Prompt chaining

Prompt chaining betekent dat je een AI-model een taak in kleine stappen geeft in plaats van in één grote opdracht; elk antwoord is de invoer voor de volgende stap. Een webshop kan het model de specificaties uit het datasheet van een leverancier laten halen, daarmee een producttekst laten schrijven en die tekst tegen de specificaties laten toetsen. Elke stap is eenvoudiger, en je controleert het resultaat voordat de volgende begint.

Waar komt de term vandaan?

Wu, Terry en Cai (University of Washington en Google Research) beschreven het idee in 2021 als AI Chains: stappen van een groot taalmodel die zo aan elkaar zijn gekoppeld dat de uitvoer van de ene stap de invoer van de volgende wordt. In hun gebruikersonderzoek schreven 20 deelnemers een opbouwende peer review en maakten ze flashcards, één keer met een keten en één keer in een gewone interface met hetzelfde model. Twee onafhankelijke beoordelaars gaven in 85% en 80% van de gevallen de voorkeur aan de resultaten van de keten, en de deelnemers vonden de keten transparanter en beter te sturen. Een vervolg, PromptChainer (2022), liet mensen zulke ketens visueel bouwen. Chain-of-thought is een andere techniek: daarbij redeneert het model stap voor stap binnen één antwoord (zie chain-of-thought).

Hoe werkt het?

Building effective agents van Anthropic (december 2024) noemt prompt chaining als eerste workflowpatroon: elke aanroep van het model verwerkt de uitvoer van de vorige, en je code kan tussen de stappen controles toevoegen, een "gate", om te zien of het proces nog op koers ligt. De voorbeelden zijn marketingtekst schrijven en die daarna vertalen, en een opzet schrijven, die tegen criteria controleren en dan het document schrijven. Het doel is volgens Anthropic snelheid in te ruilen voor nauwkeurigheid, doordat elke aanroep een eenvoudigere taak krijgt.

Elke stap krijgt een eigen prompt, en een stap die gegevens moet doorgeven, kan die in een vast formaat zoals JSON teruggeven (structured output), zodat de volgende stap of je code ze kan lezen. Volgens de promptgids van Anthropic is zelfcorrectie de meest gebruikte keten: een concept laten schrijven, het model dat tegen criteria laten beoordelen en het concept daarna op basis van die beoordeling laten verbeteren. Omdat elke stap een aparte API-aanroep is, kun je op elk punt loggen, evalueren of vertakken. Anthropic raadt aan direct met de API van het model te beginnen, omdat veel patronen maar een paar regels code vragen; frameworks staan bij AI-orkestratie.

Waar gaat het mis?

• Het vraagt om vaste stappen. Anthropic raadt chaining aan als een taak netjes in vaste deeltaken uiteenvalt. Is het aantal stappen niet te voorspellen, dan past een AI-agent die zelf zijn weg kiest beter.
• Het is trager. Elke stap is een extra aanroep van het model, en je betaalt voor elke aanroep.
• Fouten werken door. Een verkeerde waarde in stap 1 komt in elke latere stap terecht, tenzij een controle tussen de stappen hem onderschept.
• Modellen doen meer zelf. In september 2026 schrijft Anthropic in zijn gids dat Claude het meeste redeneerwerk in meerdere stappen zelf afhandelt, met adaptive thinking en subagents, en dat expliciete chaining nuttig blijft als je tussenresultaten wilt inzien of een vaste pipeline wilt afdwingen.

Voorbeeld

Stel: een webshop krijgt datasheets van leveranciers en wil voor elk artikel een productpagina in het Nederlands en het Engels. Stap 1 zet de specificaties in een vaste lijst, en een paar regels code controleren of elk verplicht veld is ingevuld. Stap 2 schrijft de Nederlandse producttekst op basis van die lijst. Stap 3 laat het model de tekst met de lijst vergelijken en elke bewering markeren die niet door de lijst wordt gedekt, en stap 4 verbetert de tekst. Stap 5 vertaalt de goedgekeurde tekst naar het Engels. Staat er een fout op een productpagina, dan laat de gelogde uitvoer van elke stap zien waar die is ontstaan.