Sofortantwort
Chain-of-Thought einfach erklärt
Modell denkt Schritt für Schritt, um besser zu argumentieren.
- Kurz gesagt
- Modell wird aufgefordert, Zwischenschritte explizit auszuformulieren
- Typischer Einsatz
- Mathematische Probleme, Logisches Reasoning, Code-Debugging
- Wichtig zu wissen
- Zero-Shot CoT: Einfach 'Denke Schritt für Schritt' anhängen
Chain-of-Thought im Überblick
Ohne Chain-of-Thought versucht ein LLM, direkt die Antwort zu geben. Mit CoT schreibt es seine Gedanken auf – und kommt dadurch zu besseren Ergebnissen.
Ohne CoT:
Frage: "Wenn 3 Hemden 5 Stunden zum Trocknen brauchen,
wie lange brauchen 9 Hemden?"
Antwort: "15 Stunden" ← Falsch!Mit CoT:
Frage: "... Denke Schritt für Schritt."
Antwort: "Die Hemden trocknen parallel, nicht nacheinander.
3 Hemden brauchen 5 Stunden.
9 Hemden brauchen auch 5 Stunden (gleiche Wäscheleine).
Antwort: 5 Stunden" ← Richtig!Technisch betrachtet
Varianten
- Zero-Shot CoT: “Let’s think step by step” anhängen
- Few-Shot CoT: Beispiele mit Lösungsweg im Prompt geben
- Self-Consistency: Mehrere CoT-Pfade generieren, Mehrheitsentscheid
- Tree of Thought: Verzweigte Denkpfade explorieren
- ReAct: Reasoning + Acting kombinieren (Denken + Tool-Nutzung)
Wann hilft CoT?
- ✅ Mathe, Logik, mehrstufige Probleme
- ✅ Aufgaben die Planung erfordern
- ❌ Einfache Fakten-Abfragen (unnötiger Overhead)
- ❌ Kreative Aufgaben (CoT kann Kreativität einschränken)
Prompt-Beispiele
Zero-Shot CoT:
Frage: Ein Zug fährt um 9:00 los und braucht 2,5 Stunden.
Wann kommt er an?
Denke Schritt für Schritt.Few-Shot CoT:
Beispiel: 15 + 27 = ?
Schritt 1: 15 + 20 = 35
Schritt 2: 35 + 7 = 42
Antwort: 42
Jetzt du: 23 + 48 = ?OpenAI o1 und internes Reasoning
OpenAIs o1-Modelle haben Chain-of-Thought “eingebaut”:
- Das Modell denkt intern nach, bevor es antwortet
- Der Denkprozess ist für den Nutzer nicht sichtbar
- Deutlich bessere Ergebnisse bei komplexen Aufgaben
- Höhere Kosten und Latenz als Standard-Modelle
Kosten-Nutzen-Abwägung
| Aspekt | Ohne CoT | Mit CoT |
|---|---|---|
| Tokens | Weniger | 2-5x mehr |
| Latenz | Schneller | Langsamer |
| Mathe-Aufgaben | ~50% korrekt | ~90% korrekt |
| Einfache Fragen | Gut | Unnötiger Overhead |
Schritt für Schritt
Wann schrittweises Reasoning hilfreich ist
Bei mehrstufigen Aufgaben hilft eine strukturierte Bearbeitung. Sie ersetzt aber weder verlässliche Quellen noch eine Prüfung des Ergebnisses.
Aufgabe in prüfbare Teile teilen
Strukturieren
Die Anfrage benennt Ziel, Ausgangsdaten und gewünschtes Format, statt nur nach einer schnellen Schlussfolgerung zu fragen.
Aufgabe → TeilfragenZwischenergebnisse sichtbar machen
Herleiten
Das Modell arbeitet mit Annahmen, Rechenschritten oder einer kurzen Begründung, die sich einzeln kontrollieren lässt.
Teilfragen → ZwischenergebnisseQuellen und Rechenwege prüfen
Verifizieren
Fakten, Zahlen und Annahmen werden gegen Originalquellen, Tools oder eine unabhängige Rechnung abgeglichen.
Begründung → PrüfungAntwort mit Grenzen geben
Einordnen
Die finale Antwort trennt gesicherte Ergebnisse von Annahmen und nennt, wo menschliche Entscheidung oder Recherche nötig bleibt.
Prüfung → belastbare Antwort
Konkretes Beispiel
Beispiel: Projektoptionen bewerten
Ein Team möchte zwischen zwei Integrationswegen wählen und braucht eine nachvollziehbare erste Analyse.
Direkte Empfehlung
Das Modell soll sofort eine Variante wählen. Kriterien, Annahmen und Unsicherheiten bleiben unsichtbar und können nicht diskutiert werden.
Strukturierte Analyse
Die Antwort legt Kriterien wie Integrationsaufwand, Datenschutz, Betrieb und Zeitplan offen, bewertet beide Optionen und markiert fehlende Informationen für das Team.
Der Mehrwert liegt nicht im bloßen Ausformulieren eines Denkwegs, sondern in einer überprüfbaren Struktur für Entscheidung und Kontrolle.
Einordnung
Vorteile und Grenzen
Das spricht dafür
- Hilft, komplexe Aufgaben in nachvollziehbare Teilschritte zu zerlegen.
- Kann bei Mathematik, Planung und mehrstufiger Analyse die Antwortqualität erhöhen.
- Macht Annahmen und fehlende Informationen eher sichtbar als eine reine Kurzantwort.
- Lässt sich mit Tools, Quellen und klaren Ausgabeschemata kombinieren.
Das solltest du beachten
- Ein plausibler Schritt-für-Schritt-Text kann trotzdem auf falschen Annahmen beruhen.
- Zusätzliche Ausgabe erhöht Kosten, Zeit und manchmal auch unnötige Komplexität.
- Interne Denkprozesse eines Modells sind nicht immer verfügbar oder als Beleg geeignet.
- Für einfache Faktenfragen ist eine direkte, quellengeprüfte Antwort oft besser.
Vertiefung · für FortgeschritteneReasoning als Teil eines verlässlichen Arbeitsablaufs
Schrittweises Vorgehen ergänzt Prompting, Tools und Evaluation, ersetzt diese Bausteine aber nicht.
Aufgaben schrittweise bearbeiten
- Prompt Engineering
- Die Technik, Anweisungen für KI-Modelle optimal zu gestalten.
- Reasoning-Modelle
- KI-Modelle die durch mehrstufiges Nachdenken komplexe Probleme lösen.
- Tool Use
- Sprachmodelle können externe Werkzeuge und Funktionen nutzen.
- Benchmark
- Tests zur objektiven Bewertung von KI-Modellen.
- Human in the Loop
- Menschen überprüfen und entscheiden über KI-Ergebnisse.