Prompt Chaining

Prompt Chaining im Überblick

Prompt Chaining bedeutet, komplexe Aufgaben in mehrere LLM-Aufrufe zu zerlegen. Die Ausgabe eines Schritts wird zur Eingabe des nächsten – wie eine Kette.

Warum ist das besser als ein einzelner Prompt?

• Einfachere Prompts: Jeder Schritt hat eine klare, fokussierte Aufgabe
• Bessere Kontrolle: Zwischenergebnisse können validiert werden
• Einfacheres Debugging: Fehler sind leichter zu lokalisieren
• Flexibilität: Verschiedene Modelle für verschiedene Schritte

Beispiel Dokumentenanalyse:

Schritt 1: "Extrahiere alle Fakten aus diesem Text"
    ↓ [Liste von Fakten]
Schritt 2: "Kategorisiere diese Fakten nach Thema"
    ↓ [Kategorisierte Fakten]
Schritt 3: "Schreibe eine Zusammenfassung basierend auf den wichtigsten Fakten"
    ↓ [Finale Zusammenfassung]

Technisch betrachtet

Einfache Chain in Python

def document_analysis_chain(document: str) -> str:
    # Schritt 1: Fakten extrahieren
    facts = llm.complete(f"Extrahiere alle Fakten:\n{document}")
    
    # Schritt 2: Kategorisieren
    categorized = llm.complete(f"Kategorisiere diese Fakten:\n{facts}")
    
    # Schritt 3: Zusammenfassen
    summary = llm.complete(f"Schreibe eine Zusammenfassung:\n{categorized}")
    
    return summary

LangChain Beispiel

from langchain import PromptTemplate, LLMChain
from langchain.chains import SequentialChain

extract_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate.from_template("Extrahiere Fakten: {document}"),
    output_key="facts"
)

summarize_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate.from_template("Fasse zusammen: {facts}"),
    output_key="summary"
)

chain = SequentialChain(
    chains=[extract_chain, summarize_chain],
    input_variables=["document"],
    output_variables=["summary"]
)

Best Practices