Chain of Thought — Schritt für Schritt zum besseren Ergebnis
Chain of Thought ist eine Prompting-Technik, bei der das LLM Schritt für Schritt denkt, bevor es eine Antwort gibt.
Was ist Chain of Thought?
Chain of Thought (CoT) ist eine Prompting-Technik, bei der du das LLM aufforderst, seinen Denkprozess sichtbar zu machen, bevor es eine endgültige Antwort liefert. Statt direkt eine Lösung auszugeben, geht das Modell die Aufgabe Schritt für Schritt durch — ähnlich wie du es auf einem Schmierzettel tun würdest.
Die einfachste Form: Füge an deine Anfrage den Satz „Denke Schritt für Schritt" hinzu. Das klingt simpel, verbessert die Ergebnisse bei komplexen Aufgaben aber erheblich.
Warum funktioniert das?
LLMs generieren Text Token für Token. Wenn ein Modell sofort eine Antwort ausgeben muss, hat es keine Möglichkeit, Zwischenschritte zu verarbeiten. Durch Chain of Thought gibst du dem Modell Raum, Teilprobleme nacheinander zu lösen. Jeder generierte Zwischenschritt liefert Kontext für den nächsten — das Modell „denkt" sich quasi zur richtigen Lösung vor.
Wann solltest du CoT einsetzen?
Chain of Thought bringt den größten Vorteil bei:
- Mathematischen Aufgaben: Berechnungen, bei denen mehrere Schritte nötig sind.
- Logischen Problemen: Wenn das Modell Bedingungen abwägen muss.
- Code-Debugging: „Gehe den Code Zeile für Zeile durch und finde den Fehler."
- Komplexen Entscheidungen: „Wäge die Vor- und Nachteile ab, bevor du eine Empfehlung gibst."
Bei einfachen Fragen wie „Was ist die Hauptstadt von Deutschland?" ist CoT unnötig und verschwendet nur Tokens.
Chain of Thought im Vibe Coding
Wenn du mit Cursor, Claude Code oder einem anderen KI-Tool programmierst, kannst du CoT gezielt einsetzen. Statt „Erstelle eine Login-Seite" schreibst du: „Überlege zuerst, welche Komponenten eine Login-Seite braucht, welche Validierung nötig ist und welche Sicherheitsaspekte wichtig sind. Erstelle dann die Implementierung Schritt für Schritt."
Das Ergebnis ist gründlicher durchdacht und enthält weniger Fehler. Besonders bei komplexen Prompts lohnt sich dieser kleine Zusatz enorm — probiere es einfach mal aus.
Häufige Fragen
Was ist Chain of Thought?
Chain of Thought (CoT) ist eine Prompting-Technik, bei der du ein LLM aufforderst, seinen Denkprozess sichtbar zu machen, bevor es eine endgültige Antwort liefert. Statt direkt eine Lösung auszugeben, geht das Modell die Aufgabe Schritt für Schritt durch. Die einfachste Form ist der Zusatz „Denke Schritt für Schritt" im Prompt — das verbessert die Ergebnisse bei komplexen Aufgaben erheblich.
Warum funktioniert Chain of Thought?
LLMs generieren Text Token für Token. Muss das Modell sofort eine Antwort ausgeben, kann es keine Zwischenschritte verarbeiten. Chain of Thought gibt dem Modell Raum, Teilprobleme nacheinander zu lösen. Jeder generierte Zwischenschritt liefert Kontext für den nächsten — das Modell denkt sich so schrittweise zur richtigen Lösung vor, statt direkt zur Antwort zu springen.
Wann sollte man Chain of Thought einsetzen?
Chain of Thought bringt den größten Vorteil bei mathematischen Aufgaben mit mehreren Rechenschritten, logischen Problemen, Code-Debugging und komplexen Entscheidungen, bei denen Vor- und Nachteile abgewogen werden müssen. Bei einfachen Faktenfragen wie „Was ist die Hauptstadt von Deutschland?" ist die Technik dagegen unnötig und verschwendet nur Tokens.
Quellen
- Chain-of-Thought Prompting Elicits Reasoning in Large Language Models — arXiv (abgerufen 2026-07-13)
Verwandte Artikel
System Prompt — Die versteckte Anweisung hinter der KI
Ein System Prompt ist eine versteckte Anweisung, die das Verhalten, die Rolle und die Regeln eines LLMs definiert.
Temperature — Kreativität und Zufälligkeit von KI steuern
Temperature ist ein Parameter, der steuert, wie kreativ oder vorhersagbar die Antworten eines LLMs ausfallen.
Fine-Tuning — Ein LLM auf eigene Daten spezialisieren
Fine-Tuning bedeutet, ein vortrainiertes LLM mit eigenen Daten weiterzutrainieren, um es für spezielle Aufgaben zu optimieren.