排

难度：中级 分类：Prompt Engineering​

简短回答​

Prompt Chaining（提示链）是将复杂任务分解为多个顺序执行的 LLM 调用，每个调用的输出作为下一个调用的输入。它是 Agentic AI 中最基础的设计模式，也被称为 Pipeline 模式。核心优势：(1) 可控性——每步都有明确的输入输出，易于调试；(2) 可靠性——每个 Prompt 专注于一件事，比要求 LLM 一次完成所有事更准确；(3) 可观测性——可以在任意步骤插入验证、人工审核或条件分支。典型链式结构包括：线性链（A→B→C）、条件链（根据中间结果分支）、并行链（独立步骤并行执行后合并）。AWS 将 Prompt Chaining 列为 Agentic AI 的核心工作流模式之一。​

详细解析​

Prompt Chaining 的基本模式​

​

​

链式三种拓扑：线性直通、条件分支选路、并行扇出-汇合。​

线性链实现​

​

代码块​

Python

class PromptChain:​

"""线性 Prompt Chain 实现"""​

​

def __init__(self, llm):​

self.llm = llm​

self.steps = []​

​

def add_step(self, name, prompt_template, output_parser=None):​

self.steps.append({​

"name": name,​

"prompt": prompt_template,​

"parser": output_parser or (lambda x: x)​

})​

return self​

​

async def run(self, initial_input):​

context = {"input": initial_input}​

​

for step in self.steps:​

# 用当前上下文渲染 Prompt​

prompt = step["prompt"].format(**context)​

​

# 调用 LLM​

response = await self.llm.invoke(prompt)​

​

# 解析输出并加入上下文​

parsed = step["parser"](response)​

​

条件链（Gate/Router 模式）​

​

代码块​

Python

class ConditionalChain:​

"""根据中间结果选择不同的后续链"""​

​

async def run(self, user_input):​

# Step 1: 分类意图​

intent = await self.llm.invoke(f"""​

将以下用户消息分类为一种意图：​

- QUESTION: 用户在提问​

- ACTION: 用户要求执行操作​

- FEEDBACK: 用户在提供反馈​

​

消息：{user_input}​

意图：​

""")​

​

​

并行链​

​

代码块​

Python

​

带验证的链（Quality Gate）​

​

代码块​

Python

class ValidatedChain:​

"""每步都带输出验证的链"""​

​

async def run(self, input_data):​

# Step 1: 生成​

draft = await self.llm.invoke(​

f"为以下产品写一份营销文案：{input_data}"​

)​

​

# Step 2: 验证（Quality Gate）​

validation = await self.llm.invoke(f"""​

审查以下营销文案的质量：​

​

设计原则​

​

代码块​

JSON

​

Prompt Chaining vs Agent Loop​

​

代码块​

Plain Text

Prompt Chaining（确定性工作流）：​

步骤固定、顺序确定、可预测​

适合：标准化流程（审核、转换、报告生成）​

​

Agent Loop（自主决策循环）：​

步骤动态、根据结果决定下一步​

适合：开放式任务（调试、研究、探索）​

​

​

常见误区 / 面试追问​

误区："链越长越好，任务拆得越细越好" — 每增加一步链就增加一次 LLM 调用的延迟和成本，也增加一次出错的机会。关键是找到合适的粒度——每步应该是 LLM 能可靠完成的最小有意义单元。​

误区："Prompt Chaining 就是把多个 Prompt 串联起来" — 好的 Chaining 还包括：中间结果的解析和验证、错误处理和重试、条件分支、并行执行、以及上下文管理。简单的串联只是 Chaining 的最基础形式。​

追问："如何处理链中某一步失败？" — 三种策略：(1) 重试当前步骤（带指数退避）；(2) 跳过当前步骤使用默认值；(3) 回退到上一步用不同方式重试。选择哪种取决于该步骤的关键程度。​

追问："Prompt Chaining 和 LangChain 的 Chain 是什么关系？" — LangChain 的 LLMChain / SequentialChain 等老 Chain 类已被 LCEL（LangChain Expression Language） 替代——LCEL 是新一代的"链表达式"运行时，提供 streaming / async / parallel / fallback 等原语，本质仍是 Prompt Chaining 模式的语法升级。LangGraph 则是不同抽象层级：它是面向 Agent 的有状态图引擎（state + node + edge + checkpointer），用于建模带循环和条件路由的复杂控制流，而不是 Chain 的替代品。简言之：LCEL ≈ "新的 Chain"，LangGraph ≈ "更上层的 Agent 编排"。Prompt Chaining 是通用设计模式，可以用任何语言/框架实现，不依赖 LangChain。​