Prompt Chaining

Ein einzelner Prompt, der zu viel auf einmal verlangt, überfordert ein Modell leicht: Es übersieht Teilaufgaben, vermischt Schritte oder liefert ein schwer kontrollierbares Gesamtergebnis. Prompt Chaining begegnet dem, indem es die Aufgabe in klar definierte Etappen zerlegt. Jede Etappe hat ein eindeutiges Ziel, und ihr Ergebnis lässt sich prüfen, bevor es weitergeht.

Diese Zerlegung bringt mehrere Vorteile. Die einzelnen Schritte sind einfacher und damit zuverlässiger, Fehler lassen sich leichter lokalisieren, und man kann zwischen den Schritten Logik, Validierung oder externe Datenquellen einbauen. Statt einer undurchsichtigen Blackbox entsteht ein nachvollziehbarer Ablauf mit definierten Zwischenständen.

Prompt Chaining ist damit ein Grundbaustein anspruchsvollerer Anwendungen. Es bildet die Brücke vom einzelnen Prompt hin zu komplexeren Abläufen und ist eng verwandt mit dem schrittweisen Denken, das Modelle beim Chain-of-Thought intern vollziehen – nur dass die Schritte hier explizit und steuerbar voneinander getrennt sind.

In der Praxis haben sich mehrere Grundmuster herausgebildet. Beim sequenziellen Muster laufen die Schritte streng nacheinander ab, jeder baut auf dem vorigen auf. Beim verzweigten Muster entscheidet ein Zwischenergebnis, welcher von mehreren möglichen Folgeschritten ausgeführt wird. Beim iterativen Muster wird ein Schritt wiederholt, bis ein Ergebnis ein Qualitätskriterium erfüllt.

Die folgende Tabelle fasst diese Muster zusammen. In realen Anwendungen treten sie oft kombiniert auf: Eine überwiegend sequenzielle Kette kann an einer Stelle verzweigen und an einer anderen iterieren. Welches Muster passt, ergibt sich aus der Struktur der Aufgabe und dem Grad an benötigter Kontrolle.

Wichtig ist, dass jeder Übergang in der Kette sauber definiert ist. Das Ausgabeformat eines Schritts sollte zum erwarteten Eingabeformat des nächsten passen, damit die Übergabe verlässlich funktioniert. Klare, strukturierte Zwischenausgaben – etwa als Liste oder als klar abgegrenzter Block – machen Ketten robuster.

Nehmen wir als Beispiel die Aufgabe, aus einem langen Kundenfeedback einen kurzen, freundlichen Antwortentwurf zu erstellen. Statt dies in einem Prompt zu verlangen, zerlegt man es in klare Schritte, deren Zwischenergebnisse man jeweils prüfen kann. Das macht das Ergebnis verlässlicher als ein einzelner Rundumschlag.

Die folgenden Schritte zeigen einen typischen sequenziellen Ablauf. Jeder Schritt erhält als Eingabe das Ergebnis des vorigen und hat ein klar umrissenes Ziel. So entsteht eine nachvollziehbare Kette, an deren Ende ein geprüfter Entwurf steht.

Der Aufwand für die Zerlegung zahlt sich vor allem bei wiederkehrenden, anspruchsvollen Abläufen aus. Einmal sauber definiert, lässt sich eine solche Kette als Vorlage immer wieder anwenden und gezielt an einzelnen Stellen verbessern, ohne den Gesamtablauf neu denken zu müssen.

Prompt Chaining ist nicht immer die beste Wahl. Jede zusätzliche Stufe bedeutet einen weiteren Modellaufruf und damit mehr Latenz und Kosten. Für einfache Aufgaben, die ein einzelner gut formulierter Prompt zuverlässig löst, lohnt sich die Zerlegung nicht und macht den Ablauf nur unnötig kompliziert.

Außerdem können sich Fehler über die Kette fortpflanzen: Liefert ein früher Schritt ein fehlerhaftes Zwischenergebnis, baut der nächste darauf auf. Deshalb sind Validierungen an kritischen Übergängen wichtig, und die Schritte sollten so geschnitten sein, dass Fehler früh auffallen und korrigiert werden können.

Vom verwandten Begriff der Agenten unterscheidet sich Prompt Chaining dadurch, dass die Abfolge der Schritte hier in der Regel vom Entwickler vorgegeben ist. Bei autonomen Agenten entscheidet hingegen das Modell selbst dynamisch über die nächsten Schritte. Prompt Chaining ist damit der kontrolliertere, vorhersehbarere Ansatz und oft der richtige erste Schritt, bevor man zu offeneren Architekturen übergeht.

Für den produktiven Einsatz empfiehlt es sich, eine bewährte Kette als wiederverwendbare Vorlage zu dokumentieren und einzelne Schritte unabhängig voneinander zu verbessern. So lassen sich Engpässe gezielt optimieren, ohne den gesamten Ablauf neu zu entwerfen. Auch das Protokollieren der Zwischenergebnisse hilft, denn es macht im Fehlerfall sofort sichtbar, an welcher Stelle der Kette ein Problem entstanden ist, und beschleunigt die Fehlersuche erheblich.