SUN 提示链模式（Prompt Chaining），又称流水线模式（Pipeline），是将复杂任务分解为多个简单子任务，每个子任务对应一次 LLM 调用，前一步的输出作为下一步的输入，依次串联执行。
核心思想：分而治之 —— 每步只做一件事，上一步的输出即下一步的输入。
为什么需要提示链？
单次 Prompt 处理复杂任务时，容易出现遗漏、幻觉或格式混乱。提示链通过分步执行来解决这些问题：
- 可控性强：每一步都可以独立验证和调试
- 准确性高：子任务更简单，模型出错概率更低
- 可组合：不同的链条可以灵活复用和重新编排
适用场景
提示链适合确定性、线性的工作流，例如：
| 场景 | 链条示例 |
|---|---|
| 文档处理 | 提取关键信息 → 结构化为 JSON → 存入数据库 |
| 内容创作 | 生成大纲 → 撰写正文 → 润色总结 |
| 数据分析 | 清洗数据描述 → 生成分析思路 → 输出结论 |
| 代码生成 | 分析需求 → 生成代码 → 审查与修复 |
实现步骤
- 定义任务：明确目标，将其拆解为多个子任务
- 设计提示：为每个子任务编写 Prompt，确保输入输出格式明确
- 串联执行：按顺序连接各步骤，前一步输出传递给下一步
- 质量检查（可选）：在关键步骤之间加入校验逻辑（如格式检查、长度限制），不通过则重试或终止
- 评估优化：检查最终输出，根据效果调整各步骤的 Prompt
流程示意
输入 → [Prompt 1] → 输出₁ → [Prompt 2] → 输出₂ → [Prompt 3] → 最终结果
↓ (可选)
[质量检查] —— 不通过 → 重试/终止
代码示例
参见同目录下的示例代码：
- 示例 1（1.1提示链示例代码.py）：创意写作流水线 —— 生成大纲 → 撰写故事 → 起标题与总结
- 示例 2（1.2提示链示例代码2.py）：信息提取流水线 —— 从文本提取技术规格 → 转为结构化 JSON
两个示例均使用 LangChain 的 LCEL（| 管道语法）构建链条。
局限性
- 延迟累积：步骤越多，总耗时越长
- 开销较大：每步都要放入大量的上下文，token 开销很大
- 错误传播：前一步的错误会影响后续所有步骤
- 灵活性有限：只适合线性流程，无法根据中间结果动态选择不同路径（需要 → 路由模式）
相关笔记
- 下一章：路由模式 — 更复杂的请求分发
- Prompt Engineering — 提示词工程基础
- AI MOC — AI 方向导航