Chain-of-Thought Prompting - Schritt für Schritt denken

Executive Summary

Chain-of-Thought (CoT) ist eine Prompting-Technik, bei der Sie das LLM auffordern, seine Überlegungen Schritt für Schritt zu zeigen - statt direkt zur Antwort zu springen. Das Modell "denkt laut" und kommt so zu besseren, nachvollziehbareren Ergebnissen.

Studien zeigen: CoT kann die Accuracy bei komplexen Aufgaben um 20-50% verbessern. Manchmal reicht es, einfach "Let's think step by step" hinzuzufuegen.

Was ist Chain-of-Thought?

Bei Chain-of-Thought Prompting fordern Sie das Modell auf, seinen Denkprozess explizit zu zeigen. Durch das schrittweise Durcharbeiten eines Problems vermeidet das Modell voreilige Schluesse.

Ohne CoT (Zero-Shot)

Frage: Ein Bauer hat 15 Schafe. 5 sterben. Wie viele bleiben?
Antwort: 10

Mit CoT

Schritt 1: Der Bauer hat 15 Schafe.
Schritt 2: 5 sterben, verschwinden aber nicht.
Schritt 3: "Bleiben" = noch da sind.
Antwort: 15 (10 lebend, 5 tot)

Warum CoT so mächtig ist

Vorteile von CoT

Bessere Accuracy: +20-50% bei Mathe/Logik-Aufgaben
Nachvollziehbar: Sie sehen, wie das Modell zur Antwort kam
Fehler-Erkennung: Wenn Reasoning falsch ist, können Sie eingreifen
Komplexe Probleme: Mehrstufige Tasks werden loesbar
Weniger Halluzinationen: Modell "checkt sich selbst"

Ideal für

Mathematik (Textaufgaben, Berechnungen)
Logik-Rätsel (Sudoku, Wer-wohnt-wo)
Code-Debugging (Fehleranalyse)
Entscheidungsfindung (Pro/Contra abwaegen)
Mehrstufige Probleme (Plan nach Umsetzung)
Wissenschaftliche Analyse (Hypothese nach Test)

Praktische Beispiele

Beispiel 1: Mathematik-Textaufgabe

Problem: Anna kauft 3 Aepfel zu je 1.20 Euro und 2 Bananen zu je 0.80 Euro.
Sie zahlt mit einem 10-Euro-Schein. Wie viel Wechselgeld bekommt sie?

Loese diese Aufgabe Schritt für Schritt.

LLM-Antwort mit CoT:

Schritt 1: Kosten der Aepfel = 3 x 1.20 Euro = 3.60 Euro
Schritt 2: Kosten der Bananen = 2 x 0.80 Euro = 1.60 Euro
Schritt 3: Gesamtkosten = 3.60 + 1.60 = 5.20 Euro
Schritt 4: Wechselgeld = 10.00 - 5.20 = 4.80 Euro

Antwort: Anna bekommt 4.80 Euro Wechselgeld.

Beispiel 2: Code-Debugging

Dieser Python-Code hat einen Bug. Finde und erkläre ihn Schritt für Schritt:

def calculate_average(numbers):
    total = 0
    for num in numbers:
        total += num
    return total / len(numbers)

result = calculate_average([])

Analysiere:
1. Was macht die Funktion?
2. Was passiert bei Input []?
3. Wo ist der Fehler?
4. Wie würdest du ihn fixen?

CoT hilft dem Modell, systematisch durch den Code zu gehen statt vorschnell zu antworten. Es erkennt: Division durch Null bei leerer Liste.

Beispiel 3: Entscheidungsfindung

Sollte unser Unternehmen Remote-First oder Hybrid-Arbeitsmodell wählen?

Analysiere Schritt für Schritt:

Schritt 1: KRITERIEN DEFINIEREN
- Welche Faktoren sind entscheidend?

Schritt 2: REMOTE-FIRST BEWERTEN
- Pro-Argumente mit Gewichtung
- Contra-Argumente mit Gewichtung

Schritt 3: HYBRID BEWERTEN
- Pro-Argumente mit Gewichtung
- Contra-Argumente mit Gewichtung

Schritt 4: KONTEXT BERUECKSICHTIGEN
- Branche: [Tech-Startup]
- Teamgröße: [25 Personen]

Schritt 5: EMPFEHLUNG
- Welches Modell passt besser? Warum?

CoT-Varianten

1. Zero-Shot-CoT: Die einfachste Form

Entdeckt von Google Research (2022): Fuegen Sie einfach "Let's think step by step" zu Ihrem Prompt hinzu - und die Qualität steigt signifikant.

[IHRE FRAGE ODER AUFGABE]

Let's think step by step.

Diese 5 Wörter erhoehen die Accuracy bei komplexen Aufgaben um 20-40%.

2. Few-Shot-CoT: Mit Beispiel-Reasoning

Kombiniere Few-Shot mit CoT: Zeigen Sie nicht nur Input nach Output, sondern auch die Zwischenschritte.

Beispiel 1:
Frage: Wenn ein Zug um 9:15 abfaehrt und 2 Stunden 45 Minuten faehrt, wann kommt er an?

Reasoning:
- Startzeit: 9:15
- Fahrzeit: 2h 45min
- 9:15 + 2h = 11:15
- 11:15 + 45min = 12:00

Antwort: 12:00 Uhr

---

Jetzt du:
Frage: Wenn ein Meeting um 14:20 startet und 1 Stunde 50 Minuten dauert, wann endet es?

3. Tree-of-Thought (ToT): Mehrere Pfade erkunden

CoT ist linear (A nach B nach C). ToT ist ein Baum: Das Modell erkundet mehrere Lösungswege parallel und bewertet sie.

Problem: [BESCHREIBE DAS PROBLEM]

Erkunde 3 verschiedene Lösungsansaetze parallel:

Ansatz A:
- Schritt 1: ...
- Schritt 2: ...
Bewertung: [Vielversprechend / Problematisch weil ...]

Ansatz B:
- Schritt 1: ...
- Schritt 2: ...
Bewertung: [Vielversprechend / Problematisch weil ...]

Welcher Ansatz ist am besten? Warum?
Fuehre den besten Ansatz detailliert aus.

Use Cases: Strategische Entscheidungen, komplexe Planungsprobleme, kreative Problemlösung.

CoT Best Practices

Explizit sein
"Denke Schritt für Schritt" oder "Let's think step by step" hinzufügen.
Strukturiere die Schritte
Gib eine Struktur vor: "Schritt 1: ..., Schritt 2: ..., Fazit: ..."
Bei sehr komplexen Aufgaben: Few-Shot-CoT
Zeige ein Beispiel mit komplettem Reasoning-Pfad.
Fordere Selbst-Überprüfung
"Überprüfe deine Antwort nochmal" am Ende reduziert Fehler.
Temperature anpassen
Für Mathematik: temp=0.0-0.3. Für kreative Problemlösung: temp=0.7-0.9.

Grenzen von CoT

Was CoT NICHT loest

Halluzinationen: CoT kann Fakten-Halluzinationen sogar verstärken (das Modell "erklärt" erfundene Fakten überzeugend)
Fehlende Wissensbasis: Wenn das Modell das Grundwissen nicht hat, hilft Reasoning nicht
Extrem lange Reasoning-Ketten: Bei mehr als 10 Schritten verliert das Modell den Faden
Kosten: CoT benötigt mehr Output-Tokens - höhere API-Kosten
Latenz: Längere Antworten = längere Wartezeit

Tipp: Nutzen Sie CoT selektiv - nicht für jede triviale Aufgabe, sondern gezielt bei komplexen Problemen.

Chain-of-Thought in der Praxis meistern?

Im 1:1 KI-Sparring lernen Sie CoT, ToT und weitere Reasoning-Techniken mit realen Anwendungsfaellen.

Kostenloses Erstgespräch buchen

Unverbindlich. Persönlich. 30 Minuten.

Chain-of-Thought (CoT) Prompting