Chain of Thought: Beispiele, Nutzen und Grenzen

Chain of Thought ist beim Prompting dann sinnvoll, wenn eine Aufgabe von ausdrücklich dargestellten Zwischenschritten profitiert. Bei einem Reasoning-Modell sollte „Denke Schritt für Schritt“ jedoch keine Standardanweisung sein. Die 2022 eingeführte Technik zeigte dem Modell anhand durchgerechneter Beispiele den Weg zur Antwort. Heutige Reasoning-Modelle können solche Arbeit intern leisten, ohne sie auszugeben. Für Aufgaben im Unternehmen gilt deshalb: Zuerst die benötigten Belege und das erwartete Ergebnis festlegen, dann den Denkaufwand erhöhen, sofern die Aufgabe es rechtfertigt.

Was bedeutet Chain of Thought beim Prompting?

Chain-of-Thought-Prompting gibt einem Sprachmodell Zwischenschritte vor oder fordert es auf, solche Schritte auszugeben, statt nur die endgültige Antwort zu liefern. Ein großes Sprachmodell, kurz LLM, erzeugt Text auf Grundlage der bereitgestellten Anweisungen und des Kontexts. CoT strukturiert diese Interaktion.

Jason Wei und seine Mitautoren stellten die unter diesem Namen bekannte Technik in Chain-of-Thought Prompting Elicits Reasoning in Large Language Models vor. Die Arbeit wurde erstmals am 28. Januar 2022 eingereicht. Ihre Prompt-Beispiele verbanden jeweils eine Aufgabe mit einer kurzen Erläuterung und der Antwort. Bei einer neuen Aufgabe setzte das Modell dieses Muster fort. Es ging also darum, ein bestehendes Modell durch Prompts anzuleiten, nicht darum, es für jede Aufgabe neu zu trainieren. Originalveröffentlichung.

Das Prinzip lässt sich mit der Einarbeitung in einen Bestandsabgleich vergleichen. Wer nur den Endbestand sieht, erfährt nichts über den Rechenweg. Werden dagegen Anfangsbestand, Abgänge, Zugänge und der daraus berechnete Endbestand gezeigt, wird die Methode deutlich. Genau darauf beruht die ursprüngliche Technik.

Bei modernen Reasoning-Modellen kommt eine Unterscheidung hinzu: Die Arbeitsnotizen eines Analysten und die Mitteilung an die Führungskraft sind zwei verschiedene Dinge. Entsprechend kann ein Modell intern mehr Spielraum zum Bearbeiten einer Aufgabe erhalten und trotzdem eine kurze Antwort liefern sollen.

Wozu dient Chain-of-Thought-Prompting?

Die Methode soll bei Aufgaben helfen, deren Zwischenschritte für die Lösung entscheidend sind. Profitiert ein Modell von ausdrücklich vorgeführten Lösungswegen, kann ein durchgerechnetes Beispiel zeigen, welche Größen zu verknüpfen sind oder welche Regel anzuwenden ist.

Im Arbeitsalltag zählt, ob das Ergebnis dadurch korrekter und leichter überprüfbar wird. Eine längere Erklärung allein belegt weder das eine noch das andere. Ein solcher Prompt ist daher zunächst ein möglicher Verbesserungsansatz, der an der eigenen Aufgabe geprüft werden muss.

Chain-of-Thought-Prompting: Beispiele aus dem Unternehmensalltag

Ein ausgearbeitetes Beispiel vermittelt eine Methode; eine Ausgabevorgabe legt fest, was zur Prüfung des Ergebnisses sichtbar sein muss. Beide Ziele können sich überschneiden. Dennoch sind es unterschiedliche Gründe, Zwischenschritte anzufordern.

Ein CoT-Prompt im Vorher-nachher-Vergleich

Der folgende Prompt zum Bestandsabgleich veranschaulicht das Prinzip anhand einer betrieblichen Aufgabe. Er wurde nicht aus der Forschungsarbeit übernommen. Die Rechnung dient der Erläuterung; es handelt sich nicht um Ausgaben aus einem Modelltest.

Vorher: Ein Beispiel zeigt nur die Antwort

Beispielfrage: Der Anfangsbestand beträgt 12 Stück. 5 Stück werden versandt, 3 kommen hinzu. Wie viele bleiben übrig?

Beispielantwort: 10 Stück.

Neue Frage: Der Anfangsbestand beträgt 18 Stück. 7 Stück werden versandt, 4 kommen hinzu. Wie viele bleiben übrig?

Nachher: Dasselbe Beispiel zeigt auch den Rechenweg

Beispielfrage: Der Anfangsbestand beträgt 12 Stück. 5 Stück werden versandt, 3 kommen hinzu. Wie viele bleiben übrig?

Beispielantwort: Endbestand = Anfangsbestand − Abgänge + Zugänge = 12 − 5 + 3 = 10 Stück.

Neue Frage: Der Anfangsbestand beträgt 18 Stück. 7 Stück werden versandt, 4 kommen hinzu. Wie viele bleiben übrig?

Der Unterschied liegt im vorgeführten Lösungsweg. Die richtige Antwort auf die neue Frage lautet in beiden Fällen 15 Stück. Der Prompt beweist nicht, dass ein Modell korrekt antworten wird. Er zeigt, wie Few-Shot-CoT funktioniert. „Few-Shot“ bedeutet, Beispiele in den Prompt aufzunehmen; ein einzelnes Beispiel ist die kleinste Variante dieses Musters.

Datenextraktion: Feld und Belegstelle anfordern

Soll in der Kreditorenbuchhaltung eine Rechnungsnummer ausgelesen werden, genügt zunächst eine direkte Anweisung:

Gib die Rechnungsnummer exakt in der vorliegenden Schreibweise und die Quellzeile aus, in der sie steht. Falls sie fehlt, gib null zurück. Leite keine Rechnungsnummer aus anderen Kennungen ab.

Eine ausführliche Erklärung darüber, wie das Modell eine Feldbezeichnung erkannt hat, hilft hier wenig. Anhand der Quellzeile lässt sich die Extraktion prüfen. Wird die Aufgabe um den Abgleich widersprüchlicher Bestellungen und Rechnungen erweitert, kann sich mehr Denkaufwand lohnen.

Entscheidungen: Die angewandte Regel benennen lassen

Bei der Prüfung eines Erstattungsantrags im Support sollte klar sein, welche Angaben die Entscheidungsvorlage enthalten muss:

Wende ausschließlich die bereitgestellte Erstattungsrichtlinie an. Gib die Empfehlung, die einschlägige Klausel der Richtlinie, die dafür maßgeblichen Angaben zum Kundenfall und alle fehlenden Angaben aus, die eine Entscheidung verhindern. Halte die Begründung knapp.

Dieser Prompt fordert nützliche Belege, ohne ein Protokoll interner Denkprozesse zu verlangen. Wiederverwendbare Richtlinien und Ausgabevorgaben gehören in den System-Prompt; die Unterlagen zum jeweiligen Fall sollten klar davon getrennt sein.

Zero-Shot-Prompting mit Chain of Thought

Zero-Shot-CoT fordert Zwischenschritte an, ohne ein ausgearbeitetes Beispiel vorzugeben. Takeshi Kojima und seine Mitautoren untersuchten dies in Large Language Models are Zero-Shot Reasoners. Die Arbeit wurde erstmals am 24. Mai 2022 eingereicht und verwendete die Formulierung „Let's think step by step.“ Forschungsarbeit zu Zero-Shot-CoT.

Für die Bestandsaufgabe ergibt sich daraus folgender Prompt:

Der Anfangsbestand beträgt 18 Stück. 7 Stück werden versandt, 4 kommen hinzu. Wie viele bleiben übrig? Denken wir Schritt für Schritt.

Die Formulierung gibt eine allgemeine Anweisung, statt eine bestimmte Methode vorzuführen. Sie ist für das historische Verständnis relevant, verbessert aber nicht automatisch jedes heutige Modell.

Auch die Varianten stehen für unterschiedliche Mechanismen. Few-Shot-CoT liefert ausgearbeitete Beispiele. Zero-Shot-CoT liefert eine Anweisung ohne Beispiele. Auto-CoT lässt ein Modell aus unterschiedlichen Fragen solche Beispiele erstellen. Der Begriff bezeichnet nicht einfach das interne Denken eines Reasoning-Modells. Forschungsarbeit zu Auto-CoT.

Für betriebliche Aufgaben empfiehlt sich zunächst eine klare Aufgabenbeschreibung und die Untersuchung auftretender Fehler. Beispiele sind dann sinnvoll, wenn eine Methode, ein Grenzfall oder das gewünschte Ausgabeformat fehlt.

Was sich durch Reasoning-Modelle ändert

Bei Modellen mit eigener Reasoning-Funktion besteht die Hauptaufgabe darin, Aufgabe, Rahmenbedingungen und gewünschtes Ergebnis festzulegen. Die Reasoning-Einstellung steuert, wie viel interne Arbeit das Modell dafür aufwenden kann. Vorgaben zur abschließenden Erklärung bestimmen hingegen, was bei den Nutzern ankommt.

Die folgenden Hinweise wurden am 18. Oktober 2026 anhand der aktuellen Dokumentation von OpenAI, Anthropic und Google überprüft. Die Einstellungen unterscheiden sich je nach Modell und API. Es gibt daher keine universelle Einstellung für ein „Denkbudget“, die sich unverändert bei allen Anbietern einsetzen lässt.

OpenAI: Reasoning-Modelle direkt anweisen

Laut OpenAIs Leitfaden für Reasoning-Modelle sind Schritt-für-Schritt-Anweisungen unnötig, weil diese Modelle intern schlussfolgern. Solche Anweisungen können die Leistung sogar beeinträchtigen. Ausgangspunkt sollten das Ziel, der relevante Kontext, die Rahmenbedingungen und ein klares Ausgabeformat sein. Empfehlungen für Reasoning-Modelle.

Diese Empfehlung gilt nicht für jedes Modell von OpenAI. Der Prompting-Leitfaden für GPT-4.1 beschreibt es als Modell ohne eigene Reasoning-Funktion. Ausdrückliche Schritt-für-Schritt-Anweisungen können dort hilfreich sein, führen aber zu mehr Ausgabetext und längeren Antwortzeiten. Die Prompting-Methode muss zum tatsächlich eingesetzten Modell passen. Prompting-Leitfaden für GPT-4.1.

Anthropic: Erst Denkmodus und Denkaufwand einstellen

Anthropics Prompting-Leitfaden für Claude bevorzugt allgemeine Hinweise zum Nachdenken gegenüber einer von Hand festgelegten Abfolge einzelner Denkschritte. Ausgearbeitete Beispiele können weiterhin eine Vorgehensweise vermitteln. Manuelles CoT ist bei dafür geeigneten Modellen eine Ausweichlösung, wenn der Denkmodus ausgeschaltet ist. Einige neuere Modelle lehnen es möglicherweise ab, ihre internen Denkprozesse auszuschreiben. Prompting-Empfehlungen für Claude.

In der Praxis wird zuerst ein zur Aufgabe passender Denkaufwand gewählt. Erst wenn das Modellverhalten danach noch angepasst werden muss, kommen zusätzliche steuernde Prompt-Anweisungen hinzu. Eine einfache Anfrage kann direkt beantwortet werden; eine Effort-Einstellung garantiert keinen sichtbaren Denkblock. Steuerung des Denkverhaltens.

Google: Internes Denken braucht meist keinen ausgegebenen Plan

Laut Googles Prompting-Leitfaden erzeugen die Modellreihen Gemini 2.5 und Gemini 3 interne Denkschritte. Ausgegebene Ablaufpläne oder ausführlich dargestellte Denkwege sind deshalb in der Regel unnötig. Zugleich kann nach diesem Leitfaden eine einfache Aufforderung, intensiver nachzudenken, bei anspruchsvollen Problemen helfen. Dabei fallen zusätzliche Thinking-Tokens an. Das ist eine aufgabenbezogene Empfehlung, kein Versprechen, dass die Formulierung jede Antwort verbessert. Strategien für Gemini-Prompts.

Für das Nachschlagen eines Feldwerts empfiehlt Googles Thinking-Leitfaden einen minimalen oder niedrigen Denkaufwand, sofern das Modell diese Einstellung unterstützt. Höherer Aufwand bleibt komplexen Aufgaben wie einer mehrstufigen Planung vorbehalten. Thinking bei Gemini.

Was unterscheidet Reasoning Effort vom Denkbudget?

Eine Effort-Stufe steuert, wie intensiv ein Modell eine Aufgabe bearbeitet. Ein Tokenbudget legt bei unterstützten Konfigurationen fest, wie viele Tokens für das Denken zur Verfügung stehen. Keine dieser Einstellungen bestimmt, welche Belege in die endgültige Antwort gehören.

Diese Feldnamen helfen dabei, die passenden Einstellungen in der eigenen Integration zu finden. Sie bilden kein gemeinsames Konfigurationsformat. Vor Änderungen sind die jeweilige Reasoning-Referenz von OpenAI, der Thinking-Leitfaden für Claude und die Generate-Content-Referenz für Gemini maßgeblich.

Abrechnung: OpenAI gibt an, dass Reasoning-Tokens als Ausgabe-Tokens abgerechnet werden, obwohl die unverarbeiteten Reasoning-Tokens über die API nicht sichtbar sind. Angaben des Anbieters zur Abrechnung.

Tokens sind die Einheiten, die ein Modell verarbeitet und erzeugt. Der Beitrag Was sind Tokens in der KI? erläutert den Unterschied zwischen sichtbarem Text und Tokenverbrauch. Auch eine kurze Antwort kann erhebliche interne Arbeit erfordern.

Wann sind sichtbare Zwischenschritte sinnvoll?

Sichtbare Schritte sind dann sinnvoll, wenn sie zum benötigten Arbeitsergebnis gehören. In der Finanzabteilung können das die Formel und die eingesetzten Werte sein. Bei einer Supportprüfung sind es möglicherweise die Richtlinienklausel und die dazu passenden Angaben zum Fall. Für eine betriebliche Analyse können Annahmen, Quellenangaben und die Berechnung hinter einer Empfehlung erforderlich sein.

Die Anforderung sollte konkret sein:

Gib die Empfehlung, die zugehörigen Quellenbelege, die wesentlichen Annahmen und eine knappe Erläuterung aus. Zeige alle Berechnungen, die nötig sind, um das Ergebnis nachzuvollziehen. Kennzeichne fehlende Belege.

So entsteht eine Erklärung, die ein Mensch beurteilen kann. Gefordert wird weder jeder interne Gedanke noch jeder verworfene Ansatz oder interne Zwischenzustand.

Die Thinking-Zusammenfassungen der Anbieter sind eine weitere Ausgabeform. OpenAI stellt bei unterstützten Konfigurationen Zusammenfassungen des Reasonings bereit, nicht die unverarbeiteten Reasoning-Tokens. Anthropic beschreibt den Thinking-Text von Claude ebenfalls als Zusammenfassung und nicht als rohe Gedankenkette. Diese Zusammenfassungen liefern Hinweise für die Diagnose, aber keine vollständige Darstellung der Berechnung. Zusammenfassungen bei OpenAI, Thinking-Ausgabe von Claude.

Für die Entwicklung sind Felder wichtig, die eine Anwendung validieren kann. Für die fachliche Arbeit zählen Belege, die sich prüfen lassen. Hängt eine Entscheidung von einem aktuellen Kontostand oder Bestellstatus ab, muss ein Tool diesen Wert abrufen. Function Calling verbindet das Modell mit solchen externen Vorgängen. Längeres Nachdenken liefert keinen fehlenden Datensatz.

Wann schadet Chain-of-Thought-Prompting?

Aufwendige Reasoning-Prompts sind bei einfachen Abfragen oder der Extraktion in ein festes Format verzichtbar. Für die Ausgabe einer bekannten Konto-ID braucht es keine ausführliche Begründung. Zusätzlicher Text vergrößert nur die Menge, die eine Anwendung verarbeiten und ein Mensch prüfen muss.

Eine weitere Grenze ist die Antwortzeit. Ausformulierte Denkschritte erzeugen mehr Ausgabetext; ein höherer interner Denkaufwand kann die nutzbare Antwort verzögern. OpenAI dokumentiert diesen Zusammenhang zwischen Ausgabeumfang und Latenz für GPT-4.1. Google empfiehlt weniger Denkaufwand bei einfachen Aufgaben. In der Praxis gilt deshalb: Mit einem direkten Prompt beginnen und die Komplexität erst erhöhen, wenn eigene Auswertungen dies rechtfertigen. Leitfaden zu GPT-4.1, Googles Thinking-Empfehlungen für Gemini.

Fehlende Informationen sind ein anderes Problem. Wurde die relevante Richtlinie gar nicht bereitgestellt, hilft die Aufforderung zu ausführlicherem Nachdenken nicht weiter. Dann muss die Richtlinie abgerufen und ihre Version bestimmt werden. Ist die Eingabe zu umfangreich, muss zuerst geklärt werden, was in das Kontextfenster, also den verfügbaren Arbeitsbereich des Modells, gelangt. Erst danach lohnt sich ein Versuch mit mehr Denkaufwand.

Auch eine starre Methode kann an der Aufgabe vorbeigehen. Ein Bestandsbeispiel mit Zugängen und Abgängen sagt nichts über Retouren, beschädigte Ware oder reservierte Bestände aus. Beispiele müssen repräsentativ sein, und das Modell muss fehlende Regeln benennen dürfen.

Was belegen die ursprünglichen Benchmark-Zahlen?

Der ursprüngliche Benchmark belegt ein historisches Ergebnis für eine festgelegte Aufgabe. Er verspricht keinen Genauigkeitsgewinn im Unternehmen. In ihrer NeurIPS-Veröffentlichung von 2022 berichten Wei und seine Mitautoren für PaLM 540B auf GSM8K, einem Benchmark mit mathematischen Textaufgaben, eine Genauigkeit von 17.9% mit Standard-Prompting und 56.9% mit Chain-of-Thought-Prompting. Der Versuchsaufbau nutzte acht ausgearbeitete Beispiele. Die Zahlen stammen aus Tabelle 1 der überarbeiteten Fassung vom 10. Januar 2023. Veröffentlichung und Ergebnisse.

Aus diesen Werten lässt sich kein erwarteter Gewinn für die Rechnungsextraktion, Erstattungsempfehlungen oder ein heutiges Reasoning-Modell ableiten. Modell, Benchmark und Prompt-Aufbau sind jeweils entscheidend. Die Zahlen erklären, weshalb die Technik Aufmerksamkeit erhielt. Die für den eigenen Einsatz vorgesehene Aufgabe muss anschließend selbst gemessen werden.

Was wird bei Chain of Thought überschätzt?

Eine überzeugende Erklärung ist kein vollständiges Prüfprotokoll. In einer am 3. April 2025 veröffentlichten Untersuchung fand Anthropic Fälle, in denen Modelle bereitgestellte Hinweise nutzten, diesen Einfluss in ihren Erklärungen aber nicht erwähnten. Die Experimente beschränkten sich auf kontrollierte Szenarien mit bestimmten Modellen und Aufgaben und liefern keine Messwerte für sämtliche betrieblichen Abläufe. Dennoch zeigen sie, weshalb eine Begründung nicht als Beweis dafür gelten darf, wie eine Antwort zustande kam. Anthropics Forschung zur Verlässlichkeit von Erklärungen.

Damit eine Entscheidung überprüfbar bleibt, müssen die bereitgestellten Dokumente, abgerufenen Datensätze, Tool-Ergebnisse, angewandten Regeln und die endgültige Ausgabe erhalten bleiben. Quellenverweise sind mit dem Original abzugleichen, Berechnungen nach Möglichkeit nachzurechnen. Eine vom Modell formulierte Erklärung kann die Prüfung einer Empfehlung erleichtern, ersetzt diese Unterlagen aber nicht.

Ebenso überzogen ist die Behauptung, Reasoning-Modelle machten die Gestaltung von Prompts bedeutungslos. Sie verändern, was vorgegeben werden muss. Geschäftsziel, zulässige Beleggrundlage, Umgang mit Ausnahmen und Ausgabeformat bleiben in der Verantwortung der Anwender.

Was lässt sich diese Woche im eigenen Workflow verbessern?

Handlungsbedarf besteht, wenn jede Anfrage pauschal mit „Denke Schritt für Schritt“ versehen wird. In der Entwicklung sollte getestet werden, diese Anweisung bei routinemäßiger Datenextraktion wegzulassen und direkte Aufgaben-Prompts anhand derselben Fälle zu vergleichen. In der fachlichen Arbeit sollten Anforderungen nach erschöpfenden Denkprotokollen durch eine klar definierte Prüfgrundlage ersetzt werden: Belege, Berechnungen, Annahmen und eine knappe Empfehlung.

Ein funktionierender Prompt bleibt bestehen, während sein Ersatz getestet wird. Ein Modell ohne eigene Reasoning-Funktion, das nützliche Beispiele verwendet, ist nicht automatisch überholt. Der Wechsel zu einem Reasoning-Modell ist Anlass für eine erneute Prüfung, aber kein Beleg dafür, dass der bisherige Workflow abgeschafft werden sollte.

1. 1

   Eine Aufgabe mit überprüfbarer Antwort wählen

   Geeignet ist eine wiederkehrende Tätigkeit wie das Auslesen von Rechnungsfeldern oder ein Bestandsabgleich. Festzuhalten ist, was als korrekt gilt, wann fehlende Informationen gemeldet werden sollen und was die Software aus der Ausgabe auslesen können muss.

2. 2

   Jeweils nur eine Änderung vergleichen

   Beim Vergleich eines direkten Prompts mit einem Prompt samt ausgearbeitetem Beispiel bleiben Modell und Eingabefälle unverändert. Anschließend wird bei einem Reasoning-Modell der Prompt beibehalten und eine unterstützte Effort-Stufe verändert. Erfasst werden die Richtigkeit der Antwort, der Umgang mit fehlenden Belegen, die Bearbeitungszeit und der Tokenverbrauch.

3. 3

   Nur Änderungen mit nachweisbarem Nutzen übernehmen

   Für Berechnungen und exakt zu übernehmende Felder sind deterministische Prüfungen vorzuziehen. Wo eine Abwägung erforderlich ist, helfen ein Bewertungsraster und menschliche Prüfung. Ein LLM als Bewerter kann die Auswertung größerer Mengen erleichtern, doch auch seine Bewertungen müssen kalibriert werden. Eingesetzt wird die Variante, die die Anforderungen an Qualität und Antwortzeit erfüllt.

Der konkrete Schritt für Montag: Einen Prompt aus einer wiederkehrenden betrieblichen Aufgabe auswählen, die für seine Prüfung benötigten Belege festlegen und den beschriebenen Vergleich durchführen. Beibehalten wird die einfachste Konfiguration, die alle Prüfungen besteht.

Häufige Fragen zu Chain-of-Thought-Prompting

Was ist Chain-of-Thought-Prompting?

Dabei erhält ein Sprachmodell Zwischenschritte oder ausgearbeitete Beispiele, die zur endgültigen Antwort führen. Die ursprüngliche Few-Shot-Technik führt eine Methode vor; Zero-Shot-CoT fordert Zwischenschritte ohne vorgegebene Beispiele an.

Wie sieht ein Beispiel für eine Gedankenkette aus?

Beim KI-Prompting ist eine ausgearbeitete Bestandsrechnung ein Beispiel: Anfangsbestand minus Abgänge plus Zugänge ergibt den Endbestand. Wird diese Rechnung zusammen mit einem gelösten Beispiel bereitgestellt, zeigt sie, wie eine ähnliche Frage bearbeitet werden kann.

Wie lautet ein konkreter Chain-of-Thought-Prompt?

„Der Anfangsbestand beträgt 18 Stück. 7 Stück werden versandt, 4 kommen hinzu. Wie viele bleiben übrig? Denken wir Schritt für Schritt.“ Das veranschaulicht Zero-Shot-CoT. Bei einem Modell mit eigener Reasoning-Funktion lassen sich stattdessen der Endbestand und eine nachvollziehbare Berechnung als endgültiges Ergebnis anfordern.

Ist Chain-of-Thought-Prompting noch relevant?

Ja, insbesondere für Modelle, die von ausdrücklich vorgeführten Lösungswegen profitieren, und für Aufgaben, bei denen eine ausgearbeitete Erklärung nützlich ist. Mit Reasoning-Modellen ändert sich der Ausgangspunkt: Zuerst kommen klare Anweisungen und die vorgesehenen Reasoning-Einstellungen. Beispiele oder Anforderungen an die Erklärung werden dort ergänzt, wo sie helfen.

Wer hat Chain-of-Thought-Prompting entwickelt?

Jason Wei und seine Mitautoren stellten die unter diesem Namen bekannte Technik 2022 in Chain-of-Thought Prompting Elicits Reasoning in Large Language Models vor. Sie kombinierten natürlichsprachliche Erläuterungen von Zwischenschritten mit Beispielen im Prompt und bauten damit auf früheren Arbeiten zu Begründungen und Prompting auf.

Was ist der wichtigste Vorteil von Chain-of-Thought-Prompting?

Die Technik kann einem geeigneten Modell helfen, ein Problem über Zwischenschritte zu bearbeiten, statt unmittelbar zu einer Antwort zu springen. Ob dies den eigenen Workflow verbessert, hängt vom Modell und von der Aufgabe ab. Eine längere Erklärung ist für sich genommen kein Qualitätsmerkmal.

Was unterscheidet Prompt Chaining von Chain-of-Thought-Prompting?

Prompt Chaining verteilt einen Ablauf auf mehrere Modellaufrufe und reicht jeweils ein Ergebnis an den nächsten Aufruf weiter. Chain-of-Thought-Prompting betrifft dagegen Zwischenschritte innerhalb eines Prompt-Beispiels oder einer Antwort. Ein Workflow kann beides nutzen; es handelt sich jedoch um getrennte Gestaltungsentscheidungen.

Praktische Anleitungen für nützliche KI-Workflows gibt es im Newsletter.