Prompt-chaining: bouw een assemblagelijn in plaats van te wensen op een magische doos

Prompt-chaining deelt gigantische AI-taken op in kleine afhankelijke stappen — verzamelen, transformeren, polijsten — kwaliteit compenseert per station.

TL;DR

Prompt-chaining splitst een enorme taak in een reeks kleine, afhankelijke prompts — elke output wordt de volgende input — in plaats van het afgewerkte product te eisen in één onmogelijke ademtocht. Kwaliteit compenseert door de hele keten: fouten worden gevangen op het station waar ze goedkoop zijn, en elke stap start met geverifieerd materiaal in plaats van een gissing.

De analogie

Er zijn twee manieren om aan een auto te komen.

De eerste is de Magische Doos: een magazijn met één gigantische machine. Ruw erts en rubber gaan aan de ene kant naar binnen; een afgebouwde auto rolt aan de andere kant uit. Het is een verleidelijk idee — één stap, nul inspanning. Het is ook waarom niemand er ooit een heeft gebouwd. Een machine die tegelijk staal moet smelten, glas moet blazen, stoelen moet naaien en remmen moet kalibreren, kan op geen één daarvan worden geoptimaliseerd, en wanneer hij een defecte deur produceert, is de hele auto schroot — omdat de fout in stap één werd geboren en in stap vijftig werd ontdekt.

De tweede is de assemblagelijn: tientallen stations, die elk precies één ding uitzonderlijk goed doen. Staal wordt hier gestanst, en geïnspecteerd voordat het verder gaat. Deuren worden daar gelast, en gecontroleerd vóór de lak. Wanneer een defect opduikt, wordt het op zijn eigen station gevangen — na een paar bewerkingen, niet na de hele auto. Kwaliteitscontrole is geen gok aan het eind; hij zit ingebouwd tussen elke paar stappen. Dat is geen zwakte van de lijn, dat hij "langzamer" is — het is de hele reden dat auto's überhaupt betrouwbaar en betaalbaar werden.

AI om een complex eindresultaat vragen in één mega-prompt — "onderzoek mijn markt, schrijf het rapport, ontwerp de sheets en schrijf de aankondigingsmail" — is een bestelling voor de Magische Doos. Het model moet vier expertises tegelijk jongleren, en optimaliseert voor geen enkele. Erger: een fout die in de onzichtbare "onderzoeks"-fase wordt gemaakt, duikt pas op in de uiteindelijke mail, volledig gekleed als afgerond werk, met elke volgende stap bovenop de misser gebouwd.

Prompt-chaining is jij die de assemblagelijn bouwt. Kleine stations. Elke één bewerking. Inspectie tussen de stappen. De transportband tussen de stations bestaat al — het is het gesprek zelf.

Hoe het werkt

Elke productieve keten volgt hetzelfde drieluik — Verzamelen → Transformeren → Polijsten — uitgebreid met zoveel tussenstations als de klus vereist.

Station	Klus	Voorbeeldprompt
Verzamelen	Ruw materiaal produceren: feiten, opties, onderzoek	"Som de 8 meest voorkomende bezwaren tegen elektrische auto's op, één regel per stuk"
Transformeren	Materiaal naar structuur omzetten: outline, concept, skelet	"Groepeer die bezwaren in 3 thema's en schets per thema een sectie"
Polijsten	De output van één station per keer afwerken: stijl, aanscherpen, auditen	"Schrijf alleen sectie 1, 150 woorden, zelfverzekerde toon"

Drie mechanismen maken de keten werken:

1. Elk station erft alles. Het model herleest het hele gesprek vóór elk antwoord — dat is het contextvenster, het bureau uit les twee. Stap drie hoeft de outline van stap twee niet opnieuw te plakken; die ligt al op het bureau, samen met de bezwaren uit stap één. Het geheugen van de keten ís de transportband. (Wat ook de reden is dat ketens in één chat per project leven: de band verbindt alleen stations op dezelfde lijn.)

2. Elk station is klein genoeg om te verifiëren. Een lijst van acht bezwaren is in tien seconden te controleren — is #6 echt een geldig bezwaar? Vang het dár, en de outline erft het nooit. Dit is de kwaliteitsmagie: fouten stapelen zich op in een mega-prompt, maar worden onderschept in een keten. Je hebt de twee-stations-versie van dit idee al ontmoet — de Auditor-prompt is precies een keten: station één schrijft het concept, station twee valt aan, station drie herstelt. Chaining generaliseert dat ritme naar elke schaal.

3. Elk station krijgt de volledige aandacht. Een model dat één ding wordt gevraagd, geeft dat ding alles wat het heeft. Hetzelfde model dat vier dingen tegelijk wordt gevraagd, onderhandelt intern een budget tussen die vier — en het polijststation is altijd het eerste slachtoffer van de mega-prompt. Op een lijn is elk station het enige werk van het model.

De werkregel:

Eén station, één bewerking, één inspectie. Als de output van een stap niet binnen een minuut te controleren is, is het station te groot — deel het.

Voor & na (de prompts)

Voorbeeld 1 — het marktrapport

Onderzoek de thuismarkt voor fitness en schrijf een volledig rapport van 1.500 woorden met een management-samenvatting, concurrentieanalyse, drie groeikansen met onderbouwing en een conclusie. Maak het professioneel en overtuigend.

De Magische Doos. Wat terugkomt heeft de vorm van een rapport, maar het redeneren is onzichtbaar — je kunt niet zien welke "groeikans" rust op een feit dat het model verzon onder al die gelijktijdige belasting. Wanneer kans #2 hol blijkt, weet je niet of het onderzoek of het schrijven faalde. Herbouw vanaf nul.

Stap 1: Som de 5 grootste concurrenten in thuismarkt-fitness op met hun prijspunt en per stuk één onderscheidend kenmerk, als tabel. Markeer elk cijfer waarover je twijfelt met [VERIFIËREN].

Controleer de tabel. Twee minuten. Fix de ene [VERIFIËREN] die ertoe doet, en het ruwe materiaal is nu bekend goed — elk later station staat erop.

Stap 2: Bouw op basis van die tabel een outline voor een rapport van 4 secties: één sectie per groeikans die je uit deze data kunt verdedigen, plus een management-samenvatting. Alleen sectietitels, één regel argumentatie per stuk.

Controleer de outline. Is kans #3 echt verdedigbaar vanuit de tabel, of is het vibes? Maak hem nu dood — voordat er proza bestaat dat hem slimmer laat lijken dan hij is.

Stap 3: Schrijf alleen de management-samenvatting — 120 woorden, zelfverzekerd, geen claims die verder gaan dan de tabel hierboven.

De volledige aandacht van één station, gebouwd op geverifieerde structuur. Ga daarna de lijn af, één sectie per prompt, in welke volgorde je wilt. Het uiteindelijke rapport is geen geluk; het is het laatste station van een lijn waar elk eerder station de inspectie doorstond.

Voorbeeld 2 — de reisplanning

Plan een perfecte reis van 7 dagen naar Portugal voor een gezin met twee kinderen, inclusief steden, hotels, restaurants en dagelijkse activiteiten.

Eén mega-prompt, vijf expertises (logistiek, budget, kindvriendelijkheid, tempo, eten), nul inspecteerbare tussenproducten.

Stap 1: Wij zijn een gezin met kinderen van 6 en 9, voor het eerst in Portugal, 7 dagen, middensegment-budget. Stel me maximaal 5 vragen — één tegelijk — over alles wat het plan verandert.

Het interview als station één: het verzamel-station voor feiten die alleen jij hebt. Dan:

Stap 2: Gegeven mijn antwoorden, stel 3 reisschema-skeletten voor — verschillende stedenvolgorde en tempo. Tabelvorm, één rij per dag, nog geen details.

Drie goedkope skeletten, in één minuut gecontroleerd: de Algarve-eerst-route sterft aan de junihitte die je in stap één noemde — gevangen op het skelet, niet op dag vier van de vakantie. Pas daarna werkt stap drie de winnaar uit, dag voor dag, één station per dag.

Voorbeeld 3 — de sollicitatie

Schrijf een motivatiebrief voor deze functie als productmanager met mijn cv.

Het klassieke éne-adem-verzoek — en de reden dat de meeste AI-motivatiebrieven klinken als ieders andermans AI-motivatiebrief.

Stap 1: Haal uit de vacature hieronder de 5 eisen waar zij het meest om geven, gerangschikt. Citeer per eis de vacature. Stap 2: Koppel vanuit mijn cv mijn sterkste bewijs per eis — één rij per eis, citeer mijn cv. Stap 3: Schrijf de motivatiebrief met alleen de vijf gekoppelde paren hierboven. 250 woorden, geen clichés, open met mijn sterkste match.

Station één controleert: zijn dit dít de top-eisen, of de voor-de-hand-liggende? Station twee controleert: héb ik het bewijs wel, of sta ik op het punt te overdrijven? Pas daarna schrijft station drie — begrensd, gegrondd en onherkenbaar anders dan het standaardconcept.

Veelvoorkomende valkuilen

Te snel ketenen — de tussenproducten nooit inspecteren. Een keten waarvan de stations nooit worden gecontroleerd is gewoon een trage mega-prompt met extra stappen. De waarde zit niet in de volgorde; het zit in de inspectiepunten tussen de stations. Pauzeer bij elke output: tien seconden nu, of een volledige herbouw later.
Stations die stiekem mega-prompts zijn. "Stap 2: schrijf secties 1 tot en met 4" is de Magische Doos die zich in jouw lijn verstopt. Eén station, één bewerking — als je de output niet in een minuut kunt verifiëren, deel het station.
De keten laten doorslaan. Twaalf stations voor een e-mail van twee alinea's is ceremonie, geen vakmanschap. Ketens zijn voor werk dat echt uit meerdere fasen bestaat; kleine klussen willen één goed gerichte one-shot prompt. Bouw een lijn wanneer het product onderdelen heeft; bouw er geen wanneer het één zin heeft.
De keten over meerdere chats verspreiden. De transportband is het geheugen van het gesprek — open een verse chat voor "stap 3" en het bureau is leeg: geen outline, geen interviewantwoorden, niets. Eén project, één chat, van boven tot onder.
De hele keten herstarten na één slecht station. Een mislukte outline in stap twee stuurt je niet terug naar het ruwe erts. Fix de output van dat station ("genereer de outline opnieuw, haal sectie 3 eruit") en ga door — de lijn hervat vanaf het laatste goede station. Precies de reparatiesnelheid die de Magische Doos nooit biedt.

FAQ

Wat is prompt-chaining?

Prompt-chaining is het opdelen van een grote AI-taak in een reeks kleine, afhankelijke prompts — verzamelen, transformeren, polijsten — waarbij de output van elke stap de input van de volgende wordt binnen hetzelfde gesprek. In plaats van één mega-prompt die een onaantastbare klomp produceert, krijg je stations die je afzonderlijk kunt inspecteren en corrigeren, zodat fouten worden gevangen waar ze goedkoop zijn en kwaliteit door de hele lijn compenseert.

Waarom geeft chaining betere resultaten dan één grote prompt?

Drie samenstellende redenen: elke stap krijgt de volledige aandacht van het model in plaats van een aandeel; elke tussenoutput is klein genoeg om te verifiëren, dus fouten worden op hun eigen station onderschept in plaats van ontdekt in het eindproduct; en elke volgende stap is op geïnspecteerd materiaal gebouwd. De Auditor-prompt — concept, dan aanval — is het twee-stations-bewijs van hetzelfde principe.

Hoeveel stappen moet een prompt-keten hebben?

Zoveel stations als het werk inspecteerbare onderdelen heeft, en niet één meer. Een rapport heeft er misschien vijf nodig; een motivatiebrief drie; een zin één. De test is geen telling — het is of elk station één enkele bewerking uitvoert waarvan je de output binnen een minuut kunt controleren. Twijfel je? Deel het station dat te groot voelt en schrap het station dat niemand inspecteert.

Volgende les

Chaining beheerst de volgorde — de richting waarin de AI werkt. Maar er is een tweede dimensie die de keten niet kan raken: stijl. Hoe krijg je de output van het model er precies uit te zien als de output in je hoofd? Niet door hem te beschrijven — door het te laten zien. Eén uitgewerkt voorbeeld in de prompt vergrendelt een patroon vaster dan welke ooit geschreven instructie dan ook.

Ga door naar de volgende les: Few-Shot Prompting

Oefendrill voor je gaat: pak de volgende grote klus op je lijst en schrijf alleen station één — de verzamelstap — voordat je de AI aanraakt. Definieer hoe de output eruitziet, verstuur hem, en inspecteer wat er terugkomt. Voel het verschil tussen hopen dat het eindproduct klopt en weten dat de fundering klopt.