Prompt 串接（Chaining）技巧：把複雜任務拆成多段提示，產出更穩定

寫 Prompt 遇到複雜任務時，大多數人的直覺是「把要求寫得更詳細、更長」，結果指令越塞越多，模型卻越來越常漏掉中間幾項、輸出時好時壞。這篇文章要教你另一條路——Prompt 串接（Chaining）：把一個大任務拆成幾段各自只做一件事的提示，讓前一段的輸出餵進下一段，逐段把品質鎖死。 適合已經會寫 Prompt、但一碰到多步驟任務就失控的工作者，以及準備把 AI 放進正式流程的團隊。讀完你會得到可直接複製的串接 Prompt 模板、四種常見串接模式，以及判斷「哪些任務該拆、怎麼拆」的方法。

如果你還在打基礎，建議先看完 ChatGPT 提示詞攻略 與 Prompt 工程框架大全，確定單一 Prompt 已經寫得夠穩，再回來學「把多個穩定 Prompt 接成一條可靠的鏈」這門進階功夫。

為什麼複雜任務不能用一個大 Prompt 解決？

先講一個很多人都踩過的坑。假設你要 AI 做一件事：「讀一篇 3000 字的訪談逐字稿，抓出重點、判斷情緒、寫成一則 100 字社群貼文、再給三個標題。」你把這四項要求全部塞進一個 Prompt，跑出來的結果通常是——重點抓得馬虎、情緒判斷被忽略、貼文倒是寫了、標題剩兩個。

這不是模型笨，而是單一 Prompt 的注意力會被稀釋。當一段指令同時要求模型「理解、判斷、創作、發想」四種不同性質的工作，它很難每一項都全力以赴，越後面的要求越容易被犧牲。這跟你叫一個人「一邊聽電話、一邊算帳、一邊寫文案」是一樣的道理。

硬把 Prompt 寫長還會帶來三個副作用。第一是難除錯：結果不好，你根本不知道是哪一項要求出了問題，只能整段重寫。第二是難維護：十項要求糾纏在一段文字裡，改 A 常常不小心動到 B。第三是難規模化：這種巨無霸 Prompt 沒辦法被乾淨地接進自動化 Workflow，因為它的中間產物全藏在模型腦袋裡，外部程式拿不到。

還有一個比較隱形、但很致命的副作用：錯誤無法被攔截。在一個大 Prompt 裡，模型如果第一步「抓重點」就抓歪了，它會帶著歪掉的重點繼續寫貼文、繼續想標題，而你完全看不到中間發生了什麼。等成品出來你才發現不對，卻已經無從得知是哪一環先壞的。Prompt 串接要解決的，就是把「一口氣做完」改成「分段完成、逐段驗收」，讓每一個環節都攤在陽光下。

核心概念：什麼是 Prompt 串接？

Prompt 串接（Prompt Chaining）的定義很簡單：把一個複雜任務拆成多個子任務，每個子任務用獨立的 Prompt 處理，並把前一段的輸出當作後一段的輸入，串成一條有順序的鏈條。

最好的比喻是工廠的生產線。一個複雜產品不會由一個師傅從頭做到尾，而是拆成數個工站：第一站只負責裁切、第二站只負責組裝、第三站只負責品檢。每一站專注一件事、做完交給下一站，且每一站都能單獨檢查良率。Prompt 串接就是把 AI 任務變成這樣一條生產線——每一段提示是一個工站。

要注意，串接處理的是「不同性質、要分站做」的任務切分；它和 思維鏈（Chain of Thought） 是兩個層次的事。思維鏈是在同一段 Prompt 裡，要求模型把推理步驟「想出來、寫出來」以提高單站準確度；串接則是把不同段 Prompt 接起來。實務上兩者常一起用：在「需要判斷」的那一站內部用思維鏈讓它想清楚，再把結論用結構化格式交給下一站。

下面這張表把「單一大 Prompt」和「串接」的差別講清楚：

要特別釐清一個常見誤會：Prompt 串接不等於多 Agent 系統。串接是你預先設計好固定路線的多段提示，AI 只負責執行每一站，不自己決定要走哪條路；多 Agent 協作 則能讓多個 AI 根據情況自主決定下一步、彼此分工。串接是邁向 Agent 的基礎能力，先把固定鏈條練穩，再談讓 AI 自主決策才有意義。

實際教學：五步驟拆出一條穩定的鏈

我們用一個真實任務貫穿全部步驟：把一篇客戶訪談逐字稿，加工成一則社群貼文與三個標題。這是台灣內容、行銷團隊每天都在做的事。

Step 1：拆解任務節點

先別碰 Prompt，先拿張紙把任務拆成「各自只做一件事」的節點。上面的任務可以拆成四站：

1. 萃取：從逐字稿抓出 5 個重點與整體情緒。
2. 定調：根據重點與情緒，決定貼文要走的角度與語氣。
3. 撰寫：寫出一則 100 字貼文。
4. 發想：根據貼文產出三個標題。

判斷該不該拆的原則：只要一個步驟同時包含「理解」「判斷」「創作」中的兩種以上，就該拆。 萃取是理解、定調是判斷、撰寫與發想是創作，性質都不同，所以拆開。

Step 2：設計每段的輸入輸出

為每一站明確定義「收到什麼、吐出什麼」。這一步是串接能不能對接的關鍵——上一站的輸出格式，必須剛好是下一站需要的輸入格式。

• 第一站：輸入「逐字稿」，輸出「重點清單 + 情緒標籤」。
• 第二站：輸入「重點清單 + 情緒標籤」，輸出「貼文角度 + 語氣指示」。
• 第三站：輸入「貼文角度 + 語氣指示 + 重點清單」，輸出「100 字貼文」。
• 第四站：輸入「100 字貼文」，輸出「三個標題」。

設計輸入輸出時，最容易被忽略的是「只傳下一站真正需要的欄位」。第三站不需要整份逐字稿，只需要重點與語氣；硬把 3000 字逐字稿一路傳到底，只會稀釋重點又燒 token。

Step 3：鎖定中繼格式

段與段之間，一律用 JSON 或固定欄位傳遞，不要用一段自然語言去餵下一段。自然語言模糊、容易讓下一段誤解；結構化格式讓下一段穩定解析，也方便你在中間插程式做驗證或過濾。這背後其實是一整套技巧，值得單獨花時間練——可參考 結構化輸出提示法 把「逼模型只吐乾淨 JSON」這件事做到滴水不漏。

例如第一站的輸出固定成這樣：

{
  "points": ["重點一", "重點二", "重點三", "重點四", "重點五"],
  "emotion": "正面 / 中性 / 負面",
  "quote": "最有代表性的一句客戶原話"
}

第二站就能穩穩地讀到 points、emotion、quote 三個欄位，不會猜錯。如果某些站的輸出格式很挑、模型常出錯，可以在該站的 Prompt 裡放一兩個「輸入長這樣、輸出就該長這樣」的範例，也就是 Few-shot 範例提示法，用示範把格式釘死，比純文字說明更可靠。

Step 4：串接並傳遞變數

把前一段輸出當變數，用 {{變數}} 的方式塞進下一段 Prompt，逐段執行。手動操作時就是「複製上一段的 JSON、貼進下一段的指定位置」；自動化時則由程式或 Workflow 工具自動傳遞。重點是每一段 Prompt 都明寫「你會收到 {{上一段輸出}}，請只根據它作答」，避免模型自由發揮。

另外建議替每一站都配一個專屬角色的 System Prompt，例如第一站固定是「你是只負責萃取、不負責創作的資深企劃」。把角色寫進 System 層而非每次都塞在使用者訊息裡，能讓該站的行為更穩定、也更省事。

Step 5：加檢核與回退

串接最大的風險是錯誤會一路放大：第一站重點抓錯，後面三站全部跟著錯。所以要在關鍵節點加驗證——例如第一站輸出後，先用程式檢查「是不是剛好 5 個重點、emotion 是不是三個合法值之一」。不合格就回退重跑該段，或在難判斷時轉人工，把錯誤擋在傳下去之前。這是串接和「一次到底」最本質的差別。

範例：Prompt 與 Workflow

下面是可直接複製的四段串接 Prompt。每一段都標明了輸入變數與輸出格式。

【第一段：萃取】
你是資深內容企劃，只負責萃取，不負責創作。
輸入逐字稿：{{transcript}}
請輸出嚴格的 JSON，不要多餘文字：
{
  "points": [5 個重點，每個 20 字內],
  "emotion": "正面 或 中性 或 負面",
  "quote": "最有代表性的一句客戶原話"
}
若資訊不足以湊滿 5 個重點，points 寧可少於 5 個也不要編造。

【第二段：定調】
你是社群編輯。收到上一段的萃取結果：{{stage1_json}}
請根據 points 與 emotion，輸出 JSON：
{
  "angle": "這則貼文要切的角度，一句話",
  "tone": "語氣，例如 溫暖 / 專業 / 活潑"
}

【第三段：撰寫】
你是社群文案。收到角度與語氣：{{stage2_json}}，以及重點：{{stage1_points}}
請寫一則繁體中文（台灣用語）貼文，限 100 字內，語氣依 tone。
只輸出貼文本文，不要解釋。

【第四段：發想標題】
你是標題編輯。收到貼文：{{stage3_text}}
請輸出 3 個吸睛標題，每個 15 字內，風格各不同（疑問式 / 數據式 / 情緒式）。
以 JSON 陣列輸出。

文字版 Workflow 流程圖如下：

逐字稿輸入
   ↓
[第一段：萃取] → 輸出 重點清單 + 情緒 (JSON)
   ↓
[驗證] 是否剛好 5 個重點、emotion 合法？
   ↓ 否 → 回退重跑第一段 / 轉人工
   ↓ 是
[第二段：定調] → 輸出 角度 + 語氣 (JSON)
   ↓
[第三段：撰寫] → 輸出 100 字貼文
   ↓
[驗證] 字數是否 ≤ 100、語氣是否符合？
   ↓ 否 → 回退重跑第三段
   ↓ 是
[第四段：發想] → 輸出 3 個標題
   ↓
完稿輸出（貼文 + 標題）

每一段 Prompt 都不必從零手寫。你可以用 Prompt 產生器 先生出每一站的初稿，再依本文的輸入輸出規格微調對接欄位，能省下大量打字時間。想找更多可直接套用的串接模板，也可以參考 Prompt 資料庫。

四種常見串接模式

串接不只有「一條線走到底」這一種。實務上有四種模式，可以混搭：

• 線性串接（Sequential）：A → B → C，最基本，上面的範例就是。適合有明確先後順序的任務。
• 分支串接（Branching）：某段輸出後依結果走不同分支。例如情緒判為「負面」就走安撫話術鏈，「正面」就走推薦話術鏈。
• 平行串接（Parallel）：把一份輸入同時餵給多段獨立 Prompt，再彙整。例如同一份逐字稿，一段抓重點、一段抓金句、一段抓待辦，最後合併。
• 迴圈串接（Loop）：同一段反覆執行直到符合條件。例如「寫貼文 → 自我檢查字數 → 超字就重寫」，循環到過關為止。

掌握這四種模式後，你就能組合出相當複雜的流程，這也是邁向 多 Agent 協作 的前置基礎。

進階：更深入的一層

學會把鏈接起來之後，真正讓串接「上得了正式流程」的，是底下這幾層多數教學不會講的眉角。

第一，用「評審站」取代讓模型自我檢查。 很多人會在最後一站叫模型「請檢查上面寫得好不好」，但同一個模型既當運動員又當裁判，往往會自我感覺良好。更穩的做法是新增一個獨立的評審站（Critique Stage），給它一份明確的評分規格（例如：是否扣題、字數是否達標、有無中國慣用詞），讓它對前一站的輸出打分並指出問題；分數不過就回退重寫。要把評審規格寫得乾淨、可重用，可以用 Meta Prompting（讓 AI 幫你寫 Prompt） 先請模型替你產出一份嚴謹的評分準則，再固定成這一站的 System Prompt。

第二，分清「硬規則」和「軟判斷」，用不同方式驗證。 字數、欄位齊不齊、列舉值合不合法——這些是硬規則，務必用程式檢查，模型自評不可靠。語氣對不對、有沒有抓到客戶真正在意的點——這些是軟判斷，才交給評審站處理。把兩者混在一起，會讓你既擋不住低級錯誤、又浪費模型算力。

下面這張表幫你把「進階機制」對應到「適用情境」：

第三，把中繼產物落地保存。 在玩具階段，中間 JSON 用複製貼上就好；但要規模化時，請把每一站的輸入與輸出都寫進資料庫或日誌。這樣一旦某天成品出包，你能精準回放「是哪一站、收到什麼、吐出什麼」，這是串接相對單一大 Prompt 最值錢的稽核能力，別在工程上把它浪費掉。當某一站需要即時讀外部資料（CRM、商品庫存、知識庫）時，也是在這一層把資料源接進來，再把結果用結構化格式往下傳。

第四，控制脈絡長度（context）。 鏈越長，越要警惕「每一站都把前面全部歷史貼進去」。正確做法是只傳下一站需要的最小欄位：第四站想標題時，它只需要第三站的貼文本文，根本不需要第一站的逐字稿。脈絡傳得精準，不只省 token，也讓每一站的注意力更集中、品質更穩。

常見錯誤

• 拆太細：把每個動詞都拆成一段，鏈條過長反而拖慢又增加成本。原則是「按任務性質拆」，不是「按句子拆」。
• 段間用自然語言傳遞：上一段吐一大段文字餵下一段，下一段常誤解。一定要用 JSON 或固定欄位。
• 不設驗證就串：以為每段都會乖乖照規格輸出，結果一段壞全鏈壞。關鍵節點務必加檢核與回退。
• 每段都重貼整份原始資料：在每一段都把 3000 字逐字稿再貼一次，浪費 token 又稀釋重點。只傳下一段真正需要的欄位。
• 沒鎖輸出格式：第一段沒要求純 JSON，模型多嘴加了「好的，以下是結果」，下一段解析就爆掉。明寫「只輸出 JSON，不要任何多餘文字」。
• 讓同一個模型既寫又評：自我檢查容易自我感覺良好，硬規則該交給程式、軟判斷該交給獨立評審站。

最佳實務

把以下幾點變成你串接的預設習慣：

1. 先畫流程圖再寫 Prompt：節點、資料流向、驗證點先在紙上定清楚，再動手寫，能少改很多次。
2. 每段都加一句「只根據上一段輸出作答」：收束模型的自由發揮，是串接穩定的便宜大補帖。
3. 把驗證做成程式而非靠模型自評：字數、欄位、合法值這種硬規則，用程式檢查比叫模型自己檢查可靠得多。
4. 保留每段的中間產物：出問題時可以快速定位是哪一站壞了，這正是串接相對單一大 Prompt 的最大優勢，別浪費掉。
5. 先手動跑通再自動化：用複製貼上把整條鏈手動跑順、確認品質穩定後，再接進 Workflow 工具自動化。
6. 替每一站立 System Prompt：把角色與禁區寫進 System Prompt，讓每站行為更收斂、更可重複。

實際案例一：台灣電商客服與內容團隊

情境：一家台灣中型電商的內容團隊，每週要把約 20 場客戶訪談錄音整理成社群素材。原本他們用一個塞滿要求的長 Prompt 一次處理，結果品質很不穩。

導入前：每篇成品平均要人工大改 2 次才能用，重點常抓錯、標題常只生出一兩個；一週 20 篇要花約 18 小時，且編輯抱怨「不知道 AI 哪裡會出包，每次都要從頭檢查」。

導入後：團隊把流程拆成上面那條四段串接鏈，並在第一段「萃取」後加了程式驗證（檢查重點數量與情緒值合法性），不合格自動回退重跑。同時改成只在第一段傳完整逐字稿，後面各段只傳必要欄位。

成果數據（團隊內部三個月統計，數字為該團隊實測，僅供參考）：

• 平均人工修改次數從 2 次降到 0.4 次，一次到位率約八成。
• 單週處理時間從約 18 小時降到約 7 小時，省下約六成工時。
• 因為中間產物看得見，編輯遇到問題能直接指出「是第一段萃取漏了」，除錯時間大幅縮短，新人也更容易上手。

關鍵轉變不在於用了多厲害的模型，而在於把任務拆對、把節點驗好。這正是 Prompt 串接最務實的價值。

實際案例二：在地電商客服的分支與評審鏈

情境：同一家電商，後來把串接用到了客服回覆草稿。客戶問題從 LINE 官方帳號進來，五花八門：有人問退貨、有人罵到飆髒話、有人只是想加購。一條線走到底顯然不夠，他們改用分支 + 評審的混合鏈。

做法：第一站先做「分流」，把訊息分類成「客訴／一般詢問／加購意圖」三類並輸出情緒分數；分類後走不同分支——客訴走安撫話術鏈、加購走推薦話術鏈。每條分支的最後都接一個獨立評審站，依固定規格檢查草稿「有沒有承諾做不到的事、語氣會不會火上加油、有無中國用語」，不過就回退重寫，過了才送給真人客服按下發送。

成果數據（團隊內部統計，僅供參考）：

• 客服首封回覆的草稿可用率從約五成提升到約九成，真人只需微調。
• 因分流精準，負面情緒客訴的平均首回時間從 12 分鐘縮短到約 4 分鐘。
• 評審站擋下的問題裡，「擅自承諾退款時程」這類風險回覆占了三成，等於提前攔住了潛在客訴升級。

這個案例的重點是：當任務本身會「因輸入而分歧」，就不要硬塞進一條線，用分支把路徑攤開、用評審站把品質收口，才是串接該有的樣子。

免責聲明

本文所引用的數據皆為文中虛構團隊的內部實測情境，僅供說明串接效益之用，不代表你導入後必能複製相同結果。實際成效會因任務性質、所用模型、資料品質與驗證設計而有很大差異，請以你自己環境的小規模試跑結果為準。

結論

複雜任務做不穩，問題往往不是 Prompt 寫得不夠長，而是你想用「一站」做完該由「一條生產線」完成的事。Prompt 串接的核心心法只有三句：拆成各做一件事的節點、用結構化格式對接、在關鍵點加驗證與回退。 把這三件事做到位，再加上獨立評審站與中繼產物落地，你的 AI 輸出就能從「碰運氣」變成「每次都穩、看得見、改得動、能上線」。

下一步，建議你先挑一個目前最讓你頭痛的多步驟任務，照本文五步驟把它拆成一條鏈，手動跑通後再考慮自動化。要把每一站的輸出鎖死，先精讀 結構化輸出提示法；想把鏈條進化成能自主分工的系統，接著看 多 Agent 協作；若你連單站 Prompt 都還想再打磨，回頭把 Prompt 工程框架 練到滾瓜爛熟，整條鏈自然更穩。

❓ 常見問題 FAQ

🔗 延伸閱讀

• Prompt 工程框架大全：5 種框架寫出穩定指令
• 結構化輸出：讓 AI 穩定吐出 JSON 與固定格式
• 多 Agent 協作：讓多個 AI 分工合作
• 思維鏈（Chain of Thought）：讓 AI 一步步想清楚
• System Prompt 完整指南：替每個 AI 角色立規矩