Was ist Chain-of-Thought-Prompting? Wie KI Schritt für Schritt schlussfolgert

Was Chain-of-Thought-Prompting ist und wie KI Schritt für Schritt schlussfolgert, wird dann nützlich, wenn das Konzept mit einer echten Entscheidung verknüpft ist und nicht als weiteres KI-Schlagwort behandelt wird. Dieser Leitfaden von AI Tools Radar konzentriert sich auf die praktische Idee, relevante Abwägungen und die Fragen, die vor dem Einsatz eines Tools oder Workflows gestellt werden sollten.

Chain-of-Thought-Prompting ist eine KI-Technik, die ein Modell anweist, vor der endgültigen Antwort Zwischenschritte seiner Schlussfolgerung zu erzeugen. Der Ansatz verwandelt einen einzelnen Prompt in eine kurze Folge logischer Ableitungen. Er funktioniert bei großen wie kleinen Modellen, wenn die Aufgabe mehrere Schritte umfasst. Die Methode wurde 2022 in der Arbeit „Chain-of-Thought Prompting Elicits Reasoning in Large Language Models“ von Wei et al. eingeführt und ist seither bei Fragen zu Mathematik, Logik und Planung zum Standard geworden; auch The Verge berichtete über Fortschritte bei Google AI.

Die Technik erregte zunächst Aufmerksamkeit, weil direkte Antworten oft verborgene Rechenfehler enthielten. Indem Forschende das Modell zwangen, jeden Schritt aufzuschreiben, reduzierten sie diese Fehler in Benchmarks. Heute findet sich dasselbe Muster in Coding-Assistenten, Recherche-Tools und Systemen zur Entscheidungsunterstützung.

• Chain-of-Thought-Prompting lässt das Modell jeden Denkschritt vor der endgültigen Antwort zeigen. • Zero-Shot-Varianten ergänzen ohne Beispiele den Satz „Denke Schritt für Schritt“. • Few-Shot-Varianten liefern zwei oder drei ausgearbeitete Beispiele mit Schritten und Antworten. • Erweiterungen mit Tree of Thought erkunden mehrere Denkpfade und gehen bei Bedarf zurück. • Die Methode erhöht die Genauigkeit bei mehrstufigen Aufgaben, verursacht aber zusätzliche Tokenkosten und eine geringe Latenz.

Chain-of-Thought-Prompting fordert ein Modell auf, eine Folge expliziter Denkschritte zu erzeugen, bevor es zu einer Schlussfolgerung gelangt. Die endgültige Antwort erscheint weiterhin, doch der Weg dorthin ist nun sichtbar. Jeder Schritt wird in natürlicher Sprache formuliert, sodass Nutzende oder ein anderes System die Logik prüfen können. Die Technik funktioniert bei Text-, Code- und symbolischen Problemen, ohne die zugrunde liegenden Modellgewichte zu verändern.

Drei Merkmale bestimmen den Ansatz. Erstens muss die Schlussfolgerung ausgeschrieben werden, statt im Modell verborgen zu bleiben. Zweitens müssen die Schritte einer logischen, von Menschen überprüfbaren Reihenfolge folgen. Drittens enthält die letzte Zeile nur die endgültige Antwort, üblicherweise nach einer eindeutigen Markierung wie „Daher“ oder „Antwort“.

Der Prozess beginnt mit einer sorgfältig formulierten Anweisung, die sichtbare Denkschritte verlangt. Anschließend erzeugt das Modell einen kurzen Absatz, der das Problem in geordnete Teile zerlegt. Jeder Teil endet mit einem Zwischenergebnis, das den nächsten Schritt speist. Wenn der letzte Schritt abgeschlossen ist, formuliert das Modell die Antwort in einer eigenen Zeile.

Schritt 1: Prompt-Konstruktion – sichtbare Schritte anfordern. Nutzende ergänzen eine Anweisung wie „Schreibe jeden Schritt auf, bevor du zu einer Schlussfolgerung kommst.“ Dieser einzelne Satz verschiebt das Modell vom Muster direkter Antworten zum Schritt-für-Schritt-Muster. Die Anweisung funktioniert, weil das Modell bereits mit vielen Beispielen ausgearbeiteter Lösungen trainiert wurde, die solche Schritte enthalten.

Schritt 2: Zwischengenerierung – geordnete Ableitungen erzeugen. Das Modell gibt nummerierte oder mit Aufzählungspunkten versehene Zeilen aus, die menschliche Notizen zum Lösungsweg nachbilden. Jede Zeile nennt einen Fakt oder eine kleine Berechnung aus der ursprünglichen Frage. Das Modell verwendet seine eigenen vorherigen Schritte erneut und schafft so eine kurze, leicht nachvollziehbare Kette.

Schritt 3: Antwort extrahieren – das Endergebnis isolieren. Nach Abschluss der Kette gibt das Modell die Schlussfolgerung aus. Entwicklerinnen und Entwickler fügen häufig eine Stoppformulierung wie „Die Antwort lautet“ hinzu, um die Extraktion zu vereinfachen. Diese Trennung erlaubt nachgelagertem Code, die Antwort auszulesen, ohne die gesamte Kette lesen zu müssen.

Einsteiger können sich den Prozess wie schriftliche Langdivision vorstellen. Das Modell schreibt nun jeden Subtraktions- und Herunterholschritt auf, statt direkt zum Quotienten zu springen. Der zusätzliche Text erhöht zwar den Tokenverbrauch, doch die Sichtbarkeit verbessert bei Aufgaben mit mehreren Operationen die Korrektheit.

Ein praktisches Erfolgsbeispiel: Prompt = „F: Roger hat 5 Tennisbälle. Er kauft 2 weitere Dosen Tennisbälle. Jede Dose enthält 3 Tennisbälle. Wie viele Tennisbälle hat er jetzt? Denke Schritt für Schritt.“ Modellausgabe = „Roger begann mit 5 Bällen. 2 Dosen × 3 Bälle pro Dose = 6 Bälle. 5 + 6 = 11. Antwort: 11.“ Laut den Benchmarks von Wei et al. ist das korrekt.

Ein Fehlerfall bei einfachem Faktenabruf: Prompt = „F: Was ist die Hauptstadt von Frankreich? Denke Schritt für Schritt.“ Modellausgabe = „Frankreich ist ein Land in Europa. Seine größte Stadt ist Paris, bekannt für Sehenswürdigkeiten. Daher muss die Hauptstadt Lyon sein.“ Das ist ein plausibler, aber falscher Zwischenschritt; Chain of Thought hat einen Fehler hinzugefügt, statt zu helfen.

Eine Programmiererin, die eine rekursive Funktion debuggt, kann das Modell bitten, jeden Rückgabewert vor der endgültigen Ausgabe aufzulisten. Die aufgeführten Aufrufe zeigen, an welcher Stelle die Stapeltiefe die Erwartungen übersteigt.

Ein Finanzanalyst kann monatliche Cashflow-Prognosen anfordern, bei denen jede Einnahmen- und Ausgabenzeile sichtbar ist. Die sichtbaren Schritte erlauben manuelle Anpassungen, bevor das Modell die endgültige Zahl summiert.

Eine Schülerin, die geometrische Beweise löst, kann jedes Lemma vor der Aussage des Theorems erhalten. Die geordneten Lemmata entsprechen Lehrbuchlösungen und helfen ihr, die eigene Arbeit zu überprüfen.

Eine Planerin in der Lieferkette kann nach Lieferrouten fragen, die jeden Stadtbesuch und jede Entfernungsberechnung auflisten. Die Kette erleichtert den Vergleich zweier Routen, ohne den gesamten Prompt erneut auszuführen.

Häufige Fragen zu Chain-of-Thought-Prompting.

Frage: Funktioniert Chain-of-Thought-Prompting mit jeder Modellgröße?

Antwort: Größere Modelle erzielen größere Verbesserungen. Kleinere Modelle werden bei einfacher Arithmetik ebenfalls besser, können bei langen Problemen jedoch schwächere Zwischenschritte erzeugen.

Frage: Worin unterscheidet sich Chain-of-Thought-Prompting von Standard-Prompting?

Antwort: Standard-Prompting verlangt nur die endgültige Antwort. Chain-of-Thought-Prompting ergänzt zwischen Frage und Antwort eine ausdrückliche Aufforderung zu sichtbaren Denkschritten.

Frage: Erhöht Chain-of-Thought-Prompting die Kosten?

Antwort: Ja. Die zusätzlichen Reasoning-Tokens erhöhen die Länge von Eingabe und Ausgabe. Verglichen mit dem Genauigkeitsgewinn bei komplexen Aufgaben bleiben die Mehrkosten meist überschaubar.

Frage: Kann Chain-of-Thought-Prompting Halluzinationen verringern?

Antwort: Die Methode senkt sachliche Fehler, die durch ausgelassene Berechnungen entstehen. Sie beseitigt nicht jede Halluzination, weil das Modell weiterhin Zwischentatsachen erfinden kann.

Frage: Wann sollten stattdessen Tree-of-Thought-Erweiterungen eingesetzt werden?

Antwort: Wählen Sie Tree-of-Thought-Erweiterungen, wenn eine einzelne lineare Kette in Sackgassen geraten kann. Der verzweigte Ansatz erkundet mehrere Pfade und verwirft diejenigen, die eine frühe Prüfung nicht bestehen.

Frage: Was sind die wichtigsten Einschränkungen von Chain-of-Thought-Prompting?

Antwort: Bei Aufgaben mit einfachem Faktenabruf versagt CoT oder bringt kaum Nutzen, weil erzwungene Schritte das Modell dazu verleiten können, plausibel klingende, aber falsche Zwischenbehauptungen zu erzeugen. Außerdem steigen Tokenkosten und Latenz. Fehlt dem Modell die zugrunde liegende Fähigkeit, kann die zusätzliche Kette selbstsichere Fehler nur sichtbar machen, statt sie zu korrigieren.

Der praktische Test lautet, ob dieser Ansatz einen wiederkehrenden Arbeitsschritt verbessert, ohne Quellen, Kosten oder Fehlermöglichkeiten zu verschleiern. Beginnen Sie mit einer repräsentativen Aufgabe, behalten Sie bei folgenreichen Fehlern einen menschlichen Kontrollpunkt bei und bewerten Sie das Ergebnis neu, wenn sich Modelle und Produkte verändern.

Tool-Verzeichnis ansehen →