提示词链是什么：把任务拆成多个步骤

提示词链就是把一项工作拆成一串提示词，一个提示词的输出成为下一个提示词输入的一部分。你不再要求模型一口气读完五十条评论、找出问题、排好序再写一份报告，而是按顺序逐一提出这些要求。每个提示词只有一项工作，而在步骤之间，你（或你的代码）可以查看结果、修正它，或者停下来。

下面是一个三步的提示词链，它把客户评论变成一份给产品团队的说明。每个标签页是一步。第 2 步的输入是第 1 步的回复，直接粘贴进去；第 3 步的输入是第 2 步的回复。

第 1 步：提取第 2 步：归类第 3 步：写作

EditCopy

Fill in总数

列出 <reviews> 标签内评论中的每一条抱怨。忽略好评。返回一个由对象组成的 JSON 数组，键为 "review"（评论编号）和 "complaint"（最多十个字）。只返回 JSON。 <reviews> 1. 电池 4 小时就没电了，而且充电线太短。 2. 音质很棒。不过 App 老是把我登出。 3. 很喜欢，但电池勉强撑到我下班回家。 4. 配对时 App 崩溃了两次，而且电池掉电很快。 5. 线太短了，我在办公桌前充电时根本没法用。 </reviews>

Try it

Example replyReplies vary between models and runs.

[
  {"review": 1, "complaint": "电池 4 小时就没电"},
  {"review": 1, "complaint": "充电线太短"},
  {"review": 2, "complaint": "App 老是登出"},
  {"review": 3, "complaint": "电池撑不过通勤"},
  {"review": 4, "complaint": "配对时 App 崩溃"},
  {"review": 4, "complaint": "电池掉电快"},
  {"review": 5, "complaint": "线太短，充电时没法用"}
]

第 1 步只负责阅读和提取。第 2 步从来看不到评论，只能看到列表，所以它不会又跑回去总结评论。第 3 步只负责写作。如果第 3 步的语气不对，你只需重新运行第 3 步，提取和归类的结果保持不变。

注意第 3 步没有说的内容：有一块电池 4 小时就没电了，或者 App 的问题是登出和崩溃。第 3 步只收到了主题名称，所以这些细节根本不在它的输入里。决定每一步收到什么，是设计提示词链时最主要的选择；你想在最终答案里出现的细节，必须一路传下去。

为什么用提示词链，而不是写一个大提示词

每一步只有一项工作、一个标准。 一个同时要求提取、分析和精心写作的提示词，要在三个目标之间取舍，而你无从得知它在哪一个上偷了工。只有一项工作的提示词，可以准确说明这项工作的好结果是什么样子，你也能据此评判回复。

你可以检查中间结果。 在单个提示词里，一条漏掉的抱怨会消失在一段写得漂亮的文字里，你永远看不到。在提示词链中，第 1 步的列表就摆在那里。检查它只需几秒钟，而在第 2 步之前修正，比在最终报告里才发现错误要省事得多。

每一步可以用自己的设置。 提取和归类适合用较低的 temperature，以及代码可以解析的结构化输出。写作这一步可以更自由。在代码中，你甚至可以把不同的步骤交给不同的模型，比如用一个又小又快的模型来做提取。

失败只影响局部。 当提示词链出错时，你知道是哪一步出了错，只需重新运行那一步。

代价也是实实在在的。提示词链要调用更多次，所以比一个提示词更慢、更贵。而且早期步骤中漏过的错误会被带进后面的每一步，这就是为什么值得检查中间的步骤。

如何设计提示词链

1. 写下你手工完成时会走的步骤。 如果你会先列一个清单，再排序，再整理成文，那就是三个提示词。需要不同思考方式的步骤，就是天然的拆分点。
2. 在写每一步的提示词之前，先确定它的输出格式。 下一步要用的东西应该容易读、容易检查：JSON 数组、编号列表、表格。只有最后一步才适合用自由的文字。
3. 只传下一步需要的内容。 上面的第 2 步收到的是抱怨列表，而不是评论。输入越少，能让模型分心的东西就越少，每一步也能单独测试。
4. 在步骤之间加一道检查。 在代码中，解析 JSON 并确认字段存在。对于需要判断的事情，检查本身也可以是一个提示词：“这个列表是否包含了这些评论中的每一条抱怨？回答是或否，然后列出缺失的条目。”
5. 把粘贴的材料标记清楚。 每一步的输入都是前面步骤生成的文字，而分隔符能防止模型把它当成新的指令。

下面是为上面这条链写的一个检查步骤，运行在一个漏掉了一条抱怨的第 1 步输出上。这样的检查是一个只问一个具体问题的独立提示词，所以比提取本身更容易做对。

先检查这一步，再往下传

EditCopy

把 <reviews> 标签中的评论和 <complaints> 标签中的抱怨列表进行比较。这个列表是否包含了评论中的每一条抱怨？第一行回答“完整”或“不完整”。如果不完整，列出每一条缺失的抱怨及其评论编号。 <reviews> 1. 电池 4 小时就没电了，而且充电线太短。 2. 音质很棒。不过 App 老是把我登出。 3. 很喜欢，但电池勉强撑到我下班回家。 4. 配对时 App 崩溃了两次，而且电池掉电很快。 5. 线太短了，我在办公桌前充电时根本没法用。 </reviews> <complaints> 评论 1：电池 4 小时就没电 评论 1：充电线太短 评论 2：App 老是登出 评论 3：电池撑不过通勤 评论 4：配对时 App 崩溃 评论 5：线太短，充电时没法用 </complaints>

Try it

Example replyReplies vary between models and runs.

不完整

• 评论 4：电池掉电快

如果检查结果是“不完整”，就在第 2 步运行之前重新运行第 1 步，或者手动补上缺失的条目。

用代码实现提示词链

在代码中，提示词链就是一连串调用，每个提示词都由上一次的回答构建而成。这个版本使用 Anthropic 的 Python SDK，换成任何服务商，结构都一样。

import json
import anthropic

client = anthropic.Anthropic()
MODEL = "your-model-id"  # e.g. from your provider's model list

def ask(prompt):
    response = client.messages.create(
        model=MODEL,
        max_tokens=1024,
        messages=[{"role": "user", "content": prompt}],
    )
    return response.content[0].text

reviews = open("reviews.txt", encoding="utf-8").read()

complaints = ask(
    "List every complaint in the reviews inside the <reviews> tags. Ignore praise. "
    'Return a JSON array of objects with the keys "review" and "complaint". '
    "Return only the JSON, with no code fence.\n\n"
    f"<reviews>\n{reviews}\n</reviews>"
)
json.loads(complaints)  # raises an error here if step 1 did not return valid JSON

themes = ask(
    "Group these complaints into themes. Return only a JSON array with the keys "
    '"theme", "count" and "reviews", sorted by count, highest first.\n\n'
    f"<complaints>\n{complaints}\n</complaints>"
)

note = ask(
    "Write a note of at most four sentences to the product team based on these "
    f"themes. Lead with the most common one.\n\n<themes>\n{themes}\n</themes>"
)
print(note)

json.loads 这一行是最简单的检查：如果第 1 步回答的是一段文字，提示词链就会停在那里，而不是把错误的输入传下去。生产环境中的提示词链还会检查字段、对失败的步骤重试一次，并记录每个中间结果，这样一个糟糕的最终答案就能追溯到导致它的那一步。

在聊天应用中使用提示词链

使用提示词链不一定要写代码。运行第 1 步，阅读回答，改正其中的错误，再把它粘贴进第 2 步的提示词。每一步都在新对话中进行，可以让之前的对话不进入上下文，这样为某一步写的指令就不会影响下一步。待在同一个对话里更快，在步骤之间联系紧密时也行得通，但整个历史记录会随着每条新消息一起发送。

提示词链与相关技术的比较

思维链是在一次回复内写出的推理；提示词链则是多次回复，由你控制它们之间传递什么。两者可以很好地结合：链中的任何一步都可以要求模型一步一步地推理。

在提示词链中，步骤是由你事先固定好的。如果由模型自己决定下一步做什么，比如搜索、读取结果，再选择另一个动作，那这种模式就是智能体循环，见 ReAct 提示。固定的提示词链更容易测试和预测，所以只要你已经知道步骤，它就是更好的起点。