Agentic DesignMuster und Werkzeuge für produktive KI-Agenten

Loading...

🔗

Sequentielle Verkettung

Eine grundlegende Prompt-Engineering-Technik, die komplexe Aufgaben in kleinere, miteinander verbundene Prompts zerlegt, bei denen jede Ausgabe als Eingabe für den nächsten Schritt dient, und so eine strukturierte Argumentationspipeline schafft, die die Leistung von LLMs bei mehrstufigen Problemen deutlich verbessert

Komplexität: lowPrompt-Chaining

In 30 seconds

What: Zerlegt eine Aufgabe in geordnete Prompts, von denen jeder die Ausgabe des vorherigen als Eingabe für den nächsten Schritt übernimmt.
When to use: Mehrstufige Arbeiten, bei denen Zwischenergebnisse geprüft oder verfeinert werden müssen, bevor es in die nächste Phase geht.
Watch out: Fehler summieren sich flussabwärts; ein früher Fehltritt pflanzt sich ungeprüft durch alle folgenden Schritte fort.

Video Explanation

Loading video explanation...

Loading technique guide…

Patterns

Loading...

Loading Agentic Design…

Agentic DesignMuster und Werkzeuge für produktive KI-Agenten

Expertenhilfe Preise

Entwurfsmuster und Techniken

Loading...

🔗

Sequentielle Verkettung

Komplexität: lowPrompt-Chaining

In 30 seconds

What: Zerlegt eine Aufgabe in geordnete Prompts, von denen jeder die Ausgabe des vorherigen als Eingabe für den nächsten Schritt übernimmt.
When to use: Mehrstufige Arbeiten, bei denen Zwischenergebnisse geprüft oder verfeinert werden müssen, bevor es in die nächste Phase geht.
Watch out: Fehler summieren sich flussabwärts; ein früher Fehltritt pflanzt sich ungeprüft durch alle folgenden Schritte fort.

Video Explanation

Loading video explanation...

30-Sekunden-Überblick

Muster: Komplexe Aufgaben in eine lineare Pipeline fokussierter Schritte zerlegen

Warum: Reduziert die kognitive Last des Modells, isoliert Fehler, ermöglicht Werkzeugintegration und Schritt-Caching

Kernerkenntnis: Output[N] → Input[N+1] mit strukturierten Daten (JSON), jeder Schritt cachefähig

Schnelle Umsetzung

1Zerlegen:Aufgabe in fokussierte Stufen aufteilen

2I/O definieren:JSON-Schemata für jede Stufe

3Verketten:Output[N] → Input[N+1]

4Validieren:Assertions und Retries bei jedem Schritt

5Überwachen:Latenz, Kosten und Fehler protokollieren

Example: analyze_doc → extract_data → validate → transform → summarize

Do’s und Don’ts

✅Zwischen den Stufen JSON-/strukturierte Ausgaben verwenden

✅Deterministische Stufenausgaben cachen (enorme Kostenersparnis)

✅Cache-Keys aus Input-Hash + Prompt-Version bilden

✅Circuit Breaker und Retries umsetzen

✅TTL für gecachte Schritte nach Aktualitätsbedarf setzen

❌Weitschweifige Prosa zwischen den Stufen weiterreichen

❌Nichtdeterministische oder zeitkritische Schritte cachen

❌Cache-Invalidierung bei Prompt-Änderungen auslassen

❌Teilausgaben und Verweigerungen ignorieren

❌Fehler ungeprüft kaskadieren lassen

Wann einsetzen

Einsetzen, wenn

• Mehrstufige Workflows (3+ Stufen)
• Komplexe Reasoning-Aufgaben
• Bedarf an Fehlerisolierung
• Unterschiedliche Modelle je Stufe

Vermeiden, wenn

• Einfache einstufige Aufgaben
• Echtzeit- / Low-Latency-Anforderungen
• Eng gekoppelte Logik
• Begrenztes API-Budget

Kennzahlen

Erfolgsquote

Abschluss je Stufe und E2E

Latenz

P50/P95 je Stufe

Kosten

Σ(tokens × model_rate)

Fehlerbehebung

% behandelter Fehler

Cache-Trefferquote

% wiederverwendeter Berechnungen

Kosteneinsparungen

$ Ersparnis durch Caching

Wichtigste Anwendungsfälle

Dokumentanalyse: parse → extract → analyze → summarize (Parsing cachen)

Content-Erstellung: research → outline → draft → edit (Recherche cachen)

Datenpipeline: validate → transform → enrich → aggregate (Transformationen cachen)

Entscheidungsfluss: gather → evaluate → score → recommend (Sammeln cachen)

Berichterstellung: fetch → process → format → deliver (alles außer Auslieferung cachen)

Pattern Relationships

Discover how Sequential Chaining relates to other patterns

Prerequisites, next steps, and learning progression

Prerequisites

No prerequisites needed - great for beginners!

Next Steps

(5)

⚡

Parallel Chaining

mediumprompt chaining

Execute multiple chains concurrently for speed and multi-perspective analysis

💡 Natural next step to add concurrency to your linear chains

🗺️

Map-Reduce

mediumparallelization

Parallel processing followed by aggregation - perfect evolution of sequential chains

💡 Scale your sequential logic to handle parallel data streams

📡

Scatter-Gather

mediumparallelization

Distribute sequential steps across multiple agents and gather results

💡 Transform linear chains into parallel distribution patterns

🍴

Fork-Join

mediumparallelization

Fork sequential tasks into parallel subtasks and join when complete

💡 Add sophisticated parallel execution with synchronization points

🕸️

Stateful Graph Workflows

very-highworkflow orchestration

DAG-based workflows with complex branching logic

💡 Advanced evolution for complex non-linear workflows

Alternatives

(2)

🔗

Chain-of-Thought

lowreasoning techniques

Single-prompt step-by-step reasoning without explicit chaining

💡 Simpler approach when you don't need separate API calls for each step

🎭

ReAct (Reasoning + Acting)

mediumtool use

Interleaves reasoning and action steps with tool use

💡 Better when you need dynamic tool usage throughout the workflow

Industry Applications

Financial Services

Multi-stage analysis and decision-making workflows using sequential chains

📊Multi-Criteria Decision Making

⚖️LLM-as-Judge

Content & Knowledge

Sequential processing for document analysis and knowledge extraction

📚Advanced RAG

🗂️Hierarchical Planning

Software Development

Code analysis and generation workflows

💻Code Execution

🔧SWE-Bench Suite

Referenzen und weiterführende Literatur

Vertiefen Sie Ihr Verständnis mit diesen ausgewählten Ressourcen

Wissenschaftliche Arbeiten

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (Wei et al., 2022)

Self-Consistency Improves Chain of Thought Reasoning (Wang et al., 2022)

Least-to-Most Prompting Enables Complex Reasoning (Zhou et al., 2022)

A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications (2024)

Implementierungsleitfäden

LangChain-Dokumentation zu Sequential Chains

Strukturierte Ausgaben und Prompt Engineering bei OpenAI

Anthropic-Claude-Leitfaden zum Verketten komplexer Prompts

LangChain Expression Language (LCEL) - modernes Chaining

Tools und Bibliotheken

Haystack-Pipeline-Komponenten

LangGraph - zustandsbehaftete Multi-Actor-Anwendungen

Community und Diskussionen

LangChain Discord Community

OpenAI Developer Forum - Prompt Engineering

Anthropic Discord - Claude-Entwickler

Prompt Engineering Guide - Chaining-Techniken

Loading technique guide…

Patterns

Entwurfsmuster und Techniken

Loading...

30-Sekunden-Überblick

Muster: Komplexe Aufgaben in eine lineare Pipeline fokussierter Schritte zerlegen

Warum: Reduziert die kognitive Last des Modells, isoliert Fehler, ermöglicht Werkzeugintegration und Schritt-Caching

Kernerkenntnis: Output[N] → Input[N+1] mit strukturierten Daten (JSON), jeder Schritt cachefähig

Schnelle Umsetzung

1Zerlegen:Aufgabe in fokussierte Stufen aufteilen

2I/O definieren:JSON-Schemata für jede Stufe

3Verketten:Output[N] → Input[N+1]

4Validieren:Assertions und Retries bei jedem Schritt

5Überwachen:Latenz, Kosten und Fehler protokollieren

Example: analyze_doc → extract_data → validate → transform → summarize

Do’s und Don’ts

✅Zwischen den Stufen JSON-/strukturierte Ausgaben verwenden

✅Deterministische Stufenausgaben cachen (enorme Kostenersparnis)

✅Cache-Keys aus Input-Hash + Prompt-Version bilden

✅Circuit Breaker und Retries umsetzen

✅TTL für gecachte Schritte nach Aktualitätsbedarf setzen

❌Weitschweifige Prosa zwischen den Stufen weiterreichen

❌Nichtdeterministische oder zeitkritische Schritte cachen

❌Cache-Invalidierung bei Prompt-Änderungen auslassen

❌Teilausgaben und Verweigerungen ignorieren

❌Fehler ungeprüft kaskadieren lassen

Wann einsetzen

Einsetzen, wenn

• Mehrstufige Workflows (3+ Stufen)
• Komplexe Reasoning-Aufgaben
• Bedarf an Fehlerisolierung
• Unterschiedliche Modelle je Stufe

Vermeiden, wenn

• Einfache einstufige Aufgaben
• Echtzeit- / Low-Latency-Anforderungen
• Eng gekoppelte Logik
• Begrenztes API-Budget

Kennzahlen

Erfolgsquote

Abschluss je Stufe und E2E

Latenz

P50/P95 je Stufe

Kosten

Σ(tokens × model_rate)

Fehlerbehebung

% behandelter Fehler

Cache-Trefferquote

% wiederverwendeter Berechnungen

Kosteneinsparungen

$ Ersparnis durch Caching

Wichtigste Anwendungsfälle

Dokumentanalyse: parse → extract → analyze → summarize (Parsing cachen)

Content-Erstellung: research → outline → draft → edit (Recherche cachen)

Datenpipeline: validate → transform → enrich → aggregate (Transformationen cachen)

Entscheidungsfluss: gather → evaluate → score → recommend (Sammeln cachen)

Berichterstellung: fetch → process → format → deliver (alles außer Auslieferung cachen)

Pattern Relationships

Discover how Sequential Chaining relates to other patterns

Prerequisites, next steps, and learning progression

Prerequisites

No prerequisites needed - great for beginners!

Next Steps

(5)

⚡

Parallel Chaining

mediumprompt chaining

Execute multiple chains concurrently for speed and multi-perspective analysis

💡 Natural next step to add concurrency to your linear chains

🗺️

Map-Reduce

mediumparallelization

Parallel processing followed by aggregation - perfect evolution of sequential chains

💡 Scale your sequential logic to handle parallel data streams

📡

Scatter-Gather

mediumparallelization

Distribute sequential steps across multiple agents and gather results

💡 Transform linear chains into parallel distribution patterns

🍴

Fork-Join

mediumparallelization

Fork sequential tasks into parallel subtasks and join when complete

💡 Add sophisticated parallel execution with synchronization points

🕸️

Stateful Graph Workflows

very-highworkflow orchestration

DAG-based workflows with complex branching logic

💡 Advanced evolution for complex non-linear workflows

Alternatives

(2)

🔗

Chain-of-Thought

lowreasoning techniques

Single-prompt step-by-step reasoning without explicit chaining

💡 Simpler approach when you don't need separate API calls for each step

🎭

ReAct (Reasoning + Acting)

mediumtool use

Interleaves reasoning and action steps with tool use

💡 Better when you need dynamic tool usage throughout the workflow

Industry Applications

Financial Services

Multi-stage analysis and decision-making workflows using sequential chains

📊Multi-Criteria Decision Making

⚖️LLM-as-Judge

Content & Knowledge

Sequential processing for document analysis and knowledge extraction

📚Advanced RAG

🗂️Hierarchical Planning

Software Development

Code analysis and generation workflows

💻Code Execution

🔧SWE-Bench Suite

Referenzen und weiterführende Literatur

Vertiefen Sie Ihr Verständnis mit diesen ausgewählten Ressourcen

Wissenschaftliche Arbeiten

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (Wei et al., 2022)

Self-Consistency Improves Chain of Thought Reasoning (Wang et al., 2022)

Least-to-Most Prompting Enables Complex Reasoning (Zhou et al., 2022)

A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications (2024)

Implementierungsleitfäden

LangChain-Dokumentation zu Sequential Chains

Strukturierte Ausgaben und Prompt Engineering bei OpenAI

Anthropic-Claude-Leitfaden zum Verketten komplexer Prompts

LangChain Expression Language (LCEL) - modernes Chaining

Tools und Bibliotheken

Haystack-Pipeline-Komponenten

LangGraph - zustandsbehaftete Multi-Actor-Anwendungen

Community und Diskussionen

LangChain Discord Community

OpenAI Developer Forum - Prompt Engineering

Anthropic Discord - Claude-Entwickler

Prompt Engineering Guide - Chaining-Techniken

Sequentielle Verkettung - Agentic Design