Du kennst das: Du fragst die KI, irgendwas Kompliziertes zu machen. Und sie liefert entweder nur die Hälfte – oder schweift komplett ab.
Das Problem? Du packst zu viel in einen einzigen Prompt.
Hier kommt Prompt Chaining ins Spiel. Statt einen Monster-Prompt zu schreiben, der alles auf einmal machen soll, teilst du die Aufgabe in Schritte auf. Jeder Prompt baut auf dem Output des vorherigen auf.
Denk ans Kochen: Du schmeißt ja auch nicht alle Zutaten gleichzeitig in den Topf und hoffst das Beste. Du folgst einem Rezept. Schritt für Schritt.
Was Prompt Chaining eigentlich ist
Komplexe Aufgaben in eine Reihe einfacherer Prompts aufteilen. Jeder Schritt nimmt den Output des vorherigen als Input.
Statt:
- Einen Riesen-Prompt, der alles auf einmal fordert
- Zu hoffen, dass die KI sich auf halber Strecke nicht verzettelt
Bekommst du:
- Klare, fokussierte Prompts für jeden Schritt
- Bessere Qualität, weil die KI sich auf eine Sache konzentriert
- Die Möglichkeit, zwischen Schritten zu korrigieren
Beispiel: Einen Businessplan zu schreiben ist ja nicht EINE Aufgabe. Das ist Marktrecherche, dann Konkurrenzanalyse, dann Finanzprognosen, dann alles zusammensetzen. Jeder Schritt braucht den Output des vorherigen. Das ist Prompt Chaining.
Simples Beispiel: 2-Step Content Chain
Fangen wir einfach an. Du willst aus einer Blog-Idee einen fertigen Artikel machen.
Schritt 1: Gliederung
Ich will einen Blog-Post über „Wie Remote Work die mentale Gesundheit beeinflusst" schreiben.
Erstell eine detaillierte Gliederung:
- 5-7 Hauptabschnitte
- 2-3 Unterpunkte pro Abschnitt
- Geschätzte Wortanzahl pro Abschnitt
- Die wichtigsten Punkte, die rein müssen
Zielgruppe: Remote-Arbeiter, 25-40 Jahre
Ton: Unterstützend und praktisch
Länge: 1.500 Wörter insgesamt
Warum das funktioniert: Die KI konzentriert sich nur auf die Struktur. Sie muss nicht gleichzeitig schreiben und organisieren.
Schritt 2: Den Artikel schreiben
Mit dieser Gliederung:
[Gliederung aus Schritt 1 einfügen]
Schreib den kompletten Blog-Post. Halte dich an die Struktur und die Wortanzahl. Lockerer Ton, konkrete Beispiele, jeder Abschnitt endet mit einem praktischen Takeaway.
Warum das funktioniert: Jetzt hat die KI eine Roadmap. Sie muss nicht gleichzeitig Struktur-Entscheidungen treffen UND schreiben. Der Output ist deutlich kohärenter.
Du hast gerade eine 2-Step Chain gebaut: Gliederung → Artikel. Jeder Prompt hat einen klaren Job.
Komplexes Beispiel: 5-Step Research Workflow
Hier wird Chaining richtig mächtig. Sagen wir, du überlegst, in einen neuen Markt einzusteigen.
Schritt 1: Infos sammeln
Ich überlege, ein Projektmanagement-Tool für Remote-Design-Teams zu bauen.
Recherchiere und fass zusammen:
1. Aktuelle Marktgröße und Wachstumsrate
2. Top 5 Konkurrenten und deren Preise
3. Die häufigsten Beschwerden von Design-Teams in Reviews
4. Aufkommende Trends in dem Bereich
Formatiere als Bullet Points mit Quellen wo möglich.
Schritt 2: Konkurrenzanalyse
Basierend auf dieser Marktrecherche:
[Schritt 1 Output einfügen]
Erstell eine Vergleichstabelle der Top 5 Konkurrenten:
- Kern-Features
- Preis-Stufen
- Zielkunden-Größe
- Unique Selling Points
- Schwächen
Dann identifiziere 3 Bereiche, wo Konkurrenten den Markt unterversorgen.
Schritt 3: Feature-Priorisierung
Gegeben diese Markt-Opportunities:
[3 Opportunities aus Schritt 2]
Und diese Konkurrenz-Schwächen:
[Schwächen aus Schritt 2]
Schlag 8-10 Features für ein MVP vor, die:
- Die identifizierten Lücken adressieren
- In 3-4 Monaten machbar sind
- Klare Differenzierung schaffen
Ranke sie nach Impact vs. Aufwand.
Schritt 4: Preisstrategie
Basierend auf diesen Konkurrenz-Preisen:
[Pricing aus Schritt 2]
Und unseren vorgeschlagenen Features:
[Schritt 3 Output]
Empfiehl eine Preisstrategie:
- 3 Preis-Stufen mit Feature-Breakdown
- Preispunkte für jede Stufe
- Begründung basierend auf Konkurrenz-Positionierung
- Erwartete Conversion-Raten pro Stufe
Schritt 5: Go/No-Go Zusammenfassung
Fass alle bisherigen Analysen zusammen:
Marktrecherche: [Schritt 1]
Konkurrenz-Lücken: [Opportunities aus Schritt 2]
Vorgeschlagene Features: [Top 5 aus Schritt 3]
Preisstrategie: [Schritt 4]
Erstell eine Executive Summary (max. 300 Wörter):
- Klare Empfehlung (Go/No-Go/Pivot)
- Top 3 Gründe für die Empfehlung
- Größtes Risiko und wie man es mitigiert
- Nächste konkrete Schritte falls Go
Du hast die KI gerade durch eine komplette strategische Analyse geführt. Jeder Schritt baut auf dem letzten auf. Und du hättest jederzeit korrigieren können, wenn was komisch aussah.
Warum das besser ist als ein einzelner Prompt: Frag mal „Sollte ich ein PM-Tool für Designer bauen?" in einem Shot. Du kriegst generisches Blabla. Diese Chain gibt dir: Recherche → Analyse → Strategie → Entscheidung mit Belegen.
Wann Chaining, wann einzelner Prompt?
Einzelner Prompt reicht wenn:
- Die Aufgabe straightforward ist („Schreib eine Produktbeschreibung")
- Du nur einen Output-Typ brauchst („Liste 10 Blog-Ideen")
- Es keine logische Reihenfolge gibt
- Speed wichtiger ist als Tiefe
Prompt Chaining wenn:
- Die Aufgabe natürliche Stufen hat (Recherche → Analyse → Aktion)
- Du den Output vor dem nächsten Schritt checken willst
- Qualität wichtiger ist als Speed
- Du was Komplexes baust (Reports, Strategien, Content-Serien)
Schneller Test: Wenn du dir selbst „erst X, dann Y, dann Z" in einem Prompt sagst – brauchst du wahrscheinlich Chaining.
Kosten: Das sagt dir keiner
Prompt Chaining kostet mehr API-Calls. Wenn du Claude, GPT-4 oder andere APIs bezahlst, können Chains teuer werden.
Beispiel-Rechnung:
Einzelner Mega-Prompt:
- 1 API-Call
- ~3.000 Token Input + ~1.500 Token Output
- Kosten: ~0,15€ (GPT-4)
5-Step Chain:
- 5 API-Calls
- ~4.000 Input + ~3.000 Output (kumulativ)
- Kosten: ~0,35€
Die Rechnung ändert sich bei Scale: Eine Analyse? Kein Ding. 100 pro Tag? Das sind 20€/Tag vs. 35€/Tag. Im Monat: 600€ vs. 1.050€.
Kostenoptimierung:
- Kleinere Modelle für einfache Schritte – GPT-3.5 oder Claude Haiku für Gliederungen, GPT-4 nur fürs Finale
- Vor dem Weitermachen validieren – Nicht alle 5 Schritte durchlaufen, wenn Schritt 1 Murks ist
- Batchen wo möglich – Mehrere Items in einem Schritt statt separate Chains
- Wissen, wann NICHT zu chainen – Manchmal ist ein guter einzelner Prompt eben doch besser
Ehrlich: Chaining ist mächtig, aber nicht umsonst. Budget entsprechend.
Tools für Prompt Chaining
Manuell (kostenlos)
Copy-Paste zwischen Prompts in ChatGPT, Claude oder wo auch immer. Für Einzelaufgaben völlig okay.
Pro: Null Kosten, maximale Flexibilität Contra: Nervig bei regelmäßigen Workflows
LangChain (für Entwickler)
Python/JavaScript Framework für programmatische KI-Chains.
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
# Schritt 1: Gliederung
outline_chain = LLMChain(
llm=llm,
prompt=PromptTemplate(
input_variables=["topic"],
template="Erstelle eine Gliederung für {topic}"
)
)
# Schritt 2: Artikel
content_chain = LLMChain(
llm=llm,
prompt=PromptTemplate(
input_variables=["outline"],
template="Schreibe einen Artikel basierend auf: {outline}"
)
)
outline = outline_chain.run(topic="KI Workflows")
article = content_chain.run(outline=outline)
Pro: Automatisiere wiederholte Chains, integriere mit Apps Contra: Braucht Coding-Wissen
No-Code Optionen
Make.com / Zapier: KI-APIs mit anderen Tools verbinden. Form-Submission → Claude analysiert → sendet E-Mail → speichert in Airtable.
Relevance AI / Dust.tt: Visuelle Workflow-Builder speziell für KI-Chains.
Meine Empfehlung: Fang manuell an. Wenn du dieselbe Chain 10+ Mal laufen lässt, automatisier sie.
5 fertige Workflow-Templates
Kopier die und pass sie an.
Template 1: Content Repurposing
Ein Blog-Post → mehrere Content-Stücke
Schritt 1: Kernpunkte extrahieren
„Aus diesem Artikel: [einfügen]
Extrahiere die 7 wertvollsten Insights als eigenständige Punkte."
Schritt 2: Twitter-Thread
„Mit diesen Insights: [Schritt 1]
Schreib einen 10-Tweet Thread. Hook am Anfang, CTA am Ende."
Schritt 3: LinkedIn-Post
„Mit diesen Insights: [Schritt 1]
Schreib einen LinkedIn-Post (max. 1.300 Zeichen). Professioneller Ton."
Schritt 4: Video-Scripts
„Mit diesen Insights: [Schritt 1]
Schreib 3 Scripts für 60-Sekunden-Videos. Hook, Hauptpunkt, CTA."
Template 2: E-Mail-Kampagne
Komplette Sequenz für einen Launch
Schritt 1: Strategie
„Ich launche [Produkt] für [Zielgruppe].
Erstell eine Kampagnen-Strategie: Wie viele E-Mails, Timing, Kernbotschaft pro Mail, CTA pro Mail."
Schritt 2: E-Mail 1 (Awareness)
„Mit dieser Strategie: [Schritt 1]
Schreib Mail 1. Stell das Problem vor. Locker, max. 150 Wörter."
Schritt 3: E-Mail 2 (Consideration)
„Aufbauend auf Mail 1: [Schritt 2]
Schreib Mail 2. Zeig wie [Produkt] funktioniert. Mit Kunden-Erfolgsgeschichte."
Schritt 4: E-Mail 3 (Conversion)
„Basierend auf Mails 1-2: [einfügen]
Schreib die finale Mail. Angebot, Dringlichkeit, klarer CTA."
Template 3: Meeting zu Action Items
Chaotische Notizen → klare Deliverables
Schritt 1: Strukturieren
„Rohe Meeting-Notizen: [einfügen]
Organisiere in: Entscheidungen, Action Items (Wer, Was, Wann), Offene Fragen, Follow-up nötig."
Schritt 2: Task-Breakdown
„Aus diesen Action Items: [Schritt 1]
Für jedes Item: 3-5 Subtasks, geschätzte Zeit, Dependencies."
Schritt 3: Follow-Up-Mail
„Basierend auf dieser Zusammenfassung: [Schritt 1]
Schreib eine Follow-Up-Mail an alle Teilnehmer: Recap, Action Items mit Ownern, nächstes Meeting."
Template 4: Produkt-Research Sprint
Idee schnell validieren
Schritt 1: Markt-Scan
„Produkt: [beschreiben]. Zielmarkt: [beschreiben].
Finde: 5 direkte Konkurrenten, 5 angrenzende Produkte, gemeinsame Features, Preis-Ranges."
Schritt 2: Pain Points
„Basierend auf diesen Konkurrenten: [Schritt 1]
Was kritisieren User in Reviews? Top 5 wiederkehrende Beschwerden."
Schritt 3: Feature-Gaps
„Gegeben diese Pain Points: [Schritt 2] und Konkurrenz-Features: [Schritt 1]
Welche Features fordern User, die KEIN Konkurrent bietet? 5 Opportunities."
Schritt 4: MVP-Scope
„Aus diesen Opportunities: [Schritt 3]
Definier ein MVP (3 Monate): Top 2 Pain Points adressieren, 1 Unique Feature, klare Differenzierung."
Template 5: Technische Dokumentation
Code oder System dokumentieren
Schritt 1: Überblick
„Codebase: [beschreiben]
README-Style Überblick: Was es tut, Tech Stack, Haupt-Komponenten, wie sie zusammenspielen."
Schritt 2: Setup-Guide
„Basierend auf diesem Stack: [Schritt 1]
Step-by-Step Installation: Prerequisites, Commands, Config, Verifikation."
Schritt 3: Usage-Beispiele
„Für diese Komponenten: [Schritt 1]
3 typische Anwendungsfälle mit Code-Snippets."
Schritt 4: Troubleshooting
„Gegeben dieses System: [Schritt 1]
5 häufige Fehler, Ursachen und Lösungen."
Die häufigsten Fehler
Fehler 1: Kontext zwischen Schritten verlieren
Problem: Spätere Prompts vergessen wichtige Details. Warum: Du pastest nur den letzten Output, nicht den vollen Kontext. Fix: Relevanten Kontext von ALLEN vorherigen Schritten mitgeben.
Fehler 2: Zu viele Mini-Schritte
Problem: 15 winzige Schritte statt 5 sinnvolle. Fix: Jeder Schritt sollte ein echtes Deliverable produzieren. Wenn ein Schritt nur Formatierung ist, kombinier ihn mit dem vorherigen.
Fehler 3: Nicht zwischen Schritten validieren
Problem: Schritt 1 produziert Murks, aber du laufst weiter. Bei Schritt 5 ist alles unbrauchbar. Fix: Lies jeden Output bevor du weiter machst. Wenn Schritt 2 komisch aussieht – fix es bevor du weitermachst.
Fehler 4: Prompt-Qualität lässt nach
Problem: Schritt 1 ist super detailliert, Schritt 4 nur noch „Schreib jetzt das Fazit". Fix: Gleiche Detailtiefe über die gesamte Chain. Die KI weiß nicht automatisch, was du meinst.
Fehler 5: Einfache Aufgaben über-chainen
Problem: 6-Step Chain für was ein guter Prompt auch gekonnt hätte. Test: Versuch erst den einzelnen Prompt. Wenn er 80% der Zeit funktioniert, brauchst du keine Chain.
Fehler 6: Templates nicht wiederverwenden
Problem: Du baust dieselbe Chain jedes Mal manuell neu. Fix: Speicher funktionierende Chains als Templates mit [Platzhaltern] für variable Teile.
Dein Aktionsplan
Wenn du neu beim Chaining bist:
- Start mit der 2-Step Content Chain (Gliederung → Artikel)
- Lauf sie 3x mit verschiedenen Themen
- Beobachte, wie viel besser der Output im Vergleich zu Single Prompts ist
Wenn du schon etwas Erfahrung hast:
- Wähle eins der 5 Templates, das zu deiner Arbeit passt
- Passe es für ein echtes Projekt an
- Speicher die funktionierende Version
Die Hauptidee: Prompt Chaining macht nichts komplizierter. Es zerlegt Komplexität in handhabbare Schritte. Du würdest ja auch kein Haus an einem Tag bauen – und du solltest nicht erwarten, dass die KI alles in einem Prompt erledigt.
Fang simpel an. Iteriere. Speicher, was funktioniert.
Und jetzt: Go chain irgendwas.