Mit freundlicher Unterstützung von
← Zurück zu GenAI & Content Creation
Chain-of-Thought Prompting (CoT) ist eine Prompt-Strategie, bei der das Sprachmodell dazu aufgefordert wird, seinen Denkprozess explizit Schritt für Schritt zu formulieren, bevor es eine abschließende Antwort gibt.

Rubrik: GenAI & Content Creation · Unterrubrik: Prompt Engineering · Niveau: Fortgeschritten

Synonyme / Auch bekannt als: Kettendenken, Reasoning Prompting, Step-by-Step Prompting, CoT


Was ist Chain-of-Thought Prompting?

Wei et al. (2022) zeigten, dass Sprachmodelle bei Rechen-, Alltagslogik- und Symbolaufgaben deutlich besser abschneiden, wenn man ihnen in Few-Shot-Beispielen Zwischenschritte vorführt. Mit nur acht solcher Beispiele erreichte ein Modell mit 540 Milliarden Parametern damals den Bestwert auf dem Mathe-Benchmark GSM8K. Der Effekt zeigte sich vor allem bei sehr großen Modellen.

Eine anschauliche Erklärung: Jedes erzeugte Token beeinflusst die folgenden. Schreibt das Modell Zwischenschritte aus, kann es bei der Endantwort auf sie zurückgreifen, ähnlich einem Notizzettel.

Heute haben viele Modelle eingebautes Reasoning: Sie denken vor der Antwort selbstständig nach, etwa Claude mit adaptivem Denken oder die Reasoning-Modelle von OpenAI. Für sie gilt manuelles CoT-Prompting nur noch eingeschränkt, siehe „In der Praxis" (Stand: November 2026).


Erklärung

Grundform: Explizites CoT

Die direkteste Variante: Die Aufforderung „Denke Schritt für Schritt" oder „Let's think step by step" am Ende eines Prompts. Kojima et al. (2022) zeigten, dass dieser eine Satz ohne jedes Beispiel die Leistung bei Denkaufgaben spürbar verbessert (Zero-Shot CoT).

``` Frage: Ein Laden hat 12 Äpfel. Er verkauft 4 und bekommt dann 7 neue. Anschließend werden 3 verdorbene entfernt. Wie viele Äpfel hat er jetzt?

Denke Schritt für Schritt: ```

Das Modell gibt dann: ```

  1. Start: 12 Äpfel
  2. Minus 4 verkaufte: 12 minus 4 = 8 Äpfel
  3. Plus 7 neue: 8 + 7 = 15 Äpfel
  4. Minus 3 verdorbene: 15 minus 3 = 12 Äpfel

Antwort: 12 Äpfel. ```

Few-Shot CoT

Statt einfach „Schritt für Schritt" zu sagen, liefert man dem Modell Beispiele, bei denen Schritt-für-Schritt-Denken demonstriert wird:

``` Frage: Maria hat 5 Bücher. Sie leiht 2 aus und kauft 4 neue. Wie viele hat sie? Denkprozess: Start 5 Bücher. Minus 2 ausgeliehene = 3. Plus 4 neue = 7. Antwort: 7

Frage: Tom hat 20 Euro. Er kauft für 8 Euro Brot und für 6 Euro Käse. Denkprozess: [...] ```

Tree of Thoughts (ToT)

Tree of Thoughts (Yao et al., 2023) erweitert CoT: Statt einem linearen Gedankengang exploriert das Modell mehrere parallele Denkpfade (Äste) und bewertet sie, bevor es den vielversprechendsten weiterverfolgt.

`` Aufgabe: Entwickle 3 verschiedene Lösungsansätze für [Problem]. Bewerte jeden Ansatz nach Machbarkeit und Effektivität. Wähle dann den besten Ansatz und führe ihn aus. ``

ToT eignet sich besonders für kreative Problemlösungen, Planungsaufgaben und Szenarien mit mehreren Lösungswegen.

Weitere Varianten

Self-Consistency (Wang et al., ICLR 2023): Das Modell erzeugt mehrere CoT-Pfade, gewählt wird die häufigste Antwort. Das verbesserte in der Untersuchung die Ergebnisse bei Rechen- und Denkaufgaben deutlich.

Least-to-Most Prompting (Zhou et al., ICLR 2023): Komplexe Aufgaben werden in immer einfachere Teilaufgaben zerlegt und sequenziell gelöst. Besonders wirksam bei mehrstufigen Problemen.

Program of Thoughts (Chen et al., TMLR 2023): Das Modell schreibt statt natürlichsprachlicher Schritte ausführbaren Code, die eigentliche Rechnung übernimmt ein Interpreter. Das trennt Rechnen von Schlussfolgern und hilft bei Zahlenaufgaben.

Varianten von Chain-of-Thought
Prinzip
Zero-Shot CoTein Satz wie Denke Schritt für Schritt
Few-Shot CoTBeispiele mit vorgeführten Zwischenschritten
Tree of Thoughtsmehrere Denkpfade erkunden und bewerten
Self-Consistencymehrere Pfade und die häufigste Antwort gewinnt
Least-to-MostZerlegung in immer einfachere Teilaufgaben
Program of ThoughtsCode statt Text und ein Interpreter rechnet
Quelle: Eigene Darstellung nach diesem Eintrag, Stand November 2026

Beispiele

Beispiel Analyseaufgabe (Journalismus):

``` Du bist Investigativjournalist/in. Analysiere die folgende Pressemitteilung auf mögliche Framing-Strategien.

Pressemitteilung: [Text]

Denke Schritt für Schritt:

  1. Identifiziere den Absender und seine möglichen Interessen
  2. Analysiere die verwendete Sprache (positiv/negativ konnotierte Wörter)
  3. Prüfe, was in der Mitteilung fehlt oder vermieden wird
  4. Ziehe eine Gesamtbewertung

```

Beispiel Komplexe Entscheidung:

``` Wir überlegen, ob wir unseren Newsletter auf KI-generierte Inhalte umstellen. Analysiere die Vor- und Nachteile methodisch:

Schritt 1: Potenzielle Vorteile auflisten Schritt 2: Potenzielle Risiken auflisten Schritt 3: Kritische Erfolgsfaktoren identifizieren Schritt 4: Empfehlung formulieren ```


In der Praxis

CoT bei Modellen mit eingebautem Reasoning

  • OpenAI rät in seinen Reasoning Best Practices bei Reasoning-Modellen von CoT-Prompts ab: Sie denken intern, und „think step by step" kann die Leistung sogar verschlechtern.
  • Anthropic empfiehlt bei aktiviertem Denken eher allgemeine Anweisungen wie „think thoroughly" statt vorgeschriebener Einzelschritte; manuelles CoT dient als Ausweichlösung, wenn das Denken ausgeschaltet ist. Die Endantwort kann dann etwa in <answer>-Tags stehen, damit sie sich leicht herauslösen lässt.
  • Beispiele mit vorgeführtem Lösungsweg funktionieren laut Anthropic auch mit Denken und prägen, wie das Modell an ähnliche Aufgaben herangeht.

(Herstellerdokumentation, Stand: November 2026)

Wann CoT einsetzen?

CoT ist besonders wirksam bei:

  • Mathematischen und logischen Problemen
  • Mehrstufigen Planungsaufgaben
  • Analyse- und Bewertungsaufgaben
  • Debugging und Fehlersuche
  • Argumentationsaufbau

Für einfache Abrufaufgaben (Wissensabfragen, direkte Übersetzungen) bringt CoT keinen Mehrwert, im Gegenteil, es verlangsamt die Ausgabe.

Strukturierungsformeln für CoT

Bewährte Einstiegsphrasen:

  • „Denke Schritt für Schritt:"
  • „Lass uns das systematisch angehen:"
  • „Zerlege das Problem in Teilschritte:"
  • „Vor deiner Antwort: Zeige deinen Denkprozess."
  • „Analysiere zuerst, dann antworte:"
  • „Schritt 1: [...] Schritt 2: [...] Schritt 3: [...]" (vorstrukturiert)

Kombination mit anderen Techniken

CoT entfaltet seinen vollen Nutzen in Kombination:

  • CoT + [Rollen-Prompting (Roleplay Prompting)](/wiki/genai-content-creation/prompt-engineering/rollenprompting/): „Als erfahrene/r Statistiker/in: Geh dieses Datenproblem Schritt für Schritt durch …"
  • CoT + [System Prompts](/wiki/genai-content-creation/prompt-engineering/system-prompts/): System Prompt legt CoT als Standard für alle Anfragen fest
  • CoT + [Prompt Chaining](/wiki/genai-content-creation/prompt-engineering/prompt-chaining/): Jedes CoT-Ergebnis wird Eingabe für den nächsten Schritt

Vergleich & Abgrenzung

CoT vs. direktes Antworten: Ohne CoT antwortet das Modell direkt, schneller, aber fehleranfälliger bei komplexen Aufgaben. CoT ist langsamer (mehr Tokens), aber zuverlässiger.

CoT vs. [Few-Shot Prompting](/wiki/genai-content-creation/prompt-engineering/few-shot-prompting/): Few-Shot liefert Beispiele, CoT strukturiert den Denkprozess. Optimale Strategie: Few-Shot CoT kombiniert beides.

CoT vs. Tree of Thoughts: CoT ist ein linearer Gedankenpfad. ToT erkundet mehrere Pfade und bewertet sie. ToT kann bei Such- und Planungsaufgaben überlegen sein, ist aber aufwändiger umzusetzen.

CoT vs. eingebautes Reasoning: Reasoning-Modelle denken ohne Aufforderung vor der Antwort. Manuelles CoT ist dort meist überflüssig, bei Modellen ohne Denkfunktion bleibt es nützlich.


Häufige Fragen (FAQ)

Funktioniert CoT bei jedem Modell? In der Originalarbeit von Wei et al. (2022) trat der Effekt vor allem bei sehr großen Modellen auf; kleinere profitierten kaum. Bei heutigen Reasoning-Modellen ist manuelles CoT meist unnötig.

Muss ich immer explizit „Schritt für Schritt" schreiben? Nein. Reasoning-Modelle denken selbstständig; OpenAI rät dort sogar davon ab. Bei Modellen ohne Denkfunktion hilft die Aufforderung weiterhin.

Wie lang sollten die CoT-Schritte sein? Das hängt von der Aufgabe ab. Für Rechenaufgaben reichen kurze Schritte, für komplexe Analysen können ausführlichere Zwischenüberlegungen hilfreich sein.

Was ist Self-Consistency? Das Modell erzeugt mehrere Lösungswege, gewählt wird die häufigste Antwort (Wang et al., ICLR 2023).


Verwandte Einträge


Weiterführend

  • Wei, Jason et al. (2022): Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022. (Originalpaper)
  • Kojima, Takeshi et al. (2022): Large Language Models are Zero-Shot Reasoners. NeurIPS 2022. (Zero-Shot CoT)
  • Wang, Xuezhi et al. (2023): Self-Consistency Improves Chain of Thought Reasoning in Language Models. ICLR 2023.
  • Yao, Shunyu et al. (2023): Tree of Thoughts: Deliberate Problem Solving with Large Language Models. NeurIPS 2023.
  • Zhou, Denny et al. (2023): Least-to-Most Prompting Enables Complex Reasoning in Large Language Models. ICLR 2023.
  • Chen, Wenhu et al. (2023): Program of Thoughts Prompting: Disentangling Computation from Reasoning for Numerical Reasoning Tasks. TMLR 2023.
  • OpenAI (2026): Reasoning best practices. developers.openai.com/api/docs/guides/reasoning-best-practices
  • Anthropic (2026): Prompting best practices (Abschnitt Thinking). platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices
  • DAIR.AI: Chain-of-Thought Prompting. promptingguide.ai/techniques/cot
← Zurück zu GenAI & Content Creation
Infotag

Sei am Freitag dabei.
Bring Eltern oder Freunde mit.

Ein halber Nachmittag, der dir drei Jahre Klarheit bringen kann. Kostenlos, unverbindlich, ehrlich.

  • Rundgang durch Studios, Schnitträume und Tonstudio
  • Echte Absolventenfilme sehen
  • 1:1-Beratung zu Bewerbung & BAföG
  • Studierende direkt fragen
  • Kaffee, kein Sales-Pitch
  • Auch online möglich

Platz beim Infotag reservieren

Dauert 30 Sekunden. Bestätigung per E-Mail.
100 % kostenlos · keine Verpflichtung · jederzeit absagbar