{
  "id": "prompt-chaining",
  "title": "提示链",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "提示链将任务拆分为连续的模型调用，在各阶段之间传递中间输出，构建可控、可检查的工作流。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "concept",
  "aliases": [
    "链式提示",
    "提示链式调用"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/prompt-chaining/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/prompt-chaining/",
      "json": "https://aiwiki.page/en/prompt-chaining.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "提示链是一种将大语言模型的工作组织成多个相互衔接步骤的技术，其中一次模型调用的输出会作为后续调用的输入。与要求模型在单次回复中完成整个任务不同，提示链为连续的提示分配范围更小的职责，例如提取事实、构建提纲、起草文本和检查结果。它将提示工程与应用层面的协调相结合：由软件决定各阶段接收什么信息、如何处理中间结果，以及何时继续或停止执行。"
    },
    {
      "heading": "工作原理",
      "text": "提示链将任务划分为具有明确依赖关系的多个阶段。每个阶段通常包含指令、相关输入数据、预期输出格式，以及结果的验收标准。各阶段可以使用同一个模型、不同模型，也可以混合使用模型调用和常规软件操作。\n\n简单的线性提示链可以表示为：\n\n\\[y_i = M_i\\bigl(P_i(x, y_{i-1})\\bigr),\\]\n\n其中，\\(x\\) 是原始输入，\\(P_i\\) 为阶段 \\(i\\) 构建提示，\\(M_i\\) 是该阶段使用的模型，\\(y_i\\) 是其输出。第一阶段没有前一阶段的输出，构建提示时也就不使用这类输出。更一般的实现会传递选定的先前输出或共享状态，而不只是紧邻的前一阶段结果。\n\n例如，文档处理提示链可以包含以下步骤：\n\n- 从文档中提取论断及其支撑段落。\n- 按主题对这些论断进行分组。\n- 根据分组生成提纲。\n- 利用提纲和提取的证据起草报告。\n- 检查报告中的论断是否得到所提供段落的支持。\n\n连接这些阶段的应用程序可以拒绝格式不合要求的输出、要求修改，或将结果转交人工审核。因此，提示链不只是写在纸面上的一连串提示：它的行为取决于信息与执行过程如何协调。\n\n提示链通常发生在神经网络推理期间。它本身不会更新模型参数，也不构成微调。"
    },
    {
      "heading": "结构与编排",
      "text": "中间表示\n\n阶段之间交换的信息可以是自然语言文本、表格、代码、标签或结构化记录。一种常见实现是使用带有 claims、evidence 和 unresolved_questions 等字段的 JSON 对象。\n\n结构化输出让某些检查变得简单直接。软件可以验证必填字段是否存在、某个值是否符合预期类型，或者标识符是否指向可用的文档。这些检查并不能证明内容真实。格式正确的记录仍然可能包含缺乏依据的论断或错误的解释。\n\n中间表示也决定了后续阶段能够获知哪些信息。仅传递摘要可以缩小输入规模，但可能丢失限定条件、例外情况或来源细节。传递完整历史记录可以保留更多信息，但会增加处理成本，也可能引入无关材料。\n\n控制流\n\n虽然“链”让人联想到线性序列，但相关工作流往往也包含分支、并行处理和次数有限的修改循环。分类器可以从多个专用提示中选择一个；相互独立的章节可以通过并行计算处理后再合并；验证失败则可能触发再次尝试。\n\n在广义用法中，这些安排有时也被称为提示链，不过用“工作流”或“图”来描述更为准确。它们的控制流既可以由软件预先固定，也可以根据模型输出动态选择。\n\n协调应用通常通过应用程序编程接口与模型连接。应用程序负责维护状态、处理故障并实施执行限制。模型生成的指令，只有在外围软件对其进行解释或执行时，才会产生实际操作效果。"
    },
    {
      "heading": "与其他技术的关系",
      "text": "思维链提示\n\n提示链与思维链提示是不同的技术。思维链提示旨在引出或鼓励模型在一次回复中给出中间推理过程。提示链则将工作分配到多次独立调用中，并由外部系统管理阶段之间的衔接。\n\n提示链可以包含侧重推理的阶段，但也完全可以不要求模型解释推理过程。一个依次提取姓名、统一拼写并整理成表格的流水线，即使每次中间回复都只是简短的结构化记录，也仍然属于提示链。\n\n检索增强生成\n\n检索增强生成向模型提供检索得到的信息。它可以作为提示链的一部分来实现：改写问题、检索文档、选择相关段落，然后生成答案。\n\n提示链并不一定需要检索，而检索增强系统也不一定包含多次模型调用。这两个概念描述的是系统设计的不同方面：检索关注如何获取外部信息，提示链则关注如何组织具有依赖关系的处理阶段。\n\n对话交互\n\n对话包含多个轮次，但仅有多轮交互并不意味着进行了任务分解。在普通对话中，用户可以决定接下来问什么。在提示链中，应用程序通常至少会规定部分执行顺序，以及阶段之间如何交接。\n\n不过，提示链也可以包含人工批准或澄清环节。反过来，聊天应用也可以在内部执行完整的提示链之后，才向用户显示一条回复。\n\nAI智能体\n\nAI智能体可以根据当前状态选择行动、工具或后续任务。固定提示链的执行路径通常受到更多限制。两者之间并不存在严格界限，而是呈现连续谱：智能体可以调用预定义的提示链，提示链也可以包含由模型驱动的路由步骤。仅仅使用多个提示，并不能使系统具备自主性。"
    },
    {
      "heading": "常见模式与应用",
      "text": "提取与转换。 模型从非结构化材料中提取结构化信息，再由另一个阶段对其进行规范化或重新格式化。常规软件可以在模型调用之间执行确定性转换。\n\n规划与执行。 一个阶段生成提纲或任务分解方案，后续阶段负责执行。这可以将组织安排上的决策与详细内容生成分开，但有缺陷的计划可能会制约之后的每一步。\n\n起草与修改。 根据明确的标准检查初始回复，然后进行修改。检查阶段可以审查文风、完整性、一致性或证据支持情况。不过，它的判断仍然可能出错。\n\n分层摘要。 将长文档分成若干部分，分别生成摘要，再将这些摘要合并。当源材料超出模型的上下文窗口时，这种方法很有用，但反复进行自动文本摘要可能会逐步丢失重要细节。\n\n代码生成与测试。 提示链可以生成代码，在受控环境中运行代码，收集测试结果，并要求修正。可执行测试能够提供模型自我评估之外的证据，但通过有限的一组测试，并不能证明代码对所有输入都正确。\n\n问答与报告。 不同阶段可以分别负责理解问题、收集证据、撰写答案，以及检查论断与来源的对应关系。在这些阶段中保留来源标识符，有助于维护数据血缘并开展检查。"
    },
    {
      "heading": "优点与权衡",
      "text": "任务分解可以减少单次调用中相互竞争的指令数量。不同提示也可以独立测试和修改。中间输出让某些故障更容易定位：最终报告中的错误，可能源于提取、解释或呈现环节，而不再只能归结为一个未加区分的生成步骤。\n\n提示链还可以有选择地分配资源。相对较小的模型可以处理简单分类，而能力更强的模型则负责困难的综合任务。算术运算、数据库查询和格式检查等确定性操作，可以继续交由模型之外的软件完成。\n\n这些优势并非无条件成立。更多阶段会带来更多潜在故障点、实现工作和运行依赖。表现出色的单次调用方案可能优于任务分解不当的提示链，尤其是在任务需要紧密整合信息，而分解过程却将这些信息拆散时。\n\n顺序调用还会增加延迟，因为存在依赖关系的阶段无法同时运行。总用量包括每个阶段处理的输入和输出；反复传递相同的源材料可能成本高昂。输入长度部分取决于分词与词元化，而不只是字符数或单词数。"
    },
    {
      "heading": "可靠性与错误传播",
      "text": "错误传播是提示链的一项核心局限。早期阶段可能遗漏事实，或编造某个前提，而后续阶段却将其视为权威依据。反复引用和润色改写可能让由此产生的错误显得更可信，却没有增加任何证据。\n\n在一个简化模型中，假设各阶段的成功概率 \\(p_i\\) 相互独立，且每个阶段都必须成功，那么整体成功的概率为：\n\n\\[P(\\text{success}) = \\prod_{i=1}^{n} p_i.\\]\n\n真实的提示链很少满足这些假设：错误之间可能存在关联，某些阶段可以纠正先前的错误，而且并非所有中间错误都会改变最终结果。尽管如此，这个表达式仍说明了为什么增加阶段并不会自动提高可靠性。\n\n基于模型的审核阶段并不能独立保证结果正确。不同模型可能存在相同的知识盲区，接受看似合理但实际上错误的前提，或提出缺乏依据的修正。提示链并不能从根本上消除人工智能幻觉。\n\n因此，评估时需要区分阶段级性能与端到端性能。有用的指标包括提取准确率、证据覆盖率、最终答案正确率、延迟、成本和人工介入频率。与单次调用基线进行比较，有助于确定额外阶段是否带来了可衡量的收益。评估样例应与提示开发所用样例分开，以减少对少量案例的过拟合。"
    },
    {
      "heading": "安全与运行约束",
      "text": "提示链可能在多次模型调用之间传递不可信内容。嵌入检索文档中的恶意指令可能被复制到中间摘要中，继而影响后续阶段。这是提示注入的一种形式；转换或摘要处理并不一定能消除这种威胁。\n\n安全性取决于外围应用，包括访问控制、遵循最小权限原则的工具权限，以及对不可信数据和权威指令的隔离。如果提示链能够执行生成的代码，沙箱（计算机安全）可以限制执行过程能够使用的资源和能力。\n\n运行记录可以帮助调试，但中间提示和回复可能包含敏感信息。因此，日志记录、数据保留和访问策略不仅影响可观测性，也影响数据隐私。\n\n重试和修改循环还会带来其他问题。如果没有明确限制，工作流可能反复生成并拒绝输出，从而增加成本或推迟完成时间。当提示链执行创建记录、发送消息等外部操作时，重试处理还必须考虑操作效果重复发生的可能性。"
    }
  ],
  "links": [
    "large-language-model",
    "prompt-engineering",
    "neural-network-inference",
    "fine-tuning",
    "parallel-computing",
    "control-flow",
    "application-programming-interface",
    "chain-of-thought-prompting",
    "retrieval-augmented-generation",
    "ai-agent",
    "context-window",
    "automatic-text-summarization",
    "data-lineage",
    "tokenization",
    "ai-hallucination",
    "overfitting",
    "prompt-injection",
    "access-control",
    "least-privilege",
    "sandbox-computer-security",
    "data-privacy"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}