Chaining workflows

Studiennotizen: Chaining Workflows

Definition und Konzept

• Chaining Workflow: Ein großer, komplexer Aufgabenblock wird in eine Reihe von vordefinierten, sequenziellen Schritten (Subtasks) zerlegt.
• Ziel: Die Aufteilung einer großen Aufgabe in einzelne, fokussierte Anfragen an die KI (z. B. Cloud).
• Vorteil gegenüber einem einzigen Prompt: Durch die Aufteilung kann die KI sich auf eine einzelne Aufgabe pro Schritt konzentrieren, was zu qualitativ besseren und konsistenteren Ergebnissen führt.

Anwendungsbeispiel 1: Social-Media-Marketing-Tool

• Ziel: Generierung und Veröffentlichung von Videos.
• Ablauf (Chaining):
• Eingabe des Themas durch den Benutzer.
• Suche nach Trendthemen (z. B. auf Twitter).
• KI wählt das interessanteste Thema aus.
• KI führt Web-Recherche zum Thema durch.
• KI schreibt ein Skript für ein Kurzvideo.
• KI erstellt das Video (mittels AI-Avatar und Text-to-Speech).
• Veröffentlichung in den sozialen Medien.

Anwendungsbeispiel 2: Iterative Verfeinerung (Constraints)

• Problem: Bei sehr langen Prompts mit vielen negativen Einschränkungen (z. B. "keine Emojis", "keine AI-Erwähnungen") neigt die KI dazu, diese Regeln zu ignorieren.
• Lösung (Chaining/Follow-up Request):
• Schritt 1 (Initial Prompt): Großer Prompt mit allen gewünschten Inhalten und Einschränkungen.
• Schritt 2 (Follow-up): Die KI liefert einen ersten, unzureichenden Text.
• Schritt 3 (Refinement): Ein Folge-Prompt wird mit dem generierten Text und spezifischen Anweisungen versehen (z. B. "Überarbeite diesen Text und entferne alle AI-Bezüge").
• Fazit: Chaining ermöglicht es, die KI in nachfolgenden Schritten auf die kritischsten Anforderungen zu fokussieren, selbst wenn der ursprüngliche Prompt fehlschlug.

Takeaways

• Chaining Workflow zerlegt komplexe Aufgaben in eine Reihe von vordefinierten, sequenziellen Schritten (Subtasks).
• Der Hauptvorteil ist die Fokussierung der KI auf eine einzelne Aufgabe pro Schritt, was zu qualitativ besseren und konsistenteren Ergebnissen führt.
• Chaining ermöglicht die iterative Verfeinerung von KI-Outputs durch Folge-Prompts (Follow-up Requests), um selbst ignorierte Einschränkungen (Constraints) durchzusetzen.