Dybdegående guide

Prompt chaining: del komplekse opgaver op

Opdel komplekse AI-opgaver i mindre trin, så research, analyse, beslutning og produktion kan kvalitetssikres separat.

7 min.Opdateret 24. juli 2026

Kort fortaltOpdel komplekse AI-opgaver i mindre trin, så research, analyse, beslutning og produktion kan kvalitetssikres separat.

Læs først

Brug indholdsfortegnelsen til venstre, hvis du allerede kender grundprincipperne og vil direkte til implementeringen.

Kort fortalt: Opdel komplekse AI-opgaver i mindre trin, så research, analyse, beslutning og produktion kan kvalitetssikres separat.

Denne guide er skrevet som en praktisk arbejdsmetode. Brug eksemplerne som udgangspunkt, men tilpas altid AI-brug til opgaven, datagrundlaget og den risiko der følger med et forkert svar.

Del komplekse opgaver i kæder

Prompt chaining betyder at output fra ét trin bliver input til det næste. Det gør det muligt at kontrollere analyse, research, struktur og produktion separat.

Definér kontrakten mellem trin

Hvert trin bør levere et stabilt format: f.eks. JSON-felter, en tabel eller en kontrolleret outline. Ellers forplanter små variationer sig gennem kæden.

Praktisk tommelfingerregel: Jo dyrere en fejl er, desto mere dokumentation, validering og menneskelig kontrol skal workflowet have.

Placer kvalitetskontrol tidligt

Det er billigere at fange et dårligt researchresultat før det bliver til en hel artikel. Tilføj checks efter de trin, hvor fejl bliver dyre senere.

Et konkret workflow

Saml det input og de kilder, der faktisk skal bruges.
Beskriv målet og kravene til et godt svar.
Lad AI analysere eller stille spørgsmål før den producerer det endelige resultat.
Kontrollér output mod input og eksterne kilder, hvor det er nødvendigt.
Gem en forbedret version af prompten, hvis opgaven skal gentages.

Begræns hvad hvert trin må gøre

Et researchtrin skal ikke også skrive marketingcopy. Smalle ansvar gør prompten lettere at teste og giver mere gennemskuelige fejl.

Log input og output

Ved automatisering bør du kunne se hvilken version af prompten der kørte, hvilket input den fik, og hvad den producerede. Det er afgørende ved fejlsøgning.

Praktisk eksempel

Et researchflow består af fire trin: find påstande der skal undersøges, hent kilder, lav en evidenstabel, og skriv først derefter syntesen. Hvert trin har et kontrolleret output. Hvis researchen fejler, stopper flowet før en overbevisende men forkert artikel bliver skrevet.

Arbejdsskabelon du kan bruge

Når du arbejder med prompt chaining, kan du bruge denne faste rækkefølge som kontrol: Definér først den konkrete beslutning eller leverance. Indsæt derefter det materiale, der må bruges som grundlag. Skriv hvilke oplysninger modellen ikke må gætte. Beskriv til sidst format og kvalitetskriterier, så outputtet kan vurderes uden at læse dine tanker.

Mål: Skriv i én sætning hvad arbejdet med prompt chaining skal ende med.
Kilder: Angiv hvilke dokumenter, data eller links der er authoritative.
Mangler: Bed modellen stille spørgsmål eller markere felter, den ikke kan dokumentere.
Output: Definér struktur, længde og hvad der skal være handlingsklart.
Kontrol: Beslut hvad du selv eller en fagperson verificerer før resultatet bruges.

Hvis opgaven gentages, så gem både promptversion og et lille sæt repræsentative inputs. På den måde kan du se om en ændring faktisk forbedrer kvaliteten, og du opdager hurtigere hvis en ny modelversion ændrer adfærden.

Typiske fejl

At sende fri prosa mellem automatiserede trin
At lade ét trin have for mange ansvar
At mangle logging af promptversion og input

Når en af de fejl opstår, er løsningen sjældent bare at gøre prompten længere. Find først hvilken information, regel eller kontrol der mangler. Ret derefter den konkrete del og test igen på samme type input.

Tjekliste før du bruger resultatet

Er alle væsentlige fakta dokumenteret eller verificeret?
Har modellen markeret antagelser og manglende information?
Matcher svaret den konkrete målgruppe og opgave?
Er formatet egnet til den kanal eller proces, hvor outputtet skal bruges?
Kræver opgaven faglig, juridisk, sikkerhedsmæssig eller anden menneskelig godkendelse?

Næste skridt

Vælg en konkret opgave fra PromptGuidens promptbibliotek og test metoden på dit eget materiale. Gem både input og output, så du kan se hvilke ændringer der faktisk forbedrer resultatet næste gang.

Fra princip til praktisk arbejdsgang

Den nemmeste måde at gøre emnet anvendeligt er at vælge én gentagen opgave og bygge en lille standard omkring den. Et eksempel er research → kildekontrol → outline → udkast → redaktion i separate trin. Start med et råt input, dokumentér hvilket resultat der tæller som godt, og gem derefter både prompt og reviewkriterier.

01Afgræns opgaven og risikoen ved et forkert svar.

02Saml kilder, eksempler og de data modellen må bruge.

03Få modellen til at analysere før den producerer.

04Kontrollér resultatet på et fast testsæt.

Det sidste punkt er vigtigt: Hvis du ikke kan forklare hvad der gør output A bedre end output B, kan du heller ikke systematisk forbedre workflowet.

Et niveau dybere

Del på naturlige kvalitetsporte. Hvert trin bør have et output du kan inspicere, gemme og genbruge i næste trin.

Når workflowet bliver vigtigt for et team, bør du desuden gemme versionsnummer, dato, eksempelinput og kendte fejl. Det behøver ikke være et stort evalueringssystem. Et simpelt ark med 10 repræsentative cases kan være nok til at opdage, at en ændring forbedrer én type opgave men forværrer en anden.

Hvad skal dokumenteres?

Hvilke input og kilder må bruges?
Hvilke dele af output skal verificeres manuelt?
Hvilke fejl er blocker, og hvilke kan rettes redaktionelt?
Hvem ejer den endelige beslutning eller publicering?
Hvornår skal prompten eller workflowet testes igen?

En fejl der ser uskyldig ud

Pas især på: At lave 12 mikroskridt hvor ingen giver et selvstændigt kontrolpunkt.

Den type fejl er farlig, fordi outputtet ofte stadig ser professionelt ud. Løsningen er at flytte kvalitet ind i selve processen: bedre input, tydeligere kontrolpunkter og færre antagelser. Bed gerne modellen markere hvad den ikke ved, men verificér kritiske forhold uden for modellen.

Mini-tjekliste til dit næste forsøg

Kan du beskrive målet i én konkret sætning?
Har modellen det datagrundlag, der faktisk er nødvendigt?
Er kilder og antagelser adskilt tydeligt?
Er outputformatet tilpasset den næste person eller det næste system?
Har du et eksempel på både godt og dårligt output?
Er der en menneskelig kontrol dér hvor fejl kan blive dyre?

Sådan implementerer du det i et team

Hvis prompt chaining: del komplekse opgaver op skal bruges af flere end én person, så begynd ikke med et stort promptbibliotek. Vælg én proces, udpeg en ejer og dokumentér et lille sæt gode og dårlige eksempler. Sæt derefter en enkel reviewrytme op: hvad virkede, hvilke fejl kom igen, og hvilke ændringer i prompt eller datagrundlag løste dem?

StandardDefinér input, output og godkendelsespunkt.

TestBrug samme repræsentative cases ved ændringer.

EjerskabÉn person ejer promptversion og dokumentation.

Hold produktfunktion og metode adskilt

AI-værktøjer ændrer modelnavne, menuer og funktioner hurtigt. Skriv derfor jeres interne arbejdsgang som principper: hvilke data bruges, hvordan kvalitet vurderes, og hvem godkender. Beskriv derefter produktets aktuelle knapper og features separat. Så bliver processen ikke forældet hver gang leverandøren flytter en funktion.

Mål værdi på det færdige arbejde

Undgå kun at måle “tid sparet”. Se også på fejlrate, antal efterrettelser, gennemløbstid og om output faktisk bliver brugt. En proces der er 30 procent hurtigere men kræver dobbelt så meget review, er ikke nødvendigvis en forbedring.

Når prompt chaining: del komplekse opgaver op skal fungere i hverdagen

Den største forskel mellem et godt AI-eksperiment og en god arbejdsgang er, at sidstnævnte også virker på en travl tirsdag med ufuldstændigt input. Derfor bør du designe processen omkring de fejl, der faktisk opstår: manglende kontekst, for brede opgaver, uklare godkendelsespunkter og svar der ser sikre ud uden at være dokumenterede.

InputDefinér minimumskrav

Beskriv hvilke oplysninger der altid skal være til stede, før AI må producere et færdigt resultat.

ReviewKontrollér det dyre først

Faktuelle fejl, juridiske påstande, tal og beslutninger bør kontrolleres før tone og formulering.

LæringGem fejlmønstre

Notér tilbagevendende fejl og brug dem som testcases næste gang workflowet ændres.

En lille kvalitetstest før du skalerer

Tag fem realistiske opgaver fra den seneste måned. Kør dem gennem den nye metode uden at “hjælpe” modellen undervejs. Vurder derefter resultatet på fire akser: korrekthed, relevans, mængden af manuel efterredigering og hvor let processen var at følge. Hvis kun de nemme cases fungerer, er workflowet ikke klar til at blive standard.

Det er også her, du opdager om problemet overhovedet skal løses med en bedre prompt. Nogle opgaver kræver bedre kildedata, en integration, en fast skabelon eller et menneskeligt beslutningspunkt. Prompting er kun ét lag i en større arbejdsproces.

FAQ5 spørgsmål

Ofte stillede spørgsmål

Hvad er det vigtigste at vide om prompt chaining?

Prompt chaining betyder at output fra ét trin bliver input til det næste. Det gør det muligt at kontrollere analyse, research, struktur og produktion separat.

Kan metoden bruges i både ChatGPT, Claude og Gemini?

Ja, de grundlæggende principper om mål, kontekst, input, kvalitetskrav og kontrol gælder på tværs af moderne AI-assistenter. De konkrete funktioner og grænser varierer mellem værktøjerne.

Hvordan undgår jeg at AI opfinder oplysninger?

Giv relevante kilder, bed modellen markere mangler og antagelser, og verificér vigtige fakta uden for modellen. En god prompt reducerer risikoen, men fjerner den ikke.

Hvordan øver jeg mig bedst på dette i praksis?

Vælg én konkret opgave du allerede udfører, gem 5-10 realistiske eksempler, og sammenlign output efter faste kriterier. Det giver hurtigere læring end at teste tilfældige prompts.

Skal jeg bruge samme metode i alle AI-værktøjer?

Grundprincipperne om mål, kontekst, kilder, output og kontrol kan genbruges. Produktfunktioner, modeladfærd og tilgængelige værktøjer varierer, så workflowet bør altid testes i det konkrete produkt.