Prompt-Chaining: Baue ein Fließband statt von der Zauberbox zu träumen

TL;DR

Prompt-Chaining zerlegt eine riesige Aufgabe in eine Sequenz kleiner, abhängiger Prompts — jede Ausgabe wird die Eingabe der nächsten —, statt das Endprodukt in einem unmöglichen Atemzug zu verlangen. Qualität häuft sich entlang der Kette an: Fehler werden an der Station gefangen, wo sie billig sind, und jeder Schritt startet aus geprüftem Material statt aus einer Mutung.

Die Analogie

Es gibt zwei Arten, an ein Auto zu kommen.

Die erste ist die Zauberbox: eine Halle mit einer einzigen gigantischen Maschine. Erz und Gummi kommen auf der einen Seite rein; ein fertiges Auto kommt auf der anderen raus. Eine verführerische Idee — ein Schritt, null Aufwand. Sie ist auch der Grund, warum niemand je eine gebaut hat. Eine Maschine, die gleichzeitig Stahl schmelzen, Glas blasen, Sitze nähen und Bremsen justieren muss, lässt sich für keines davon optimieren — und wenn sie eine fehlerhafte Tür produziert, ist das ganze Auto Schrott, weil der Defekt in Schritt eins geboren und in Schritt fünfzig entdeckt wurde.

Die zweite ist das Fließband: Dutzende Stationen, jede tut genau eine Sache überragend gut. Stahl wird hier geprägt — und geprüft, bevor er weiterläuft. Türen werden dort geschweißt — und kontrolliert, bevor sie lackiert werden. Tritt ein Defekt auf, wird er an seiner Station gefangen — nach wenigen Operationen, nicht nach dem ganzen Auto. Qualitätskontrolle ist keine Endwette; sie ist zwischen jedes Stationenpaar eingebaut. Und das ist nicht die Schwäche des Bands, „langsamer zu sein“ — es ist der gesamte Grund, warum Autos zuverlässig und erschwinglich wurden.

Von der KI ein komplexes Ergebnis in einem einzigen Mega-Prompt zu verlangen — „recherchiere meinen Markt, schreib den Bericht, designe die Folien und verfasse die Ankündigungs-E-Mail“ — ist ein Zauberbox-Auftrag. Das Modell muss mit vier Spezialitäten gleichzeitig jonglieren und ist für keine optimiert. Schlimmer: Ein Fehler aus der unsichtbaren „Recherche“-Phase taucht erst in der finalen E-Mail auf, als fertige Arbeit getarnt, jeder spätere Schritt auf dem Irrtum aufgebaut.

Chaining bedeutet, dass du stattdessen das Fließband baust. Kleine Stationen. Eine Operation pro Station. Inspektion zwischen den Schritten. Das Förderband zwischen den Stationen existiert bereits — es ist die Konversation selbst.

Wie es funktioniert

Jede produktive Kette folgt derselben Drei-Station-Wirbelsäule — Sammeln → Transformieren → Polieren —, erweitert um so viele Zwischenstationen, wie die Arbeit verlangt.

Station	Die Arbeit	Beispiel-Prompt
Sammeln	Rohmaterial produzieren: Fakten, Optionen, Recherche	„Liste die 8 häufigsten Einwände gegen E-Autos, je eine Zeile“
Transformieren	Material in Struktur verwandeln: Gliederung, Entwurf, Skelett	„Gruppiere diese Einwände in 3 Themen und skizziere einen Abschnitt pro Thema“
Polieren	Jeweils eine Ausgabe finalisieren: Stil, verdichten, auditieren	„Schreib nur Abschnitt 1, 150 Wörter, selbstbewusster Ton“

Drei Mechaniken machen die Kette laufen:

1. Jede Station erbt alles. Das Modell liest vor jeder Antwort die gesamte Konversation neu — das ist das Kontextfenster, der Schreibtisch aus Lektion zwei. Schritt drei braucht deinen eingefügten Gliederung aus Schritt zwei nicht nochmal; sie liegt schon auf dem Schreibtisch, zusammen mit den Einwänden aus Schritt eins. Das Gedächtnis der Kette ist das Förderband. (Was auch der Grund ist, warum Ketten in einem Chat pro Projekt leben: Das Band verbindet nur Stationen derselben Linie.)

2. Jede Station ist klein genug zum Prüfen. Eine Liste von acht Einwänden checkst du in zehn Sekunden — ist #6 wirklich ein Einwand? Fange sie dort, und die Gliederung erbt sie nie. Das ist die Qualitäts-Magie: Fehler häufen sich im Mega-Prompt an, aber werden in der Kette abgefangen. Die Zwei-Station-Version dieser Idee kennst du schon — der Prompt-Auditor ist exakt eine Kette: Station eins schreibt, Station zwei greift an, Station drei korrigiert. Chaining verallgemeinert diesen Rhythmus auf jede Größenordnung.

3. Jede Station erhält die volle Aufmerksamkeit. Ein Modell, um das man eine einzige Sache bittet, gibt dieser Sache alles, was es hat. Dasselbe Modell, um das man vier Dinge gleichzeitig bittet, verhandelt intern ein Budget zwischen ihnen — und die Polier-Station ist immer das erste Opfer des Mega-Prompts. In einer Kette ist jede Station die einzige Arbeit des Modells.

Die Arbeitsregel:

Eine Station, eine Operation, eine Inspektion. Wenn sich die Ausgabe eines Schritts nicht in unter einer Minute prüfen lässt, ist die Station zu groß — teile sie.

Vorher/Nachher (Die Prompts)

Beispiel 1 — der Marktbericht

Recherche den Heimfitness-Markt und schreib einen vollständigen 1.500-Wörter-Bericht mit Executive Summary, Wettbewerbsanalyse, drei argumentierten Wachstumschancen und einem Fazit. Mach es professionell und überzeugend.

Die Zauberbox. Was zurückkommt, hat die Form eines Berichts, aber das Denken ist unsichtbar — du kannst nicht wissen, welche „Wachstumschance“ auf einem Faktum ruht, den das Modell unter all der Gleichzeitigkeit erfunden hat. Wenn sich Chance #2 als hohl entpuppt, weißt du nicht, ob Recherche oder Verfassen versagt hat. Baue von null neu.

Schritt 1: Liste die 5 wichtigsten Heimfitness-Konkurrenten mit Preis und je einem Differenzierungsmerkmal als Tabelle. Wenn du bei einer Zahl unsicher bist, markiere sie [PRÜFEN].

Prüfe die Tabelle. Zwei Minuten. Korrigiere die eine [PRÜFEN], die zählt — und das Rohmaterial ist jetzt als gut bekannt; jede folgende Station baut darauf.

Schritt 2: Entwirf auf Basis dieser Tabelle einen Bericht mit 4 Abschnitten: je einen Abschnitt pro vertretbarer Wachstumschance aus diesen Daten, plus eine Executive Summary. Nur Abschnittstitel, je eine Argumentzeile.

Prüfe die Gliederung. Ist Chance #3 wirklich aus der Tabelle vertretbar — oder ist es eine Vibe? Töte sie jetzt — bevor Prosa existiert, die sie klüger aussehen lässt, als sie ist.

Schritt 3: Schreib nur die Executive Summary — 120 Wörter, selbstbewusst, ohne Aussagen über die Tabelle oben hinaus.

Eine Station voller Aufmerksamkeit, gebaut auf geprüfter Struktur. Fahre die Linie fort, ein Abschnitt pro Prompt, in der Reihenfolge, die du willst. Der finale Bericht ist kein Glück — er ist die letzte Station einer Linie, in der jede vorherige die Inspektion bestanden hat.

Beispiel 2 — der Reiseplan

Plane eine perfekte 7-tägige Portugal-Reise für eine Familie mit zwei Kindern, inklusive Städten, Hotels, Restaurants und Tagesaktivitäten.

Ein Mega-Prompt, fünf Spezialitäten (Logistik, Budget, Kindertauglichkeit, Tempo, Essen), null prüfbare Zwischenergebnisse.

Schritt 1: Wir sind eine Familie mit Kindern von 6 und 9, zum ersten Mal in Portugal, 7 Tage, mittleres Budget. Stell mir bis zu 5 Fragen — eine nach der anderen — über alles, was den Plan ändern würde.

Das Interview als Station eins: die Sammel-Station für Fakten, die nur du hast. Dann:

Schritt 2: Erstelle angesichts meiner Antworten 3 Reiseplan-Skelette — verschiedene Städtefolgen und Tempos. Tabellenformat, eine Zeile pro Tag, noch ohne Details.

Drei billige Skelette, in einer Minute prüfbar: Die Algarve-zuerst-Route stirbt an der Juni-Hitze, die du in Schritt eins erwähnt hast — gefangen am Skelett, nicht an Tag vier des Urlaubs. Erst dann arbeitet Schritt drei den Gewinner aus, Tag für Tag, eine Station pro Tag.

Beispiel 3 — die Bewerbung

Schreib ein Anschreiben für diese Product-Manager-Stelle auf Basis meines Lebenslaufs.

Der klassische Ein-Atemzug-Wunsch — und der Grund, warum die meisten KI-Anschreiben wie das KI-Anschreiben von allen klingen.

Schritt 1: Extrahiere aus der Stelle unten die 5 wichtigsten Anforderungen, sortiert. Zitiere je die Stelle. Schritt 2: Verknüpfe aus meinem Lebenslauf meine stärkste Evidenz mit jeder Anforderung — eine Zeile pro Anforderung, mit Lebenslaufzitat. Schritt 3: Schreib das Anschreiben nur aus diesen fünf Paaren. 250 Wörter, ohne Floskeln, eröffne mit meiner besten Übereinstimmung.

Station eins prüft: Sind das wirklich die Haupt-Anforderungen — oder die offensichtlichen? Station zwei prüft: Habe ich die Evidenz — oder bin ich kurz davor, zu viel zu versprechen? Erst dann schreibt Station drei — beschränkt, belegt, und vom Standard-Entwurf nicht wiederzuerkennen.

Häufige Fehler

1. Zu schnell ketten — Zwischenergebnisse nie prüfen. Eine Kette, deren Stationen nie gecheckt werden, ist nur ein langsamer Mega-Prompt mit Extraschritten. Der Wert liegt nicht in der Sequenz; er liegt in den Inspektionspunkten zwischen den Stationen. Pausiere bei jeder Ausgabe: zehn Sekunden jetzt oder ein kompletter Neubau später.
2. Stationen, die geheime Mega-Prompts sind. „Schritt 2: Schreib Abschnitte 1 bis 4“ ist die Zauberbox, in deiner Kette versteckt. Eine Station, eine Operation — wenn du ihre Ausgabe nicht in einer Minute prüfen kannst, teile die Station.
3. Die Kette ausufern lassen. Zwölf Stationen für eine Zwei-Absatz-E-Mail ist Zeremonie, nicht Handwerk. Ketten sind für echte Mehrstufenarbeit; kleine Jobs wollen einen einzigen gut gezielten One-Shot-Prompt. Bau eine Linie, wenn das Produkt Teile hat; bau keine, wenn es einen Satz hat.
4. Die Kette über mehrere Chats verstreuen. Das Förderband ist das Konversationsgedächtnis — öffne einen neuen Chat für „Schritt 3“, und der Schreibtisch ist leer: keine Gliederung, keine Interview-Antworten, nichts. Ein Projekt, ein Chat, von Anfang bis Ende.
5. Nach einer schlechten Station die ganze Kette neu starten. Eine misslungene Gliederung in Schritt zwei bringt dich nicht zum Roherz zurück. Korrigiere die Ausgabe dieser Station („erstelle die Gliederung neu, entferne Abschnitt 3“) und fahre fort — die Linie nimmt ihren Lauf ab der letzten guten Station. Genau diese Reparaturgeschwindigkeit bietet die Zauberbox nie.

Häufige Fragen

Was ist Prompt-Chaining?

Prompt-Chaining zerlegt eine große KI-Aufgabe in eine Sequenz kleiner, abhängiger Prompts — sammeln, transformieren, polieren —, wobei die Ausgabe jedes Schritts zur Eingabe des nächsten innerhalb derselben Konversation wird. Statt eines Mega-Prompts, der eine unprüfbare Masse produziert, bekommst du Stationen, die du einzeln inspizieren und korrigieren kannst — Fehler werden dort gefangen, wo sie billig sind, und Qualität häuft sich entlang der Linie an.

Warum liefert Chaining bessere Ergebnisse als ein Riesen-Prompt?

Drei Gründe, die sich summieren: Jeder Schritt erhält die volle Aufmerksamkeit des Modells statt eines Anteils; jedes Zwischenergebnis ist klein genug zum Prüfen, sodass Fehler an ihrer Station abgefangen werden statt im Endprodukt entdeckt; und jeder folgende Schritt baut auf geprüftem Material auf. Der Prompt-Auditor — schreiben, dann angreifen — ist der Zwei-Stationen-Beweis desselben Prinzips.

Wie viele Schritte sollte eine Prompt-Kette haben?

So viele Stationen, wie prüfbare Teile die Arbeit hat — und keine mehr. Ein Bericht braucht vielleicht fünf; ein Anschreiben drei; ein Satz einen. Der Test ist keine Zahl — sondern ob jede Station genau eine Operation ausführt, deren Ausgabe du in unter einer Minute prüfen kannst. Im Zweifel: Teile die Station, die zu groß erscheint, und entferne die Station, die niemand inspiziert.

Nächste Lektion

Chaining kontrolliert die Sequenz — die Reihenfolge, in der die KI arbeitet. Aber es gibt eine zweite Dimension, die die Kette nicht berührt: den Stil. Wie bekommst du die Ausgabe des Modells exakt so aussehen wie die Ausgabe in deinem Kopf? Nicht indem du sie beschreibst — indem du sie zeigst. Ein gelöstes Beispiel im Prompt verriegelt ein Muster fester als jede jemals geschriebene Anweisung.

Weiter zur nächsten Lektion: Few-Shot-Prompting

Praktische Übung vor dem Weiterklicken: Nimm das nächste große Ergebnis auf deiner Liste und schreib nur Station eins — den Sammel-Schritt — bevor du die KI anfasst. Definiere, wie ihre Ausgabe aussieht, sende sie, und inspiziere, was zurückkommt. Fühl den Unterschied zwischen Hoffen, dass das Endprodukt gut ist — und Wissen, dass das Fundament es ist.