★ FEATURED ARTICLE 《Agentic Design Patterns》第 1 章导读提示词链Prompt Chaining本文是对开源书籍《Agentic Design Patterns》第 1 章的解读与导读内容忠实呈现原文后续引入个人思考。原书在线阅读https://adp.xindoo.xyz/ 翻译项目代码仓库https://github.com/xindoo/agentic-design-patterns大型语言模型LLM非常强大但当它需要在一个整体化的提示词里同时解决多个问题时往往会力不从心。标注过高、指令被忽略、上下文丢失、错误放大——这些都是单体提示词的常见毛病。提示词链Prompt Chaining又叫管道模式Pipeline pattern正是用来解决这类问题的思路把复杂任务拆成一系列更小、更聚焦、顺序执行的子步骤前一步的输出作为后一步的输入环环相扣逐步逼近最终答案。这是《Agentic Design Patterns》开篇介绍的第一个模式也是构建复杂 AI 智能体体系的地基。本文将带你理解它到底解决了什么、怎么用、以及它的边界。一、为什么要用提示词链单体提示词的困境面对多维度的复杂任务单独用一个复杂提示词通常效率很低。LLM 会表现出典型的过载症状指令忽略部分提示内容被无视上下文偏离模型逐渐丢失对初始目标的追踪错误传播前期的错误在后期的推理中被放大上下文窗口不足模型拿到的信息不足以生成可靠响应幻觉认知负荷过高导致编造不实信息。书中举了个很形象的例子要求模型分析一份市场研究报告、总结发现、识别趋势、并起草一封邮件。这个请求包含太多环节模型可能总结做得不错但提取数据或起草邮件就出差错了。提示词链的核心思想是分而治之把这样的复杂问题拆成独立、聚焦、顺序推进的小步骤。以上面的例子为例可以拆成三步总结“总结以下市场研究报告的主要发现[文本]”——模型的唯一焦点就是总结趋势识别“基于这份摘要识别前三个新兴趋势并给出支撑数据[上一步输出]”——这一步建立在已验证的基础上约束更强写邮件“给营销团队起草一封简明邮件概述这些趋势及其数据[上一步输出]”。环节拆细之后每一步的认知负荷都下降了也就更容易得到准确、可靠的结果。这种模块化有点像计算流水线——每个函数只干一件事然后把结果往下传。二、链的可靠性关键在结构化输出提示词链的可靠性高度依赖步骤间传递的数据是否干净。如果前一步的输出含糊不清、格式混乱后一步很可能因为它拿到的是坏输入而失败。书中的建议是在步骤之间指定结构化输出格式如 JSON、XML。比如趋势识别这一步的输出可以定义成 JSON 对象{trends:[{trend_name:AI-Powered Personalization,supporting_data:73% of consumers prefer to do business with brands that use personal information to make their shopping experiences more relevant.},{trend_name:Sustainable and Ethical Brands,supporting_data:Sales of products with ESG-related claims grew 28% over the last five years, compared to 20% for products without.}]}结构化格式保证数据是机器可读、可精确解析的能无歧义地拼进下一个提示词最大程度避免自然语言解释带来的误差。这是构建健壮多步 LLM 系统的关键组件。三、提示词链的典型应用场景书中枚举了 7 个实际用例我整理成一张速览表应用场景大致步骤典型价值信息处理工作流提取文本 → 总结 → 抽取实体 → 查知识库 → 生成报告自动化内容分析、研究助手复杂查询问答拆解子问题 → 分项检索 → 综合答案多步推理、跨来源信息集成数据提取与转换抽取字段 → 校验 → 条件性补全 → 规范化处理发票、表单、OCR 结果内容生成工作流构思 → 大纲 → 分段起草 → 修订创意写作、技术文档自动生成带状态的对话智能体识别意图与实体 → 更新状态 → 生成响应多轮对话上下文维护代码生成与完善伪代码 → 草稿 → 审查 → 重写 → 加文档/测试AI 辅助软件开发多模态多步推理提取图内文本 → 链接标签 → 结合表格推断图片表格文本的联合分析其中一个值得注意的洞见是复杂操作常把并行 链式混着用。比如一个自动化研究智能体初期从多篇文章里提取关键信息时适合用并行处理但一旦进入整合、综合成草稿、审查完善的阶段就必须是链条式的——每一步都依赖前一步的结果这正是提示词链大显身手的地方。另外提示词链还允许在两次 LLM 调用之间插入确定性逻辑比如中间数据处理、输出校验、条件分支甚至把精确的算术运算委托给外部计算器工具LLM 做精确数学计算很吃力。这种文本处理 外部工具的链式组合能拿到单靠一次 LLM 查询很难可靠得到的精确结果。四、实操示例用 LangChain 搭一个两步链书中用 LangChain / LangGraph 演示了线性序列的实现。先是安装依赖pipinstalllangchain langchain-community langchain-openai langgraph然后是一段先提取技术规格、再转成 JSON的两步链importosfromlangchain_openaiimportChatOpenAIfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParser## 为了更好的安全性从 .env 文件加载环境变量## from dotenv import load_dotenv## load_dotenv()## 确保你的 OPENAI_API_KEY 在 .env 文件中设置llmChatOpenAI(temperature0)## --- 提示词 1提取信息 ---prompt_extractChatPromptTemplate.from_template(从以下文本中提取技术规格\n\n{text_input})## --- 提示词 2转换为 JSON ---prompt_transformChatPromptTemplate.from_template(将以下规格转换为 JSON 对象使用 cpu、memory 和 storage 作为键\n\n{specifications})## --- 利用 LCEL 构建处理链 ---## StrOutputParser() 将 LLM 的消息输出转换为简单字符串。extraction_chainprompt_extract|llm|StrOutputParser()## 完整的链将提取链的输出传递到转换提示词的 specifications 变量中。full_chain({specifications:extraction_chain}|prompt_transform|llm|StrOutputParser())input_text新款笔记本电脑型号配备 3.5 GHz 八核处理器、16GB 内存和 1TB NVMe 固态硬盘。final_resultfull_chain.invoke({text_input:input_text})print(\n--- 最终 JSON 输出 ---)print(final_result)思路很清晰extraction_chain先从原文里抽出规格文字full_chain再把这份规格交给第二个提示词转成 JSON。LangChain 的表达式语言LCEL用|把提示词→模型→输出解析器优雅地串成一条流水线。五、配套概念从提示工程到上下文工程第 1 章不止讲了链本身还引入了**上下文工程Context Engineering**这一重要概念。图 1上下文工程是为 AI 构建丰富、全面的信息环境的学科——上下文质量是实现高级智能体性能的主要因素。书中强调模型输出的质量更取决于所提供的上下文的丰富度而非模型架构本身。上下文工程就是在生成 token 之前系统地设计、构建并喂给模型一整套信息环境比传统只优化提示词措辞的提示工程走得更远。它涵盖多层信息系统提示词定义 AI 操作参数的基础指令例如你是一名技术作家语气必须正式且精确检索文档AI 主动从知识库拉取信息来指导回答工具输出AI 调用外部 API 获取实时数据比如查日历判断用户是否有空隐性数据用户身份、交互历史、环境状态等并不显式出现的背景信息。为此还可借助Google Vertex AI 提示优化器这类工具用样本输入 评估指标来系统化地自动化改进上下文形成反馈闭环。可以说上下文工程是把无状态聊天机器人升级为情境感知、高度能干系统的关键方法论。六、速览问题背景复杂任务塞进单个提示词会让 LLM 不堪重负出现指令忽略、上下文偏离、错误放大、幻觉等问题输出不可靠。解决方案把复杂问题分解成一系列较小的子任务每个子任务用聚焦提示词处理一步输出作为下一步输入形成逻辑工作流步骤间还能插入外部工具与结构化数据格式。实践建议当任务对单个提示词来说过于复杂、涉及多个不同的处理阶段、需要在步骤间与外部工具交互或要构建需多步推理并维护状态的智能体系统时就应使用此模式。七、可视化总结图 2提示词链模式 —— 智能体从用户接收一系列提示词每个智能体的输出作为链中下一个智能体的输入。关键要点提示词链把复杂任务拆成一系列更小、更聚焦的步骤有时也叫管道模式链中每一步都包含一次 LLM 调用或处理逻辑以前一步输出为输入它显著提升了复杂交互的可靠性与可管理性LangChain / LangGraph、Google ADK 等框架为定义、管理和执行这些多步序列提供了健壮工具。结语与个人思考提示词链是《Agentic Design Patterns》开篇的第一个模式也是全书构建复杂 AI 智能体的地基工程。它的价值不在于炫技而在于把分而治之这一朴素思想用在了 LLM 场景上一次只让模型干好一件事。值得延伸思考的是提示词链并非银弹。它的强项是线性、有依赖的任务流这也意味着如果各子任务之间没有强依赖、可以并行那链条反而会拖慢进度此时应考虑第 3 章的并行化模式如果步骤太多链的调试和审计成本也会上升。书中建议在多步模式下为每一步分配不同角色如市场分析师“文档撰写者”来提升稳定性这也是个很实用的调参思路。下一步建议阅读第 2 章路由Routing——看看如何根据输入自动选择合适的处理路径和提示词链形成互补。本文基于开源书籍《Agentic Design Patterns》https://github.com/xindoo/agentic-design-patterns 在线阅读 https://adp.xindoo.xyz/ 整理供学习交流版权归原作者所有。
阅读完成 · 觉得有帮助？
