主题
提示链（Prompt Chain）
提示链（Prompt Chain）是把一个复杂任务拆成多个步骤，每个步骤用一个 Prompt，前一步的输出作为后一步的输入。
为什么需要提示链
单 Prompt 处理复杂任务的问题：
- Prompt 太长，模型"分心"
- 中间步骤不可控
- 出错后难以定位
- 无法针对每步优化
提示链的优势：
- 每步目标明确，效果好
- 中间结果可检查、可调试
- 可以针对每步单独优化
- 支持并行（独立步骤同时跑）基本模式
顺序链（Sequential Chain）
Step 1: 研究 → Step 2: 写作 → Step 3: 校对
输入 → Prompt 1 → 输出 1
↓
Prompt 2 → 输出 2
↓
Prompt 3 → 最终输出并行链（Parallel Chain）
输入 → Prompt 1a ↘
Prompt 1b → 汇总 Prompt → 最终输出
Prompt 1c ↗LangChain 实现
Sequential Chain
python
from langchain.chains import SimpleSequentialChain, LLMChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
llm = ChatOpenAI()
# Step 1：生成大纲
outline_prompt = PromptTemplate(
template="根据以下主题生成文章大纲：\n主题：{input}",
input_variables=["input"]
)
outline_chain = LLMChain(llm=llm, prompt=outline_prompt)
# Step 2：根据大纲写文章
write_prompt = PromptTemplate(
template="根据以下大纲写文章：\n大纲：{input}",
input_variables=["input"]
)
write_chain = LLMChain(llm=llm, prompt=write_prompt)
# Step 3：校对
proofread_prompt = PromptTemplate(
template="校对并润色以下文章：\n文章：{input}",
input_variables=["input"]
)
proofread_chain = LLMChain(llm=llm, prompt=proofread_prompt)
# 组装成顺序链
chain = SimpleSequentialChain(
chains=[outline_chain, write_chain, proofread_chain]
)
result = chain.run("RAG 技术原理")更灵活的方式（函数链）
python
def step1_research(topic):
prompt = f"研究以下主题，列出关键点：{topic}"
return llm(prompt)
def step2_write(outline):
prompt = f"根据以下关键点写文章：{outline}"
return llm(prompt)
def step3_proofread(article):
prompt = f"校对以下文章：{article}"
return llm(prompt)
# 执行
outline = step1_research("RAG")
draft = step2_write(outline)
final = step3_proofread(draft)实用案例
案例 1：代码生成 + 测试 + 文档
python
# Step 1：生成代码
code = llm(f"用 Java 写一个 LRU Cache，要求：{requirements}")
# Step 2：生成单元测试
tests = llm(f"为以下代码生成 JUnit 测试：\n{code}")
# Step 3：生成文档
docs = llm(f"为以下代码生成 JavaDoc 文档：\n{code}")
# Step 4：代码审查
review = llm(f"审查以下代码，指出问题：\n{code}")案例 2：RAG 的提示链
python
# Step 1：重写查询（优化检索效果）
rewritten_query = llm(f"把以下问题改写成更适合向量检索的版本：{question}")
# Step 2：检索
docs = vector_db.search(rewritten_query, k=5)
# Step 3：判断相关性（过滤不相关结果）
relevant_docs = []
for doc in docs:
is_relevant = llm(f"以下资料是否和问题相关？\n问题：{question}\n资料：{doc}")
if "是" in is_relevant:
relevant_docs.append(doc)
# Step 4：生成回答
answer = llm(f"根据以下资料回答问题：\n资料：{relevant_docs}\n问题：{question}")提示链的设计原则
1. 每步单一职责
❌ 一个 Prompt 做多件事
"研究、写作、校对"
✅ 拆成 3 个 Prompt
Prompt 1：研究
Prompt 2：写作
Prompt 3：校对2. 中间结果要可检查
python
# 每步都打印中间结果，方便调试
outline = step1(topic)
print("=== 大纲 ===")
print(outline)
draft = step2(outline)
print("=== 草稿 ===")
print(draft)
final = step3(draft)3. 加入人工审核节点
python
outline = step1(topic)
if not human_approve(outline): # 人工审核
outline = human_edit(outline)
draft = step2(outline)与 Agent 的区别
提示链：
- 流程固定（预先设计好）
- 每步用哪个 Prompt 是确定的
- 适合：流程明确的任务
Agent：
- 流程动态（LLM 自己决定下一步）
- 可以用工具、可以做决策
- 适合：需要灵活应对的任务选择建议：流程固定用提示链，需要灵活应对用 Agent。