夜雨聆风在前面的文章中，我们一起学习了将提示词分解成模块化组件和上下文学习以提高AI大模型反馈能力。虽然这些方法适用于许多场景，但对于高度复杂的应用场景可能并不可行。因此，本文我们一起继续学习链式提示的技巧。
其实，基于Transformer架构的AI大模型，本质上，都是根据提示词把逐步把每一次输出的token作为新的输入，迭代来生成最终输出的。如图（仅做示意，具体生成token步骤不一定完全一致）：
从这个大模型生成的本质，我们可以看到，如果对于比较复杂的情况，仅仅从一个简单的提示词开始生成，那么可能非常多步骤之后，生成的内容很大可能就偏离目标比较远了。
因此，对于比较复杂的问题，我们可以对问题进行拆解，分步骤地让大模型进行生成回答，然后再将确认的回答作为新的提示词，继续输入给大模型，从而创建一个连续的交互链来解决我们的问题。这也是小龙虾（Openclaw）、Hermes这类Agent实现时重要的LangChain核心架构。虽然这些Agent帮我们做了一定程度的链式分解，但对于非常复杂的问题，我们在更高层次上进行链式分解，会取得更好的效果。
为了说明这一点，假设我们想要让AI帮忙写一本书。我们可以提供核心观点、主要思想、总体字数等内容后，要求AI一次性完成这些任务。但我们可以将问题分解成几个步骤，分步逐步实施，每一次的结果作为下一次的输入（像小龙虾这些Agent自动帮我们做了这一个工作）迭代推进。
这样，我们就获得了一个工作流水线（pipeline），在每步的产出中，我们也可以对AI的输出结果进行确认、纠正等交互，把最终得到的理想的输出作为下一步的输入继续，从而最终得到更理想的整体结果。