43% af danske topledere forventer, at AI reducerer antallet af juniorstillinger i deres...
Prompt chaining opdeler komplekse opgaver i sekventielle trin, hvor output fra ét prompt bliver input til det næste. Lær teknikken og dens forretningsværdi.


Princippet bag prompt chaining er simpelt: I stedet for at sende én lang instruktion til en sprogmodel, designer man en kæde af kortere, fokuserede prompts. Hvert trin i kæden har et klart formål, og resultatet af ét trin indgår som kontekst i det næste.
Et konkret eksempel: En virksomhed vil generere en markedsrapport. Trin 1 beder modellen om at identificere de vigtigste tendenser i et datasæt. Trin 2 tager de identificerede tendenser og beder modellen om at analysere deres forretningspåvirkning. Trin 3 samler analysen til en struktureret rapport med anbefalinger. Hvert trin er overskueligt, og outputtet kan valideres undervejs.
Det afgørende er, at man mellem hvert trin kan indsætte logik: validering af output, filtrering af irrelevant information, tilføjelse af nye datakilder eller endda menneskelig godkendelse. Det gør prompt chaining til mere end en prompt-teknik. Det er en arkitektur for AI-workflows.
Prompt chaining adskiller sig fra Chain of Thought, som er en teknik inden for et enkelt prompt, hvor modellen opfordres til at ræsonnere trin for trin. Prompt chaining involverer derimod flere separate kald til modellen med mellemliggende bearbejdning.
I praksis bruger virksomheder prompt chaining til at bygge pålidelige AI-processer, der kan køre med minimal menneskelig indgriben. Teknikken er særligt værdifuld i scenarier, hvor en enkelt prompt simpelthen ikke kan levere tilstrækkelig kvalitet.
Inden for indholdsproduktion bruger marketingteams prompt chaining til at gå fra research til færdigt blogindlæg i flere trin: først emneresearch, derefter disposition, så udkast til de enkelte sektioner og til sidst redigering og SEO-optimering. Hvert trin kan have sit eget specialiserede prompt med specifikke instruktioner.
I kundeservice kan en prompt chain først klassificere en kundehenvendelse, derefter hente relevant information fra en RAG-pipeline, formulere et svar og til sidst tjekke svaret for kvalitet og tone. Det giver langt mere konsistente resultater end et enkelt prompt, der forsøger at gøre det hele på én gang.
Dataanalyse er et andet stærkt anvendelsesområde. En chain kan starte med at rense og strukturere rå data, fortsætte med at identificere mønstre, derefter generere indsigter og afslutte med at formulere handlingsanbefalinger. For beslutningstagere betyder det hurtigere adgang til kvalificerede indsigter.
Virksomheder, der arbejder med AI-agenter, bruger prompt chaining som en byggesten i agentens beslutningsproces. Agenten planlægger sin tilgang, udfører deltrin via chains og evaluerer resultaterne, før den går videre.
Prompt chaining forveksles ofte med at stille opfølgende spørgsmål i en chatsamtale. Det er ikke det samme. En chatsamtale er interaktiv og styret af brugeren. Prompt chaining er en foruddefineret sekvens, der kører automatisk med programmeret logik mellem hvert trin.
Det er heller ikke det samme som prompt engineering i bredere forstand. Prompt engineering handler om at formulere effektive instruktioner. Prompt chaining handler om at strukturere flere instruktioner i en sekvens. Man kan godt anvende avanceret prompt engineering inden for hvert trin i en chain.
Prompt chaining er desuden ikke altid den rette løsning. For simple opgaver, der kan besvares i ét kald, tilføjer en chain unødig kompleksitet og latenstid. Teknikken giver mest værdi, når opgaven er for kompleks til ét prompt, men for forudsigelig til at kræve en fuldt autonom agent.
Prompt Engineering: Den overordnede disciplin, der handler om at formulere effektive instruktioner til sprogmodeller. Prompt chaining er en specifik teknik inden for prompt engineering.
Chain of Thought (CoT): En teknik, der opfordrer modellen til at ræsonnere trin for trin inden for ét enkelt prompt. Hvor CoT er intern ræsonnering, er prompt chaining ekstern sekventering.
LLM (Large Language Model): Den underliggende sprogmodel, som udfører hvert trin i en prompt chain. Modellens kvalitet påvirker direkte chainens resultat.
AI Agent: Et autonomt AI-system, der ofte bruger prompt chaining som en del af sin opgaveløsning, men som også kan planlægge og tilpasse sin tilgang dynamisk.
AI Orchestrering: Den bredere praksis at koordinere flere AI-komponenter og workflows, hvor prompt chaining er én af flere orkestreringstekniker.
RAG (Retrieval-Augmented Generation): En teknik, der ofte indgår som et trin i en prompt chain, hvor relevant information hentes fra en vidensbase, før modellen genererer sit svar.