Entfesseln Sie die KI-Leistung mit Chain of Thought Prompting

Lisa Ernst · 27.01.2026 · Künstliche Intelligenz · 9 min

Etwas Lustiges passiert, wenn Sie einem KI-Prompt einen kurzen Satz hinzufügen.Not a new model. Not a fine-tune. Not a plugin. Just a tiny nudge: Lasst uns Schritt für Schritt denken.

Plötzlich wird ein großes Sprachmodell, das zuversichtlich falsch lag, … überraschend zuverlässig.This is the essence of Chain-of-Thought (CoT) prompting: eine Technik, die LLMs dazu anregt, ein Problem in Zwischenschritte zu zerlegen, anstatt direkt die endgültige Antwort zu geben.Der Effekt wurde 2022 von Google-Forschern populär gemacht, die zeigten, dass „Argumentationsspuren“ eine neu auftauchende Fähigkeit in ausreichend großen Modellen freisetzen können. Wenn Sie die kanonische Referenz suchen, beginnen Sie mit dem PaperChain-of-Thought Prompting Elicits Reasoning in Large Language Models und Googles begleitendem ForschungsbeitragLanguage Models Perform Reasoning via Chain-of-Thought.

Quelle: Eigene Illustration

Kurze Zusammenfassung (die „Lesen Sie das in 30 Sekunden“-Version)

• Was es ist: CoT prompting bittet das Modell, Zwischenschritte zu durchlaufen, bevor es eine Antwort gibt.
• Wo es glänzt: Matheaufgaben, Logik, mehrschrittige Planung und Aufgaben mit versteckten Abhängigkeiten.
• Zero-shot Trick: Das Hinzufügen von „Lasst uns Schritt für Schritt denken“ kann die Ergebnisse massiv steigern, ohne Beispiele(Kojima et al., 2022).
• Few-shot Power: Das Anzeigen von 3–10 gelösten Beispielen (mit Argumentation) kann die Leistung weiter steigern(Wei et al., 2022).
• Großes Aber: Eine „argumentationsähnliche“ Erklärung kann trotzdem falsch sein. Behandeln Sie CoT als Werkzeug, nicht als Wahrheitsmaschine.

Notiz: CoT ist am besten als „strukturierte Denkgerüst“ für ein Modell zu sehen — nicht als Fenster in die tatsächliche interne Berechnung des Modells.

Aufschlüsselung der Komplexität: Was CoT wirklich tut

Klassisches Prompting erzeugt oft Antworten, die schnell, fließend — und manchmal fragil sind.CoT ändert das Standardverhalten: Es zwingt das Modell, Zwischenschritte zu generieren, die die Frage mit der Antwort verbinden.

Das ursprüngliche CoT-Paper demonstrierte auf arithmetischen, gesunden Menschenverstand- und symbolischen Argumentationsaufgaben verblüffende Gewinne, darunter ein Headline-Ergebnis: ein540B-Parameter-Modell erreichte eine hochmoderne Genauigkeit bei GSM8K, indem es nur acht CoT-Exemplare in den Prompt verwendete(Wei et al., 2022). Das ist wichtig, weil es zeigt, wie weit Sie mit Prompting allein kommen können, ohne die Modellgewichte zu ändern.

Quelle: Illustratives Bild

CoT wurde 2022 formalisiert und schnell zu einem Eckpfeiler der Prompt-Engineering-Forschung.

CoT in einem Satz

Anstatt „Beantworte das“ sagst du „Denke dich dorthin vor.“

Was CoT nicht ist

• Keine Garantie für Korrektheit. Modelle können überzeugende Argumentationen produzieren, die trotzdem falsch sind.
• Nicht die „wahren Gedanken“ des Modells. Der Text ist ein Ausgabeartefakt — er kann nachträgliche Rationalisierung sein.
• Nicht immer hilfreich. Für kreatives Schreiben, einfache Q&A- oder Retrieval-Aufgaben kann CoT Rauschen und Kosten hinzufügen.

Zero-Shot CoT: Die kleinste Prompt-Änderung mit dem größten Nutzen

Im Jahr 2022 zeigten Kojima und Kollegen, dass LLMs zu „angemessenen Zero-Shot-Denkern“ werden können, indem sie ein einfaches Cue wieLarge Language Models are Zero-Shot Reasoners(Large Language Models are Zero-Shot Reasoners). Auf MultiArith sprang die Genauigkeit von 17,7 % auf 78,7 % — mit demselben Modell und ohne Beispiele, nur diese Anweisung.

You are a careful problem solver.

Question: A juggler can juggle 16 balls. Half are golf balls, and half of those are blue. How many blue golf balls are there?

Let’s think step by step, then give the final answer.

Quelle: Illustratives Bild

Zero-shot CoT kann die mehrstufige Argumentation dramatisch verbessern, ohne Beispiele anzugeben.

Wann Zero-Shot CoT ein großartiger Standard ist

• Mathematische Aufgaben und Umrechnungen
• Logikrätsel mit mehreren Einschränkungen
• Planungsaufgaben („erstellen Sie eine Checkliste“, „entwerfen Sie einen Workflow“, „brechen Sie das in Schritte auf“)
• Debugging und Ursachenanalyse

Wann es normalerweise übertrieben ist

• Einfache Faktenabrufe (verwenden Sie Retrieval/RAG stattdessen)
• Stilistische Umschreibungen
• Kurze kreative Aufgaben, bei denen „Prozess“ zu Verbosity wird

Few-Shot CoT: Ein lehren durch Beispiele

Few-shot CoT ist die „Zeigen, nicht sagen“-Version: Sie geben eine Handvoll Beispiel-Q→Argumentation→A-Paare an.Das Modell lernt nicht nur das Antwortformat — es lernt ein Muster der Zerlegung. Dies ist der Ansatz, der im ursprünglichen CoT-Paper hervorgehoben wird(Wei et al., 2022).

Eine praktische Mini-Vorlage (Kopieren/Einfügen)

Example 1
Q: If a store discount is 20% on $50, what is the final price?
Reasoning: 20% of 50 is 10. Subtract 10 from 50.
A: $40

Example 2
Q: A recipe needs 300g flour for 12 cookies. How much for 30 cookies?
Reasoning: 30 is 2.5 times 12. Multiply 300g by 2.5.
A: 750g

Now solve:
Q: [YOUR QUESTION]
Reasoning:
A:

Der Trick ist nicht, den Prompt mit Beispielen zu überfluten — sondern Beispiele auszuwählen, die der „Form“ Ihrer eigentlichen Aufgabe entsprechen: dieselbe Art von Einschränkungen, derselbe Stil von Zwischenschritten, derselbe Schwierigkeitsgrad.

CoT Varianten, die wirklich wichtig sind

CoT wuchs zu einer Familie von Techniken heran. Hier sind die, die es wert sind, bekannt zu sein — nicht als Buzzwords, sondern als praktische Hebel:

• Selbstkonsistenz — Proben Sie mehrere Argumentationspfade und wählen Sie die konsistenteste Endantwort aus. Verbessert oft die Zuverlässigkeit auf Argumentations-Benchmarks(Wang et al., 2022).
• Least-to-Most — Zerlegen Sie ein schwieriges Problem in einfachere Teilprobleme, lösen Sie diese sequenziell und verwenden Sie frühere Antworten. Großartig für „leicht-zu-schwer“-Generalisierung(Zhou et al., 2022).
• Auto-CoT — Generiert automatisch CoT-Demonstrationen anstelle von handgeschriebenen. Nützlich, wenn Sie Skalierbarkeit wünschen, müssen aber auf verrauschte Ketten achten(Zhang et al., 2022).
• Tree of Thoughts (ToT) — Erforschen Sie mehrere Argumentationszweige, bewerten und gehen Sie zurück. Hilfreich für Suchaufgaben (Rätsel, Planung, kreative Einschränkungen)(Yao et al., 2023).
• ReAct — Interlaced Reasoning mit Tool-Nutzung („Act“), wodurch Halluzinationen reduziert werden, indem externe Informationen überprüft werden. Besonders relevant für Agent-Systeme(Yao et al., 2022, Google Research blog).
• Chain of Draft (CoD) — Ähnliches Ziel wie CoT, zwingt aber extrem prägnante Zwischenhinweise, um Token-Kosten/Latenz zu reduzieren(Xu et al., 2025).

Quelle: Illustratives Bild

Viele „Argumentations“-Prompt-Methoden basieren auf derselben Idee: strukturierte Zwischenschritte verbessern die Ergebnisse — aber nur, wenn Sie die Ergebnisse validieren.

The Prompt Cookbook: 3 CoT Prompts, die ich tatsächlich verwende

Hier sind drei Prompt-Muster, die konstant besser abschneiden als „einfach antworten“-Prompts — ohne sich in Textwände zu verwandeln.Denken Sie daran als Rezepte, nicht als starre Vorlagen.

1) „Argumentiere dann antworte“ (allgemeine Problemlösung)

You are a precise assistant.

Task: Solve the problem carefully.
- Work through the steps.
- Then give a short final answer.

Problem:
[PASTE PROBLEM HERE]

2) „Zerlege zuerst“ (Planung + Workflows)

You are an operations-minded planner.

Goal: [YOUR GOAL]

Step 1: List the subproblems / unknowns (bullet points).
Step 2: Solve each subproblem in order.
Step 3: Produce a final checklist (max 12 items) with clear ownership and success criteria.

3) „Debugge wie ein Ingenieur“ (Code + Ursachenanalyse)

You are a senior engineer.

Input:
- Error message:
[PASTE ERROR]
- Context:
[WHAT YOU CHANGED / WHAT YOU EXPECTED]
- Code snippet:
[PASTE CODE]

Process:
1) Identify 3 likely root causes (ranked).
2) For each cause, list a quick verification step.
3) Provide the most likely fix with a minimal patch suggestion.

Beachten Sie, was fehlt: Ich bitte nicht um „Erklärungen“. Ich zwinge eine Struktur.Das ist der Hauptunterschied zwischen CoT als Gimmick und CoT als Ingenieurswerkzeug.

Vorteile und reale Fallstricke

CoT kann wirklich transformativ sein — aber es erzeugt auch eine Falle: Es kann vertrauenswürdiger wirken, als es ist.Eine fließende Schritt-für-Schritt-Geschichte kann eine falsche Annahme frühzeitig verschleiern.

Eine einfache Sicherheitsmaßnahme

Wenn Sie mit sensiblen Daten arbeiten, bitten Sie das Modell nicht, „jeden Schritt zu zeigen“.Bitten Sie stattdessen um eine kurze Begründung und halten Sie die Ausgabe minimal: „Geben Sie die Antwort und eine kurze Begründung (2–4 Sätze) an.“

Über CoT hinaus: Wann Sie mehr als nur eine lineare Kette benötigen

CoT ist linear: Schritt 1 → Schritt 2 → Schritt 3. Aber einige Probleme sind nicht linear.Sie sind Suchprobleme: Sie erkunden, gehen zurück, testen, wählen. Hier verdienen sich Ansätze wie Tree of Thoughts und ReAct ihren Ruf.

• Wenn die Aufgabe wie „mehrere Optionen erkunden und die beste auswählen“ aussieht, sollten SieTree of Thoughts.
• Wenn die Aufgabe eine externe Überprüfung (Web, Datenbank, Tools) benötigt, sollten SieReAct.
• Wenn das Problem schwieriger ist als Ihre Beispiele, sollten SieLeast-to-Most.

Fazit

Chain-of-Thought prompting ist eine Erinnerung daran, dass moderne KI nicht nur von größeren Modellen abhängt — sondern auch von besseren Schnittstellen.Eine kleine Anweisung kann einen anderen Rechenmodus auslösen und die Ergebnisse messbar verbessern. But CoT ist keine Magie: Es ist ein Gerüst. Es hilft Modellen, zu argumentieren, und es hilft Menschen, diese Argumentation zu inspizieren und zu steuern. Die besten Ergebnisse erzielt man durch die Kombination von CoT mit Validierungsroutinen: Unittests für Code, Rechner für Mathematik und externe Quellen für Fakten.

Wenn Sie sich eines erinnern: CoT ist am stärksten, wenn Sie eine Struktur erzwingen und das Ergebnis validieren.

Häufig gestellte Fragen