分解

为什么单个 Prompt 不够用？ 当 ChatGPT 刚问世时，人们习惯于把所有需求和上下文塞进一个 Prompt，期望模型一次性给出完美答案。对于简单问题，这确实可行。但随着任务复杂度的提升，单 Prompt 方案的局限性迅速暴露。 一个典型的例子：让模型分析一份 50 页的财务报告，提取关键指标，对比历史数据，评估风险，并给出投资建议。如果你把所有要求放在一个 Prompt 里，模型很可能在某个环节出错——也许遗漏了重要的风险因素，也许在计算同比变化时搞错了基数。 这不是模型"不够聪明"的问题，而是人类思维本身也是分步骤的。没有人会一口气完成"读报告→提取数据→计算→对比→评估→写建议"的全过程而不做任何中间检查。Prompt 链式设计的核心思想就是：把复杂任务分解为有序的推理步骤，每一步聚焦一个子目标，前一步的输出作为后一步的输入。 Prompt 链的基本模式 线性链：最简单的分步推理 线性链是最基础的 Prompt 链模式。任务按顺序分解为多个步骤，每一步的输出传递给下一步。 Step 1: 信息提取 Input: 财务报告全文 Output: 关键财务指标（JSON） Step 2: 趋势分析 Input: Step 1 的输出 + 历史数据 Output: 趋势分析报告 Step 3: 风险评估 Input: Step 2 的输出 + 风险因子清单 Output: 风险评级和说明 Step 4: 投资建议 Input: Step 3 的输出 + 投资准则 Output: 最终投资建议 线性链的优势在于简单可控。每一步的输入和输出清晰可审计，出错时容易定位问题环节。缺点是缺乏灵活性——如果第三步发现第一步提取的信息不完整，无法回头补充。 分支链：并行处理多条路径 当任务包含多个可以并行处理的子任务时，分支链更高效。每个分支独立处理一个维度，最终汇总结果。 ┌─ 分支A: 技术分析 ─┐ 输入数据 ──┤─ 分支B: 基本面分析 ─┤── 综合决策 └─ 分支C: 情绪分析 ─┘ 分支链适合多维度分析任务。例如投资决策中的技术面、基本面和情绪面分析可以并行进行，各自产出独立的结论，最后由一个汇总 Prompt 综合所有维度的分析做出最终判断。 ...