プロンプトチェーンプランナー

変数フロー検証とコードまたはJSON設定としてのエクスポート機能を備えた、マルチステップのプロンプトチェーンを設計します

~/prompt-chain

チェーン：

1Parse Query

In:{{user_query}} ← userOut:search_terms

⚠ "{{user_query}}" has no source (user input needed)

⚠ Output "{{search_terms}}" is not used by any later step

search_terms

▼

2Generate Answer

In:{{context}} ← user{{user_query}} ← userOut:answer

⚠ "{{context}}" has no source (user input needed)

⚠ "{{user_query}}" has no source (user input needed)

answer

▼

3Add Citations

In:{{answer}}{{context}} ← userOut:cited_answer

⚠ "{{context}}" has no source (user input needed)

✓ すべての変数が接続済み⚠ 5 warning(s)

[
  {
    "name": "Parse Query",
    "prompt": "Extract the key search terms from: {{user_query}}",
    "inputVars": [
      "user_query"
    ],
    "outputVar": "search_terms"
  },
  {
    "name": "Generate Answer",
    "prompt": "Using this context: {{context}}\n\nAnswer: {{user_query}}",
    "inputVars": [
      "context",
      "user_query"
    ],
    "outputVar": "answer"
  },
  {
    "name": "Add Citations",
    "prompt": "Add inline citations to this answer: {{answer}}\nSources: {{context}}",
    "inputVars": [
      "answer",
      "context"
    ],
    "outputVar": "cited_answer"
  }
]

プロンプトチェーンプランナーとは？

プロンプトチェーンプランナーは、マルチステップLLMパイプラインを設計するためのビジュアルエディターです。すべてを1つの巨大なプロンプトに詰め込む代わりに、複雑なタスクを一連の焦点を絞ったステップに分解し、各ステップの出力が次のステップの入力に渡されます。このアプローチ — プロンプトチェーニングとして知られています — は、信頼性、デバッグのしやすさ、出力品質を劇的に向上させます。

プロンプトチェーニングは、本番AIシステムが実際に動作する方法です。RAGパイプラインはクエリの解析、コンテキストの取得、回答の生成を別々のステップで行います。コードエージェントは計画、生成、レビュー、修正をループで実行します。カスタマーサポートボットは分類、ルーティング、応答、要約を行います。各ステップは、そのタスクに最適化された異なるモデルを使用できます。

このプランナーでは、プロンプトテンプレートを含むステップを定義し、ステップ間の変数フローが正しいかを検証し、欠落した接続をハイライトし、チェーン全体をJSON設定、Pythonコード、またはTypeScriptコードとしてエクスポートできます。URLでチェーンを共有可能 — アカウント不要です。

このツールの使い方

数ステップでプロンプトチェーンを設計できます：

プリセットチェーン（RAGパイプライン、要約＆翻訳、または分類＆ルーティング）から始めるか、ゼロからステップを追加します。
任意のステップの「編集」をクリックして、プロンプトテンプレート、出力変数名、オプションのモデル設定を構成します。
プロンプトテンプレートで{{variables}}を使用します。プランナーが入力変数を自動検出し、そのソースを検証します。
検証サマリーを確認します：緑はすべての変数にソースがあることを示し、警告はユーザー入力が必要な変数を示します。
矢印ボタンでステップを並べ替えます。再構成に応じて変数の接続が自動更新されます。
チェーンをJSON Config（プログラム利用用）、Pythonスケルトン、またはTypeScriptスケルトンとしてエクスポートします。URLで共有してコラボレーションに活用できます。

プロンプトチェーニングが優れている理由

単一のモノリシックなプロンプトは、タスクの複雑さが増すにつれて失敗します。プロンプトチェーニングは、複雑なタスクを管理可能なステップに分解することでこれを解決します：

品質の向上

各ステップが1つのタスクに集中するため、より信頼性の高い出力を生成します。カテゴリラベルのみを出力する分類器は、分類、コンテキスト取得、応答生成、フォーマッティングをすべて一度に行う単一プロンプトよりもはるかに信頼性が高くなります。

デバッグの容易さ

チェーン内で問題が発生した場合、各ステップの出力を独立して検査できます。分類が間違っていたのか？取得したコンテキストが不適切だったのか？生成がずれていたのか？単一プロンプトでは、中間推論の可視性がない不透明な1つの出力しか得られません。

モデルの最適化

異なるステップには異なる要件があります。分類は速度が必要で知能は不要 — 安価で高速なモデルを使用します。生成は品質が必要 — 能力の高いモデルを使用します。要約はその中間です。チェーニングにより、各ジョブに適切なモデルを使用し、コストと品質の両方を最適化できます。

条件分岐ロジック

チェーンには条件分岐を含められます。分類器が請求に関する問題を検出した場合は請求ハンドラーにルーティングし、技術的な問題であれば技術サポートハンドラーにルーティングします。このようなルーティングロジックは単一プロンプトではほぼ不可能ですが、チェーンでは自然に実現できます。

一般的なチェーンパターン

以下の実績のあるパターンがプリセットとして含まれています：

RAGパイプライン — ユーザークエリを検索語句に解析し、ベクトルデータベースから関連コンテキストを取得し、取得したコンテキストに基づいて回答を生成し、インライン引用を追加します。ナレッジベースアプリケーションで最も一般的なパターンです。
要約＆翻訳 — 生テキストからキーエンティティを抽出し、簡潔な要約を生成し、ターゲット言語に翻訳します。多言語コンテンツ処理パイプラインに適しています。
分類＆ルーティング — ユーザーの意図を分類し、関連コンテキストとともに適切なハンドラーにルーティングし、応答を生成し、ログサマリーを作成します。カスタマーサポートボットやヘルプデスクの自動化における標準パターンです。

よくある質問

変数の色は何を意味しますか？

緑の変数は前のステップの出力から来ています — 自動的に接続されています。灰色の変数に「← user」と表示されている場合、それ以前のステップが生成しないため、初期ユーザー入力として提供する必要があることを示します。赤のハイライト（検証時）は、接続の破損や変数名の欠落を示します。

循環依存関係を作成できますか？

プランナーは厳密なシーケンシャルフローを使用しています — 各ステップは前のステップの出力のみを参照でき、自身や後続のステップからは参照できません。これにより、設計上循環依存関係が防止されます。反復ループ（レビューと修正のサイクルなど）が必要な場合は、別個のリニアステップとしてモデル化してください。

エクスポートされたコードをどのように実装しますか？

PythonおよびTypeScriptのエクスポートでは、選択したプロバイダーのSDKで実装する必要があるcallLLM関数を含むスケルトンコードが生成されます。チェーンロジック（ステップ間の変数の受け渡し）は完全に実装されています。APIキーを追加し、callLLM関数を実装して実行するだけです。

プロンプトビルダーとの違いは何ですか？

プロンプトビルダーは変数を含む単一のテンプレートを作成します — 1つのプロンプト、1回のLLM呼び出しです。プロンプトチェーンプランナーは、各ステップが個別のLLM呼び出しであり、出力がステップ間を流れるマルチステップワークフローを設計します。個々のプロンプトにはビルダーを、パイプラインにはチェーンプランナーをご利用ください。

このチェーンの実行コストを見積もれますか？

はい — AIエージェントコスト計算ツールをご利用ください。ここでチェーンを設計し、各ステップのモデルとおおよそのトークン数をメモしてから、コスト計算ツールに入力してください。リトライやツール呼び出しのオーバーヘッド乗数を含む、1回あたりおよび月額のコストが表示されます。