Prompt chaining (promptkedjor)
Prompt chaining innebär att ett komplext AI-uppdrag delas upp i flera mindre steg, där resultatet från en prompt automatiskt blir underlag för nästa.
Prompt chaining, ofta kallat promptkedjor på svenska, är en metod inom prompt engineering där du delar upp en stor eller svår arbetsuppgift i en serie mindre, sammanlänkade delmoment. Istället för att be en AI-modell att lösa allt i en enda lång instruktion låter du modellen utföra ett steg i taget, varpå svaret från det första steget skickas vidare som indata till nästa prompt.
Genom att bygga sådana sekvenser minskar du risken för att språkmodellen tappar fokus, glömmer detaljer eller börjar hallucinera. Metoden utgör grunden för moderna automatiserade AI-arbetsflöden, men fungerar precis lika bra när du arbetar manuellt i ett vanligt chattgränssnitt.
Hur en promptkedja fungerar i praktiken
När du ger en AI ett väldigt omfattande uppdrag måste modellen hantera tolkning, informationsurval, analys och formatering samtidigt. Det leder ofta till ytliga eller felaktiga svar. Med prompt chaining isolerar du varje tankeled så att modellen bara behöver koncentrera sig på en avgränsad sak i taget.
Ett typiskt flöde följer en tydlig logisk struktur:
- Insamling och rensning: Den första prompten ber modellen att sålla fram relevant information ur ett råmaterial och ta bort oväsentligheter.
- Analys eller bearbetning: Den andra prompten tar det rensade underlaget och utför en specifik analys, identifierar mönster eller drar slutsatser.
- Formatering och leverans: Den sista prompten omvandlar slutsatserna till det slutformat du vill ha, till exempel ett e-postmeddelande, en punktlista eller en tabell.
Mellan varje steg har du möjlighet att granska resultatet, justera kursen eller låta ett automatiserat skript verifiera att svaret uppfyller vissa grundkrav innan det skickas vidare.
Ett vardagligt exempel från en svensk verksamhet
Tänk dig en redovisningsbyrå i Gävle som varje månad får in hundratals frågor och kvittounderlag från lokala småföretagare via e-post. Byrån vill skapa tydliga sammanfattningar och svar till kunderna utan att behöva skriva allt för hand.
Om byrån försöker göra allt i ett enda kommando blir resultatet ofta rörigt. Med prompt chaining delas processen istället upp:
- Prompt 1:
Läs igenom detta mejl från kunden och lista enbart de konkreta frågor som rör moms och representation. Ignorera allmänt småprat. - Prompt 2:
Här är kundens momsfrågor. Matcha varje fråga mot våra interna rutiner och notera om något underlag saknas. - Prompt 3:
Skapa ett trevligt och professionellt svarsmejl på svenska baserat på dessa punkter, och be vänligt om de underlag som saknas.
Genom att dela upp uppdraget säkerställer byrån att inga viktiga skatteregler förvanskas, samtidigt som slutsvaret håller precis rätt ton.
Varför kedjor ger bättre resultat än jätteprompter
Den största fördelen med promptkedjor är kontroll och felsökning. Om en lång superprompt ger ett dåligt svar är det svårt att veta vilken del av instruktionen som orsakade felet. I en kedja ser du exakt i vilket steg modellen missförstod uppgiften och kan justera just den prompten.
Dessutom sparar du ofta tid och datorkraft. Varje delprompt kan hållas kort och koncis, vilket gör att modellen inte överbelastas med motstridiga instruktioner. För företag som bygger integrationer via API:er gör kedjor det också möjligt att sätta in kontrollspärrar, till exempel att ett program automatiskt kontrollerar att ett personnummer eller en adress är giltig innan informationen skickas till nästa steg.
Vanliga misstag att se upp för
Ett vanligt fel är att bygga onödigt långa kedjor för enkla rutinuppgifter. Om en vanlig instruktion redan ger utmärkta resultat skapar en kedja bara onödig fördröjning. Använd metoden där uppgiften verkligen kräver flera kognitiva moment, som djupanalys, källkritik eller avancerad omstrukturering.
Ett annat misstag är att inte rensa bort onödig text mellan stegen. Om felaktigheter eller överflödigt prat från första steget får följa med in i steg två och tre riskerar felen att växa längs vägen. Se därför till att varje steg instrueras att leverera ett så rent och fokuserat underlag som möjligt inför nästa fas.
Vanliga frågor
Vad är skillnaden mellan prompt chaining och vanliga prompter?
En vanlig prompt försöker lösa hela uppgiften på en gång, medan prompt chaining delar upp uppgiften i flera steg där svaret från ett steg blir indata till nästa.
Måste man kunna programmera för att använda prompt chaining?
Nej, du kan göra det manuellt genom att kopiera svaret från en chatt och klistra in det i en ny fråga, men metoden används också flitigt i automatiserade system.
När bör man använda promptkedjor?
Det är mest användbart vid komplexa uppdrag som kräver flera led, till exempel djupare textanalys, faktagranskning, flerstegsberäkningar eller sammanfattningar av stora material.
Vad gör jag om ett steg i kedjan blir fel?
Eftersom stegen är separata kan du enkelt justera instruktionen i det specifika steget eller korrigera underlaget manuellt innan du låter processen gå vidare.
