看到个很不错的提示词使用技巧，叫 Prompt Chaining。这能大幅提升内容输出质量。它是一种把多个提示词链接起来的结构，英文术语就是 Prompt Chaining。

有篇国人团队写的学术论文专门解释了这个概念

论文地址：https://arxiv.org/html/2406.00507v1。

没耐心看论文的小伙伴，可以看看 AI 的解释。

提示链（Prompt Chaining）是一种生成内容的办法，把多个提示连一块儿，每个提示的输出当下一步提示的输入，形成连贯的生成过程。处理复杂任务很有效，能让模型每一步专注特定子任务。

简单说，就是上一步的提示词和输出结果，当下一步输出的前提条件，像链条一样，整体优化输出效果。

和传统分步式提示词（Stepwise Prompts）的区别：

AI 解释一下：

提示链是多个提示连一起，输出依次当输入。

形成连续生成过程，适合复杂任务，能生成更详细连贯的内容。

分步式

提示通常线性引导模型，每个提示独立，输出不一定当下一步输入。

可能重复或重新引入之前内容，缺乏连贯性，更适合简单任务或需逐步确认的场景。

看看生成的区别：

同样一个内容主题部分，左边是 Prompt Chaining 生成，右边是 Stepwise Prompts 生成。

不常玩 AI 的可能看不出差别，但常玩 AI 创作的能看出，右边文章结构和用词有浓浓的 AI 味。

很多像“你是一个 xxx，请写一篇 xxx 的文章”这样的垃圾提示词，输出内容就像右边这样。

Prompt Chaining 啥样呢？有个例子。

核心提示词还是那些，只是结构不同，就能提升输出质量。拿来参考或进行内容创作、数据调研都很棒。

我用 AI 生产内容时，也喜欢就主题多步提示、分块调研，还会参考上面的输出结果。

不过我之前不知道这个概念，应用也比较浅。现在可以把这一套框架从理论用到实际中。

以我长期收集整理且真正用在内容生产环境中的提示词框架为例。大部分提示词专注某一项专门任务，不用太复杂，完成环节任务就行。

用 Perplexity 这类工具时，特定任务的提示词给出的结果有时候才真正能用。

最后把所有输出汇总整理，得到更接近自己想要效果的内容。

而且提示词会根据阅读和使用心得优化更新，比如把 Prompt Chaining 概念整理到我现有的提示词框架中。

有同样想法的小伙伴，可以搜集整理更适合自己的框架，大部分提示词在网上能找到类似的。

最近应用coze的方法，也能达到比这更好的效果。

简单分享，希望对你工作有帮助。That's it.