Er is een grens aan wat je in één prompt kunt vragen. Niet een technische grens van het model, maar een grens van complexiteit. Hoe meer je in één opdracht stopt, hoe groter de kans dat het model iets overslaat, de volgorde omgooit, of een tussenstap afraft om bij het eindresultaat te komen.
De oplossing is dezelfde als bij elk complex probleem: opdelen. Niet alles tegelijk, maar stap voor stap. Dat is prompt chaining.
Roland Bieleveldt
Prompt chaining is het opsplitsen van een complexe taak in een reeks kleinere prompts, waarbij de output van de ene prompt de input wordt van de volgende. Elke prompt doet één ding goed.
Het verschil met chain-of-thought is fundamenteel. Chain-of-thought vraagt het model om binnen één prompt in tussenstappen te redeneren. Prompt chaining verdeelt de taak over meerdere afzonderlijke prompts. Bij chain-of-thought controleert het model zichzelf. Bij prompt chaining controleer jij het tussenresultaat.
Neem een concreet voorbeeld. Een directeur wil op basis van een jaarverslag een interne memo schrijven over de drie belangrijkste strategische risico’s. In één prompt gevraagd probeert het model alles tegelijk: het jaarverslag samenvatten, de risico’s identificeren, prioriteren en een memo schrijven. Het resultaat is vaak een mengvorm die nergens echt goed is.
Met prompt chaining wordt het drie stappen:
Stap 1: “Identificeer alle strategische risico’s die in dit jaarverslag worden genoemd. Geef per risico een korte beschrijving.”
Stap 2 (met de output van stap 1 als input): “Rangschik deze risico’s op impact voor een organisatie in de publieke sector met 2.000 medewerkers. Selecteer de drie belangrijkste.”
Stap 3 (met de output van stap 2 als input): “Schrijf een interne memo van maximaal één pagina over deze drie risico’s, gericht aan het MT, in een zakelijke maar toegankelijke toon.”
Elke stap is helder genoeg om goed uit te voeren. En na elke stap kan de directeur het tussenresultaat beoordelen. Mist er een risico in stap 1? Voeg het toe voordat je naar stap 2 gaat. Klopt de prioritering niet? Pas aan voordat de memo wordt geschreven. Die controle na elke stap is het grootste voordeel van prompt chaining ten opzichte van een alles-in-één-prompt.
Een model dat één taak krijgt, presteert beter dan een model dat drie taken tegelijk krijgt. Dat heeft te maken met hoe een model instructies verwerkt: hoe meer opdrachten in een prompt staan, hoe groter de kans dat het model gewicht verlegt naar het ene onderdeel ten koste van het andere. Eén heldere opdracht krijgt de volle aandacht. Drie opdrachten tegelijk verdunnen die aandacht. Focus is de eerste reden waarom opsplitsen werkt.
De tweede reden is controleerbaarheid. Bij een grote prompt krijg je een eindresultaat. Is dat niet goed, dan is de vraag: waar ging het mis? Was de samenvatting onvolledig? Was de analyse oppervlakkig? Was de memo slecht geschreven? Bij prompt chaining zie je na elke stap wat het model heeft opgeleverd. De fout is lokaliseerbaar en repareerbaar.
De derde reden wordt vaak over het hoofd gezien: herbruikbaarheid. Een keten van prompts is modulair. Stap 1 (risico’s identificeren) kun je hergebruiken voor andere doelen dan een memo. Stap 3 (memo schrijven) kun je hergebruiken met andere input dan risico’s. De losse stappen zijn bouwblokken die je kunt combineren, aanpassen en hergebruiken. Wie een goede keten heeft gebouwd, heeft niet één oplossing maar een gereedschapskist.
De kunst van prompt chaining is weten waar je knipt. Het kernprincipe: splits op het punt waar het type werk verandert. Samenvatten is ander werk dan analyseren. Analyseren is ander werk dan schrijven. Elke keer dat het type werk verschuift, is een natuurlijk splitspunt.
Er zijn twee valkuilen die in de praktijk vaak voorkomen, en ze zijn elkaars spiegelbeeld. De eerste is te fijn splitsen. Als je een taak opsplitst in acht stappen terwijl drie hadden volstaan, voeg je complexiteit toe zonder proportionele winst. Elke extra stap is een punt waar fouten kunnen ontstaan, waar context verloren kan gaan, en waar je tijd besteedt aan het controleren van tussenresultaten. De vraag is niet “kan ik dit verder opsplitsen?” maar “levert het opsplitsen hier iets op?”
De tweede is te grof splitsen. “Analyseer dit rapport en schrijf een memo” is geen opsplitsing. Het zijn twee taken in één stap. Het splitspunt is het moment waarop het type werk verandert: eerst analyseren, dan schrijven. Wie beide valkuilen vermijdt, komt doorgaans uit op drie tot vijf stappen voor een complexe taak.
Prompt chaining heeft een inherent risico: fouten in een vroege stap werken door naar alle volgende stappen. Als de samenvatting in stap 1 een belangrijk punt mist, bouwt de analyse in stap 2 op een onvolledige basis, en de memo in stap 3 gaat over de verkeerde dingen.
Dat is geen reden om prompt chaining te vermijden. Het is een reden om de tussenresultaten te controleren. De techniek is zo sterk als de controle die je ertussen plaatst. Bij taken waar de stakes hoog zijn, is het de moeite waard om elke stap te lezen voordat je verdergaat. Bij taken met lagere stakes kun je de keten sneller doorlopen en alleen het eindresultaat beoordelen.
Prompt chaining zoals hier beschreven is een handmatig proces. Jij formuleert elke prompt, jij beoordeelt elk tussenresultaat, jij stuurt de volgende stap aan. Dat is de vorm die past bij persoonlijk gebruik van een AI-model.
In AI-systemen wordt hetzelfde principe geautomatiseerd. De ketens worden geprogrammeerd, de tussenresultaten worden automatisch doorgegeven, en de controle wordt ingebouwd als validatiestap. Dat is het domein van workflows en agents, behandeld in pillar 8 (Agents). Het principe is hetzelfde: complexe taken opdelen in kleinere stappen. De uitvoering verschilt: handmatig bij persoonlijk gebruik, geautomatiseerd bij systeemgebruik.
De grens is helder. Op deze pagina behandelen we prompt chaining als iets dat je zelf doet, stap voor stap. Bij Workflows: AI in herhaalbare processen (cluster 8.2) wordt het een systeemconcept. Het een bouwt op het ander: wie handmatig een taak kan opdelen in effectieve stappen, begrijpt ook hoe een geautomatiseerd systeem dat doet.
Een zorginstelling wil op basis van de jaarlijkse patiënttevredenheidsenquête (driehonderd open antwoorden) een verbeterplan opstellen. In één prompt gevraagd produceert het model een oppervlakkig plan dat de meest voorkomende klachten raakt maar de nuances mist. Met prompt chaining: stap 1: “groepeer deze driehonderd antwoorden in thema’s en tel hoe vaak elk thema voorkomt.” Stap 2: “beschrijf per thema de aard van de klachten en geef aan of het om een structureel of incidenteel probleem gaat.” Stap 3: “formuleer per structureel probleem een concrete verbetermaatregel met een tijdshorizon.” Het resultaat is een verbeterplan dat gebaseerd is op de werkelijke patronen in de data, niet op een globale indruk.
Een adviesbureau moet voor een klant een concurrentierapport schrijven op basis van openbare bronnen. De keten: stap 1: “identificeer de vijf grootste concurrenten in [sector] op basis van deze bronnen.” Stap 2: “analyseer per concurrent de marktpositie, het productaanbod en de recente strategische stappen.” Stap 3: “vergelijk de positie van [klantnaam] met de vijf concurrenten en identificeer de drie belangrijkste differentiatiekansen.” Het eindresultaat bouwt op van inventarisatie via analyse naar strategisch advies. Elke stap is controleerbaar.
Een freelance contentstrateeg heeft dertig blogartikelideeën verzameld en wil daar een contentkalender van maken. De keten: stap 1: “categoriseer deze dertig ideeën naar thema en beoordeel per idee de zoekwaarde.” Stap 2: “selecteer de twaalf sterkste ideeën en verdeel ze over de komende drie maanden, rekening houdend met seizoenrelevantie.” Stap 3: “schrijf per artikel een korte briefing: werktitel, invalshoek, gewenste lengte, doelzoekwoord.” In drie stappen gaat de strateeg van een losse lijst naar een werkbaar plan.
Wie wil begrijpen hoe je over meerdere gespreksbeurten iteratief werkt met een AI-model en hoe context zich gedraagt in een langer gesprek, leest verder bij Multi-turn prompting en geheugen (cluster 4.3e).
Wie wil weten hoe prompt chaining eruitziet als het wordt geautomatiseerd in een systeem met tools en orkestratie, leest verder bij Workflows: AI in herhaalbare processen (cluster 8.2).
Wie terug wil naar de techniek die binnen één prompt in tussenstappen laat redeneren, vindt dat bij Chain-of-thought prompting (cluster 4.3c).