Prompt Chaining zerlegt eine Aufgabe in verbundene Prompts
📍 In One Sentence
Prompt Chaining teilt eine große Aufgabe in kleinere Prompts und reicht die Ausgabe jedes Schritts an den nächsten weiter, sodass jeder Aufruf eine prüfbare Aufgabe hat.
💬 In Plain Terms
Es funktioniert wie ein Fließband statt einer riesigen Anfrage: Jede Station erledigt eine Sache und gibt ihr Ergebnis weiter. Geht etwas schief, sehen Sie, welche Station schuld ist.
Prompt Chaining zerlegt eine Aufgabe in eine Folge von Schritten, wobei jeder LLM-Aufruf die Ausgabe des vorherigen verarbeitet. Statt alles auf einmal zu verlangen, führen Sie Schritte wie Analysieren, Planen, Entwerfen und Prüfen aus, jeder mit einer klar umrissenen Aufgabe.
Jeder Schritt hat eine definierte Eingabe, ein definiertes Ausgabeformat und eine Aufgabe. Zwischen den Schritten kann Ihr Code die Ausgabe validieren oder anpassen. Die Kette verhält sich damit wie eine testbare Pipeline und nicht wie ein Chat, bei dem man auf ein gutes Ende hofft.
Verkettung macht jeden Modellaufruf leichter prüfbar
Verkettung hilft, wenn eine Aufgabe zu viele Ebenen hat, als dass ein einzelner Prompt sie zuverlässig bewältigen könnte. Wenn Sie Verstehen, Planen, Erzeugen und Prüfen trennen, behalten Sie in jeder Phase die Kontrolle.
- Jeder Aufruf ist eine leichtere Aufgabe; Anthropic beschreibt das als Tausch von Latenz gegen höhere Genauigkeit.
- Sie können Zwischenergebnisse prüfen und validieren, einer von zwei Gründen, die der Prompting-Leitfaden für Claude für ausdrückliches Verketten nennt.
- Schritte sind wiederverwendbar: „Zusammenfassen“, „Entitäten extrahieren“ oder „Übersetzen“ lassen sich in mehreren Workflows teilen.
- Sie können jedem Schritt ein anderes Modell zuweisen, etwa ein kleines schnelles Modell für die Extraktion und ein stärkeres für das Schreiben.
Vier gängige Muster für Prompt-Ketten
Die meisten Ketten greifen auf wenige wiederkehrende Formen zurück. Wählen Sie die passende und passen Sie die Schritte an.
- Analysieren → Planen → Entwerfen → Verfeinern: Artikel, Berichte, Strategien.
- Extrahieren → Umwandeln → Zusammenfassen: Rohdokumente, Logs, Support-Tickets.
- Klassifizieren → Weiterleiten → Erzeugen: Eingaben sortieren und an spezialisierte Prompts schicken.
- Entwurf → Prüfung → Überarbeitung: iterative Selbstkorrektur von Texten, Code oder Entwürfen.
Eine Kette aus drei Schritten lässt sich leichter prüfen als ein langer Prompt
Der Gewinn zeigt sich am besten, wenn ein langer Prompt und eine kurze Kette dieselbe Aufgabe lösen. Die Aufgabe: Aus rohen Release Notes soll ein Changelog für Kunden entstehen.
Einzelner Prompt
„Lies diese Release Notes und schreibe ein freundliches Changelog für unsere Nutzer.“
Prompt-Kette
Schritt 1, extrahieren: „Extrahiere alle für Nutzer sichtbaren Änderungen aus den Release Notes und liste sie als Stichpunkte nach Funktionsbereich gruppiert auf.“
Schritt 2, klassifizieren: „Kennzeichne jeden Stichpunkt als Bugfix, Verbesserung oder neue Funktion und ergänze eine Zeile, warum er wichtig ist.“
Schritt 3, schreiben: „Schreibe anhand der markierten Liste eine kurze Changelog-E-Mail mit Einleitung und 3–6 Stichpunkten. Betone Nutzen, nicht interne Details.“
Jeder Prompt ist nun einfacher, einzeln testbar und in anderen Workflows wiederverwendbar.
Beispiele für Prompt Chaining bei typischen Aufgaben
Diese Beispiele zeigen, wo eine Kette einen überladenen Prompt ersetzt. Die ersten beiden stammen aus Anthropics Beschreibung des Musters, die Review-Kette ist das Selbstkorrektur-Muster aus dem Prompting-Leitfaden für Claude.
Anwendungsfall | Schritte der Kette | Warum verketten |
|---|---|---|
| Marketingtext | Text schreiben → übersetzen | Text vor der Übersetzung prüfen |
| Dokument verfassen | Gliederung → prüfen → schreiben | Gliederung vor dem Entwurf freigeben |
| Support-Triage | Klassifizieren → leiten → antworten | Jede Kategorie bekommt einen eigenen Prompt |
| Code- oder Textreview | Entwurf → Review → Überarbeitung | Schreiben und Kritik in getrennten Aufrufen |
| Log-Analyse | Extrahieren → gruppieren → zusammenfassen | Hält jeden Aufruf klein und prüfbar |
LangChain-Beispiel für Prompt Chaining in Python
Für Prompt Chaining in LangChain laden Sie ein Chat-Modell mit `init_chat_model`, rufen pro Schritt `invoke` auf und reichen den Text jedes Schritts an den nächsten Prompt weiter. Das Beispiel führt die Changelog-Kette von oben aus; vorausgesetzt sind `langchain`, das Integrationspaket Ihres Anbieters und dessen API-Schlüssel.
Für anspruchsvollere Anforderungen verweist LangChain auf LangGraph, sein Low-Level-Framework zur Orchestrierung deterministischer und agentischer Workflows (z. B. Verzweigungen oder Schleifen). Agenten erstellen Sie mit `create_agent`.
from langchain.chat_models import init_chat_model
model = init_chat_model("claude-sonnet-4-6") # any supported chat model
def run(prompt: str) -> str:
return model.invoke(prompt).text
notes = "..." # raw release notes
changes = run(f"List every user-visible change as bullets:\n{notes}")
labeled = run(f"Label each bullet as bug fix, improvement or new feature:\n{changes}")
email = run(f"Write a short user-facing changelog email from this list:\n{labeled}")
print(email)Kette für feste Phasen, einzelner Prompt für kleine Aufgaben
Setzen Sie Prompt Chaining ein, wenn sich eine Aufgabe in feste Phasen teilt, die unabhängig voneinander ausfallen oder sich ändern können. Ein sehr langer Prompt voller „Wenn“-Bedingungen deutet meist auf den Bedarf an einer Kette hin.
- Kette verwenden: Content-Pipelines (Recherche → Gliederung → Entwurf → Lektorat), Datenpipelines (Einlesen → Bereinigen → Extrahieren → Zusammenfassen), Entscheidungsunterstützung (Fakten → Optionen → Abwägung → Empfehlung).
- Einzelnen Prompt verwenden: kleine einmalige Aufgaben, bei denen Sie keine Zwischenergebnisse prüfen müssen.
- Einen Agenten erwägen: offene Probleme, bei denen sich die Schritte nicht vorab festlegen lassen (Anthropic trennt feste Workflows von Agenten).
Prompt-Kette, einzelner Prompt und Chain-of-Thought im Vergleich
Die drei Ansätze unterscheiden sich darin, wo die Arbeit stattfindet. Eine Kette verteilt sie auf mehrere Aufrufe, Chain-of-Thought hält sie in einer Antwort.
Dimension | Einzelner Prompt | Prompt-Kette | Chain-of-Thought |
|---|---|---|---|
| Modellaufrufe | Einer | Einer pro Schritt | Einer |
| Wo gedacht wird | In einer Antwort | Über Schritte, in Ihrem Code | Ausgeschrieben in einer Antwort |
| Zwischenprüfung | Nein | Ja, nach jedem Schritt | Nur durch Lesen des Texts |
| Kosten und Latenz | Am niedrigsten | Höher: ein Aufruf pro Schritt | Etwas höher: längere Ausgabe |
| Am besten für | Einfache Aufgaben | Aufgaben mit festen Phasen | Logiklastige Einzelfragen |
Frameworks automatisieren Ketten, die Idee bleibt gleich
Sie können von Hand mit einfachen API-Aufrufen verketten oder ein Framework zur Orchestrierung nutzen. Das Konzept ist identisch; Frameworks ergänzen Tracing, Wiederholungen und Struktur.
- LangChain: `init_chat_model` für Modelle, `create_agent` für Agenten, LangGraph für Low-Level-Orchestrierung.
- DSPy (Khattab et al.): kompiliert deklarative Sprachmodell-Aufrufe zu Pipelines, die sich selbst verbessern.
- Anthropic, Building effective agents: Prompt Chaining und weitere Workflow-Muster mit Hinweisen, wann welches passt.
- Prompting-Leitfaden für Claude, „Chain complex prompts“: Ausdrückliches Verketten „is still useful when you need to inspect intermediate outputs or enforce a specific pipeline structure“.
So bauen Sie eine Prompt-Kette in fünf Schritten
- 1Teilen Sie die Aufgabe in Phasen mit je einer Aufgabe. Für einen Blogartikel: Gliederung, Abschnitte entwerfen, Fakten prüfen, formatieren.
- 2Legen Sie das Ausgabeformat jedes Schritts fest. Erwartet Schritt 2 JSON, lassen Sie Schritt 1 genau dieses JSON erzeugen.
- 3Testen Sie jeden Schritt einzeln, bevor Sie sie verbinden. Führen Sie Schritt 1 mit zehn echten Eingaben aus und korrigieren Sie ihn, bevor Sie Schritt 2 bauen.
- 4Fügen Sie Prüfungen zwischen den Schritten ein. Eine programmatische Kontrolle oder eine menschliche Durchsicht nach kritischen Schritten verhindert, dass sich Fehler fortpflanzen.
- 5Protokollieren Sie Zwischenergebnisse und iterieren Sie. Ist das Ergebnis falsch, zeigen die Logs, welchen Schritt Sie korrigieren müssen.
Vier Fehler beim Prompt Chaining, die Sie vermeiden sollten
❌ Zu viele Schritte
Why it hurts: Jeder Schritt erhöht die Latenz und bietet dem Modell eine weitere Fehlerchance.
Fix: Beginnen Sie mit den wenigsten Schritten, die jeden Aufruf einfach machen; führen Sie Schritte zusammen, die das Ergebnis nicht verändern.
❌ Unklares Übergabeformat
Why it hurts: Schritt 2 kann sich nicht auf „eine Liste von Ideen“ aus Schritt 1 verlassen.
Fix: Legen Sie das genaue Format fest, etwa JSON-Schlüssel, und zeigen Sie eine Beispielausgabe.
❌ Keine Prüfung zwischen den Schritten
Why it hurts: Eine schlechte Gliederung wird zu einem schlechten Entwurf und einem noch schlechteren Endtext.
Fix: Validieren oder prüfen Sie die Ausgabe dort, wo ein Fehler teuer wäre.
❌ Nur die ganze Kette testen
Why it hurts: Ist die Endausgabe falsch, wissen Sie nicht, welcher Schritt versagt hat.
Fix: Testen Sie zuerst jeden Schritt isoliert, dann die Kette von Anfang bis Ende.
Fehler summieren sich über die Schritte
Jeder Schritt ist eine weitere Stelle, an der das Modell falsch liegen kann. Als Rechenbeispiel, nicht als Messung: Sind fünf Schritte jeweils zu 95 % korrekt und die Fehler unabhängig, ist die gesamte Kette nur zu etwa 77 % korrekt (0,95 hoch 5).
Deshalb zählen kurze Ketten, Tests je Schritt und Prüfungen zwischen den Schritten mehr als zusätzliche Phasen.
Modelle für einen Kettenschritt in PromptQuorum vergleichen
PromptQuorum sendet einen Prompt an mehrere Modelle und zeigt die Antworten nebeneinander. Führen Sie für eine Kette einen Schritt über mehrere Modelle aus und sehen Sie, welches ihn am besten löst, bevor Sie den Schritt einem Modell zuweisen.
Häufig gestellte Fragen
Was ist Prompt Chaining?
Prompt Chaining ist eine Technik, die eine Aufgabe in eine Folge von Schritten zerlegt, wobei jeder LLM-Aufruf die Ausgabe des vorherigen verarbeitet. Jeder Schritt hat eine eng gefasste Aufgabe, und Sie können das Ergebnis zwischen den Schritten prüfen oder anpassen.
Woraus besteht Prompt Chaining?
Es besteht darin, eine große Aufgabe in kleinere, verbundene Prompts zu teilen. Der erste Prompt liefert eine Ausgabe in einem vereinbarten Format, diese wird Teil des zweiten Prompts, und so weiter, bis der letzte Schritt das gewünschte Ergebnis erzeugt.
Was ist der Unterschied zwischen Prompt Chaining und Chain-of-Thought-Prompting?
Chain-of-Thought lässt das Modell sein Denken innerhalb eines Prompts und einer Antwort ausschreiben. Prompt Chaining nutzt mehrere getrennte Aufrufe, zwischen denen Ihr Code Ergebnisse weitergibt. Sie können beides kombinieren: Chain-of-Thought innerhalb eines Kettenschritts.
Wie funktioniert Prompt Chaining in LangChain?
Laden Sie ein Modell mit `init_chat_model`, rufen Sie `invoke` für den ersten Prompt auf, lesen Sie den Text der Antwort, setzen Sie ihn in den zweiten Prompt ein und wiederholen Sie das. Für anspruchsvollere Anforderungen verweist LangChain auf LangGraph, sein Low-Level-Framework zur Orchestrierung deterministischer und agentischer Workflows (z. B. Verzweigungen oder Schleifen).
Wann sollte man kein Prompt Chaining einsetzen?
Verzichten Sie darauf bei kleinen einmaligen Aufgaben, die ein Prompt löst, und wenn Sie keine Zwischenergebnisse prüfen müssen. Bei offenen Problemen, deren Schritte sich nicht vorab festlegen lassen, empfiehlt Anthropic einen Agenten statt eines festen Workflows.
Wie viele Schritte sollte eine Prompt-Kette haben?
Eine feste Zahl gibt es nicht. Nutzen Sie die wenigsten Schritte, die jeden Aufruf einfach machen, denn jeder Schritt erhöht Latenz und Kosten und bringt eine weitere Fehlerquelle. Führen Sie jeden Schritt zusammen, dessen Wegfall die Ausgabe nicht verändert.
Ist Prompt Chaining dasselbe wie Fine-Tuning?
Nein. Chaining ändert, wie Sie ein Modell aufrufen, nämlich mit mehreren Prompts nacheinander. Fine-Tuning verändert das Modell selbst durch Training mit Beispielen. Beides lässt sich kombinieren; der Vergleich von Prompt Engineering und Fine-Tuning erklärt, wann was passt.
Was ist ein einfaches Beispiel für Prompt Chaining?
Anthropics Beispiel: Marketingtext in einem Aufruf erzeugen und ihn in einem zweiten Aufruf in eine andere Sprache übersetzen. Zwischen beiden Aufrufen können Sie den Text prüfen, bevor er übersetzt wird.
Quellen und weiterführende Literatur
- Anthropic, „Building effective agents“ — Definition von Prompt Chaining, Einsatzfälle und Beispiele.
- Prompting-Leitfaden für Claude, „Chain complex prompts“ — wann ausdrückliches Verketten sinnvoll bleibt, und das Muster Entwurf, Review, Überarbeitung.
- Wu, Terry und Cai (2022). „AI Chains: Transparent and Controllable Human-AI Interaction by Chaining Large Language Model Prompts.“ CHI 2022. arXiv:2110.01691 — Nutzerstudie mit 20 Teilnehmenden zum Chaining.
- LangChain-Dokumentation — `init_chat_model`, `create_agent` und LangGraph.
- Khattab et al. (2023). „DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines.“ arXiv:2310.03714 — programmatische Prompt-Pipelines.