---
title: "[Milky] 为您整理《讲透《Agentic design patterns》系列（1/21）：别再用长提示词了，10分钟学会prompt链模式》笔记 | BV1YGVY6nE4n"
source: "milky@4ueo.com"
date: 2026-06-10 12:18
tags: [milky, bilibili, notes]
email_id: 2635
---

Milky 为您整理了《讲透《Agentic design patterns》系列（1/21）：别再用长提示词了，10分钟学会prompt链模式》 | BV1YGVY6nE4n 笔记。

Prompt Chaining（提示词链）模式实战指南

核心概念：什么是 Prompt Chaining

Prompt Chaining（提示词链） 的本质是将大任务拆解为串行步骤（Pipeline），上一步的产出直接作为下一步的输入。

工厂装配线类比：想象一个工厂的生产流程——拧螺丝的工位完成后，半成品直接滑向喷漆工位，再流向质检工位。而不是让一个工人同时负责拧螺丝、喷漆和质检。提示词链遵循同样的逻辑：每个步骤专注于单一职责，通过标准化接口传递中间产物。

为什么单 Prompt 搞不定复杂任务

当试图用单个超长 Prompt 解决复杂任务时，模型会出现五类典型失效模式：

上下文稀释（Context Dilution）：过长的指令导致模型注意力分散，忽略关键约束条件
逻辑纠缠（Logic Entanglement）：多步骤推理相互干扰，前一步的错误在后续被放大
输出格式不稳定：同时要求模型完成分析、推理、格式化输出，导致结构混乱
调试困难：无法定位问题出现在哪个推理环节
Token 效率低下：重复处理相同的上下文背景信息

7 个高频应用场景与流水线设计

场景 1：文档生成流水线
步骤拆解：
大纲生成：根据主题生成结构化大纲（Markdown 格式）
内容填充：针对每个章节标题生成详细内容
风格润色：统一语气、优化表达、检查一致性
格式校验：验证最终输出是否符合模板要求

场景 2：代码审查与修复
步骤拆解：
静态分析：识别潜在 Bug、安全漏洞、性能瓶颈（输出问题清单 JSON）
修复建议：针对每个问题生成具体修复代码
代码重构：优化可读性和可维护性
测试生成：为修复后的代码生成单元测试用例

场景 3：数据分析报告
步骤拆解：
数据理解：分析原始数据结构，识别字段类型和分布（输出数据画像）
洞察发现：基于数据画像执行统计分析，发现趋势和异常
可视化建议：生成图表配置代码（Matplotlib/Plotly）
报告撰写：将数据洞察转化为业务语言，生成 executive summary

场景 4：客服对话处理
步骤拆解：
意图识别：分类用户问题类型（退款/技术支持/账户问题）
信息抽取：从对话历史中提取关键实体（订单号、产品型号）
方案生成：基于知识库生成解决方案草稿
语气校准：根据用户情绪调整回复的礼貌程度和详细程度

场景 5：法律合同审查
步骤拆解：
条款提取：识别关键条款（违约责任、保密协议、争议解决）
风险标记：对照法规库标记高风险条款（输出风险评级）
条款对比：与标准模板对比，指出缺失或不合理条款
修订建议：生成具体的条款修改建议书

场景 6：学术论文辅助
步骤拆解：
文献摘要：将多篇论文摘要压缩为核心观点矩阵
研究缺口识别：分析现有研究的空白点
方法论设计：针对研究问题设计实验方案
引用格式化：将参考文献转换为指定格式（APA/MLA）

场景 7：多语言内容本地化
步骤拆解：
初译：直译源语言内容
文化适配：识别文化特定梗、俚语，进行本地化转换
术语一致性检查：确保专业术语在全文中统一
本地合规审查：检查内容是否符合目标地区的法规要求

代码实战：LangChain LCEL 实现两步链

使用 LangChain Expression Language (LCEL) 可以简洁地实现 Prompt Chaining：

`python
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchaincore.outputparsers import StrOutputParser

初始化模型
llm = ChatOpenAI(model="gpt-4", temperature=0)

第一步：生成大纲
outlineprompt = ChatPromptTemplate.fromtemplate(
    "为以下主题生成详细的文章大纲，使用Markdown格式：\n主题：{topic}"
)
outlinechain = outlineprompt | llm | StrOutputParser()

第二步：基于大纲生成内容
contentprompt = ChatPromptTemplate.fromtemplate(
    "基于以下大纲撰写详细内容，要求专业且易懂：\n大纲：{outline}"
)
contentchain = contentprompt | llm | StrOutputParser()

组合链：使用 pipe 操作符串联
fullchain = {"outline": outlinechain} | content_chain

执行
result = full_chain.invoke({"topic": "Prompt Chaining 设计模式"})
print(result)
`

关键语法解析：
| 操作符：将上游组件的输出作为下游组件的输入
{"outline": outline_chain}：显式映射，将第一步的输出命名为 outline 传递给第二步
隐式传递：如果下游 Prompt 的变量名与上游输出匹配，可自动映射

多步链与状态管理

对于需要保留上下文的复杂流程：

`python
from langchain_core.runnables import RunnablePassthrough

三步链示例：提取 → 分析 → 总结
extract_chain = (
    ChatPromptTemplate.from_template("从文本中提取关键数据点：{text}")
    | llm 
    | StrOutputParser()
)

analyze_chain = (
    ChatPromptTemplate.from_template("分析以下数据点并提供洞察：{data}")
    | llm 
    | StrOutputParser()
)

保留原始文本的同时传递中间结果
combined_chain = (
    {
        "data": extract_chain,
        "original_text": RunnablePassthrough()  # 透传原始输入
    }
    | analyze_chain
)
`

上下文工程与避坑指南

什么时候必须用链（Prompt Chaining）

| 场景特征 | 单 Prompt 风险 | 链式处理优势 |
|---------|--------------|------------|
| 多模态处理 | 格式混乱 | 每步专注一种输出格式 |
| 需要外部工具调用 | 逻辑嵌套复杂 | 中间步骤可插入 API 调用 |
| 质量门控要求 | 无法中途拦截 | 每步后可添加 validation |
| 长文本生成（>2k tokens） | 遗忘早期约束 | 分步引用前文摘要 |

什么时候不该用链

简单问答：单轮即可完成的任务，拆分反而增加延迟和成本
强依赖全局上下文：如代码全局重构，需要同时看到所有模块
实时性要求极高：链式调用增加多次 API 往返时间（RTT）

步骤间数据传递格式规范

推荐格式（防止 Pipeline 崩溃）：

结构化中间态：使用 JSON/YAML 而非自然语言传递数据
   `json
   {
     "step1_output": {
       "entities": ["Apple Inc.", "iPhone 15"],
       "sentiment": "positive",
       "confidence": 0.92
     }
   }
   `

Schema 校验：在步骤间添加 Pydantic 模型验证
   `python
   from pydantic import BaseModel, ValidationError
   
   class EntityExtraction(BaseModel):
       entities: list[str]
       confidence: float
   
   # 在链中添加验证节点
   def validate_output(text: str) -> dict:
       try:
           return EntityExtraction.parse_raw(text).dict()
       except ValidationError:
           return {"error": "格式不符，要求重新生成"}
   `

容错设计：为上一步骤添加失败回退（Fallback）
   `python
   robustchain = step1.withfallbacks([fallback_prompt]) | step2
   `

上下文窗口管理：
   - 避免传递完整历史，只传递摘要（Summary）或关键状态（State）
   - 使用 Map-Reduce 模式处理超长文本，而非线性串联

调试技巧

中间状态检查：使用 RunnableLambda 打印中间结果
  `python
  from langchain_core.runnables import RunnableLambda
  
  debug_chain = step1 | RunnableLambda(lambda x: print(f"中间结果: {x}") or x) | step2
  `
Token 消耗监控：分别计算每个子步骤的 Token 数，识别成本瓶颈


设计原则总结：Prompt Chaining 的核心价值在于通过任务分解降低单步复杂度（Complexity Decomposition），使每个子模型只需处理简化后的认知负载，从而提升整体系统的可靠性（Reliability）和可维护性（Maintainability）。

──────────────────────────────
Generated by MilkyAi@Bilibili: https://space.bilibili.com/3461574540921489