Prompt chaining is het opdelen van een complexe AI-taak in een reeks kleinere prompts, waarbij de output van de ene stap de input voor de volgende wordt. In plaats van het model alles in één adem te laten doen, geef je het een duidelijke volgorde van eenvoudigere klussen.
Stel je een lopende band voor een stuk tekst voor. Station één leest een lang document en haalt de kernpunten eruit. Station twee neemt die punten en schrijft een samenvatting. Station drie herschrijft die samenvatting in de toon van het bedrijf. Elke prompt doet één ding goed, en het half-afgewerkte werk schuift door de band. Dit is de ruggengraat van menig AI-workflow, want kleine gerichte stappen zijn makkelijker goed te krijgen dan één verknoopte instructie.
De echte winst zit in foutopsporing. Als één megaprompt een slecht antwoord geeft, heb je geen idee welk deel faalde. Met een keten zie je precies welk station het probleem veroorzaakte en repareer je alleen die stap. Je kunt ook modellen mengen: een goedkoop en snel model voor de simpele extractiestap, een sterker model voor de eindredactie, zodat je alleen betaalt voor kracht waar die zich terugverdient.
Er zit één addertje onder het gras. Fouten reizen mee door de keten. Leest stap één het document verkeerd, dan erft elke stap erna die fout, dus de eerste schakels verdienen de meeste tests. Een goede vuistregel is om de output tussen stappen te controleren, soms met output parsing, in plaats van erop te vertrouwen dat elke overdracht schoon is.
Bij TopDevs gebruiken we prompt chaining om AI-functies te bouwen die we echt kunnen vertrouwen en onderhouden, omdat elke schakel in de keten apart te testen en te verbeteren is.
