Prompt Chaining: Komplexe KI-Aufgaben in Schritte zerlegen

Prompt Chaining bedeutet, eine komplexe Aufgabe in eine Folge kleinerer Prompts zu zerlegen, bei der das Ergebnis eines Schritts zur Eingabe des nächsten wird. Statt ein Modell in einem Durchgang lesen, auswerten und schreiben zu lassen, erledigt jeder Prompt genau eine Aufgabe – zum Beispiel Fakten herausziehen, sie prüfen oder einen Text entwerfen. Das Ergebnis ist meist zuverlässiger, Fehler lassen sich leichter finden und beheben, weil Sie jedes Zwischenergebnis sehen und testen können.

Dieser Artikel zeigt, wann eine Kette einem einzelnen Prompt überlegen ist, welche Muster die meisten Aufgaben im Unternehmen abdecken, ein vollständiges Praxisbeispiel und wie Sie die Übergaben zwischen den Schritten gestalten. Er baut auf der Methode aus unserem Praxisleitfaden Prompt Engineering im Unternehmen auf.

So funktioniert eine Prompt-Kette

Eine Kette ist eine feste Abfolge von Schritten. Ein typisches Beispiel:

1. Herausziehen: die relevanten Fakten aus dem Ausgangsmaterial holen.
2. Prüfen: die Fakten verifizieren – per Code, mit einem zweiten Prompt oder durch einen Menschen.
3. Entwerfen: das Ergebnis nur auf Basis der geprüften Fakten schreiben.
4. Kontrollieren: den Entwurf mit Regeln oder einer Checkliste abgleichen.

Jeder Schritt bekommt einen eigenen Prompt mit eigenen Anweisungen und erhält nur das, was er aus dem vorherigen Schritt braucht. Manche Schritte brauchen gar kein Modell: Zählen, Sortieren, Daten in einer Datenbank nachschlagen oder ein Format validieren erledigt normaler Code oft besser.

Ein Prompt oder eine Kette?

	Einzelner Prompt	Prompt-Kette
Aufwand für den Aufbau	Gering	Höher: mehrere Prompts und Übergaben
Zuverlässigkeit bei komplexen Aufgaben	Schwankend, Schritte werden ausgelassen oder vermischt	Höher, jeder Schritt ist einfach
Nachvollziehbarkeit	Nur das Endergebnis ist sichtbar	Jedes Zwischenergebnis lässt sich ansehen
Fehlersuche	Schwer zu sagen, wo es schiefging	Sie sehen, welcher Schritt versagt hat
Geschwindigkeit	Ein Aufruf	Mehrere Aufrufe, außer Schritte laufen parallel
Kosten	Ein größerer Aufruf	Mehrere kleinere Aufrufe, teils auf günstigeren Modellen

Wann sich eine Kette lohnt

Denken Sie über eine Kette nach, wenn Ihnen eines davon auffällt:

• Der Prompt enthält mehrere Verben. „Lies diese Dokumente, finde die Risiken, bewerte sie und schreibe ein Memo“ sind vier Aufgaben.
• Die Qualität schwankt zwischen den Durchläufen. Mal deckt das Modell alles ab, mal lässt es Teile aus.
• Anweisungen widersprechen sich. Die Extraktion soll vollständig sein, der Endtext kurz. Ein einzelner Prompt schafft beides schlecht.
• Fakten müssen vor der Verwendung geprüft werden. Ein eigener Extraktionsschritt liefert etwas, das Sie verifizieren können. Das ist einer der wirksamsten Wege, um KI-Halluzinationen zu vermeiden.
• Schritte brauchen unterschiedliche Einstellungen. Ein Schritt verlangt striktes JSON, ein anderer einen natürlichen Schreibstil.
• Die Eingabe ist zu lang. Lange Dokumente lassen sich abschnittsweise verarbeiten und anschließend zusammenführen.

Für eine kurze E-Mail, die Zusammenfassung eines einzelnen Dokuments oder eine einfache Klassifizierung genügt ein gut gebauter Prompt. Eine Kette bringt mehr bewegliche Teile mit sich – setzen Sie sie dort ein, wo sie ein echtes Problem löst.

Typische Muster

Muster	Funktionsweise	Beispiel aus dem Unternehmen
Herausziehen, dann schreiben	Schritt 1 überführt Fakten in eine feste Struktur, Schritt 2 schreibt nur aus dieser Struktur	Vertragszusammenfassung aus extrahierten Klauseln
Klassifizieren, dann verzweigen	Schritt 1 vergibt eine Kategorie, der nächste Schritt hängt von ihr ab	Kunden-E-Mails gehen an unterschiedliche Antwort-Prompts
Entwerfen, kritisieren, überarbeiten	Schritt 1 entwirft, Schritt 2 prüft gegen Kriterien, Schritt 3 überarbeitet	Angebotstext wird gegen den Styleguide geprüft
Aufteilen, verarbeiten, zusammenführen	Eine lange Eingabe wird geteilt, jeder Teil verarbeitet, die Ergebnisse zusammengeführt	Langen Bericht Kapitel für Kapitel zusammenfassen
Erzeugen, dann validieren	Schritt 1 erzeugt ein Ergebnis, Schritt 2 (Code oder Prompt) prüft Format und Inhalt	Produktdaten als JSON, vor dem Import validiert

Die meisten echten Ketten kombinieren zwei oder drei dieser Muster.

Praxisbeispiel: vom Kundenfeedback zur Zusammenfassung für die Geschäftsführung

Ein Unternehmen sammelt jeden Monat einige Hundert Freitext-Kommentare aus einer Kundenumfrage. Bisher liest jemand alle und schreibt eine Seite für die Geschäftsführung. Ein einzelner Prompt („Fasse diese Kommentare zusammen“) liefert einen flüssigen Text, aber es ist schwer zu erkennen, ob die Themen richtig gewichtet sind oder ob ein Zitat echt ist.

Die Kette:

Schritt 1: jeden Kommentar klassifizieren. In Paketen, mit einer festen Themenliste.

Klassifiziere jeden der folgenden Kundenkommentare.
Themen (nur diese verwenden): Lieferung, Produktqualität, Preis, Kundenservice, Website, Sonstiges.
Stimmung: positiv, neutral oder negativ.

Gib pro Zeile ein JSON-Objekt aus:
{"id": "...", "thema": "...", "stimmung": "..."}

Kommentare:
"""
[ID 101] Die Lieferung hat neun Tage gedauert, niemand hat mir gesagt, warum.
[ID 102] ...
"""

Schritt 2: zählen. Eine Tabellenkalkulation oder ein paar Zeilen Code zählen die Kommentare pro Thema und Stimmung. Kein Modell nötig, und die Zahlen stimmen exakt.

Schritt 3: Details zu den wichtigsten Themen herausziehen. Für die drei Themen mit den meisten negativen Kommentaren erhält der nächste Prompt nur diese Kommentare.

Unten stehen Kundenkommentare zu einem Thema: [Thema].
Liste die konkret genannten Probleme auf, wie viele Kommentare jedes Problem nennen,
und pro Problem ein kurzes wörtliches Zitat mit der ID des Kommentars.
Verwende nur, was in den Kommentaren steht. Füge keine Zitate zusammen.

"""
[Kommentare zu diesem Thema]
"""

Schritt 4: die Zusammenfassung schreiben. Der Schreib-Prompt erhält nur die Zahlen aus Schritt 2 und die Details aus Schritt 3, nicht die Rohkommentare.

Schreibe eine einseitige Zusammenfassung für die Geschäftsführung.
Zielgruppe: Geschäftsführer und Abteilungsleitungen. Ton: sachlich, keine Werbesprache.
Aufbau: drei zentrale Erkenntnisse, dann je ein Abschnitt pro Hauptthema mit den wichtigsten
Problemen und je einem Zitat, dann zwei bis drei vorgeschlagene nächste Schritte.
Verwende nur die gelieferten Zahlen und Zitate. Ergänze keine Zahlen.

Zahlen: """[Ergebnis aus Schritt 2]"""
Details: """[Ergebnis aus Schritt 3]"""

Schritt 5: prüfen. Bevor die Zusammenfassung verschickt wird, kontrolliert ein Mensch oder ein letzter Prompt anhand der Kommentar-IDs, dass jede Zahl und jedes Zitat in den Ergebnissen von Schritt 2 und 3 vorkommt.

Jeder Schritt ist einfach genug, um ihn einzeln zu testen. Fehlt ein Thema in der Zusammenfassung, sehen Sie, ob es in Schritt 1 falsch eingeordnet, in Schritt 3 verloren oder in Schritt 4 weggelassen wurde. Den Prompt für jeden Schritt können Sie mit dem KI-Prompt-Generator aufbauen, der Aufgabe, Kontext, Format und Regeln sauber trennt.

Die Übergaben gestalten

An den Übergaben zwischen den Schritten brechen Ketten am häufigsten. Diese Regeln helfen:

• Feste Struktur zwischen den Schritten. JSON, eine Tabelle oder feste Überschriften machen das Ergebnis eines Schritts zu einer berechenbaren Eingabe für den nächsten. Fließtext zwischen den Schritten lädt zum Abdriften ein.
• Nur weitergeben, was der nächste Schritt braucht. Alles mitzuschicken, verfehlt den Zweck und erhöht die Kosten.
• Die Quelle für Prüfungen verfügbar halten. Ein Prüfschritt braucht sowohl die Aussage als auch den Originaltext.
• Eingaben klar kennzeichnen. Setzen Sie Material aus früheren Schritten zwischen Trennzeichen und beschriften Sie es, damit das Modell es nicht als Anweisung versteht.
• Festlegen, was bei Fehlern passiert. Liefert ein Schritt ungültige Ausgaben, einmal wiederholen, dann anhalten und den Fall markieren, statt Fehler weiterzureichen.

Bei den strukturierten Schritten helfen Beispiele sehr. Ein paar beschriftete Beispiele im Klassifizierungs-Prompt machen die Kategorien deutlich einheitlicher; siehe Few-Shot Prompting.

Ketten im Chat-Tool und in der Automatisierung

Für eine Kette brauchen Sie keine Software. In einem Chat-Assistenten können Sie die Schritte von Hand ausführen: Extraktion anfordern, prüfen, dann das geprüfte Ergebnis in einen neuen Prompt für den Entwurf einfügen. So lässt sich eine Kette gut entwerfen und testen, bevor Sie sie automatisieren.

In einer Automatisierungsplattform oder im Code wird jeder Schritt zu einem Knoten oder Funktionsaufruf, Zwischenergebnisse werden gespeichert und die Validierung läuft automatisch. Dann ist die Kette ein Workflow mit KI-Schritten – genau der Ansatz, den der Vergleich KI-Agenten vs. Workflow-Automatisierung beleuchtet.

Eine Kette testen

1. Jeden Schritt einzeln testen – mit einer kleinen Sammlung realistischer Eingaben, auch schwieriger.
2. Die ganze Kette testen – durchgängig mit denselben Fällen.
3. Zwischenergebnisse protokollieren, damit Sie jedes schlechte Ergebnis auf den verursachenden Schritt zurückführen können.
4. Immer nur einen Schritt ändern und die Tests wiederholen, denn eine Verbesserung in einem Schritt kann den nächsten stören.

Kosten und Geschwindigkeit

Eine Kette ruft das Modell öfter auf als ein einzelner Prompt. Die Annahme, dass sie deshalb deutlich teurer ist, stimmt oft nicht: Jeder Aufruf ist kleiner, einfache Schritte wie eine Klassifizierung können auf einem kleineren, günstigeren Modell laufen, und Schritte ohne Modell kosten fast nichts. Die Geschwindigkeit kann leiden, wenn die Schritte strikt nacheinander laufen; unabhängige Schritte, etwa die Verarbeitung mehrerer Kapitel, lassen sich parallel ausführen. Um Varianten zu vergleichen, schätzen Sie die Tokens pro Schritt und tragen sie in den LLM-API-Kostenrechner ein.

Typische Fehler

• Ketten um der Kette willen. Funktioniert ein einzelner Prompt zuverlässig, bleiben Sie dabei.
• Fließtext zwischen den Schritten. Nutzen Sie für jede Übergabe eine feste Struktur.
• Den Schreibschritt die Rohdaten sehen lassen. Dann kann er die geprüften Fakten umgehen.
• Ein Modell zählen oder nachschlagen lassen. Code ist exakt und günstiger.
• Keine Fehlerbehandlung. Ein fehlerhafter Schritt verdirbt still alles, was danach kommt.
• Nur das Endergebnis testen. Damit verlieren Sie den größten Vorteil einer Kette: zu wissen, wo es hakt.

Fazit

Prompt Chaining macht aus einem überladenen Prompt eine Reihe einfacher, prüfbarer Schritte. Setzen Sie es ein, wenn eine Aufgabe verschiedene Tätigkeiten mischt, die Qualität schwankt oder Fakten vor der Verwendung geprüft werden müssen. Gestalten Sie klare Übergaben, lassen Sie Code erledigen, was Code besser kann, und testen Sie jeden Schritt. Beginnen Sie damit, die Schritte einer Aufgabe aufzuschreiben, die Sie heute von Hand erledigen, und bauen Sie dann pro Schritt einen Prompt mit dem KI-Prompt-Generator.