提示词工程-提示词链（prompt chain）
提示词工程-链式提示词（prompt chain）
罗伯特·C·马丁（Robert C. Martin），一位著名的工程师，曾经说过：“函数应该只做一件
事。它们应该做好这件事。而且只做这件事。” 同样的原则也适用于提示词工程。
提示词应该只做一件事。它们应该做好这件事。而且只做这件事。
如果在同一个提示词中包含了多个任务或者指令时，AI大模型的输出将会不敬人意。这样的
提示词会让AI大模型陷入困境，无法正确理解你的意图。因此，更好的方法是将较大的提示
分解为多个较小的提示，创建动态提示链。每个链式提示词只包含一个任务或者指令。
提示链通过让模型专注于链中每个子任务，实现了对输出的更细粒度控制。
什么是提示词链？
提示词链将一个任务拆解为一系列较小的子任务，每个子任务由独立的提示词处理。
提示词链可以通过多种方式实现，包括结合其他提示工程方法，例如自动链式思维提示
（automatic chain-of-thought prompting）、由易到难提示（least-to-most
prompting）以及自一致性提示（self-consistency prompting）。
例如，在文本摘要任务中，可以通过提示链实现以下步骤：
- 创建初步摘要草稿
- 对摘要进行批评与改进建议
- 检查摘要是否存在事实错误
- 根据批评和反馈生成精炼后的摘要
每个步骤都由独立的提示处理，使模型能够完全专注于单个子任务，从而提高整体输出质量。
提示链对于完成复杂任务非常有用，因为这些任务如果使用一个非常详细的单一提示，LLM
可能难以应对。在提示链中，每个链式提示都会对生成的响应进行转换或额外处理，直到最
终达到期望的结果。
除了获得更好的性能，提示链还能提高LLM应用的透明性、可控性和可靠性。这意味着你可
以更轻松地调试模型响应中的问题，并分析和改进需要优化的各个阶段的性能。
提示链在构建基于LLM的对话助手、改善应用的个性化和用户体验方面尤其有用。
提示链的工作原理
下图展示了提示链的基本工作原理。首先使用提示链时，需要将任务拆解为多个子任务，子
任务的粒度足够小，每个子任务都由独立的提示处理。上一个提示词的输出作为下一个提示
词的输入。
提示链的好处
增强专注力：通过将庞大的提示拆解为有针对性的子提示，模型可以将注意力集中在
每个任务上，一次只处理一个任务。更高质量的输出：如后续研究所示，提示链的效果明显优于庞大的提示。研究结果表
明，提示链能够提供更精确和有效的输出。更易理解：理解复杂的庞大提示非常具有挑战性，这也使得团队协作变得困难，输出
质量难以提升。通过利用提示链，所使用的提示更加专注，因此更容易理解。广泛适用：提示链几乎可以提高任何复杂任务的输出质量。无论是摘要、问题解决还
是创意写作，通过提示链将过程拆解为更小的步骤都能帮助模型提高表现。
提示链在生成长篇输出或处理包含大量上下文的提示时特别有益。
何时使用提示词链
提示链本身其实也是模拟了人类思维的链式思考过程。在人类思维中，我们会将一个大的
任务拆解为多个小的子任务，然后逐个完成。这种思维方式使我们能够更好地处理复杂的问题。
但是当你的任务非常简单或者只包含一个步骤时，使用提示链可能会增加不必要的复杂性。
如果你在决定是创建提示链还是使用单个提示时，可以考虑以下四个问题：
我的任务涉及多个指令吗？ 例如，“阅读这篇文章并生成摘要，然后创建一个相关的
LinkedIn帖子。”我的任务需要多次转换吗？ 比如，如果输出需要以多种方式进行处理或重新格式
化。我对单一提示的结果不满意吗？ 将任务拆解为子任务，并通过提示链逐个处理，可
以帮助你找出问题所在，从而更容易修复。模型是否似乎失去焦点或忘记上下文？ 如果是这样，将单个提示转化为提示链可以
确保每个步骤都能得到模型的全神贯注。
提示链的典型示例
数据分析任务
通常在做数据分析时，我们需要进行数据提取、数据清理、数据分析和数据可视化等多个步骤。
而且每一步都要基于上一步的结果进行。因此这是一种典型的适合使用提示链的场景。
提示1：提取数据
从我们公司的数据库的导出数据 {{ 数据库数据 }} 中提取收入和用户参与数据，重点关注第一季度到第四季度的数据。
提示 2：数据转换
清理提取的数据 {{ 提取的数据 }} ，去除异常值，处理缺失值，并标准化数值字段。
提示 3：数据分析
分析清理后的数据 {{ 转换后的数据 }}，以识别收入增长和用户参与度随时间的主要趋势。
提示 4：数据可视化
根据 {{ 数据分析结果 }} 创建可视化图表，突出分析中识别的趋势，重点展示收入增长和参与度激增。
代码编写任务
软件的代码编写是一个相当复杂的过程，通常需要多个步骤，例如需求分析、设计、编码、测试和部署等等。
如何将编写代码的任务交给AI大模型呢？这时候提示链就派上用场了。
如下提示链的示例，将代码编写拆解为：根据需求生成代码-》生成测试用例 -》代码检视 -》解决问题。
提示1：生成代码
请根据用户的 {{ 功能需求 }} 使用 {{ 编程语言 }} 生成相应的代码，保证生成的代码和用户需求一致。
始终使用注释来解释代码片段，如果是函数和类，请添加函数和类的注释，函数的注释包括函数名、参数、
返回值、功能描述。始终保持代码的整洁和可读性。
提示2：生成测试用例
请根据生成的代码 {{ 生成的代码 }} 生成相应的测试用例，保证测试用例能够覆盖生成的代码。
提示3：代码检视
请对 {{ 代码和测试用例 }} 进行检视，找出代码中存在的问题，并给出改进建议。
提示4：解决问题
请根据检视建议对 {{ 生成的代码 }} 和测试用例 {{ 生成的测试用例 }} 进行改进优化，同时保证测试
用例能够通过。
复杂任务拆解
如果你一开始还不太清楚如何将一个任务拆解为多个子任务，那么你也可以提示链技术借助LLM的能力，
将任务拆解为多个子任务。
系统提示词：
你是一个任务拆解专家，请根据用户的需求，将任务拆解为多个子任务。目标是尽可能的将任务拆解为
细粒度的子任务。
提示词1：
这是一个复杂任务 {{ 任务描述 }} ，将任务拆解为多个子任务或者执行步骤。
提示词2：
根据 {{ 任务拆解 }} ，列出每个子任务的具体目标和预期结果。
提示词3：
根据 {{ 任务拆解 }} ，列出每个子任务需要完成指定目标所需要使用的方法或者解决方案。
提示词4：
请根据 {{ 任务拆解 }} 和 {{ 子任务目标 }} ，列出每个子任务的执行优先级。
提示词5：
请根据 {{ 任务优先级 }} ，列出每个子任务的执行顺序。
提示词6：
请根据 {{ 任务拆解 }} 列出每个子任务需要依赖的外部资源。
参考文章：
https://www.prompthub.us/blog/prompt-chaining-guide
https://www.ibm.com/topics/prompt-chaining
https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/chain-prompts
https://www.promptingguide.ai/techniques/prompt_chaining