Lösungen für
Bitte auswählen
Web-App testen
ki-orchestrierung

Prompt Chaining

Redaktion ·

Was Prompt Chaining eigentlich ist

Prompt Chaining heißt erst mal nur: Du lässt ein Sprachmodell eine größere Aufgabe nicht in einem einzigen Aufruf erledigen, sondern in mehreren hintereinander. Die Ausgabe von Schritt eins wird zur Eingabe von Schritt zwei, dessen Ausgabe zur Eingabe von Schritt drei — und so weiter, bis am Ende das fertige Ergebnis steht. Statt einem riesigen Prompt, der alles auf einmal will, baust du eine kleine Kette aus klaren Einzelschritten.

Ein Beispiel: Du willst aus einem Kundeninterview einen Blogartikel machen. Mit Chaining sieht das so aus — Schritt eins zieht die Kernaussagen aus dem Transkript, Schritt zwei sortiert sie zu einer Gliederung, Schritt drei schreibt den Text entlang der Gliederung, Schritt vier kürzt und glättet ihn. Jeder Schritt ist ein eigener LLM-Aufruf mit einem eigenen, eng gefassten Auftrag.

Klingt nach mehr Arbeit, und das ist es auch. Aber genau diese Aufteilung ist der Punkt: Jeder Aufruf muss nur eine Sache richtig machen, nicht fünf gleichzeitig.

Warum das oft besser funktioniert als ein Mega-Prompt

Der naheliegende Gegenentwurf ist der Mega-Prompt: ein einziger, langer Auftrag, der alle Anforderungen auf einmal enthält. „Lies das Transkript, zieh die Kernaussagen, mach eine Gliederung, schreib daraus einen 800-Wörter-Artikel in unserem Ton, mit Zwischenüberschriften und einem Fazit.” Funktioniert manchmal. Wird aber unzuverlässig, sobald die Aufgabe wirklich aus mehreren Teilen besteht.

Der Grund ist simpel: Wenn ein Modell viele verschiedene Anweisungen gleichzeitig bekommt, muss es seine Aufmerksamkeit aufteilen. Läuft jede Anweisung einzeln, kann es sich voll auf ein Ziel konzentrieren. In der Praxis heißt das: Der Mega-Prompt vergisst gern eine der fünf Vorgaben, der einzelne Schritt nicht.

Dazu kommt ein zweiter Effekt. Macht das Modell in Schritt zwei eines sechsstufigen Mega-Prompts einen Fehler, baut es die Schritte drei bis sechs oft auf diesem Fehler auf — und du siehst am Ende nur das schiefe Endergebnis, ohne zu wissen, wo es kippte. In einer Kette kannst du nach jedem Schritt prüfen, bevor es weitergeht. Und genau da macht es klick: Chaining gibt dir Kontrollpunkte, ein Mega-Prompt nur ein einziges Endprodukt.

Zwischen-Gates: Prüfen, bevor es weitergeht

Der eigentliche Mehrwert einer Kette steckt nicht nur in der Aufteilung, sondern in dem, was du zwischen die Schritte setzt. Ein Gate ist eine Prüfung, die entscheidet, ob die Ausgabe eines Schritts gut genug ist, um weiterzulaufen — oder ob sie korrigiert, wiederholt oder abgebrochen werden muss.

Solche Gates können ganz unterschiedlich aussehen:

  • Schema-Check: Liefert der Schritt sauberes JSON mit allen Pflichtfeldern? Wenn nicht, läuft er nicht weiter, sondern noch einmal.
  • Regel-Check ohne KI: Ist die Ausgabe zu lang, fehlt ein Begriff, enthält sie eine verbotene Formulierung? Das prüft simpler Code, kein Modell nötig.
  • LLM-als-Prüfer: Ein eigener Aufruf bewertet die Ausgabe des vorigen Schritts („Erfüllt dieser Entwurf die Vorgabe? Antworte mit ja/nein und Begründung”).
  • Mensch-im-Loop: Vor allem, wenn am Ende etwas nach außen geht — Mail, Post, Kundenkommunikation — gehört eine Freigabe-Stufe dazwischen.

Gates sind das, was eine Kette von einem reinen Aneinanderreihen unterscheidet. Sie verhindern, dass ein früher Fehler die ganze Pipeline vergiftet, und sie machen das System debuggbar: Fällt etwas durch, weißt du sofort, an welchem Gate.

Was du dir damit einhandelst

Chaining ist kein Gratis-Gewinn. Mehrere Aufrufe statt einem bedeuten mehr Latenz — die Kette ist langsamer als der eine große Prompt, weil jeder Schritt auf den vorigen wartet. Und sie kostet tendenziell mehr Tokens, weil Zwischenergebnisse mehrfach durch das Modell laufen.

Dem stehen drei handfeste Vorteile gegenüber: höhere Genauigkeit, weil jeder Schritt fokussiert arbeitet; leichteres Debugging, weil du jeden Schritt einzeln siehst; und mehr Kontrolle, weil du an jedem Gate eingreifen kannst. Für einfache Einzelanfragen lohnt sich das selten. Für alles, was in Produktion zuverlässig laufen soll und aus mehreren Teilen besteht, fast immer.

Praktisch heißt das: Nicht jede Kette muss lang sein. Oft reichen zwei oder drei Schritte mit einem Gate dazwischen, um aus einem wackeligen Mega-Prompt etwas Verlässliches zu machen. Wer komplette Pipelines mit mehreren Modellen und Werkzeugen verschalten will, landet schnell bei KI-Agenten und Pipeline-Frameworks — Chaining ist deren einfachster Baustein. Wie du die Einzelschritte selbst formulierst, steht im Eintrag zu Prompting-Techniken.

FAQ

Was ist der Unterschied zwischen Prompt Chaining und einem Mega-Prompt?
Ein Mega-Prompt packt alle Anforderungen in einen einzigen Aufruf. Beim Chaining wird die Aufgabe in mehrere Aufrufe zerlegt, deren Ausgaben aufeinander aufbauen. Das Mega-Prompt ist schneller und billiger, die Kette genauer und besser kontrollierbar.
Wann sollte ich Chaining statt eines einzelnen Prompts nutzen?
Sobald die Aufgabe aus mehreren unabhängigen Teilschritten besteht, von denen jeder schiefgehen kann — etwa extrahieren, dann strukturieren, dann formulieren. Für eine klare Einzelanfrage ohne verschachtelte Logik reicht ein einzelner Prompt.
Was sind Zwischen-Gates und wozu brauche ich sie?
Ein Gate ist eine Prüfung zwischen zwei Schritten, die entscheidet, ob die Ausgabe weiterlaufen darf. Das kann ein Schema-Check, eine Code-Regel, ein zweiter LLM-Aufruf als Prüfer oder eine menschliche Freigabe sein. Gates verhindern, dass ein früher Fehler die ganze Kette vergiftet.
Welche Nachteile hat Prompt Chaining?
Mehr Latenz, weil jeder Schritt auf den vorigen wartet, und tendenziell höhere Token-Kosten, weil Zwischenergebnisse mehrfach durchs Modell laufen. Dafür bekommst du höhere Genauigkeit, leichteres Debugging und mehr Kontrolle.
Wie lang sollte eine Prompt-Kette sein?
So kurz wie möglich. Oft genügen zwei bis drei Schritte mit einem Gate dazwischen. Länge ist kein Selbstzweck — jeder zusätzliche Schritt kostet Latenz und Tokens, also nur so viele Schritte wie die Aufgabe wirklich braucht.

Themenuebersicht

KI-OrchestrierungWorkflow-Automatisierung