Duże modele językowe gubią się, gdy prosi się je o wykonanie zbyt wielu rzeczy naraz. Wrzuć pięćdziesięciostronicowy plik PDF do okna czatu i poproś o ustrukturyzowaną analizę, ocenę ryzyka i podsumowanie menedżerskie w jednym zapytaniu. Wynik jest zazwyczaj powierzchowny, niespójny lub całkowicie błędny. Lepszym podejściem jest podejście mechaniczne. Podziel zadanie na odrębne etapy. Przekazuj wynik pierwszego etapu bezpośrednio do drugiego i tak dalej. Anthropic nazywa ten wzorzec prompt chainingiem. Google określa go jako sequential pipeline. Obie nazwy opisują to samo: linię montażową, gdzie każde stanowisko zajmuje się jedną konkretną transformacją.
Jak to wygląda w praktyce
Zamiast jednego gigantycznego promptu, budujesz serię małych, skoncentrowanych kroków. Wyobraź sobie zespół ds. zgodności (compliance), który przetwarza oceny bezpieczeństwa dostawców. Krok pierwszy: ekstrakcja surowego tekstu ze skanowanego pliku PDF. Krok drugi: identyfikacja każdej wzmianki o standardach szyfrowania i kontroli dostępu. Krok trzeci: zestawienie tych ustaleń z wewnętrzną listą kontrolną. Krok czwarty: przygotowanie krótkiego memo dla szefa bezpieczeństwa. Jeden agent zamienia PDF na tekst. Kolejny agent wyciąga konkretne dane z tego tekstu. Ostatni agent pisze podsumowanie na podstawie tych danych. Żaden z tych kroków nie jest spektakularny i żaden nie zajmuje się wieloma zadaniami naraz. Każda część wykonuje jedną pracę dobrze.
Dlatego metafora linii montażowej się sprawdza. W fabryce jeden pracownik nie montuje całego samochodu. Specjalizacja pozwala utrzymać wysoką jakość i ograniczyć rodzaje błędów. Ta sama logika dotyczy modeli językowych. Prompt, który prosi jedynie o ekstrakcję JSON, jest mniej podatny na halucynacje niż prompt, który w tym samym zapytaniu prosi również o opinię i formatowanie.
Buduj bramki, a nie domysły
Najsłabszym punktem każdego łańcucha jest przekazanie danych. Model może zwrócić uprzejmą odmowę, fragment markdownu zamiast JSON lub uciętą odpowiedź. Jeśli te śmieci trafią do drugiego kroku, cały łańcuch się zawali. Rozwiązaniem jest bramka (gate).
Bramka to nie jest wywołanie modelu. To prosty kod. Piszesz krótki skrypt, który działa między krokami. Może on sprawdzać długość wyjściową, aby upewnić się, że nie jest pusta. Może przeprowadzać walidację schematu JSON, aby potwierdzić, że klucze zgadzają się z tym, czego oczekuje trzeci krok. Sprawdzenie wyrażeniem regularnym (regex) może zweryfikować, czy adres e-mail lub pole daty faktycznie istnieje, zanim zostanie skonstruowany kolejny prompt. To zatrzymuje błędy, zanim zmarnujesz pieniądze na błędne wyniki. Bramka kosztuje mikrosekundy mocy obliczeniowej. Nieudane wywołanie LLM w dalszej części procesu kosztuje tokeny, opóźnienia i Twoje zdrowie psychiczne.
Myśl o tym jak o punkcie kontroli jakości na hali fabrycznej. Nie potrzebujesz AI do liczenia części. Potrzebujesz linijki.
Kiedy stosować łańcuchowanie, a kiedy przestać
Prompt chaining nie pasuje do każdego problemu. Stosuj go, gdy praca składa się ze stałych, powtarzalnych kroków. Miesięczne raporty finansowe, ustandaryzowany przegląd umów i potoki analizy logów to dobre przykłady. Jeśli możesz opisać procedurę jako listę kontrolną, prawdopodobnie możesz ją połączyć w łańcuch. Powinieneś sięgać po łańcuchowanie również wtedy, gdy potrzebujesz wysokiej dokładności przy złożonych zadaniach. Rozbicie problemu na etapy zmusza model do obsługi jednej warstwy logicznej naraz. Wreszcie, łańcuchy są łatwiejsze do debugowania niż monolityczne prompty. Gdy podsumowanie jest błędne, sprawdzasz ekstrakcję. Gdy ekstrakcja jest błędna, sprawdzasz tekst źródłowy. Masz artefakty pośrednie, które możesz zbadać.
Unikaj prompt chainingu, gdy nie znasz kroków z góry. Badania eksploracyjne, otwarte burze mózgów czy zadania śledcze nie przebiegają po linii prostej. Pomiń go również, gdy priorytetem jest wyłącznie szybkość. Łańcuchy są szeregowe; drugi krok nie może wystartować, dopóki pierwszy się nie zakończy. Jeśli Twoje kroki nie zależą od siebie, uruchom je równolegle. Nie ma powodu, by tworzyć łańcuch dla trzech niezależnych tłumaczeń tego samego dokumentu.
Pułapka sztywności
Ceną za całą tę strukturę jest sztywność. Stały łańcuch nie potrafi dostosować się do nowych sytuacji. Jeśli dostawca wyśle formularz z sześcioma polami, a Twoja bramka walidacji schematu oczekuje pięciu, linia staje. Jeśli użytkownik prześle dokument Word zamiast PDF, pierwszy krok ulegnie awarii, a reszta łańcucha nie będzie miała na czym pracować.
Co gorsza, błędy się propagują. Błąd, który pojawi się na początku, przepływa przez cały łańcuch. Jeśli ekstraktor PDF pominie znak minusa w liczbie finansowej, każdy kolejny krok potraktuje tę błędną liczbę jako