Prompt-Chaining: Große KI-Aufgaben in Schritte zerlegen
Ein einziger Riesen-Prompt trifft eine komplexe Aufgabe selten. Kleinere Prompts zu verketten, jeder übergibt an den nächsten, ist zuverlässiger und leichter zu debuggen.
Bitte ein Modell, „diese zehn Support-Tickets zu lesen, die drei häufigsten Probleme zu finden, für jedes einen Lösungsvorschlag zu entwerfen und eine zusammenfassende E-Mail ans Team zu schreiben“ – und du bekommst etwas zurück, das alle vier Aufgaben streift und keine davon trifft. Die Erkenntnisse bleiben oberflächlich, die Lösungen generisch, die E-Mail liest sich wie Füllmaterial. Das Modell ist nicht das schwache Glied. Du hast ihm vier Aufgaben in einem Atemzug zugeworfen, und es hat über alle hinweg gemittelt. Zerleg dieselbe Anfrage in eine Folge kleinerer Prompts, von denen jeder genau eine Aufgabe erledigt und den nächsten speist, und die Qualität steigt schnell. Das ist Prompt-Chaining, und es ist der zuverlässigste Weg, einer KI bei allem Komplizierten echte Arbeit abzuringen.
Warum ein einziger Riesen-Prompt auseinanderfällt
Ein Modell hat pro Antwort ein festes Budget an Aufmerksamkeit. Packst du Recherche, Struktur, Ton und Formatierung in eine einzige Anweisung, verteilt es dieses Budget dünn und zieht alles in einem Durchgang durch. Es gibt keinen Moment, in dem es innehält, das Zwischenergebnis prüft und den Kurs korrigiert. Ein früher Lesefehler an der Quelle vergiftet still und leise alles, was danach kommt.
Am deutlichsten spürst du das bei Aufgaben mit diesen Merkmalen:
- Mehrere klar abgegrenzte Teilaufgaben, die jeweils volle Konzentration verdienen
- Schritte, die vom Ergebnis früherer Schritte abhängen
- Eine Stelle, an der sich ein kleiner Fehler am Anfang zu einem großen am Ende auswächst
- Widersprüchliche Formatwünsche (erst eine lange Analyse, dann eine knappe Antwort in einer Zeile)
Ein einziger Ausgabeblock gibt dir außerdem nichts zum Prüfen. Ist die Zusammenfassung falsch, kannst du nicht sagen, ob die Recherche, die Struktur oder der Text versagt hat. Du starrst auf ein fertiges Gericht und hast keine Ahnung, welche Zutat daneben war. Wenn du noch an den Grundlagen baust, passt der Ratgeber zu den Grundlagen gut zu allem, was folgt.
Die Kernidee: Schritt N speist Schritt N+1
Das Prinzip ist fast schon peinlich einfach. Du zerlegst eine Aufgabe in geordnete Schritte. Das Ergebnis von Schritt N wird zur Eingabe von Schritt N+1. Jeder Prompt startet von einem sauberen, geprüften Ergebnis statt von deinem vagen ursprünglichen Wunsch.
Weil jeder Schritt ein greifbares Zwischenprodukt liefert, bekommst du Prüfpunkte gratis dazu. Ein Recherche-Schritt reicht dir Notizen zum Überfliegen; ein Gliederungs-Schritt reicht dir eine Struktur zum Abnicken, bevor auch nur ein Satz Entwurf existiert. Prompt-Chaining macht aus einem undurchsichtigen Sprung eine Reihe kurzer, überprüfbarer Etappen – und das Modell muss nur bei jeder einzelnen Etappe richtigliegen statt bei allem auf einmal.
Chaining und Chain-of-Thought sind nicht dasselbe
Die beiden werden ständig verwechselt. Chain-of-Thought spielt sich innerhalb einer einzigen Antwort ab: Du bittest das Modell, vor der Antwort Schritt für Schritt zu denken, und dieses ganze Nachdenken passiert in einem Aufruf. Prompt-Chaining spielt sich über mehrere Antworten hinweg ab: Du führst getrennte Aufrufe aus und leitest das Ergebnis des einen in den nächsten.
Sie ergänzen sich sauber. Ein einzelnes Glied deiner Kette kann intern selbst Chain-of-Thought nutzen und sich zu seinem Ergebnis vordenken. Greif zum Reasoning, wenn das Schwierige das *Denken* ist; greif zum Chaining, wenn das Schwierige der *Umfang* ist. Zur Reasoning-Seite siehe den Chain-of-Thought-Ratgeber, und das Chain-of-Thought-Prompt-Tool kann diese Struktur aus Denken plus Prüfen für jeden einzelnen Schritt aufsetzen.
Muster, die es zu klauen lohnt
Die meisten nützlichen Ketten sind Varianten einer Handvoll Grundformen:
- Recherchieren, gliedern, entwerfen, überarbeiten für lange Texte
- Extrahieren, umwandeln, zusammenfassen für chaotische Ausgangsdaten
- Erzeugen, kritisieren, überarbeiten für Qualität, die du verteidigen kannst
- Zerlegen, jeden Teil lösen, zusammenführen für Probleme mit mehreren Teilen
Hier ist die Schreibkette als drei beschriftete Prompts. Beachte, wie jeder seine Eingabe und seine Ausgabe benennt:
Das Muster Erzeugen-Kritisieren-Überarbeiten ist genauso übertragbar und funktioniert bei fast jeder Ausgabe, die dir wichtig ist:
Das Muster Zerlegen-Lösen-Zusammenführen passt zu Problemen, die in unabhängige Teile zerfallen, die du einzeln angehst:
Das sind die Art Prompt-Chaining-Beispiele, die du in fünf Minuten anpasst. Tausch das Thema, behalte die Form.
Jedes Glied und seine Übergabe gestalten
Ein gutes Glied hat drei Dinge festgezurrt, bevor du es laufen lässt: eine Aufgabe, eine definierte Eingabe und ein festgelegtes Ausgabeformat. Versucht ein Schritt, zwei Dinge zu tun, teil ihn auf. Kannst du nicht beschreiben, was er übergeben soll, bist du noch nicht so weit, den nächsten Prompt zu schreiben.
Am Ausgabeformat entscheidet sich, ob Ketten leben oder sterben, denn diese Ausgabe ist die Eingabe des nächsten Schritts. Übergaben in Fließtext sind verlustbehaftet und schwer zu parsen. Strukturierte Übergaben nicht. Verlang JSON, und der nächste Schritt bekommt saubere Felder statt Absätze, die er neu deuten muss:
Jetzt bekommt Schritt zwei dieses Array und wandelt es um, ohne zu raten, wo ein Eintrag endet und der nächste beginnt. Das JSON-Prompt-Tool hilft dir, ein Schema festzuzurren, und sobald ein Glied grob läuft, schärft der Prompt-Optimierer seine Formulierung, damit die Ausgabe von Durchlauf zu Durchlauf konsistent bleibt.
Von Hand machen oder automatisieren
Du kannst eine Kette komplett von Hand im Chatfenster laufen lassen. Schick Prompt eins ab, lies das Ergebnis, füg es in Prompt zwei ein und so weiter. Das ist das richtige Tempo für einmalige Arbeiten und erste Experimente. Du siehst jedes Zwischenergebnis und kannst einen schlechten Schritt sofort korrigieren, bevor er sich ausbreitet. Tools wie ein Claude-Prompt-Generator helfen dir, jedes Glied beim Experimentieren schnell zu entwerfen.
Hat sich eine Kette bewährt und musst du sie hundertmal ausführen, gieß sie in Code. Ein Skript ruft das Modell für Schritt eins auf, fängt die Ausgabe ab und reicht sie programmatisch an Schritt zwei weiter. Hier hört mehrstufiges Prompting auf, eine manuelle Gewohnheit zu sein, und wird zu einer kleinen Pipeline. Der Haken ist real: Automatisierung nimmt dir den Blick auf die Mitte, also musst du Prüfungen ergänzen, die ein Mensch vorher gratis erledigt hat. Manuell ist zum Erkunden; automatisiert ist für Masse, sobald die Form steht.
Wo Ketten brechen – und wann du sie weglässt
Ketten scheitern an bestimmten, vorhersehbaren Stellen. Ein Schritt liefert fehlerhaftes JSON, und der nächste verschluckt sich daran. Ein Glied halluziniert ein Detail, und jeder nachgelagerte Schritt behandelt es als Fakt. Latenz und Kosten summieren sich, weil du jetzt mehrere Aufrufe statt einem machst. Sichere die Nahtstellen ab:
- Prüf jede Übergabe, bevor du sie weiterreichst; weise schlechte Ausgaben zurück und versuch es erneut
- Halte die Originalquelle für spätere Schritte verfügbar, damit Fehler nicht ungeprüft weiterwandern
- Bau einen Prüfschritt ein, der das fast fertige Ergebnis gegen deine Kriterien abgleicht
- Protokolliere die Zwischenausgaben, damit du siehst, welches Glied gebrochen ist – nicht nur, dass etwas kaputt war
Und manchmal solltest du gar nicht verketten. Eine einzelne Faktenabfrage, eine kurze Klassifizierung, ein schnelles Umschreiben, eine Antwort von einem Absatz ohne innere Abhängigkeiten: Ein einziger Prompt ist schneller, günstiger und weniger anfällig. Zu Prompt-Chaining bei einer Aufgabe zu greifen, die in einen sauberen Prompt passt, bringt nur zusätzliche Aufrufe und Fehlerquellen ohne Gewinn. Die Kunst besteht darin, zu erkennen, welche Aufgaben wirklich trennbare, voneinander abhängige Schritte haben. Für schwerere Orchestrierung und das Urteilsvermögen dahinter geht fortgeschrittenes Prompt Engineering tiefer darauf ein, wo sich Chaining seinen Preis verdient.
