Prompt Chaining ist eine Technik, bei der das Ergebnis eines Prompts als Eingabe für den nächsten Prompt genutzt wird – so entstehen mehrstufige KI-Workflows, die komplexe Aufgaben in handhabbare Schritte zerlegen.
Rubrik: GenAI & Content Creation · Unterrubrik: Prompt Engineering · Niveau: Fortgeschritten
Synonyme / Auch bekannt als: Chained Prompts, Multi-Step Prompting, Sequential Prompting, KI-Workflow-Kette
Was ist Prompt Chaining?
Ein einzelner Prompt kann nur so viel leisten, wie das Modell in einem Schritt verarbeiten und generieren kann. Für komplexere Aufgaben – Recherche, mehrstufige Analyse, Dokumenterstellung, Übersetzung mit Qualitätsprüfung – ist eine einzige Anfrage oft nicht ausreichend.
Prompt Chaining löst dieses Problem, indem Aufgaben in eine logische Abfolge von Teilschritten zerlegt werden. Jeder Schritt hat seinen eigenen Prompt, und das Ergebnis eines Schritts wird zur Eingabe des nächsten. Diese Methode ist konzeptuell einfach, ermöglicht aber deutlich komplexere und zuverlässigere Outputs als ein einzelner Mega-Prompt (Chase, 2022; Wu et al., 2022).
Erklärung
Grundprinzip
`` Aufgabe → Prompt 1 → Ergebnis 1 ↓ Prompt 2 (nutzt Ergebnis 1) → Ergebnis 2 ↓ Prompt 3 (nutzt Ergebnis 2) → Finales Ergebnis ``
Jedes Glied der Kette ist spezialisiert auf eine Teilaufgabe. Das vermeidet das „Durcheinander-Prompt-Problem", bei dem ein einzelner Prompt zu viele verschiedene Anforderungen zu erfüllen versucht.
Vorteile gegenüber Ein-Prompt-Ansätzen
| Problem (Ein-Prompt) | Lösung (Prompt Chaining) |
|---|---|
| Modell verliert Fokus bei komplexen Anforderungen | Jeder Schritt hat klare, enge Aufgabe |
| Schwer zu debuggen, wenn Ergebnis fehlerhaft | Fehler lassen sich auf Einzelschritt zurückverfolgen |
| Kontextfenster wird schnell überschwemmt | Nur relevanter Kontext pro Schritt |
| Qualitätskontrolle schwierig | Zwischenergebnisse prüfbar |
| Modell kombiniert Recherche und Formatierung | Schritte können getrennt optimiert werden |
Kettentypen
Sequenziell (linear): Schritt 1 → Schritt 2 → Schritt 3 → Ergebnis
Parallel + Zusammenführung: Schritt 1A und Schritt 1B laufen gleichzeitig, Ergebnisse werden in Schritt 2 zusammengeführt
Konditional (if-else): Je nach Ergebnis von Schritt 1 folgt Pfad A oder Pfad B
Iterativ (Feedback-Schleife): Ergebnis wird durch einen Prüfprompt bewertet; wenn nicht ausreichend, Regenerierung
Beispiele
Beispiel 1: Artikel-Erstellung
Schritt 1 – Recherche: ``` Prompt: Analysiere das Thema "KI im Gesundheitswesen" und erstelle eine strukturierte Liste der wichtigsten Aspekte, Trends und Kontroversen für einen Magazin-Artikel. Format: 5 Bulletpoints.
Ergebnis 1: [5 strukturierte Aspekte] ```
Schritt 2 – Gliederung: ``` Prompt: Auf Basis dieser Kernaspekte [Ergebnis 1]: Erstelle eine detaillierte Gliederung für einen 1.500-Wort-Artikel mit Einleitung, 3 Hauptkapiteln und Fazit.
Ergebnis 2: [Detaillierte Gliederung] ```
Schritt 3 – Einleitung: ``` Prompt: Schreibe die Einleitung des Artikels gemäß dieser Gliederung [Ergebnis 2]. Zielgruppe: informierte Laien. Länge: 200 Wörter. Hook in den ersten zwei Sätzen.
Ergebnis 3: [Einleitung] ```
Schritt 4 – Qualitätsprüfung: `` Prompt: Bewerte diese Einleitung [Ergebnis 3] auf einer Skala 1–10 für: Lesbarkeit, Relevanz, Hook-Qualität. Schlage 3 konkrete Verbesserungen vor. ``
Beispiel 2: Übersetzungs-Qualitätspipeline
`` Schritt 1: Übersetze den Text von Englisch nach Deutsch. Schritt 2: Überprüfe die Übersetzung auf natürlichen Klang und korrigiere unnatürliche Formulierungen. Schritt 3: Prüfe, ob Fachbegriffe korrekt übersetzt wurden. Schritt 4: Erstelle die finale, polierte Version. ``
Beispiel 3: Medienmonitoring-Workflow
`` Schritt 1: Extrahiere aus diesem Pressetext die Kernaussagen und genannten Personen/Organisationen. Schritt 2: Klassifiziere jeden Kernpunkt als: positiv/negativ/neutral gegenüber unserem Unternehmen. Schritt 3: Formuliere auf Basis der negativen Punkte eine kurze Reaktionsstrategie für die PR-Abteilung. ``
In der Praxis
Manuelle vs. automatisierte Chains
Manuell: Copy-Paste zwischen Prompts. Aufwändig, aber volle Kontrolle. Sinnvoll für einmalige, komplexe Aufgaben oder Entwicklung neuer Chains.
Halbautomatisch: Templates mit Platzhaltern, die manuell befüllt werden. Gutes Mittelweg für wiederkehrende Aufgaben.
Vollautomatisch: Tools und Frameworks übernehmen die Kette komplett:
| Tool | Anwendungsfall |
|---|---|
| LangChain (Python) | Entwickler-Framework für komplexe Chains |
| LlamaIndex | Document-basierte Chains, RAG |
| Make / n8n | No-Code/Low-Code Workflow-Automatisierung |
| Flowise | Visuelles LangChain-Interface |
| Voiceflow | Conversational Chains |
Prompts für Zwischenschritte optimieren
Prompts in einer Chain haben spezifische Anforderungen:
- Klares Input-Format: Der Prompt muss explizit ansprechen, wie das Ergebnis des Vorgängers genutzt wird
- Klares Output-Format: Das Ergebnis muss maschinenlesbar oder leicht weiterzuverarbeiten sein (JSON, Bulletpoints, nummerierte Listen)
- Keine Annahmen: Jeder Schritt muss vollständig spezifiziert sein – kein „wie besprochen"
Bewährte Formulierung: `` "Basierend auf der folgenden Analyse: [ERGEBNIS_1] Deine Aufgabe: [neue Aufgabe] Format der Ausgabe: [spezifisches Format]" ``
Fehlerbehandlung in Chains
Was passiert, wenn ein Zwischenergebnis fehlerhaft ist? Bewährte Strategien:
- Validierungsprompts: Nach jedem Schritt einen separaten „Check"-Prompt einfügen
- Retry-Logik: Bei Automatisierung automatische Neuversuche mit leicht modifiziertem Prompt
- Human-in-the-Loop: An kritischen Punkten menschliche Prüfung einbauen
- Fallback-Prompts: Alternative Formulierungen für häufige Fehlerfälle vorbereiten
Vergleich & Abgrenzung
Prompt Chaining vs. langer einzelner Prompt: Ein einzelner Prompt, der alle Schritte enthält, leidet unter sinkender Zuverlässigkeit bei steigender Komplexität. Chains halten jeden Schritt fokussiert.
Prompt Chaining vs. [Meta-Prompting](/wiki/genai-content-creation/prompt-engineering/meta-prompting/): Meta-Prompting lässt das Modell eigene Prompts generieren. Prompt Chaining definiert die Schritte menschlich vor. Kombination möglich: Meta-Prompting erzeugt die Chain-Struktur, die dann ausgeführt wird.
Prompt Chaining vs. Agenten-Systeme: KI-Agenten (wie AutoGPT, LangGraph-Agenten) entscheiden selbst, welche Tools und Schritte sie nutzen. Prompt Chaining ist deterministisch – der Mensch definiert die Abfolge.
Häufige Fragen (FAQ)
Ab welcher Aufgabenkomplexität lohnt sich Prompt Chaining? Als Faustregel: Wenn ein einzelner Prompt mehr als drei verschiedene Aufgabentypen kombiniert (recherchieren + analysieren + formatieren), ist eine Chain wahrscheinlich effektiver.
Wie verhindere ich, dass Fehler sich durch die Chain fortpflanzen? Validierungsprompts nach kritischen Schritten und explizite Anweisungen an das Modell, bei Unsicherheit zu flaggen, helfen erheblich.
Brauche ich Programmierkenntnisse für Prompt Chains? Nicht unbedingt. Manuelle Chains erfordern nur Copy-Paste. Tools wie Make oder Flowise ermöglichen visuelle Chains ohne Code.
Verwandte Einträge
Weiterführend
- Wu, Tony et al. (2022): AI Chains: Transparent and Controllable Human-AI Interaction by Chaining Large Language Model Prompts. CHI 2022.
- Chase, Harrison (2022): LangChain: Building Applications with LLMs through Composability. Technische Dokumentation, langchain.com.
- Khattab, Omar et al. (2023): DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines. arXiv:2310.03714.
- Anthropic (2023): Prompt Chaining – Best Practices. docs.anthropic.com/prompt-library.
- DAIR.AI (2023): Chained Prompting. promptingguide.ai.
