内容纲要
一次性让大模型“做完一切”，常常得到含混、难复现、不可调试的结果。提示链（Prompt Chaining）通过把复杂任务拆成若干可验证的小步骤，并结合结构化输出与可观测性，显著降低幻觉与错误累积，提升稳定性与交付质量。本文给出可落地的设计原则、流程清单与常见排错点，适合需要稳定输出的研发、产品与内容团队。
TL;DR
- 核心：把复杂任务拆成“单一职责”的有序步骤，用结构化数据在步骤间传递。
- 关键：独立子任务并行、依赖任务顺序执行；关键节点做验证与重试。
- 手段：可观测性（记录输入/输出）、缓存（复用相同输入）、分级模型（小模型做易事）。
- 边界：简单任务不必上链；当“描述里频繁出现‘然后/同时’”，应考虑拆分。
- 实践：JSON 为首选中间格式；为每步写一句“验收条件”；失败要能回滚与降级。
- 延伸：与并行化、上下文工程配合使用效果最佳。
是什么：提示链的核心与术语澄清
提示链（Prompt Chaining）是把复杂任务拆成多个连续步骤的执行模式，前一步的输出作为下一步的输入，亦称“管道模式”。它强调：
- 单一职责：每一步只做一件事，便于验证与替换
- 结构化输出：用 JSON/XML 传递数据，降低二义性
- 可观测性：记录每步输入/输出，便于定位与复盘
基础示意（顺序依赖场景）：
输入 → [提示1 + LLM] → 输出1 → [提示2 + LLM] → 输出2 → 最终结果说明：
- 适用于存在明确依赖的多步推理或加工；
- 结合并行化可进一步提速：独立子任务并行、依赖环节顺序；
- 配合上下文工程，整体质量显著优于“单次长提示”。
配图（上下文工程是质量前提）：
读图要点：高质量上下文（系统提示、工具输出、历史对话、用户画像）是稳定输出的“地基”。
提示链结构示意：
读图要点：每个步骤既可复用也可单测；中间结果可审阅、回放与修正。
术语速查：
- 结构化输出：在步骤间传 JSON，避免自然语言解析误差
- LCEL：LangChain 表达式语言（用管道符 <code>|</code> 串接模块）
- 上下文工程：构建完整信息环境，而非只调词令句
为什么：从“单次大而全”到“可控小步骤”
单一提示常见问题：
- 指令被忽视、上下文丢失，导致答非所问
- 错误累积难以定位，复盘成本高
- 输出不可复现、难以 A/B 与版本化
提示链的优势：
- 每步聚焦一个子任务，易于校验与替换
- 可以查看中间结果，便于纠错与人工干预
- 易于做性能与成本优化（并行、缓存、分级模型）
适用边界：
- 适合：多步推理、工具调用链、高失败率环节需要验证的流程
- 不必：一次性问答、极短的结构化抽取、无依赖的简单任务
怎么做：可落地流程与清单
1）拆分步骤（单一职责）
- 规则：每步用一句话能清楚描述；若出现“然后/同时”，继续拆
- 产物：步骤列表 + 每步“输入/输出/验收条件”
2）定义中间数据（结构化输出）
- 首选 JSON：定义字段、类型、可选值与必填项
- 关键步骤添加“数据完整性校验”与“格式校验”
3）并行 + 顺序混合
- 独立子任务并行（检索、信息提取、评审等）
- 依赖环节顺序执行（整合、生成最终稿）
- 注意合并策略：冲突优先级、打分与去重
4）错误处理与重试
- 关键步骤：验证失败 → 定向重试（仅重跑该步）
- 失败降级：返回最小可用结果或触发人工审阅
- 记录失败样本，作为提示与规则迭代素材
5）可观测性与缓存
- 记录每步输入/输出 + 成本与时延，便于审计与优化
- 对相同输入启用缓存，避免重复计算
6）分级模型选择
- 简单规则/提取：小模型；复杂生成/推理：大模型
- 在链上混用模型，优化性价比
参考流程（内容创作）：
主题 → 生成选项 → 用户选择 → 生成大纲 → 逐段撰写 → 润色 → 完整文章运行前提与提醒：
- 需明确目标读者与风格；
- 为“逐段撰写”定义统一术语表与样例；
- 在“完整文章”前加一致性与事实核查。
对比与取舍：与并行化、上下文工程如何配合
- 提示链 vs 并行化：有依赖链用提示链，独立任务用并行化；实际常混用
- 提示链 vs 上下文工程：提示链是执行模式；上下文工程是信息组织方式
- 组合建议：
- 先用上下文工程把信息准备好
- 独立收集/提取并行执行
- 依赖整合用顺序提示链
- 关键节点强校验 + 重试
常见错误与排错清单
- 自然语言在链间传递，造成歧义 → 用 JSON 并校验字段
- 所有步骤都用大模型 → 分级选型，小模型做易事
- 无可观测性 → 记录输入/输出、成本与耗时；保留失败样本
- 并行合并混乱 → 先定冲突处理与去重策略，再落地
- 无失败重试与降级 → 关键步骤要可重跑，并提供最小可用结果
- 无术语与样例 → 链上风格不一致；准备术语表与黄金样例
FAQ
- 问：提示链会增加时延吗？
答：会。通过并行独立子任务、缓存相同输入、分级模型，可把总耗时与成本控制在可接受范围。 - 问：需要几步合适？
答：一般 3–5 步。以“一步一句话”描述为准绳，出现“然后/同时”就再拆。 - 问：中间步骤失败怎么办？
答：关键步骤做验证与定向重试；必要时降级或触发人工审阅。 - 问：与并行化是什么关系？
答：链上依赖用顺序，独立环节并行，混用最佳。 - 问：如何保证链间传递的准确性？
答：统一使用结构化格式（JSON/XML），并在关键节点添加数据完整性检查。
延伸阅读与引用
- LangChain LCEL（表达式语言）：https://python.langchain.com/docs/expression_language/
说明：用于构建提示链的核心语法与编排方式 - LangGraph（有状态图）：https://langchain-ai.github.io/langgraph/
说明：支持状态管理与循环计算 - Prompt Engineering Guide - Chaining：https://www.promptingguide.ai/techniques/chaining
说明：分步处理的优势与典型应用（如多阶段摘要） - Google Vertex AI Prompt Optimizer：https://cloud.google.com/vertex-ai/docs/generative-ai/learn/prompts/prompt-optimizer
说明：企业级提示优化与治理工具
总结
提示链把“难而大”的问题拆成“稳而小”的步骤：结构化输出降低歧义，可观测性提升可控性，并行+顺序的混合保证效率与质量。为关键步骤加验证与重试，再用上下文工程夯实信息底座，即可在复杂流程中持续交付稳定、可复现的结果。接下来，建议结合你的真实流程，先把“验收条件”写清，再逐步上链。