Prompt chaining is een techniek waarbij je een complexe opdracht opsplitst in meerdere kleinere prompts die elkaar opvolgen. De output van de eerste prompt wordt de input voor de tweede, en zo bouw je stap voor stap naar een eindresultaat. In plaats van alles in één keer te vragen, begeleid je het AI-model door een proces.
Wie regelmatig met ChatGPT of Claude werkt, herkent het probleem: een uitgebreide prompt met tien instructies levert zelden een resultaat dat op alle punten goed is. Prompt chaining lost dat op door elke stap gerichte aandacht te geven. De techniek hoort bij het bredere vakgebied prompting; de vraag wat is prompting precies, en welke andere technieken onder die vlag vallen, komt elders in de kennisbank uitgebreid aan bod.
Hoe werkt prompt chaining?
Prompt chaining begint met het identificeren van de deeltaken binnen je opdracht. Stel dat je een intern adviesrapport wilt schrijven op basis van drie brondocumenten. In plaats van één prompt te sturen met “analyseer deze bronnen, identificeer de belangrijkste inzichten, schrijf een samenvatting en formuleer een advies”, splits je dat op in afzonderlijke stappen.
De eerste prompt richt zich uitsluitend op het analyseren van de bronnen. Je vraagt het model om de kernpunten per document op te sommen, zonder al te interpreteren of samen te vatten. De tweede prompt neemt die kernpunten als input en vraagt om patronen en tegenstrijdigheden te identificeren. Wat komt in alle bronnen terug, en waar spreken ze elkaar tegen? De derde prompt vertaalt die analyse naar een advies voor een specifieke doelgroep, bijvoorbeeld het managementteam. Pas in deze stap geef je instructies over toon, lengte en structuur.
Het principe is bij elke prompt chain hetzelfde: elke stap heeft precies één doel, en de output van de ene stap voedt de volgende. Zo ontstaat een pijplijn waarin het eindresultaat beter is dan wat één enkele prompt zou opleveren. In de Python-tools die ik op eigen VPS draai met de Claude API zijn alle workflows opgebouwd uit prompt chains; één gigantische prompt werkt in geautomatiseerde context eenvoudig niet, omdat de output dan onvoorspelbaar is en je niet kunt valideren waar iets misgaat.
Drie patronen voor prompt chaining
Voor prompt chaining bestaan er drie veelgebruikte patronen. Welk patroon je kiest, hangt af van de structuur van je taak en de mate van controle die je nodig hebt.
Lineaire keten
Een lineaire prompt chain is het meest gebruikte patroon. Elke prompt wordt op volgorde uitgevoerd en bouwt voort op het resultaat van de vorige stap. Dit werkt voor taken met een natuurlijke stap-voor-stap progressie, zoals het voorbeeld van het adviesrapport hierboven. De kracht van een lineaire keten zit in de helderheid: elke stap heeft één voorganger en één opvolger, en als de keten eenmaal staat kun je hem opnieuw inzetten voor vergelijkbare taken.
Parallelle keten
Een parallelle prompt chain voert meerdere prompts tegelijk uit, elk gericht op een ander aspect van dezelfde taak. Vervolgens combineer je de resultaten in een afsluitende prompt. Dit werkt wanneer je onafhankelijke analyses nodig hebt die je tot één conclusie wilt samenvoegen, bijvoorbeeld een SWOT-analyse waarbij je sterke punten, zwakke punten, kansen en bedreigingen elk apart laat uitwerken. Het voordeel van parallelle ketens is snelheid; het nadeel is dat je geen tussentijdse correcties kunt toepassen tussen de parallelle stappen.
Zelfcorrectie-keten
Een zelfcorrectie-prompt chain laat het model eerst een concept genereren, dat concept beoordelen aan de hand van criteria die je meegeeft, en het resultaat aanpassen op basis van die beoordeling. Dit patroon is effectief voor schrijftaken waarbij je de kwaliteit iteratief wilt verhogen zonder zelf elke versie handmatig te reviewen. De keten werkt het best als je expliciete beoordelingscriteria geeft, want zonder concrete maatstaf produceert het model vaak een tweede versie die niet wezenlijk beter is dan de eerste.
Waarom levert prompt chaining betere resultaten op?
Prompt chaining verbetert de output omdat het de aandacht van het model per stap concentreert. Een taalmodel dat tien instructies tegelijk verwerkt, geeft aan sommige meer gewicht dan aan andere. Dat leidt tot output die op drie punten goed is en op zeven punten middelmatig. Met korte, gerichte prompts voorkom je die verdunning. Elke prompt krijgt de volledige aandacht van het model, waardoor de kwaliteit per stap hoger ligt.
Een tweede voordeel is foutopsporing. Levert stap drie van je keten een zwak resultaat, dan voer je alleen die stap opnieuw uit. Bij één grote prompt begin je helemaal opnieuw, zonder te weten welk onderdeel het probleem veroorzaakte. Je kunt gericht bijsturen in plaats van alles te herhalen.
Het derde voordeel is dat je de kwaliteit van je prompt per stap kunt verbeteren. Levert een bepaalde stap consistent matige output, dan pas je alleen die prompt aan. Hetzelfde principe geldt voor het bredere onderwerp een goede vraag stellen aan AI: hoe specifieker en afgebakender, hoe bruikbaarder de output.
Prompt chaining versus chain-of-thought prompting
Prompt chaining en chain-of-thought prompting lijken op elkaar, maar werken fundamenteel anders. Het verschil zit in waar het redeneerproces plaatsvindt: verspreid over meerdere prompts, of binnen één enkele prompt.
Bij chain-of-thought prompting vraag je het model om binnen één prompt stap voor stap na te denken. Je voegt een instructie toe als “redeneer stapsgewijs” en het model doorloopt het volledige denkproces in één antwoord. Dit werkt goed bij logische problemen, berekeningen en analyses die een duidelijke redeneerlijn vereisen.
Bij prompt chaining splits je de taak op over meerdere afzonderlijke prompts. Elke prompt is een eigen interactie, en jij beoordeelt het tussenresultaat voordat je de volgende stap inzet. Dit geeft meer grip op het proces, maar kost ook meer tijd. In de praktijk blijkt prompt chaining vooral meerwaarde te hebben bij taken waar de output naar iemand anders gaat, zoals rapporten, offertes of communicatie-uitingen.
De twee technieken sluiten elkaar niet uit. Je kunt binnen een prompt chain bij een specifieke stap chain-of-thought gebruiken, bijvoorbeeld wanneer die stap een complexe afweging vereist. Achter die combinatie zit dezelfde logica als achter de vraag hoe werkt AI in de basis: het model verwerkt elke prompt als een op zichzelf staande opdracht, en chain-of-thought helpt bij stappen die redenering vereisen binnen die opdracht.
Een praktijkvoorbeeld van prompt chaining
Prompt chaining wordt concreet aan de hand van een realistisch voorbeeld. Stel dat je als communicatieadviseur een persbericht moet schrijven over een organisatieverandering. De directie heeft je een interne memo gestuurd met de details.
Prompt 1: “Lees deze interne memo en identificeer de vijf belangrijkste feiten die in het persbericht moeten staan. Geen interpretatie, alleen feiten.”
Prompt 2: “Rangschik deze vijf feiten op relevantie voor een extern publiek. Welk feit hoort in de openingsalinea, welke zijn ondersteunend?”
Prompt 3: “Schrijf een persbericht van maximaal 300 woorden op basis van deze rangschikking. Gebruik een zakelijke toon. De openingszin bevat het belangrijkste feit. Geen citaten verzinnen.”
Prompt 4: “Controleer dit persbericht op feitelijke consistentie met de oorspronkelijke memo. Zijn er claims die niet direct herleidbaar zijn? Zo ja, markeer ze.”
Elke stap heeft één functie: feiten extraheren, prioriteren, schrijven, verifiëren. De vierde stap is een ingebouwde verificatie die je bij een enkele prompt niet hebt. Je ziet precies wat het model verandert of toevoegt, en je kunt ingrijpen voordat het persbericht de deur uit gaat.
Een tweede voorbeeld uit de praktijk: een projectmanager die een risicoanalyse moet opstellen. De eerste prompt inventariseert alle risico’s op basis van het projectplan. De tweede prompt categoriseert die risico’s op waarschijnlijkheid en impact. De derde prompt formuleert per risico een mitigatiemaatregel. De vierde prompt brengt alles samen in een gestructureerd overzicht dat direct bruikbaar is in een stuurgroepvergadering.
De zelfcorrectie-keten werkt anders. Stel dat je een offerte moet schrijven. Prompt 1 genereert een eerste versie op basis van je briefing. Prompt 2 beoordeelt die versie aan de hand van criteria die je meegeeft: “Controleer of de offerte een duidelijke probleemstelling bevat, een concrete aanpak beschrijft en een onderbouwde prijs noemt.” Prompt 3 herschrijft de offerte op basis van die beoordeling. Het model corrigeert zichzelf, waardoor je minder handmatige revisierondes nodig hebt.
Dit soort ketens werkt op dezelfde manier in ChatGPT, in Claude van Anthropic en in andere taalmodellen. Het gaat niet om welk model je gebruikt, maar om hoe je de taak opdeelt. De structuur van de keten bepaalt de kwaliteit van het resultaat.
Tips voor het opzetten van een prompt chain
Een goede prompt chain valt of staat met een paar vuistregels. Wie ze toepast, voorkomt de meest voorkomende fouten en bouwt ketens die ook bij herhaalde inzet betrouwbaar werken.
Splits zodra een prompt twee dingen tegelijk probeert. “Analyseer en vat samen” zijn twee bewerkingen die elk een andere instructie vereisen. Maak er twee prompts van, zodat je per stap kunt bijsturen als de output niet klopt.
Beperk je keten tot maximaal vijf stappen. Langere ketens verhogen de kans dat context verloren gaat of dat kleine fouten zich opstapelen. Heb je meer dan vijf stappen nodig, dan is de oorspronkelijke taak waarschijnlijk te breed gedefinieerd.
Wees expliciet over hoe het model de vorige output moet gebruiken. “Gebruik het resultaat van de vorige stap” is te vaag. “Neem de vijf kernpunten uit de vorige stap en rangschik ze op urgentie” geeft het model een duidelijke opdracht. In de ChatGPT cursus van LearnLLM staat dit type techniek stapsgewijs uitgewerkt, inclusief voorbeeldketens die je in je eigen werk kunt overnemen.
Bouw een evaluatiestap in na kritieke tussenstappen. Een vraag als “zijn er feiten weggelaten of toegevoegd ten opzichte van de oorspronkelijke input?” is voldoende om fouten vroeg op te vangen, voordat ze zich door de rest van de keten voortplanten.
Test elke stap eerst individueel voordat je de volledige keten uitvoert. Een prompt die geïsoleerd goed werkt maar in combinatie met de vorige output een onverwacht resultaat geeft, is makkelijker te debuggen wanneer je hem eerst los hebt getest. Bij elke nieuwe chain die ik bouw, log ik de tussenresultaten van elke stap zodat ik later kan herleiden waar een keten ontspoorde. Dat is laagdrempelig in te richten en bespaart op de lange termijn veel debugtijd.
Toepasbaarheid van prompt chaining
Prompt chaining is niet voor elke taak de juiste aanpak. De techniek is zinvol bij opdrachten die meerdere bewerkingen vereisen of waarbij verschillende typen output nodig zijn. Denk aan taken die onderzoek, analyse, creatie en verificatie combineren in één eindproduct.
Voor eenvoudige taken is prompt chaining overbodig. Een AI-model dat je vraagt om een vergadernotitie samen te vatten, heeft geen keten van vier prompts nodig. Eén goed geformuleerde prompt met duidelijke instructies over lengte, toon en structuur volstaat.
Een goede vuistregel: kun je de taak beschrijven in één zin zonder het woord “en” te gebruiken, dan is een enkele prompt waarschijnlijk voldoende. “Vat deze notitie samen” is één taak. “Analyseer dit rapport, identificeer risico’s en schrijf een advies voor de directie” is drie taken die baat hebben bij prompt chaining.
Professionals die net beginnen met het koppelen van prompts maken vaak de fout om te lange ketens te bouwen. Een keten van acht stappen klinkt grondig, maar in de praktijk gaat er na stap vijf context verloren. Begin met ketens van twee of drie stappen en breid uit als je merkt dat de resultaten beter worden.
Een andere veelgemaakte fout is het niet overdragen van voldoende context tussen stappen. Ga er niet vanuit dat het model alles onthoudt. Geef bij elke nieuwe prompt de relevante context mee die het model nodig heeft om de taak uit te voeren.
Van losse prompts naar een vaste werkwijze
Prompt chaining dwingt je om vooraf na te denken over de structuur van je opdracht. Welke stappen zijn nodig? In welke volgorde? Waar zit het risico op fouten? Die voorbereiding maakt het verschil tussen ad hoc prompting en een herhaalbare werkwijze.
Een prompt chain die goed werkt voor het schrijven van een adviesrapport, kun je de volgende keer opnieuw gebruiken. Documenteer je ketens en bouw zo een bibliotheek op van werkende workflows. AI-modellen leveren de beste resultaten op wanneer je het proces structureert, niet wanneer je elke keer opnieuw improviseert.
Zo’n bibliotheek hoeft niet ingewikkeld te zijn. Een document met per taaktype de stappen, de prompts en aantekeningen over wat wel en niet werkte is voldoende. Na een paar weken heb je een verzameling ketens die je direct kunt inzetten zonder elke keer opnieuw na te denken over de opbouw.
De ChatGPT e-learning behandelt prompt chaining als onderdeel van een complete werkwijze met herhaalbare workflows en controlepunten. Een concreet startpunt om vandaag mee te beginnen: neem een taak die je deze week toch al moet uitvoeren en die je normaal in één prompt zou doen. Splits hem op in drie stappen, voer elke stap apart uit en vergelijk de output. Dat ene experiment maakt het verschil tussen prompt chaining als concept en als werkbare techniek in je eigen werk. LearnLLM is opgezet om professionals precies dat soort herhaalbare AI-werkwijzen te leren, in plaats van losse trucs die snel weer verdwijnen.
