本次查询：Prompt Chaining
中文解释：提示链
常见场景：用于需要多步推理 / 条件分支或复杂输出的AI应用场景
一句话解释
Prompt Chaining 是把一个复杂的AI任务拆成多个小步骤，每一步都用一个独立的提示词（Prompt）来引导模型，前一步的输出自动成为后一步的输入，像链条一样串联起来完成最终目标。
为什么会被关注
传统单次提问往往难以让模型处理多步骤推理或长文本生成，结果容易偏离预期。Prompt Chaining 通过分解任务，让每一步聚焦单一目标，大幅提升输出准确性和可控性。
同时，它让提示词的调试变得更容易——哪一步出问题就调整哪一步的提示，而不必推翻整个Prompt。这种模块化思路迅速被提示工程师和AI应用开发者采纳。
核心逻辑
核心在于“先分解后串联”。首先将最终任务分解为若干子任务，例如“先提取关键词→再总结→最后改写成句子”。每个子任务对应一个独立的Prompt，且前一个Prompt的输出作为后一个Prompt的上下文。
这要求每个中间结果格式清晰，便于后续步骤解析。实践中常配合固定模板或JSON结构来传递信息，确保链条不中断。开发者还可以在步骤间加入条件判断（如if-else），实现更智能的流程控制。
常见场景
多步内容生成：比如撰写产品评测报告时，先让模型列出优缺点，再根据优缺点生成结论，最后润色语言。每一步单独优化，比一次性生成更稳定。
数据分析流水线：输入一段文本，先提取实体，再对实体进行分类，然后生成可视化建议。每个环节的Prompt都专门设计，减少幻觉。
对话式Agent：用户提出复杂需求（如“帮我规划旅行”），系统通过链式调用：先询问偏好，再查天气，再推荐路线，最后生成行程单。
容易混淆的点
Prompt Chaining 不等于 Chain-of-Thought（思维链）。CoT 是在同一个Prompt内引导模型展示推理步骤，而Chaining是外部串联多个独立的Prompt调用，通常需要编程或工具配合。
它也不同于简单的多次对话：多次对话是用户手动分段提问，而Chaining是自动化流程，步骤之间自动传递数据。另外，不要和微调混为一谈——Chaining不改变模型参数，只改变输入方式。