提示链：把大任务拆成一串前后传递结果的提示词

开始之前

接下来你会连着跑四条提示词，看着一份简短的季度报告一步步变成排好序的 markdown 表格，每一步跑完都会打印出来。每条提示词拿到的输入，都是上一条提示词的回复。这种交接就是全部技巧，它的名字叫提示链。

你需要 Python 3、anthropic 包和一个 API 密钥，按Claude API 快速上手那一课配置好。每一步的提示词都是普通指令。如果你还不太会写清楚的提示词，先学提示词工程基础那一课。

跑一条来自 Anthropic cookbook 的四步提示链

代码是 Anthropic 自己写的，出自cookbook 里讲基础多 LLM 工作流的笔记本。chain 接收一段起始文字和一组提示词：第一条提示词连同这段文字发出去，之后每条提示词都带上刚拿到的回复。笔记本自己说，这些示例用来演示核心概念，不是生产代码。

from util import llm_call  # util.py sits beside the notebook in the cookbook


def chain(input: str, prompts: list[str]) -> str:
    """Chain multiple LLM calls sequentially, passing results between steps."""
    result = input
    for i, prompt in enumerate(prompts, 1):
        print(f"\nStep {i}:")
        result = llm_call(f"{prompt}\nInput: {result}")
        print(result)
    return result


data_processing_steps = [
    """Extract only the numerical values and their associated metrics from the text.
    Format each as 'value: metric' on a new line.
    Example format:
    92: customer satisfaction
    45%: revenue growth""",
    """Convert all numerical values to percentages where possible.
    If not a percentage or points, convert to decimal (e.g., 92 points -> 92%).
    Keep one number per line.
    Example format:
    92%: customer satisfaction
    45%: revenue growth""",
    """Sort all lines in descending order by numerical value.
    Keep the format 'value: metric' on each line.
    Example:
    92%: customer satisfaction
    87%: employee satisfaction""",
    """Format the sorted data as a markdown table with columns:
    | Metric | Value |
    |:--|--:|
    | Customer Satisfaction | 92% |""",
]

# Three of the cookbook's eight report lines
report = """
Q3 Performance Summary:
Our customer satisfaction score rose to 92 points this quarter.
Revenue grew by 45% compared to last year.
Employee satisfaction is at 87 points.
"""

formatted_result = chain(report, data_processing_steps)

1. 从同一个 cookbook 文件夹里把 util.py 复制到你的项目中。它的 llm_call 发送一条用户消息并返回回复文字，默认模型是 claude-sonnet-5-5，也可以传入别的模型。
2. 在终端里设置 ANTHROPIC_API_KEY，因为 util.py 从环境变量里读取密钥。
3. 把代码保存在 util.py 旁边，然后运行。
4. 先看“Step 1”下面的输出。后面每一步都只依据这段文字工作，所以这里漏掉的数值，后面再也找不回来。
5. 再拿它和“Step 4”对照，那是最后一条提示词要求的 markdown 表格。

每次调用看到了什么

值得细看的是循环里的那一行：llm_call(f"{prompt}\nInput: {result}")。每次调用只拿到一条指令和一段文字。第 3 步从来看不到原始报告，只看到第 2 步返回的列表。

视野窄有好有坏。没拿到的文字不会干扰这一步，可前面某一步丢掉的事实，这一步也补不回来。如果第 4 步需要原始输入里的内容，就有意识地把它传过去，放进单独的 XML 标签里，让模型分得清哪是指令、哪是材料。每一步的提示词其实也是一个小模板，固定的指令加一个空位，下一课会做出带多个具名空位的模板。

Anthropic 的交互式教程在讲提示链的附录里用的是另一种接法。它让对话一直延续：第一条回复作为助手回合放回去，后面跟着下一个请求，所以每次调用都能看到之前所有的回合。

在步骤之间加关卡

第 1 步要求输出 value: metric 形式的行。要是模型多加了一个标题或者项目符号，第 2 步照样会运行，问题要等到三次调用之后才冒出来。Anthropic 的指南 Building effective agents 给出了办法：在任何中间步骤上加程序化检查，图里画作“gate”（关卡），用来确认流程没有跑偏。

下面这段代码是本课自己写的，它把 cookbook 的 chain 包了一层：去掉打印，并在你指定的步骤之后运行检查。检查不通过就抛出错误，坏掉的那一步会让整条链停下，而不是把错误结果喂给下一条提示词。

关卡也可以是一条提示词。教程先让模型列出十个以“ab”结尾的单词。接着是一个复查请求：“Please find replacements for all 'words' that are not real words.”笔记本提到，Claude 偶尔还是会改动本来就正确的单词。解决办法是给复查者留一条退路，加上一句“If all the words are real words, return the original list.”。复查步骤少了这句话，就没法说一句“这份结果没问题”。

# Paste this below the first sample: it reuses report and data_processing_steps.
import re

from util import llm_call

LINE = re.compile(r"^\S+: .+")  # the 'value: metric' shape steps 1 to 3 ask for


def check_lines(text: str) -> None:
    """A gate: stop the chain when a step breaks the line format."""
    lines = [line.strip() for line in text.strip().splitlines() if line.strip()]
    bad = [line for line in lines if not LINE.match(line)]
    if not lines or bad:
        raise ValueError(f"Gate failed. First bad lines: {bad[:3]}")


def chain_with_gates(input: str, prompts: list[str], gates: dict) -> str:
    """The cookbook's chain, with a check after the steps named in gates."""
    result = input
    for i, prompt in enumerate(prompts, 1):
        result = llm_call(f"{prompt}\nInput: {result}")
        check = gates.get(i)
        if check:
            check(result)  # raises, so a bad step never reaches the next prompt
    return result


table = chain_with_gates(
    report, data_processing_steps, {1: check_lines, 2: check_lines, 3: check_lines}
)

什么时候提示链胜过一条长提示词

Anthropic 的规则很简短：任务能干净地拆成固定的子任务时，就用提示链。你牺牲一些延迟来换准确度，因为每次调用的活儿都更轻松。它举了两个例子：先写营销文案再翻译成另一种语言，以及先写大纲、对照标准检查大纲、再按大纲写出整篇文档。Anthropic 2024 年的一篇文章还举了一个分三次调用回答税务问题的例子：先列出相关的税法条目，再在每份文档里找出相关段落，最后根据收集到的内容作答。

这些例子有个共同点：第一次调用之前，顺序就已经定了。如果该走哪些步骤取决于输入，固定的提示链就不合适。一个混着退款申请和技术故障的客服队列，需要一个路由来挑下一条提示词，或者一个自己决定步骤的智能体，AI 智能体那一课讲过这一点。一条已经好用的清楚提示词，根本不需要拆成链。

研究结果也指向同一个方向，只是用的模型如今已经过时。2022 年的least-to-most 提示论文让 GPT-3 的 code-davinci-002 先把问题拆成更简单的子问题，再按顺序逐个解决，每个答案都传给下一个。在 SCAN 这个考察能否处理比示例更难指令的测试上，论文报告的准确率至少 99%，而思维链提示只有 16%。

后来的两项研究延续了这个规律。2023 年的 Self-Refine 让 GPT-3.5、ChatGPT 和 GPT-4 先起草输出，再对它给出反馈，然后据此修改。在七项任务上，它报告的任务表现比一步生成平均高出约 20%（绝对值）。一项 2024 年的摘要研究把起草、批评、修改分别做成三条提示词和合成一条提示词来比较。三条提示词的链结果更好，作者认为，单条提示词里的修改过程可能只是模拟出来的。

Anthropic 谈“智能体组成的工作流”，以及 AI Chains 研究

2025 年 10 月，Anthropic 发布了一段对谈。对谈双方是 Claude Relations 的 Alex Albert，以及做多智能体研究、参与撰写 Building effective agents 的 Erik。6:40 开始的那一章，标题译过来是“工作流与智能体的演变（由智能体组成的工作流）”。这个标题正好说明了本课这种提示链可以往哪里发展：步骤顺序仍然写在你的代码里，某一步需要搜索或调用 API 时，就让这一步变成一个带工具的智能体。

提示链比这波智能体热潮出现得更早。2021 年的论文 AI Chains 里，Tongshuang Wu、Michael Terry 和 Carrie J. Cai 对一个搭建提示链的交互工具做了 20 人的用户研究。提示链提高了任务结果的质量，用户还自己摸索出一种调试办法：对链里的子组件做“单元测试”，找出意外输出的来源。今天你也可以照做：把第 2 步的输出存成文件，单独反复运行第 3 步，直到它表现正常。

常见错误

• 一条清楚的提示词就能搞定的任务也拆成链，白白多付四次调用、多等四次。
• 每次调用只看到递给它的文字，却让第 1 步丢掉了后面步骤要用的事实。
• 某一步返回的格式已经错了，后面的步骤还照跑，错误要到三次调用之后才露出来。
• 加了复查步骤，却没给它说“结果已经没问题”的余地。
• 从最终输出开始排查，而不是从第一个输出看起来不对的步骤开始。
• 每个输入要走的步骤都不一样，却把顺序写死在代码里。

自己试一试

• 从报告里删掉员工满意度那一行，再跑一遍提示链。哪一步最先体现出变化？
• 运行 chain_with_gates，故意在第 1 步的提示词里加一句“Start with a short heading.”把它弄坏。是哪道关卡让运行停下的？它的错误信息列出了什么？
• 加第五步，用一句话说明最大的那个数值，并把原始报告放进名为 report 的 XML 标签里，和表格一起交给它。
• 把 Anthropic 指南里写大纲的例子做成三条提示词加一道关卡。你的关卡具体检查什么？

常见问题

资料来源

1. Anthropic Engineering: Building effective agents (2026年11月6日 查阅)https://www.anthropic.com/engineering/building-effective-agents
2. Anthropic cookbook: Basic multi-LLM workflows (notebook) (2026年11月6日 查阅)https://github.com/anthropics/claude-cookbooks/blob/main/patterns/agents/basic_workflows.ipynb
3. Anthropic cookbook: util.py for the agent patterns (2026年11月6日 查阅)https://github.com/anthropics/claude-cookbooks/blob/main/patterns/agents/util.py
4. Anthropic's prompt engineering tutorial: Appendix 10.1, Chaining Prompts (2026年11月6日 查阅)https://github.com/anthropics/prompt-eng-interactive-tutorial/blob/master/Anthropic%201P/10.1_Appendix_Chaining%20Prompts.ipynb
5. Anthropic: Prompt engineering for business performance (29 February 2024) (2026年11月6日 查阅)https://www.anthropic.com/news/prompt-engineering-for-business-performance
6. Least-to-Most Prompting (Zhou et al., 2022) on Hugging Face Papers (2026年11月6日 查阅)https://huggingface.co/papers/2205.10625
7. Self-Refine (Madaan et al., 2023) on Hugging Face Papers (2026年11月6日 查阅)https://huggingface.co/papers/2303.17651
8. Prompt Chaining or Stepwise Prompt? (Sun et al., 2024) on Hugging Face Papers (2026年11月6日 查阅)https://huggingface.co/papers/2406.00507
9. AI Chains (Wu, Terry and Cai, 2021) on Hugging Face Papers (2026年11月6日 查阅)https://huggingface.co/papers/2110.01691
10. YouTube: Building more effective AI agents (Anthropic, 17 October 2025) (2026年11月6日 查阅)https://www.youtube.com/watch?v=uhJJgc-0iTQ