Prompt Chain
Prompt Chain（提示链/提示串联；prompt chaining）指把一个任务拆成两个或以上的提示模板按顺序执行：前一步的输出作为后一步提示的输入参数，如此迭代直到完成全部步骤（Wu et al., 2022）。
它的价值在于：把“一个大而杂的任务”拆成多个更简单、目标更明确的子任务，从而提升稳定性、可控性与可调试性。
1) 基本形式（抽象定义）
一个 prompt chain 通常长这样：
- Prompt 1（抽取/理解/计划）→ 输出
x - Prompt 2（基于 x 生成/推理/校验）→ 输出
y - Prompt 3（润色/格式化/安全过滤/最终交付）→ 输出
final
其中每一步都有自己的 prompt template，且下一步会把上一步结果填进模板变量里（parameterize）。
2) 为什么 prompt chaining 有用
相较于单一大 prompt，一条链的优势常见有：
- 降低认知负担：每一步只要求模型做一件事（抽取、推理、写作、校对）
- 可控性更强：你能对关键中间产物加格式约束（JSON、表格、列表）
- 可调试：哪一步错了很清楚，方便定位和替换某一步模板
- 可插入工具：任一步可加入检索、计算器、代码执行、规则引擎
- 减少幻觉：先“抽证据/列事实”，再“只基于事实回答”
3) 常见链式模式（你可以直接套用）
模式 A：Plan → Solve → Verify（规划-求解-校验）
- 生成解题计划/列约束
- 按计划求解
- 自检：对照约束、边界条件、单位、是否回答了问题
模式 B：Retrieve → Read → Answer（检索-阅读-作答，RAG 常用）
- 生成检索 query / 调用搜索
- 对证据做结构化摘录（带 chunk_id）
- 仅基于摘录回答，并输出引用
模式 C：Extract → Transform → Load（抽取-转换-落库，信息抽取常用）
- 从文本抽取字段（JSON）
- 标准化（时间、单位、枚举映射）
- 校验并输出可入库格式
模式 D：Draft → Critique → Revise（写作：初稿-批改-修改）
- 生成初稿
- 按 rubric 批评（列问题与改进点）
- 按批评重写（保留优点，修正问题）
4) 一个具体示例（两步链）
任务：根据用户需求生成会议纪要邮件，但先确保抓全约束。
Prompt 1（抽取需求与约束）
从用户输入中抽取：会议主题、时间、参与者、待办事项、截止日期、风险点。
输出 JSON，字段缺失用 null。
用户输入：{text}
输出（示例）：
{
"topic": "...",
"time": "...",
"attendees": ["..."],
"todos": [{"task":"...","owner":"...","due":"..."}],
"risks": ["..."]
}
Prompt 2（生成邮件）
你将基于以下结构化信息撰写一封会议纪要邮件。
要求：简洁、专业、列出 todos（含负责人和截止日期），不发明 JSON 里没有的信息。
JSON：{json_from_step1}
5) 工程实现要点（落地时最关键的坑）
- 中间结果要结构化：尽量用 JSON/表格，避免自由文本导致“参数难填”
- 每一步都要有验收标准：例如 JSON schema、必须字段、最大长度
- 做失败分支：若 step1 缺关键字段，让 step2 先发澄清问题或走回退模板
- 控制上下文膨胀：链长了 token 会爆；中间产物要“压缩但不丢约束”
- 安全/合规最好单独一步：在最终输出前加“policy filter/redaction”步骤
6) 与“单轮多步骤提示”的区别
- 单轮提示：在一个 prompt 里写“第一步…第二步…”，模型仍可能混在一起、难以约束中间产物。
- Prompt chain：真的分多次调用，你能拿到每一步输出，做校验、修正、再喂给下一步，因此更可控、也更容易和工具/规则集成。
如果你告诉我你要串联的任务类型（RAG 问答/写作/抽取/代码/客服流程），我可以帮你设计一条 2–5 步的 prompt chain：每步模板、输入输出字段、以及失败回退策略。