Prompt chaining: bouw een controleerbare AI-workflow (2026)

Prompt chaining maakt van een complexe AI-opdracht een reeks kleine, controleerbare stappen. Gebruik het als je tussenuitvoer wilt inspecteren, vaste validatie nodig hebt of vóór een risicovolle actie bewust wilt stoppen.

Wat een prompt chain wel en niet is

In een echte keten wordt de uitvoer van de ene modelaanroep de gecontroleerde invoer van de volgende. Alleen meerdere vragen in hetzelfde lange gesprek stellen is nog geen betrouwbare workflow, omdat grenzen, versies en foutpaden dan vaak onduidelijk blijven.

Anthropic schrijft in de actuele prompting best practices dat moderne modellen veel meerstapswerk intern aankunnen. Expliciete chaining blijft volgens die documentatie nuttig wanneer je tussenresultaten moet inspecteren of een specifieke pijplijn wilt afdwingen. Google beschrijft in de prompt design strategies hetzelfde basispatroon: de uitvoer van een prompt wordt invoer voor de volgende.

Wil je deze keten daarna herhaalbaar uitvoeren, gebruik dan de aparte gids over AI-workflows automatiseren voor triggers, validatie, goedkeuring en foutafhandeling.

Een praktisch voorbeeld

Stel dat je van ruwe interviewnotities een publiceerbaar artikel wilt maken. Een veilige keten kan bestaan uit:

feiten en open vragen uit de notities halen;
claims aan bronpassages koppelen;
een opzet maken;
een concept schrijven;
het concept tegen redactionele criteria controleren;
pas na menselijke goedkeuring publiceren.

De stap "publiceren" hoort niet automatisch in dezelfde modelketen. Een concept maken is omkeerbaar, maar publiceren is extern zichtbaar.

Stappenplan: ontwerp een betrouwbare keten

Stap 1: definieer het eindresultaat

Leg doel, eigenaar, kwaliteitscriteria en verboden acties vast. Gebruik de aanpak uit prompt engineering om eerst meetbaar te maken wat een goed resultaat is.

Stap 2: splits op bij echte controlegrenzen

Maak een nieuwe stap wanneer:

een andere bron of bevoegdheid nodig is;
je een tussenresultaat wilt bewaren of beoordelen;
een andere set acceptatiecriteria geldt;
een externe of moeilijk terug te draaien actie volgt;
een fout een veilige stop moet veroorzaken.

Stap 3: geef iedere stap een contract

Beschrijf per stap:

Doel: welke taak deze stap uitvoert
Invoer: toegestane velden en bronnen
Uitvoer: vaste velden en gegevenstypen
Validatie: inhoudelijke en technische controles
Stopconditie: wanneer de keten niet verder mag

OpenAI adviseert in de prompt engineering-documentatie om instructies, voorbeelden en context duidelijk te structureren. Houd dynamische invoer apart van vaste procesregels.

Stap 4: maak uitvoer machineleesbaar waar dat helpt

Bij automatisering kan een schema voorkomen dat een vervolgstap onverwachte velden krijgt. Structured Outputs van OpenAI kunnen een opgegeven JSON-schema afdwingen, maar de documentatie waarschuwt impliciet voor een belangrijk onderscheid: een geldige structuur is nog geen juiste inhoud.

Controleer daarom ook:

of verplichte bron-ID's echt bestaan;
of bedragen en datums binnen geldige grenzen vallen;
of citaten letterlijk uit de bron komen;
of de gekozen actie is toegestaan;
of zekerheid laag genoeg is om te stoppen.

Stap 5: voeg een aparte beoordelingsstap toe

Een sterk patroon is concept, beoordeling en revisie. Geef de beoordelingsstap de originele criteria en brongegevens, niet alleen het concept.

Vergelijk het concept met de bron en acceptatiecriteria.
Geef per afwijking:
- criterium;
- vindplaats;
- ernst;
- concrete correctie.
Schrijf het artikel nog niet opnieuw.

Stap 6: ontwerp foutpaden en retries

Een lege of ongeldige uitvoer mag niet stil naar de volgende stap. Log de fout, bewaar de invoer en stop na een begrensd aantal nieuwe pogingen. Laat een mens beslissen als de oorzaak inhoudelijk is.

Stap 7: plaats goedkeuring vóór impactvolle acties

Laat verzending, publicatie, betaling, verwijdering en wijziging van externe systemen pas plaatsvinden na expliciete goedkeuring. Gebruik daarnaast de richtlijnen voor veilig werken met AI.

Stap 8: test de hele keten

Test normale gevallen, ontbrekende bronnen, tegenstrijdige gegevens, ongeldige uitvoer en een geweigerde goedkeuring. Voor implementatiehulp kun je verder met code schrijven met ChatGPT.

De dienstbeschrijving AI-automatisering noemt inventarisatie, ontwerp, bouw en testen, oplevering en ondersteuning als onderdelen van het traject.

Wat je per stap logt

Bewaar minimaal de promptversie, invoerreferenties, gevalideerde uitvoer, foutstatus en menselijke beslissing. Log geen wachtwoorden, API-sleutels of onnodige persoonsgegevens.

Een log helpt je aantonen waar een fout ontstond. Zonder die informatie lijkt een onjuist eindresultaat al snel op een probleem van de laatste stap, terwijl de verkeerde aanname eerder in de keten kan zijn ingevoerd.

Veelgemaakte fouten

Een monoloog in stukken knippen zonder contracten. Iedere stap heeft duidelijke invoer, uitvoer en stopcondities nodig.
Alleen JSON-validatie gebruiken. Een correct schema kan nog steeds onjuiste feiten bevatten.
Onbetrouwbare uitvoer automatisch doorsturen. Valideer eerst bron, volledigheid en bedrijfsregels.
Geen foutpad ontwerpen. Een keten moet veilig kunnen stoppen.
Externe acties zonder goedkeuring uitvoeren. Plaats een menselijk controlepunt vóór impactvolle handelingen.
Onbegrensd opnieuw proberen. Beperk retries en onderzoek structurele fouten.
Gevoelige gegevens volledig loggen. Bewaar alleen wat nodig en toegestaan is.

Veelgestelde vragen

Wat is prompt chaining?

Prompt chaining is het opsplitsen van één complexe taak in opeenvolgende modelaanroepen. Iedere stap heeft een afgebakende invoer en uitvoer, waarna die uitvoer gecontroleerd of als invoer voor de volgende stap gebruikt wordt.

Wanneer is prompt chaining beter dan één grote prompt?

Gebruik chaining wanneer je tussenresultaten wilt inspecteren, verschillende controles nodig hebt, een vaste procesvolgorde moet afdwingen of na een fout veilig wilt stoppen. Voor een korte, eenvoudige taak is één duidelijke prompt vaak genoeg.

Hoeveel stappen moet een prompt chain hebben?

Gebruik zo weinig stappen als nodig om duidelijke controlepunten te maken. Splits op bij een andere verantwoordelijkheid, bron, beoordelingsregel of externe handeling, niet alleen om de keten langer te maken.

Hoe voorkom je dat een fout door de hele keten loopt?

Valideer de uitvoer van iedere stap tegen een schema en inhoudelijke criteria. Stop bij ontbrekende velden, ongeldige bronnen of lage zekerheid en stuur de fout niet automatisch door.

Kun je prompt chaining zonder code gebruiken?

Ja. Je kunt de stappen handmatig in afzonderlijke chats of berichten uitvoeren en ieder resultaat controleren. Voor herhaalbare automatisering heb je meestal code of een workflowtool met logging en validatie nodig.

Is een JSON-schema genoeg om de inhoud betrouwbaar te maken?

Nee. Een schema kan vorm en gegevenstypen afdwingen, maar bewijst niet dat waarden of conclusies inhoudelijk kloppen. Voeg daarom broncontrole, bedrijfsregels en menselijke goedkeuring toe waar de impact dat vraagt.

Waar hoort menselijke goedkeuring in de keten?

Plaats goedkeuring vóór externe, financiële, juridische, privacygevoelige of moeilijk terug te draaien acties. Laat het model een concept voorbereiden, maar voer de actie pas uit nadat een bevoegde persoon de invoer en gevolgen heeft gecontroleerd.