Volt már olyan, hogy beírtál egy hosszú, részletes promptot az AI-nak, és a kimenet mégis középszeres lett? A válasz általában technikai kérdetlen volt: egy nagy prompt helyett öt kisebb, egymásra épülő promptra volt szükséged. Ez a prompt láncolás lényege.

A prompt láncolás az a technika, amikor egy összetett feladatot több, egymás után következő AI-hívásra bontasz fel, ahol minden lépés a megelőző kimenetére épít. Nem varázslat, inkább mérnöki gondolkodás: ugyanolyan logikus, mint egy algoritmus tervezése. Ha már ismered az alapvető haladó promptolási technikákat, itt az ideje a következő szintre lépni.

Ebben a cikkben végigmegyünk a hat legjobb láncolási technikán, három részletes valós példán, a deep research workflow-n, a hasznos eszközökön, és adunk konkrét prompt sablonokat, amelyeket azonnal kipróbálhatsz. Célunk nem az elmélet, hanem az, hogy holnaptól másképp dolgozz az AI-jal.

Mi a prompt láncolás, és miben más, mint egy nagy prompt?

Képzelj el egy tapasztalt tanácsadót, akit megkérsz, hogy egy nap alatt elemezze a céged, írja meg a stratégiát, tárgyaljon az ügyfelekkel és készítse el a prezentációt. Persze, "megteszi", de az eredmény felszínes lesz, mert az emberi agy sem tud mindent egyszerre mélyen feldolgozni.

Az AI hasonlóan működik. Ha egyetlen promptba zsúfolsz öt komplex feladatot, a modell mindegyiket elvégzi, de egyik sem a legjobb tudása szerint. A kontextusablak véges, a figyelem megoszlik, az összefüggések elvesznek.

A "mega-prompt" csapdája

A mega-prompt csábító: egy helyen van minden instrukció. Egy 2000 szavas utasítás-blokkot az AI feldolgoz, de a közepén lévő részletek szisztematikusan gyengébb figyelmet kapnak: ez az architektúra természetes következménye. Ráadásul közbülső ellenőrzési pontokat sem tudsz beépíteni: ha a 3. lépésnél rossz irányba ment az AI, csak a végén veszed észre.

Mikor éri meg láncolni?

Nem minden feladat igényel láncolást. Egy rövid email megírásához, egy gyors fordításhoz, egyszerű kérdések megválaszolásához nincs szükség több lépésre. A láncolás akkor hozza a legtöbbet, ha:

  • A feladat több, egymástól jól elkülöníthető fázisból áll (kutatás, elemzés, írás, ellenőrzés)
  • Az egyik lépés kimenetének minősége befolyásolja a következőt
  • Közbülső emberi jóváhagyásra van szükség (pl. irányvonal döntések)
  • Különböző "szerepkörök" kellenek az egyes fázisokban (kutató, kritikus, szövegíró)
  • A feladat 30 percnél több munkát jelent hagyományos módszerrel

A 6 alaptechnika láncoláshoz

Ezeket a technikákat nem kell egyszerre alkalmazni. Kezdd eggyel, és ahogy rutint szerzel, kombinálj. Ha az 50 ingyenes prompt sablon gyűjteményből már ismersz alapvető formátumokat, az alábbi technikák ezekre épülnek, de jóval erősebbek.

(a) Chain-of-Thought (CoT): gondolkodj lépésről lépésre

A CoT az egyik legkutatottabb technika. Ahelyett, hogy csak a végeredményt kéred, az AI-t arra utasítod, hogy minden gondolkodási lépést írjon le, mielőtt következtetést von le. Az eredmény: jobb logikai összefüggések, kevesebb "ugráló" következtetés, átláthatóbb gondolatmenet.

A CoT nemcsak szövegírásra jó: elemzésnél, üzleti döntéseknél is mérhető minőségjavulást hoz, mert a modell nem "kitalálja" a választ, hanem levezeti azt.

(b) Role chaining: minden lépésben más szerep

A role chaining lényege, hogy minden egyes láncszemnél más szerepkörbe helyezed az AI-t. Az első lépésben kutató, a másodikban ördög ügyvédje, a harmadikban szövegíró. Ez nem szimplán "játszd el, hogy" instrukció, hanem tudatos különválasztása az eltérő gondolkodásmódoknak.

A szerepváltás azért hatékony, mert minden szerepkör más "elfogultságokkal" közelíti meg a problémát. A kutató nem értékel, a kritikus nem alkot, a szövegíró nem elemez: mindhárom kell, csak egyszerre nem.

(c) Refine loop: első verzió, kritika, újraírás

A refine loop egy háromszoros iteráció: az AI létrehozza az első verziót, majd te (vagy maga az AI) meghatározza, mi a gyenge, végül elkészül a javított változat. Ezt a kört akár 3-4-szer is megismételheted, de a legtöbb esetben két körrel érhető el a minőségi ugrás.

A kritika legyen specifikus. "Ez nem jó" nem segít. "Az első bekezdés elveszíti az olvasó figyelmét, mert általánosságokkal kezd" konkrét iránymutatás a javításhoz.

(d) Self-critique: az AI kritizálja saját kimenetét

Ez az egyik leghatékonyabb, és legkevésbé használt technika. Az AI egy lépésben megírja a választ, a következőben pedig saját maga kritizálja azt egy előre megadott szempontrendszer alapján. A kritika-kimenettel visszamész az eredetihez, és kéred a javítást.

A self-critique szöveges tartalomnál különösen hasznos, mert az AI képes észrevenni saját sablonos fordulatait és gyenge érveit, ha explicit utasítást kap erre.

(e) Decompose-then-conquer: task bontás aldarabokra

Komplex feladatoknál az AI segít a feladatbontásban is. Először megkéred, hogy azonosítsa az összes szükséges részfeladatot, te jóváhagyod (vagy módosítod) a listát, majd minden részfeladatot külön-külön elvégeztetsz. Ez különösen hatásos projekttervezésnél, kutatásnál, összetett dokumentumok írásánál.

(f) Reflection: utólagos elemzés és tanulság

A reflection-lépés a lánc végén jön: az AI visszatekint az egész folyamatra, és megnevezi, mi ment jól, mi lett volna másképp érdemes csinálni, és milyen tanulságok vonhatók le a következő hasonló feladathoz. Ez egy meta-szintű lépés, de rendkívül hasznos, ha saját AI-munkamódszeredet akarod fejleszteni.

Konkrét lánc példák magyar nyelven

Az elméletnél többet ér egy jó példa. Az alábbi három lánc valós feladattípusokon mutatja be, hogyan néz ki a prompt láncolás a gyakorlatban. Az AI co-founder mega-prompt technikához képest ezek granulálisabban épülnek fel, és minden lépésben lehetőséget adnak az emberi beleavatkozásra.

1. Blogcikk lánc: ötlettől a kész szövegig

Ez a lánc hat lépésből áll, és egy közepes hosszúságú blogcikk megírásához körülbelül 45-60 percet vesz el emberi munkával (a generálási időn felül).

Lépés Feladat AI szerepe Emberi teendő
1. Ötlet Témaötlet, célközönség, fő üzenet meghatározása Brainstorming, alternatívák javaslata Döntés, irány kijelölése
2. Outline Struktúra, H2-H3 fejezetek, főbb pontok Logikus tagolás, szekvencia javaslata Jóváhagyás, sorrend módosítása
3. Első draft Teljes szöveg az outline alapján Szövegírás instrukciók szerint Gyors átolvasás, jelölések
4. Kritika Gyenge pontok azonosítása Self-critique a megadott szempontok alapján Prioritizálás: mit javítson?
5. Revízió A kritika alapján átírás Célzott javítás, nem teljes újraírás Végső szerkesztés
6. SEO check Kulcsszavak, meta leírás, alt szöveg SEO javaslatok, meta szöveg generálás Manuális implementáció

2. Üzleti elemzés lánc: problémától az ajánlásig

Egy üzleti kérdés elemzésekor a lánc négy fő fázisból áll. Az első lépésben megfogalmazod a problémát és az AI azonosítja az összes releváns szempontot. A másodikban az egyes szempontokat egyenként mélyíti el. A harmadikban szintetizálja az elemzést. A negyedikben konkrét, prioritizált ajánlásokat fogalmaz meg.

Ez a lánc megakadályozza, hogy az elemzés egyetlen nézőpontból induljon ki. Az első lépés szemponttérképe kényszert jelent: minden releváns dimenziót be kell vonni, nem csak a legnyilvánvalóbbakat.

3. Ügyfél email válasz lánc: kontextustól a kész szövegig

Egy összetett ügyfél email megválaszolása különösen igényli a láncolást, ha a válaszban érdekes, de kényes döntések vannak (pl. panasz kezelés, árdöntés, határidő módosítás). Az öt lépéses lánc:

  1. Kontextus összefoglalás: az AI az ügyfél emailjéből kivonja a főbb pontokat, igényeket, problémákat
  2. Szándék tisztázás: meghatározza, mi a válasz célja (megnyugtatás, tájékoztatás, visszautasítás, ajánlattétel)
  3. Struktúra javaslat: bekezdés-vázlatot ad, mi kerüljön az elejére, mi a végére
  4. Első verzió: teljes email szöveg a struktúra alapján
  5. Tone check: a hangnem ellenőrzése, érzelmi intelligencia szempontból

4. Versenytárs elemzés prompt lánccal

A versenytárs elemzés az egyik legalkalmasabb feladat prompt láncolásra: adatgyűjtés, értékelés, összehasonlítás, stratégiai következtetés jól elkülöníthető fázisok. Ha mindezt egyetlen promptba tömöd, az AI általánosságokba menekül. Ez a négy lépéses lánc feltételezi, hogy te gyűjtöd a nyers adatokat (weboldalak, árazás, tartalom, értékelések), az AI elemzi és szintetizálja azokat.

1. lépés: profilozás

"Az alábbi versenytársra vonatkozó adatokat nézd meg mint iparági elemző, akinek feladata kizárólag az objektív adatgyűjtés rendszerezése. Hozz létre egy strukturált profilt a következő kategóriákban: (a) termék/szolgáltatás hatókör, (b) célközönség és pozícionálás, (c) árazási modell, (d) marketing és tartalom megközelítés, (e) ügyfélélmény és értékelések. Ahol nincsen adatom, jelöld 'hiányzó adat'-ként. Adatok: [illeszd be a weboldal szövegeket, árazási oldalakat, értékeléseket]."

2. lépés: erősségek és gyengeségek

"Az előző lépésben elkészített profil alapján végezz SWOT elemzést kizárólag erről a versenytársról. A Strengths és Weaknesses alapuljanak tényeken, ne feltételezéseken. Ha valamiben nincs elegendő adatod, jelöld bizonytalannak. Az Opportunities és Threats az iparági kontextusból fakadó külső tényezők legyenek."

3. lépés: összehasonlítás a saját pozícióval

"Mostantól váltasz szerepet: te egy stratégiai tanácsadó vagy, aki a saját cégemnek dolgozik. Az összes elemzett versenytárs profil és SWOT alapján hasonlítsd össze a mi pozíciónkat és a versenytársakét. Keress: (a) területeket, ahol egyértelműen erősebbek nálunk, (b) területeket, ahol mi vagyunk jobbak, (c) lefedetlen piaci szegmenseket, amelyeket egyikünk sem céloz jól. Saját cégünk adatai: [illeszd be a saját pozíciónk leírását]."

4. lépés: stratégiai ajánlások

"Az összehasonlítás alapján adj 5 konkrét, prioritizált stratégiai ajánlást, amelyek javítják a versenypozíciónkat a következő 6 hónapban. Minden ajánlást értékelj megvalósítási nehézség (alacsony/közepes/magas) és várható hatás (alacsony/közepes/magas) szerint. Kezdd a magas hatású, alacsony nehézségű lépésekkel."

Ez a lánc 2-3 versenytárson végigfuttatva teljes piacelemzést ad. Az emberi munka főként adatgyűjtésből áll: a versenytársak weboldalaínak böngészéséből, az árazási oldalak és értékelések szövegbe másolásából.

Deep research workflow Claude-dal és ChatGPT-vel

A deep research a prompt láncolás egyik legértékesebb alkalmazása. Nem arról szól, hogy az AI egyszerűen összekeres néhány adatot, hanem egy strukturált kutatási folyamatról, ahol az emberi döntések és az AI-kapacitások egymást erősítik. Ez szorosan kapcsolódik ahhoz, amit a ChatGPT prompt láncolásnál alkalmazott pénzkeresési megközelítések kapcsán is tárgyalunk: a mélység adja az értéket, nem a gyorsaság.

A Claude "deep research" módja és a ChatGPT Deep Research

A Claude (Anthropic) és a ChatGPT (OpenAI) mindkét platformon elérhetővé tett egy kiterjedt webes kutatási funkciót. A Claude Projects funkciójával tartós kontextust tarthatsz fenn egy komplex kutatási projekt során, a ChatGPT Deep Research pedig keresési ágensként autonóm módon gyűjt össze forrásokat egy megadott kérdésre.

Ezek a funkciók hasznosak, de önmagukban nem elegendők. Az automatikus deep research lehetséges hibái: alacsony autoritású forrásokra támaszkodás, lényegtelen információk bevonása, összefüggések elvesztése a szintézis során. A kézi láncolással ezeket kontrollálod.

Kézi deep research lánc: 5 fázis

A kézi deep research workflow a következő öt fázisból áll, és mindegyik lépésben az AI más módon vesz részt:

  1. Kutatási kérdés pontosítása. Az AI segít a vague kérdésedből pontos kutatási kérdést formálni, megnevezi a kulcsfogalmakat, és azonosítja a lehetséges részterületeket.
  2. Forrás-azonosítás. Meghatározod a forrástípusokat (tudományos cikkek, iparági riportok, statisztikai adatbázisok, interjúk), az AI segít konkrét forrásokat javasolni és a keresési stratégiát megtervezni.
  3. Kivonatolás. Minden forrásból te gyűjtöd az adatokat, az AI strukturáltan vonja ki a releváns részeket egy megadott sablon szerint.
  4. Szintézis. Az AI összefoglalja a kivonatolt anyagot, azonosítja az ellentmondásokat, megkeresi a mintákat és felvázolja a fő következtetéseket.
  5. Fact-check körök. Minden konkrét állításhoz megjelöli az elsődleges forrást, és jelzi, hol van bizonytalanság vagy hiányzó adat.

Ez a workflow kétszer annyi időt vesz igénybe, mint egy autonóm AI kutatás, de az eredmény megbízhatóbb és jobban dokumentált.

Magyar példa: piackutatás egy hazai niche-ben

Tegyük fel, hogy egy hazai B2B szoftvercég piackutatást kér: mekkora a CRM-piac a 10-50 fős magyar vállalkozások körében, milyen szempontok alapján választanak, és melyek a főbb versenytársak. A deep research lánc így néz ki a gyakorlatban:

1. lépés: pontosítás

"Segíts pontosítani a kutatási kérdést. Az alapkérdés: milyen CRM-megoldásokat választanak a 10-50 fős magyar vállalkozások? Azonosíts legalább 6 részterületet, amelyet érdemes külön vizsgálni (pl. árkategóriák, integrációs igények, döntéshozók köre, értékesítési ciklus). Minden részterülethez javasolj 2-3 konkrét aladatgyűjtési kérdést is."

2. lépés: forrástérkép

"A meghatározott részterületek alapján javasolj forrástípusokat az egyes területekhez. Különböztesd meg: (a) nyilvánosan elérhető magyar adatbázisok és statisztikai forrásokat (KSH, NMHH, iparági szövetségek), (b) külföldi de releváns forrásokat (Gartner, G2, Capterra értékelések), (c) primer kutatási módszereket (kérdőív, telefonos interjú, LinkedIn felmérés). Minden forrástípusnál jelöld meg a várható adatminőséget és a megszerzés nehézségét."

3. lépés: kivonatolás forrásonként

Te gyűjtöd a forrásokat, és minden forráshoz külön promptot futtatsz:

"Az alábbi szöveg egy [forrás neve, típusa, dátuma] forrásból származik. Vond ki belőle az összes releváns adatot a következő kategóriákba: piaci méret és növekedési ráta, főbb szereplők, ügyfél döntési szempontok, árazási minták, technológiai trendek. Ha valamelyik kategóriára nincs adat ebben a forrásban, jelöld 'n/a'-val. Szöveg: [forrás szövege]."

4. lépés: szintézis és ellentmondás-feltárás

"Megadok neked 5 kivonatolást különböző forrásokból, ugyanarról a kérdésről. Szintetizáld az anyagot: (a) hol van konszenzus a források között, (b) hol vannak ellentmondások (és mi lehet az oka: más időszak, más mintavétel, különböző definíció), (c) milyen kérdések maradtak megválaszolatlanul. Minden állítást forrással jelölj. Kivonatok: [1-5. kivonat szövege]."

5. lépés: forrás-ellenőrzés és bizonytalanság-jelölés

"A szintézis alapján jelöld meg minden konkrét számadat és állítás megbízhatóságát háromfokú skálán: (1) több független, megbízható forrás alátámasztja, (2) egyetlen forrásból jön vagy ellentmondásos, (3) feltételezés vagy becslés. Az 1-es besorolású állításokat jelöld zölddel a szövegben, a 2-eseket narancsszínnel, a 3-asokat pirossal. Ha HTML-t nem tudsz használni, jelöld [M], [KE] vagy [B] rövidítéssel (megbízható, kérdéses, becslés)."

A végeredmény egy olyan piackutatási összefoglaló, ahol minden állítás mögött ott van a forrás, és vizuálisan jelölve van, mennyire megbízható: pontosan erre van szükség döntéshozói prezentációhoz.

Eszközök, amelyek segítenek a láncolásban

A prompt láncolást el tudod végezni bármelyik chat interfészen, de vannak eszközök, amelyek ezt strukturáltabbá, gyorsabbá és visszakövethetőbbé teszik.

Cursor és Claude Code: fejlesztői láncolás

A Cursor kódszerkesztő az egyik legjobb eszköz olyan láncoló munkamenetekhez, ahol a kimenet kód (vagy strukturált szöveg). Az "Agents" módban multi-step feladatokat adhatsz meg, és a Cursor körbejárja a szükséges fájlokat, elvégzi a módosításokat, ellenőrzi az eredményt. A Claude Code hasonló képességeket biztosít terminálból, és különösen hasznos, ha ismétlődő láncolási workflow-kat szeretnél automatizálni.

n8n AI nodes: automatizált láncolás

Az n8n nyílt forráskódú automatizálási eszköz AI-csomópontokat is tartalmaz, amelyekkel vizuálisan felépíthető egy prompt lánc. Az egyik csomópont generálja az első verziót, a következő kritizálja, a harmadik elküldi emailen. Különösen hatásos ismétlődő láncolási feladatoknál, ahol a folyamat fix, csak a bemenet változik hetente.

OpenWebUI: helyi prompt menedzsment

Ha lokálisan futtatott modellekkel dolgozol (Ollama, LM Studio), az OpenWebUI lehetővé teszi, hogy mentett prompt sablonokat hozz létre, és egy felületen kezeld a láncolási lépéseket. Adatvédelmi szempontból kényes feladatoknál (pl. ügyfélszenzitív adatok elemzése) ez különösen hasznos megoldás.

PromptLayer és LangSmith: prompt verziókövetés

Ha komolyan fejleszted a láncolási workflow-kat, szükséged lesz arra, hogy nyomon kövesd, melyik prompt-verzió melyik eredményt hozta. A PromptLayer és a LangSmith pontosan erre valók: logolják az összes AI-hívást, mérik a latenciát, és lehetővé teszik az A/B tesztelést prompt-szinten. Ezek proffesszionális eszközök, de ingyenes tervük van kisebb terhelésnél.

Konkrét prompt sablonok láncoláshoz

Az alábbi sablonokat közvetlenül másolhatod ChatGPT-be vagy Claude-ba. Minden sablon egy lánc egy meghatározott lépéséhez készült. Az összes elérhető sablon teljes gyűjteményéért nézd meg az ingyenes prompt sablon csomagot.

1. sablon: Chain-of-Thought elemzés

"Elemezd az alábbi üzleti problémát, de ne adj rögtön megoldást. Először írd le az összes releváns szempontot, amit figyelembe kell venni. Ezután minden szemponthoz adj egy rövid elemzést. Végül, a szempontok alapján, vond le a fő következtetéseket és adj 3 prioritizált ajánlást. Gondolkodj lépésről lépésre, és minden gondolkodási lépést tegyél láthatóvá. A probléma: [a te problémád]."

2. sablon: Role chaining bevezető lépés

"Az alábbi feladat első fázisában te egy senior kutatóként dolgozol, akinek feladata kizárólag az információgyűjtés és a tények azonosítása. NE értékelj, NE adj ajánlásokat, NE fogalmaz meg következtetéseket. Csak gyűjtsd össze és rendszerezd az összes releváns adatot az alábbi témáról: [téma]. Az összegyűjtött anyagot bullet point listában add meg, forrásonként csoportosítva."

3. sablon: Self-critique lépés

"Nézd meg az előző válaszodat kritikusan. Értékeld a következő szempontok alapján: (1) Mennyire konkrét? Vannak benne általánosságok, amelyeket ki lehetett volna fejteni? (2) Milyen hibás feltételezések vannak benne? (3) Milyen fontos nézőpontot hagyott ki? (4) Hol a leggyengébb az érvelés? Minden szempontnál adj konkrét idézetet az eredeti szövegből, és javasold, hogyan lehetne javítani."

4. sablon: Refine loop utasítás

"Az előző válasz kritikája alapján készítsd el a javított verziót. Konkrétan: [ide illeszd be a kritika legfontosabb 2-3 pontját]. A javítás során: ne írj teljesen újra, csak a gyenge részeket erősítsd meg. Az erős részeket hagyd meg. Az újraírt szövegben jelöld meg szögletes zárójelben, hol és mit változtattál, és miért."

5. sablon: Deep research szintézis lépés

"Az alábbiakban megadok neked [N] db kivonatolást különböző forrásokból, ugyanarról a témáról. A feladatod: (1) Azonosítsd az összes forrásban megjelenő konszenzust. (2) Jelöld meg az ellentmondásokat, ha valamelyik forrás mást állít. (3) Emeld ki azokat az állításokat, amelyek egyetlen forrásból jönnek, és ezért kétellyel kezelendők. (4) Szintetizáld a teljes anyagot egy koherens összefoglalóba, ahol minden állítás mögött ott van a forrás jelzése. Kivonatok: [kivonatok listája]."

Prompt láncok mentése és újrahasznosítása

A prompt láncolás igazi ereje nem az egyszeri felhasználásban van, hanem abban, hogy egy jó láncot újra és újra alkalmazni tudsz. Ehhez kell egy személyes prompt könyvtár.

Mit érdemes menteni?

Azokat a promptokat érdemes megmenteni, amelyek egy feladattípust oldanak meg, nem egyedi feladatot. "Írj nekem egy cikket a CRM-ről" egyedi kérés, nem mentendő. "Te egy B2B szövegíró vagy: írd meg az alábbi blogcikk fejezeteinek vázlatát, amelyből majd az egyes fejezeteket külön-külön dolgozzuk ki" egy lánc-sablon, amelyet bármilyen cikkre alkalmazni tudsz. Mentsd el azokat, amelyeket legalább kétszer használtál, a harmadik alkalomnál pedig már automatizálhatod.

Sablonosítás változókkal

A mentett sablonokban jelöld meg a változó részeket szögletes zárójelekkel vagy nagybetűs placeholderekkel. Egy jó sablon így néz ki:

"Te egy [IPARÁG] szakértője vagy, [CÉLKÖZÖNSÉG]-nak dolgozol. Az alábbi [TARTALOM TÍPUSA] szöveg first draft változatát olvasd el kritikusan. Értékeld a következő szempontok szerint: (1) megfelel-e a [CÉLKÖZÖNSÉG] tudásszintjének és kontextusának, (2) tartalmaz-e konkrét, [IPARÁG]-specifikus példákat, vagy általánosságokban marad, (3) van-e egyértelmű cselekvési felhívás a szöveg végén. Minden ponthoz adj konkrét idézetet a szövegből és javítási javaslatot. Szöveg: [SZÖVEG]."

Ebből a sablonból percek alatt csinálhatsz tartalomkritikai promptot bármelyik iparágra. A sablon az értékes, nem az egyszeri kitöltés.

Könyvtár felépítése csapatban

Ha csapatban dolgozol, a prompt könyvtár megosztása olyan befektetés, amelynek megtérülése azonnal látható. Az egyik csapattag által fejlesztett és tesztelt lánc mindenki számára elérhetővé válik. Egyszerű megoldás erre egy közös Notion adatbázis vagy Google Sheet, ahol minden sablonhoz rögzítve van: mire való, milyen modellnél tesztelték, és ki töltötte fel. A "tesztelve" jelölés megakadályozza, hogy valaki bizalmasan kezeljen egy nem valós lánc-sablont.

Verziókövetés és iteráció

Ha egy lánc-sablont módosítasz, mentsd el az előző verziót is. A leggyakoribb hiba az, hogy valaki "kisebb javítást" végez egy bevált sablonon, és utána hetekig nem jönnek ki jó eredmények, de már nem tudja visszaállítani az eredetit. Egy egyszerű dátum-alapú verziószámozás, mint "tartalomkritika-v1-2026-03" és "tartalomkritika-v2-2026-05", megakadályozza ezt, és lehetővé teszi az A/B összehasonlítást is.

Tipikus hibák, amelyeket kerülj el

A prompt láncolás nem nehéz, de vannak visszatérő csapdák, amelyekbe még tapasztalt felhasználók is beleesnek.

1. Túl rövid lánc: az egylépéses megközelítés

Sokan csak annyit csinálnak, hogy "kérd meg az AI-t, majd kérd meg, hogy javítsa." Ez technikailag lánc, de a lánc túl rövid. Két lépés ritkán elegendő. A komplex feladatoknál az igazi értéket a 4-7 lépéses láncok hozzák, ahol minden fázisban dedikált figyelem jut az adott részfeladatra.

2. Túl hosszú lánc: a mikromenedzsment csapdája

A másik véglet: amikor 15 apró lépésre bontod a feladatot, amelyek mindegyike 3 mondatot jelent. A lánc merev és lassú lesz. A hatékony láncolás 4-8 lépésben mozog. Ha több kell, valószínűleg különálló projektként kellene kezelni az alfázisokat.

3. Nincs közbülső validáció

Ha elvégzed a teljes láncot emberi beleavatkozás nélkül, és csak a végén nézed meg az eredményt, elveszíted a láncolás egyik legfőbb előnyét: a korai korrekciókat. Ha a 2. lépésnél rossz irányba ment az AI, és ezt csak a 7. lépésnél veszed észre, az összes közbülső munka elveszett.

4. Kontextus-vesztés a lépések között

Egy hosszabb munkafolyamatnál, ahol több különálló AI-hívás van, a modell nem "emlékszik" az előző lépésekre, ha azokat nem illeszted be az aktuális promptba. Minden lépésnél add meg a releváns kontextust: a feladat leírását, az előző lépés legfontosabb kimenetét, és a jelenlegi lépés konkrét célját.

5. Nincs human review a végén

A prompt láncolás, bármennyire is jó, nem helyettesíti a végső emberi ellenőrzést. Az AI-lánc kimenete minőségesebb lesz, mint egyetlen prompt kimenete, de még mindig tartalmazhat faktikus hibákat, félreértett kontextust vagy hangnem-problémákat. A 8 AI-készség listán a kritikus olvasás nem véletlenül szerepel, nézd meg a 2026-os AI készségek összefoglalóját is ezzel kapcsolatban. Mindig olvasd el a végeredményt emberi szemmel, mielőtt felhasználod.

Hogyan kezdj el: az első saját lánc 1 órában

Elmélet elég volt. Az alábbiakban egy konkrét, 60 perces terv következik, amellyel ma megcsinálhatod az első saját prompt láncodat.

0-10 perc: válassz feladatot

Ne kezd valami teljesen újjal. Válassz egy olyan feladatot, amelyet már megcsináltál AI-jal, de az eredmény közepes volt. Legyen ez egy blogcikk outline, egy elemzés, egy ügyfél email válasz, vagy bármi más, ahol érezted, hogy az AI nem hozta ki a maximumot.

10-20 perc: rajzold fel a lánc vázát

Egy papírra (vagy szövegszerkesztőben) írj fel 4-6 lépést. Minden lépésnél jelöld meg: mi a bemenet, mi a kimenet, milyen szerepkörben dolgozzon az AI, és hol van emberi döntési pont. Ez a terv nem kőbe vésett, de segít strukturáltan gondolkodni a folyamatról.

20-50 perc: hajtsd végre a láncot

Lépésről lépésre hajtsd végre a láncot. Minden lépésnél olvasd el a kimenetet, mielőtt továbblépnél. Ha valami nem jó, javítsd a promptot vagy adj pontosabb utasítást. Ne siess: a közbülső ellenőrzés a láncolás lényege.

50-60 perc: értékelés és dokumentáció

Hasonlítsd össze a végeredményt azzal, amit korábban egy nagy prompttal kaptál. Írd le, mi volt jobb, mi volt rosszabb, melyik lépés volt a legértékesebb. Ez az összefoglaló a te személyes prompt láncolási tudásbázisodat kezdi el felépíteni.

A következő feladatnál nem nulláról kezdesz: lesz egy dokumentált lánc, amelyet adaptálhatsz. Hetente 2-3 feladaton végigcsinálva egy hónap alatt olyan sablon-könyvtárat építesz, amely tartósan felgyorsítja az AI-munkádat.

Összefoglalás

A prompt láncolás módszertan, nem trükk. Az egyetlen nagy prompt helyett egymásra épülő lépésekre bontod a feladatot, minden lépésnél ellenőrzöd a kimenetet, és közbülső döntésekkel tartod jó irányban a folyamatot.

A hat alaptechnika (CoT, role chaining, refine loop, self-critique, decompose-then-conquer, reflection) különböző szituációkhoz való. Kezd a legegyszerűbbel, amelyik a te feladatodra illik, és bővítsd a repertoárt fokozatosan. A deep research workflow, az eszközök és a prompt sablonok arra valók, hogy ne kelljen mindent nulláról kitalálnod. Vedd el, ami hasznos, módosítsd a saját kontextusodra.

Ha még több haladó technikára vagy kíváncsi, nézd meg az átfogó haladó promptolási útmutatót, ahol a láncolás előkészítő technikáit is megtalálod.