Chain-of-Thought Prompting: Praktischer Leitfaden (2026)

Im Kern bedeutet Chain-of-Thought (CoT), das Modell aufzufordern, seine Arbeit zu zeigen. Statt "Was ist die Antwort?" fragen Sie "Arbeite das Schritt für Schritt durch, dann gib die Antwort." Das Modell erzeugt eine Sequenz von Zwischenschritten, und die endgültige Antwort ergibt sich aus dieser Sequenz.

Es gibt zwei gängige Formen. Zero-Shot CoT fügt einen Trigger-Satz wie "Lass uns Schritt für Schritt denken" ohne Beispiele hinzu. Few-Shot CoT zeigt dem Modell ein oder mehrere durchgearbeitete Beispiele, die das Reasoning enthalten, und fordert es dann auf, ein neues Problem auf die gleiche Weise zu lösen. Das ursprüngliche Wei et al. 2022 Papier demonstrierte die Few-Shot-Form; der Zero-Shot-Trigger kam bald darauf und ist jetzt der alltägliche Standard.

Der Mechanismus ist unkompliziert: Das Erzeugen von Zwischentoken gibt dem Modell mehr Berechnung für das Problem und zwingt jede Schlussfolgerung, auf einem expliziten vorherigen Schritt basiert zu sein. Fehler, die durch eine direkte Antwort schlüpfen, werden oft sichtbar – und korrigiert – wenn das Reasoning ausführlich dargelegt wird.

CoT zahlt sich bei Problemen mit mehreren abhängigen Schritten aus. Die eindeutigsten Gewinne, konsistent mit den Erkenntnissen in Wei et al. 2022:

**Arithmetik und Textaufgaben.** Alles, wo die Antwort von einer Kette von Berechnungen abhängt. Das Anzeigen der Schritte erfasst die Off-by-One- und Reihenfolge-Fehler, die direkte Antworten machen.

**Mehrstufiges Reasoning.** Fragen, die mehrere Fakten kombinieren erfordern ("X ereignete sich vor Y, und Y verursachte Z, also..."). Das Aufzeigen der Schritte verhindert, dass das Modell einen Link überspringt.

**Logische Deduktion und Constraint-Probleme.** Rätsel, Planung, Berechtigungsregeln – überall dort, wo die Antwort mehrere Bedingungen gleichzeitig erfüllen muss.

**Entscheidungen mit expliziten Kriterien.** Wenn Sie möchten, dass das Modell Optionen gegen angegebene Kriterien abwägt, anstatt zu einer plausiblen Antwort zu passen, verbessert das Auffordern zur Bewertung jedes Kriteriums der Reihe nach die Konsistenz.

CoT ist nicht kostenlos und nicht immer nützlich. Überspringen Sie es – oder erwarten Sie wenig Nutzen – in diesen Fällen:

**Einfache Lookups und einstufige Aufgaben.** Ein Modell aufzufordern, "Schritt für Schritt zu reasoning" über eine einstufige Tatsache verbraucht einfach Token und Latenz ohne Genauitzgewinn.

**Offene kreative Arbeit.** Das Erzwingen expliziten Reasoning kann Ton flach machen und Ausgaben mechanisch wirken lassen. Kreative Aufgaben wünschen sich normalerweise starke Anweisungen, keine sichtbare Deduktionskette.

**Moderne Reasoning-Modelle führen es bereits intern durch.** Dies ist die größte Verschiebung 2026. Die heutigen frontier Reasoning-Modelle – einschließlich OpenAI's Reasoning-orientierten Modellen und Anthropic's Claude Opus 4.8 und Sonnet 4.6 – führen umfassendes internes Schritt-für-Schritt-Reasoning durch, bevor sie antworten. Das Hinzufügen einer expliziten "denke Schritt für Schritt" Anweisung zu diesen Modellen trägt oft wenig bei, da die Arbeit bereits unter der Haube geschieht. Weitere Informationen finden Sie in der Claude Prompt-Engineering-Übersicht und dem OpenAI Prompting Guide.

Die praktische Regel für 2026: Wählen Sie explizites CoT, wenn Sie auf einem schnellen, nicht-Reasoning-Modell sind (die günstigeren, niedrigeren Latenz-Tiers) und die Aufgabe mehrere Schritte hat. Bei einem dedizierten Reasoning-Modell beginnen Sie mit einer klaren Problemformulierung und lassen das Modell reasoning; fügen Sie explizite Schritt-Anweisungen nur hinzu, wenn die Ausgabe noch Schritte überspringt.

Verwenden Sie explizites CoT wenn: die Aufgabe mehrere abhängige Schritte hat (Mathe, Logik, mehrstufig), UND Sie auf einem schnellen, nicht-Reasoning-Modell-Tier sind, wo das Reasoning nicht bereits intern stattfindet. Auch nützlich, wenn Sie das Reasoning für Auditing oder Debugging sichtbar benötigen.
Überspringen Sie explizites CoT wenn: die Aufgabe ein einstufiger Lookup ist, die Ausgabe kreativ/stilistisch ist, oder Sie bereits auf einem frontier Reasoning-Modell sind, das Schritt-für-Schritt-Reasoning intern durchführt – in diesem Fall schlägt normalerweise eine klare Problemformulierung ein hinzugefügtes 'denke Schritt für Schritt'.

Hier ist ein direkter Antwort-Prompt, der schnelle, nicht-Reasoning-Modelle häufig bei mehrstufiger Mathematik verwirrt:

``` Ein Laden verkauft Notizbücher zu je $3. Wenn Sie 10 oder mehr kaufen, erhalten Sie 15% Rabatt auf die gesamte Bestellung. Ich kaufe 12. Wie hoch ist die Gesamtsumme? ```

Direkte Antworten wenden den Rabatt manchmal nur auf einen Teil der Bestellung an oder verrechnen den Prozentsatz falsch. Jetzt die Chain-of-Thought-Version:

``` Ein Laden verkauft Notizbücher zu je $3. Der Kauf von 10 oder mehr gibt 15% Rabatt auf die gesamte Bestellung. Ich kaufe 12. Reasoning Schritt für Schritt: 1. Berechnen Sie die Zwischensumme vor dem Rabatt. 2. Überprüfen Sie, ob der 10+-Rabatt gilt. 3. Wenden Sie den Rabatt auf die gesamte Zwischensumme an. 4. Geben Sie die endgültige Gesamtsumme an. Geben Sie dann die endgültige Gesamtsumme auf einer eigenen Zeile an als: TOTAL: $X.XX ```

Das nummerierte Gerüst zwingt jeden Schritt und fixiert das Ausgabeformat, damit die Antwort leicht zu extrahieren ist. Erwartetes Reasoning:

> 1. Zwischensumme = 12 x $3 = $36.00 > 2. 12 >= 10, also gilt der 15%-Rabatt. > 3. Rabatt = $36.00 x 0.15 = $5.40; $36.00 - $5.40 = $30.60 > 4. TOTAL: $30.60

---

Ein zweites Muster: Few-Shot CoT für eine Klassifizierungsaufgabe mit Reasoning. Zeigen Sie ein durchgearbeitetes Beispiel, dann fordern Sie dieselbe Struktur an:

``` Klassifizieren Sie jedes Support-Ticket als URGENT, NORMAL, oder LOW. Erklären Sie Ihr Reasoning in einem Satz, dann geben Sie das Label an. Ticket: "Checkout wirft für alle Benutzer seit 20 Minuten einen 500-Fehler." Reasoning: Ein totaler Checkout-Ausfall blockiert Einnahmen für jeden Kunden, daher ist es die höchste Schweregrad. Label: URGENT Ticket: "Können Sie die Schriftart auf meinem Rechnungs-PDF ändern?" Reasoning: Label: ```

Das durchgearbeitete Beispiel lehrt den Reasoning-Stil und die Ausgabeform gleichzeitig – viel zuverlässiger als das Beschreiben des Formats in Prosa.

Chain-of-Thought ist die Grundlage für mehrere fortgeschrittenere Muster. Self-Consistency beprobt mehrere Reasoning-Ketten und nimmt die Majoritätsantwort. Tree of Thoughts (arXiv:2305.10601) erkundet einen verzweigenden Baum von Reasoning-Pfaden und schneidet schwache Äste. ReAct (arXiv:2210.03629) verschachtelt Reasoning-Schritte mit Tool-Aufrufen, was die Grundlage der meisten modernen Agents ist.

Für alltägliche Arbeit benötigen Sie selten die exotischen Varianten. Einfaches Zero-Shot CoT ("reasoning Schritt für Schritt, dann Antwort") bei mehrstufigen Aufgaben deckt die große Mehrheit echter Nutzung ab. Fügen Sie ein durchgearbeitetes Beispiel (Few-Shot CoT) hinzu, wenn Sie auch einen bestimmten Reasoning-Stil oder ein Ausgabeformat festlegen müssen.