Was ist Prompt-Chaining (Prompt-Verkettung)? Komplexe Aufgaben in KI-Schritte zerlegen

Prompt-Chaining (deutsch: Prompt-Verkettung) ist eine Technik im Prompt Engineering, bei der eine komplexe Aufgabe nicht in einem einzigen großen Prompt gelöst wird, sondern in mehrere aufeinanderfolgende Prompts zerlegt wird. Die Ausgabe eines Schritts dient dabei als Eingabe für den nächsten. So entsteht eine Kette kleiner, überprüfbarer Teilschritte, die zusammen ein besseres Ergebnis liefern als ein einzelner überladener Prompt (IBM).

Wie Prompt-Chaining funktioniert

Statt ein Large Language Model mit allen Anweisungen auf einmal zu beauftragen, teilt man die Aufgabe in klar abgegrenzte Teilaufgaben auf. Jeder Teilschritt hat definierte Eingaben und Ausgaben, und das Ergebnis eines Prompts wird an den nächsten übergeben (GeeksforGeeks).

Ein häufig genanntes Beispiel ist das Zusammenfassen und Verfeinern eines Textes (getmaxim.ai):

1. Entwurf erstellen – eine erste Zusammenfassung generieren.
2. Entwurf prüfen – den Entwurf kritisch bewerten und Feedback erzeugen.
3. Fakten verifizieren – Aussagen auf Korrektheit prüfen.
4. Endversion erstellen – auf Basis von Kritik und Prüfung die finale Fassung schreiben.

Jeder dieser Schritte ist ein eigener Prompt. Das Modell muss pro Schritt nur eine überschaubare Aufgabe bewältigen, statt vier Anweisungen gleichzeitig zu jonglieren.

Warum ein einzelner „Mega-Prompt" oft schlechter ist

Teams versuchen häufig, vier oder fünf Anweisungen in einen einzigen Prompt zu pressen – und bekommen dann schlechte Ergebnisse (PromptHub). Der Grund: Bei einem großen Prompt verteilt sich die „Aufmerksamkeit" des Modells auf alle Teilaufgaben gleichzeitig, was die Qualität senkt (PromptHub).

Ein Vergleich aus der Forschung untersuchte eine Kette aus Entwurf, Kritik und Verfeinerung gegen ein einzelnes Prompt, das alle Anweisungen enthielt – getestet an BBC-Artikeln aus dem IntrSum-Datensatz zur Zusammenfassung (PromptHub). Die Aufteilung in Schritte lieferte dabei die besseren Ergebnisse.

Prompt-Chaining bringt drei praktische Vorteile:

• Höhere Genauigkeit: Kleine Schritte sind einfacher korrekt zu lösen (correlation-one).
• Mehr Kontrolle und Nachvollziehbarkeit: Jeder Schritt ist klein genug, um ihn zu überprüfen; Fehler tauchen früh auf, statt sich durch die ganze Kette fortzupflanzen (correlation-one).
• Bessere Wartbarkeit: Ein einzelner, klar benannter Schritt ist für ein Team leichter zu verstehen als ein großer Prompt mit eingebauten Bedingungen und Sonderfällen.

Wann sich Prompt-Chaining lohnt

Die Verkettung ist besonders dann sinnvoll, wenn eine Aufgabe komplex, umfangreich oder in mehrere logische Phasen unterteilt ist (Medium/Fabio Lalli). Auch bei langen Ausgaben oder wenn viel Kontext in den Prompt einfließen muss, hilft es, den Prozess in kleinere Schritte zu zerlegen (PromptHub).

Typische Anwendungsfälle sind:

• Inhaltserstellung wie Kurse, Dokumentationen oder Whitepaper, bei denen zuerst Modultitel, dann Details und schließlich Übungen erzeugt werden (Medium/Fabio Lalli).
• Mehrstufige Analysen, etwa wenn aus einem Kundengespräch zunächst ein interner Rückblick und daraus weitere Schritte entstehen (correlation-one).
• Extrahieren, Prüfen, Umformen als klassische Reihenfolge: erst Daten herausziehen, dann prüfen, dann in die Zielform bringen (correlation-one).

Abgrenzung: Chaining, Chain-of-Thought und Agenten

Prompt-Chaining ist nicht dasselbe wie Chain-of-Thought-Prompting. Beim Chain-of-Thought denkt das Modell innerhalb einer einzigen Antwort in Schritten; beim Prompt-Chaining sind es dagegen mehrere getrennte Prompt-Aufrufe, deren Ausgaben Sie zwischen den Schritten einsehen und weitergeben.

Prompt-Chaining ist außerdem die einfache, festverdrahtete Variante mehrstufiger KI-Arbeit: Die Reihenfolge der Schritte steht vorab fest. Sobald ein System selbst entscheidet, welche Schritte in welcher Reihenfolge nötig sind, spricht man eher von KI-Agenten und von Agentic AI. Der Unterschied zwischen einer festen Abfolge und einem entscheidenden Agenten wird im Artikel KI-Agent vs. Workflow näher erklärt.

Prompt-Chaining bei AI-Mitarbeitern

Bei scoreprise.AI ist die Prompt-Verkettung ein Baustein, mit dem ein AI-Mitarbeiter eine Aufgabe verlässlich und nachvollziehbar erledigt. Ein Sales Assistant wie Carl muss etwa mehrere Dinge nacheinander tun: Kontaktdaten prüfen, den Kontext anreichern, das Ergebnis bewerten und erst dann eine Empfehlung ausgeben.

Solche Aufgaben werden nicht in einen einzigen Prompt gepresst, sondern in überprüfbare Teilschritte zerlegt – ähnlich dem Muster Extrahieren, Prüfen, Umformen. Das erleichtert auch, an den richtigen Stellen einen Human-in-the-Loop einzubauen, also einen menschlichen Kontrollpunkt zwischen zwei Schritten. So bleibt jeder Zwischenstand einsehbar, und Fehler lassen sich früh korrigieren, statt am Ende ein undurchsichtiges Gesamtergebnis zu erhalten.