Prompt Chaining ist die Methode, komplexe Aufgaben in eine klare Abfolge kleiner, überprüfbarer Schritte zu zerlegen. Statt von einem einzigen Prompt ein belastbares Endergebnis zu erwarten, führen Sie das Modell bewusst durch Analyse, Entwurf, Prüfung und Verfeinerung. Das erhöht die Qualität, macht Zwischenergebnisse kontrollierbar und reduziert das Risiko von unpräzisen Antworten.
Warum Prompt Chaining wirkt
Große Aufgaben scheitern oft nicht an der Kompetenz des Modells, sondern an der unklaren Aufgabenstruktur. Wenn ein Ziel mehrere Teilentscheidungen, Abhängigkeiten oder Qualitätskriterien enthält, ist ein einzelner Prompt meist zu breit. Prompt Chaining verbessert die Steuerbarkeit, weil jeder Schritt nur eine begrenzte Aufgabe bearbeitet und Sie das Ergebnis sofort prüfen oder weiterverwenden können. In der Praxis entsteht dadurch ein Arbeitsfluss, der an professionelles Projektmanagement erinnert: erst verstehen, dann planen, dann ausarbeiten, dann kontrollieren. Genau diese Trennung ist wertvoll, wenn Sie mit Berichten, Analysen, Konzepten, E-Mails oder Entscheidungsgrundlagen arbeiten.
Die Grundlogik einer guten Kette
Eine starke Prompt-Kette beginnt mit einer Zerlegung der Gesamtaufgabe in logische Teilschritte. Typisch sind Schritte wie: Kontext sammeln, Anforderungen klären, Optionen erzeugen, eine Auswahl treffen und das Ergebnis in gewünschter Form ausgeben. Jeder Schritt sollte ein klares Ziel haben und ein möglichst eindeutiges Output-Format liefern. Wichtig ist, dass Sie nicht nur die Inhalte, sondern auch die Übergaben zwischen den Schritten definieren. Das heißt: Was genau aus Schritt 1 in Schritt 2 übernommen werden soll, welche Annahmen gelten und woran das Modell Qualität erkennen soll. Ohne diese Übergaben bleibt die Kette lose und anfällig für Widersprüche.
Typische Chaining-Muster im Arbeitsalltag
Ein verbreitetes Muster ist die Analyse-Kette: Erst lässt man die KI Informationen strukturieren, dann Schlussfolgerungen ableiten und danach eine professionelle Formulierung erzeugen. Ein anderes Muster ist die Entwurfs-Kette: Zuerst werden mehrere Varianten erstellt, anschließend wird eine Variante anhand definierter Kriterien ausgewählt und schließlich verfeinert. Beide Ansätze sind besonders nützlich, wenn Genauigkeit wichtiger ist als Geschwindigkeit. Auch für Qualitätssicherung eignet sich Chaining gut. Sie können etwa einen Text zuerst erstellen lassen und danach in einem zweiten Schritt auf Klarheit, Vollständigkeit, Ton und Risiken prüfen. So wird das Modell nicht nur als Generator, sondern auch als Prüfinstanz eingesetzt.
Wie Sie Ketten robust machen
Robuste Prompt-Ketten arbeiten mit klaren Rollen, expliziten Kriterien und begrenzten Ausgaben pro Schritt. Vermeiden Sie es, in einem Schritt zu viel zu verlangen. Je kleiner und präziser die Aufgabe, desto besser ist die Chance auf ein konsistentes Ergebnis. Definieren Sie außerdem, wann das Modell nachfragen soll und wann es mit begründeten Annahmen weiterarbeiten darf. Achten Sie auf Stabilität zwischen den Schritten. Wenn ein früherer Schritt unsaubere Begriffe, offene Widersprüche oder zu viele Freiheiten erzeugt, verstärkt sich das Problem in späteren Schritten. Gute Ketten sind deshalb nicht nur logisch, sondern auch prüfbar: Jeder Schritt muss ein Ergebnis liefern, das Sie direkt lesen, bewerten und weitergeben können.
Beispiele
- Sie lassen eine KI zuerst die wichtigsten Punkte aus einem langen Kundenbrief strukturieren, dann daraus drei Antwortoptionen formulieren und anschließend die beste Option in einen höflichen finalen Entwurf verwandeln.
- Für ein internes Strategiepapier erzeugt die KI zunächst eine Liste möglicher Risiken, danach bewertet sie diese nach Eintrittswahrscheinlichkeit und Auswirkung, und am Ende schreibt sie eine Management-Zusammenfassung.
- Ein Marketingteam nutzt eine Kette, um erst Zielgruppen-Insights zu sammeln, dann drei Kampagnenideen zu entwickeln und schließlich die stärkste Idee als präzises Briefing aufzubereiten.
Ich möchte eine Aufgabe in eine Prompt-Kette zerlegen. Analysiere zuerst das folgende Ziel und schlage mir 4-6 sinnvolle Teilschritte vor, die in einer logischen Reihenfolge ausgeführt werden sollten. Achte darauf, dass jeder Schritt ein klares Ziel und ein klares Ergebnisformat hat. Ziel: [ZIEL EINFÜGEN]
Arbeite nur an Schritt 1 dieser Kette. Nutze den folgenden Kontext, halte dein Ergebnis knapp und strukturiert, und gib am Ende nur die Informationen aus, die der nächste Schritt direkt weiterverarbeiten kann: [KONTEXT EINFÜGEN]. Schritt 1: [SCHRITT BESCHREIBEN]
Übung
Nehmen Sie eine reale Aufgabe aus Ihrem Arbeitsalltag, die Ihnen mit einem einzigen Prompt zu vage oder zu breit erscheint. Zerlegen Sie sie in vier Schritte: Input sammeln, Optionen erzeugen, beste Option auswählen, Endergebnis ausformulieren. Testen Sie die Kette anschließend mit der KI und vergleichen Sie das Ergebnis mit Ihrem bisherigen Ein-Prompt-Ansatz.
Häufige Fehler
- — Zu viele Anforderungen in einen einzigen Schritt packen, wodurch das Modell unnötig viel gleichzeitig leisten soll.
- — Zwischenergebnisse nicht festhalten oder nicht sauber an den nächsten Schritt übergeben.
- — Die Kette ohne Prüfkriterien ausführen und erst am Ende merken, dass ein früherer Schritt in die falsche Richtung gelaufen ist.
Prompt Chaining macht aus einem großen, unklaren Prompt einen kontrollierbaren Arbeitsprozess mit überprüfbaren Ergebnissen.