要 Claude「查資料、分析、寫文章、順便檢查錯誤」，就像把整桌菜一次塞進果汁機。最後可能什麼都有，卻很難知道哪一步出了問題。

Prompt Chaining 的做法，是把大任務拆成一條工作流程。以研究報告為例：

找資料 → 整理重點 → 比較觀點 → 寫初稿 → 審查引用

每一步的輸出，都成為下一步的輸入。真正多出來的東西是「中間產物」：資料找錯，可以停在第一步修；分析偏掉，也不用整篇重來。巨型 Prompt 則是把所有要求塞進一次回答，只要前面理解錯，錯誤就一路滾到最後，而且很難追查源頭。

還有一個不太被提起的好處：拆開之後，每一步只帶必要的東西進去，不必把整段對話一路拖著走。Day 03 那只登機箱不會越塞越滿，而是每一站重新整理一次行李。

鏈條會不會斷，往往就斷在接縫。步驟之間如果傳的是自由文字，下一步得先重新解析一次，錯誤就從這裡漏出去；把交接點用 Day 06 的 Schema 鎖住形狀，每一段才真的接得住。

拆解當然也有代價。五個步驟就是五次呼叫，延遲與成本跟著乘上去；拆得太細，每一步都只看得到局部，寫出來的東西容易零碎、缺少貫穿的觀點。更要提醒的是，錯誤不會因為拆開就消失——第一步的小偏差一樣會被後面放大。Chaining 給你的是「知道該回哪一站修」，不是「不會出錯」。

至於怎麼切，可以從真人的角度回推：這件事交給一個人做，我會在哪幾個點停下來驗收？那通常就是最自然的切法。但切完之後還有一件事不能省——每一步都要有自己的成功標準，否則拆解只是把一個模糊的任務，變成五個模糊的任務。

延伸閱讀

• Denny Zhou et al., Least-to-Most Prompting Enables Complex Reasoning in Large Language Models, ICLR 2023（arXiv:2205.10625）。論文要解的問題是：Chain-of-Thought 碰到比範例更難的題目時會失靈，因此改成先把問題拆成較簡單的子問題，再依序求解，後面的子問題用得上前面的答案。思路與本文相同，差別在於論文是讓模型自行分解，實驗領域也集中在符號操作、組合泛化與數學推理；本文談的則是人為編排多次呼叫的工作流。