B1 · Chaîne séquentielle

Principe

On découpe la tâche en étapes fixes. Chaque appel de modèle traite la sortie du précédent, et du code peut contrôler le résultat entre deux étapes avant de continuer. Le chemin est écrit à l’avance : seul le contenu de chaque étape est confié au modèle.

Le problème qu'il résout

Un prompt unique qui demande tout d’un coup donne des résultats inégaux et difficiles à corriger : on ne sait pas quelle partie a échoué.

Quand l'utiliser

• La tâche se décompose proprement en sous-tâches fixes : transformation de données en plusieurs passes, rédaction puis relecture puis mise en forme.
• On veut inspecter et tester chaque étape isolément. C’est aussi le meilleur point de départ : on déboguera la chaîne avant d’ajouter de la complexité.

Quand l'éviter

• Les étapes sont indépendantes et peuvent s’exécuter en même temps : préférer la parallélisation (B3).
• Il faut revenir en arrière ou choisir la suite selon ce que l’on découvre : préférer un graphe d’états (B6) ou la boucle agentique (C1).
• Un seul appel réussit déjà les quelques étapes : en rester à un LLM augmenté (A1).

Synonymes par éditeur

• Prompt chaining (Anthropic, AWS, A. Gulli)
• Sequential / pipeline / linear delegation (Microsoft)
• Sequential pipeline (« la chaîne de montage ») (Google ADK)
• Multi-agent sequential (Google Cloud)
• Sequential process (CrewAI)
• Deterministic chain (Databricks)

Patterns voisins

• B2 · Routage
• B3 · Parallélisation
• B6 · Graphe d’états sur mesure
• A3 · Sortie structurée

Sources

• Building effective agents — Anthropic (E. Schluntz, B. Zhang), 2024-12-19
• Developer’s guide to multi-agent patterns in ADK — Google Developers Blog (S. Saboo), 2025-12-16
• Agentless: Demystifying LLM-based Software Engineering Agents — C. Xia, Y. Deng, S. Dunn, L. Zhang, 2024