提示技术系列——链式提示

什么是提示技术？

提示技术是实现提示工程目标的具体技术手段 ，是提示工程中的**"工具库"**。

什么又是提示工程？

提示工程是指通过设计、优化和迭代输入到大语言模型（LLM）的提示（Prompt）， 系统性提升模型输出质量**（如相关性、准确性、可控性）** 的实践领域。它是一个覆盖全流程 的方法论，包括：

• 明确目标任务（如生成教学内容、问答、翻译）；
• 设计提示结构（如指令、上下文、示例）；
• 选择模型与参数（如温度、top_p）；
• 验证与迭代（根据输出调整提示）。

其核心是**"通过工程化方法控制大语言模型（LLM）的行为"**。

---

概念

链式提示（Prompt Chaining）将任务分解为许多子任务 ，将子任务的提示提供给语言模型，得到的结果 作为新的提示词的一部分，这就是链式提示。

链式提示的特点：

• 模块化设计：将复杂任务拆分为多个子任务。
• 增强可控性：可以对每一步进行干预、优化或调试。
• 提高准确性：减少一次性处理复杂问题带来的错误。
• 可解释性强：清晰展示模型的推理路径。

概念图解

应用场景

1. 自动问答系统（拆解用户问题为理解、检索、推理、总结等步骤）；
2. 数据清洗与结构化（将非结构化文本转换为表格、JSON等格式）；
3. 内容生成 + 审核流程（先生成内容，再判断是否合规、是否需修改）；
4. 教育中教学设计生成（将教学设计按模块拆分为教学目标，教学重难点、教学准备、教学过程，接着又可以根据实际情况将教学过程拆分为不同的子过程等）；
5. ......

案例实操

使用工具：扣子；

实现方式：扣子工作流。

完整工作流如下图：

节点配置信息：

• 开始节点：

• 文献摘要节点：

• 根据文献摘要进行趋势分析节点：

• 生成论文大纲节点：

• 结束节点：

运行结果如下：

大家若有编程基础的话，可以参考下面的代码案例来实现与体验不同场景下使用链式提示。

代码实现链式提示

单向链式提示

技术栈：Python；LangChain

代码相关包引用导入：

pip install langchain_community==0.3.26;

pip install langchain_core==0.3.66;

具体代码：

import os

from dotenv import load_dotenv
from langchain_community.chat_models import ChatZhipuAI
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnablePassthrough

# 加载环境变量（建议将API密钥放在.env文件中）
load_dotenv()

# 初始化智谱GLM-4模型
llm = ChatZhipuAI(
    model="glm-4",
    api_key=os.getenv("ZHIPUAI_API_KEY"),
    temperature=0.3,
    top_p=0.8,
    streaming=False
)

# ===== 定义Prompt模板 =====
literature_template = """作为学术研究员，请根据关键词《{topic}》生成5篇代表性文献摘要：
| 标题 | 核心方法 | 主要结论 |
|------|----------|----------|"""

trend_template = """基于以下文献摘要：{literature_summary}
总结该领域三大技术趋势和2个未解决问题："""

outline_template = """根据趋势分析：{trend_analysis}
设计论文目录，包含：
1. 引言（背景+挑战）
2. 方法分类
3. 开放性问题
4. 未来方向\n输出："""

# ===== 构建链式流程 =====
literature_prompt = PromptTemplate.from_template(literature_template)
trend_prompt = PromptTemplate.from_template(trend_template)
outline_prompt = PromptTemplate.from_template(outline_template)

literature_chain = literature_prompt | llm
trend_chain = trend_prompt | llm
outline_chain = outline_prompt | llm

academic_chain = (
    RunnablePassthrough.assign(literature_summary=literature_chain)
    .assign(trend_analysis=trend_chain)
    .assign(outline_generator=outline_chain)
)

# 执行链
research_topic = "大语言模型在金融风控中的应用"
print(research_topic, ",最终论文提纲正在生成中，请等待...")
result = academic_chain.invoke({"topic": research_topic})

print("\n" + "=" * 60 + "\n最终论文提纲：\n" + "=" * 60)
print(result["outline_generator"].content.strip())

路由链式提示

技术栈：Python；LangChain

代码相关包引用导入：

pip install rich==14.0.0;

pip install langchain_community==0.3.26;

pip install pandas==2.3.0;

pip install langchain==0.3.26;

pip install langchain_core==0.3.66;

具体代码：

import json

import pandas as pd
from dotenv import load_dotenv
from langchain.chains import TransformChain
from langchain_community.chat_models import ChatZhipuAI
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnableLambda
from rich.console import Console

# 加载环境变量（建议将API密钥放在.env文件中）
load_dotenv()


# ===== 自定义数据清洗链 =====
def clean_transform(inputs: dict) -> dict:
    df = pd.DataFrame(json.loads(inputs["raw_data"]))
    df = df.dropna(subset=["date"])  # 删除日期为空的行
    df["sales"] = df["sales"].fillna(0).astype(int)  # 删除日期为空的行
    return {"cleaned_data": df.to_json(orient="records")}


clean_chain = TransformChain(
    input_variables=["raw_data"],
    output_variables=["cleaned_data"],
    transform=clean_transform
)

# ===== 分析Prompt =====
analysis_prompt = PromptTemplate.from_template("""
对销售数据执行分析：
1. 总销售额（请逐步计算，确保计算结果准确）
2. 最畅销产品（逐一比较，确保结果准确）
3. 每日销售趋势
数据：{cleaned_data}
用Markdown表格呈现结果：""")


# ===== 路由决策逻辑 =====
def route_decision(inputs: dict) -> str:
    df = pd.DataFrame(json.loads(inputs["raw_data"]))
    missing = df.isnull().sum().sum()
    return "clean" if missing > 0 else "analyze"


# 初始化智谱GLM-4模型
llm = ChatZhipuAI(
    model="glm-4",
    temperature=0.3,
    top_p=0.8,
    streaming=False
)


# ===== 路由分支链 =====
def router_chain_func(inputs: dict):
    if route_decision(inputs) == "clean":
        cleaned = clean_chain.invoke(inputs)
        print("输入的数据需清洗，清洗后的数据为：")
        cleaned_data = cleaned["cleaned_data"]
        print(cleaned_data)
        return (analysis_prompt | llm).invoke({"cleaned_data": cleaned_data})
    else:
        # 直接分析原始数据
        return (analysis_prompt | llm).invoke({"cleaned_data": inputs["raw_data"]})


router_chain = RunnableLambda(router_chain_func)

# ===== 数据准备 =====
sales_data = {
    "date": ["2024-01-01", "2024-01-01", "2024-01-02", None, "2024-01-03", "2024-01-03"],
    "product": ["A", "B", "A", "C", "D", "C"],
    "sales": [100, 150, None, 200, 250, 220]
}
json_param = json.dumps(sales_data)
print("输入的数据是：")
print(json_param)
print("销售数据分析正在进行中，请稍候...")

# 执行动态链
analysis_result = router_chain.invoke({
    "raw_data": json_param
})

console = Console()

print("\n" + "=" * 60 + "\n数据分析结果：\n" + "=" * 60)
if analysis_result.content:
    console.print(analysis_result.content)
else:
    console.print(analysis_result)

总结与思考

链式提示 与链式思考提示，单从中文描述上来看是比较类似的，但是从它们对应从英文来看，Prompt Chaining ，Chain of Thought Prompt，就显得比较不一样了。前者的链式，在于强调解决问题所用到的提示（prompt）的整个链路过程，是有多个 prompt 组合而成的；而后者的链式，在于强调解决问题过程中间的思考链路，整个过程只有一个 prompt。

它们之间的具体对比分析：

|----------------|---------------------------|------------------------------|
| 维度 | 链式提示（Prompt Chaining） | 链式思考（Chain-of-Thought）提示 |
| 定义 | 多个提示按顺序执行，形成一个任务流程 | 引导模型在单个提示中输出中间推理步骤 |
| 核心目标 | 拆解复杂任务为多个子任务，逐步完成 | 提高模型解决复杂问题的准确性 |
| 是否多阶段 | 是，每个阶段是一个独立提示 | 否，整个过程在一个提示中完成 |
| 是否模块化 | 是，可单独优化某一步骤 | 否，整体性强，难以拆分 |
| 是否需要人工干预 | 可以在每一步插入逻辑判断、修正等 | 通常自动完成 |
| 是否支持外部工具调用 | 支持，如数据库查询、API 调用等 | 主要依赖模型内部知识 |
| 可控性 | 高，可精细控制每一步 | 中低，依赖模型自动生成 |
| 可解释性 | 强，流程清晰，便于调试 | 强，展示推理路径 |
| 资源消耗 | 中高（多次调用模型） | 低至中等（一次调用） |

总结起来可以这么理解：

链式思考（CoT） 提示， 是让模型"自己一步步想清楚 "，
链式提示（Prompt Chaining）， 是让人"引导模型一步步做事情"。

而自我一致性提示 ， 则是让模型"多角度想清楚一件事"；

生成知识提示 ，则是让模型"基于已有知识'创造'新内容"。

好了，到此结束。

---

提示技术系列，接下来分享：思维树（ToT）；自动提示工程师（APE）；主动提示（Active-Prompt）；方向性刺激提示等等

为了方便大家学习，这里给出专栏链接： https://blog.csdn.net/quf2zy/category_12995183.html

欢迎大家一起来学习与交流......