Prompt chaining — Kæde af prompts til komplekse AI-workflows

Prompt chaining er teknikken at opdele en kompleks opgave i en sekvens af sammenkædede prompts, hvor output fra hvert trin bliver input til næste. Det er en af de mest effektive teknikker til at bygge pålidelige, testbare AI-workflows — og fundamentet for de fleste agentic SEO-pipelines.

Problemet prompt chaining løser

En enkelt, kompleks prompt har to grundlæggende begrænsninger:

For det første context window-udfordringen. En prompt der beder om at crawle 100 URLs, analysere indholdet, identificere gaps og skrive anbefalinger — alt i ét kald — vil enten overskride context window eller producere diffust output fordi modellen skal jonglere for mange opgaver.

For det andet kontroltabet. Du kan ikke validere mellemtrin. Hvis analysen i trin 3 bygger på fejlagtig kategorisering fra trin 1, opdager du det først i det endelige output.

Prompt chaining løser begge: hvert trin har klar fokus, og du kan validere — og korrigere — output mellemtrin.

En typisk SEO prompt chain

Her er et eksempel på en SEO-analyse-pipeline med fire trin:

Trin 1 — Kategorisering

Input: 200 søgeord
Prompt: Kategoriser disse søgeord efter søgeintention (informational/commercial/transactional/navigational).
Returner JSON med keyword og intention.
Output: JSON-array med 200 kategoriserede søgeord

Trin 2 — Prioritering

Input: JSON fra trin 1 + søgevolumen-data
Prompt: Identificer de 20 vigtigste søgeord baseret på intention og volumen for en B2B SaaS-virksomhed.
Output: Prioriteret liste med rationale

Trin 3 — Content gaps

Input: Prioriteret liste fra trin 2 + eksisterende sidestruktur
Prompt: Identificer hvilke søgeord der ikke er dækket af eksisterende indhold.
Output: Gap-liste med anbefalede nye sider

Trin 4 — Anbefalinger

Input: Gap-liste fra trin 3
Prompt: Skriv konkrete implementeringsanbefalinger for de 5 vigtigste gaps.
Output: Handlingsplan

Implementering i Python

import anthropic

client = anthropic.Anthropic()

def chain_step(prompt, context=""):
    messages = [{"role": "user", "content": f"{context}\n\n{prompt}" if context else prompt}]
    response = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=2048,
        messages=messages
    )
    return response.content[0].text

# Trin 1
output_1 = chain_step("Kategoriser disse søgeord efter intention: [liste]")

# Validering
if "informational" not in output_1:
    raise ValueError("Uventet output fra trin 1")

# Trin 2 — output_1 som kontekst
output_2 = chain_step(
    "Prioriter de 20 vigtigste søgeord for B2B SaaS.",
    context=f"Kategoriseret søgeordsliste:\n{output_1}"
)

Modelvalg per trin

En fordel ved prompt chaining er at bruge den rigtige model til hvert trin:

• Klassifikation og simple transformationer → Claude Haiku (hurtig, billig)
• Analyse og vurdering → Claude Sonnet (god balance)
• Kompleks strategisk output → Claude Opus eller Sonnet (bedst kvalitet)

Hybrid-pipelines reducerer omkostninger markant ved high-volume workflows.

---

Sidst opdateret: marts 2026. Denne artikel er en del af Stegger.dk’s SEO-ordbog.