Prompt Chaining

Wat is Prompt Chaining?

Prompt chaining is de techniek van een complexe taak opsplitsen in een reeks aparte modelaanroepen, waar elke prompt de output van de vorige consumeert. In plaats van om alles in één prompt te vragen, doet elke stap één gefocuste klus, en ruilt extra latentie en kosten in voor hogere betrouwbaarheid en makkelijker debuggen.

De belangrijkste punten

• Elke schakel in de keten krijgt een schone, gefocuste prompt, dus behandelt het model één zorg tegelijk in plaats van vijf instructies te jongleren en er twee te laten vallen.
• Tussenliggende outputs zijn inspecteerbaar. Je kunt elke stap valideren, loggen, of poorten, wat onmogelijk is wanneer alles binnen één ondoorzichtige generatie gebeurt. In de originele AI Chains-studie van Google in 2022 vond een gebruikersonderzoek onder 20 personen dat chaining de kwaliteit van taakuitkomsten verbeterde en transparantie, beheersbaarheid, en het gevoel van samenwerking significant verhoogde ten opzichte van één prompt [1].
• Chaining ruilt snelheid en tokens in voor betrouwbaarheid. Een keten van drie stappen kost drie aanroepen, en die ruil is meestal de moeite waard voor alles met een kwaliteitslat.
• Een promptketen is een vaste pipeline die de developer ontwerpt. Die voorspelbaarheid onderscheidt het van een autonome agent, die zijn eigen volgende stap op runtime beslist.

Hoe het werkt

De developer ontleedt de taak in fasen zoals hij een functie zou ontleden: extraheren, dan transformeren, dan formatteren, bijvoorbeeld. Elke fase wordt zijn eigen prompt met zijn eigen instructies, en code ertussen geeft resultaten door, vaak eerst herstructureerd. Het patroon verschijnt in elk orchestratieframework omdat het direct mapt op gewone softwarepipelines: step functions, wachtrijen, of een gewone reeks API-aanroepen.

De betrouwbaarheidswinst komt van het versmallen van bereik. Eén megaprompt die een model vraagt een document te lezen, zijn beweringen te beoordelen, een weerlegging op te stellen, en het als memo te formatteren, dwingt één generatie om aan elke eis tegelijk te voldoen, en kwaliteit verslechtert stilletjes op de delen die het model minder prioriteert. Geketend heeft elke aanroep een korte instructieset en een goed gevormde input, dus krimpen faalpatronen en worden ze toewijsbaar. Wanneer stap drie zich misdraagt, herstel je de prompt van stap drie. De winst kan dramatisch zijn: Googles least-to-most-prompting-werk van 2022, dat een ontledingsprompt ketent in sequentiële subprobleemprompts, loste de SCAN-compositionele-generalisatiebenchmark op met minstens 99% nauwkeurigheid uit slechts 14 voorbeelden, waar standaard chain-of-thought-prompting 16% haalde [2].

De naden tussen stappen zijn ook controlepunten. Code tussen aanroepen kan gestructureerde outputs valideren tegen een schema, een mislukte stap opnieuw proberen, vertakken op een classificatieresultaat, of de keten stoppen en escaleren naar een persoon. Daar schaduwt prompt chaining in een bredere agentic workflow: ketens zijn het statische, door developers geschreven uiteinde van het spectrum, terwijl agents dynamisch hun eigen volgorde van stappen kiezen.

Voorbeeld

Een team bouwt een changelog-generator die draait na elke release. Eén prompt zou brij produceren, dus ketenen ze er vier. Stap één neemt het ruwe commitlog en extraheert gebruikersgerichte wijzigingen als gestructureerde JSON, en gooit refactors en dependency-bumps weg. Stap twee classificeert elke wijziging als feature, fix, of breaking change. Stap drie schrijft een klantvriendelijke zin voor elk item, gegeven de toongids van het product. Stap vier stelt de uiteindelijke markdown samen gegroepeerd per categorie. Tussen stappen valideert code de JSON en laat elk item dat classificatie faalde in een reviewwachtrij vallen. Wanneer de toon te casual afdrijft, passen ze alleen de prompt van stap drie aan, en beweegt niets anders in de pipeline mee.

Veelvoorkomende misvattingen

De veelgemaakte fout is het hele opgestapelde transcript van stap naar stap doorgeven, op de theorie dat meer context helpt. Het schaadt meestal. Stroomafwaartse prompts erven ruis en verouderde instructies van stroomopwaarts, wat context rot uitnodigt binnen één pipelinerun. Geef alleen door wat de volgende stap nodig heeft, idealiter als gevalideerde gestructureerde data, en laat elke prompt schoon beginnen.

FAQ

Hoe verschilt prompt chaining van chain-of-thought-prompting? Chain-of-thought gebeurt binnen één modelaanroep: het model redeneert stap voor stap voordat het antwoordt. Prompt chaining omspant meerdere aanroepen met code ertussen. Ze combineren goed, want elke individuele schakel in een keten kan intern chain-of-thought gebruiken.

Wanneer moet ik een keten gebruiken in plaats van een agent? Gebruik een keten wanneer de stappen vooraf bekend zijn en elke run hetzelfde, zoals een ETL-achtige contentpipeline. Gebruik een agent wanneer het pad afhangt van wat het model onderweg ontdekt. Ketens zijn goedkoper, sneller te debuggen, en makkelijker te testen, dus zouden ze de standaard moeten zijn tot de taak oprecht runtime-beslissingen nodig heeft.

Vermenigvuldigt chaining fouten? Het kan, want elke stap heeft een faalpercentage en fouten stapelen zich op over schakels heen. Het tegenmiddel is validatie op de naden: schemachecks, gerichte retries, en vertrouwenspoorten. Een keten met checks tussen stappen is typisch veel betrouwbaarder dan één lange prompt zonder checks.

Bronnen

1. Wu et al. (Google), arXiv (CHI 2022). "AI Chains-gebruikersonderzoek onder 20 personen: chaining verbeterde kwaliteit van taakuitkomsten, transparantie, en beheersbaarheid versus één prompt." https://arxiv.org/abs/2110.01691. Geraadpleegd augustus 2026.
2. Zhou et al. (Google), arXiv (Least-to-Most Prompting). "Least-to-most-prompting loste SCAN op met minstens 99% nauwkeurigheid met 14 voorbeelden, tegenover 16% voor chain-of-thought." https://arxiv.org/abs/2205.10625. Geraadpleegd augustus 2026.