Was ist Chain-of-Thought?
Chain-of-Thought (CoT) ist eine Prompting-Technik, bei der die KI angewiesen wird, ihre Überlegungsschritte sichtbar zu machen – bevor sie die Antwort gibt.
- Statt direkter Antwort: KI zeigt den Denkweg
- Verbessert Ergebnisse bei komplexen, mehrstufigen Aufgaben
- Fehler werden früher sichtbar – und korrigierbar
- Entwickelt von Google Brain (Wei et al., 2022)
Sichtbares Denken ist besser prüfbares Denken.
Normaler Prompt vs. CoT-Prompt
Ohne CoT
Direkte Frage
„Welche IP-Adresse sollte ich dem neuen Server vergeben?"
KI gibt eine Antwort – ohne Herleitung. Richtigkeit unklar. Kontext fehlt.
Mit CoT
Denkschritte einfordern
„Analysiere unser Subnetz 192.168.10.0/24, prüfe die belegten Adressen und erkläre Schritt für Schritt, welche IP du vergeben würdest."
KI zeigt den Weg – nachvollziehbar und prüfbar.
Aktivierung: „Denke Schritt für Schritt"
Der einfachste Weg CoT zu aktivieren: eine kurze Aufforderung im Prompt.
„Denke Schritt für Schritt."
„Erkläre deinen Gedankengang."
„Gehe systematisch vor und zeige jeden Schritt."
- Funktioniert bei fast allen modernen Modellen
- Kein spezielles Format nötig – natürliche Sprache reicht
- Kombination mit Rollenübernahme besonders wirkungsvoll
- Englisch: „Let's think step by step" (klassische Formulierung)
Wann lohnt sich CoT?
Ja
Fehleranalyse
Logs, Fehlermeldungen systematisch durchgehen
Ja
Entscheidungen
Mehrere Optionen mit Kriterien abwägen
Ja
Risikoanalyse
Szenarien und Auswirkungen bewerten
Ja
Komplexe Planung
Migrationen, Rollouts, Sicherheitskonzepte
Nein
Einfache Fragen
Definitionen, einfache Erklärungen – CoT bläht auf
Nein
Schnelle Listen
Aufzählungen, Kurzantworten brauchen keine Herleitung
Praxisbeispiel: Docker-Fehleranalyse
Aufgabe: Ein Container startet nicht. Die Fehlermeldung lautet: „port is already allocated".
„Du bist ein Docker-Experte. Analysiere diese Fehlermeldung Schritt für Schritt:
1. Was bedeutet der Fehler genau?
2. Was sind die häufigsten Ursachen?
3. Welche Befehle helfen bei der Diagnose?
4. Welche Lösung empfiehlst du?"
- KI prüft: Port belegt → welcher Prozess? → docker ps, netstat, lsof
- KI schlägt konkrete Lösungsschritte vor – nicht nur den Fehler beschreiben
Praxisbeispiel: Netzwerk-Troubleshooting
Aufgabe: Ein Server ist nicht erreichbar. Kein Ping, kein SSH.
„Gehe systematisch vor: Prüfe Layer für Layer (Physical → Network → Transport → Application), welche Ursachen auf jeder Ebene möglich sind und welche Diagnosebefehle du auf einem Linux-System einsetzen würdest."
- KI strukturiert das Problem nach OSI-Modell
- Jede Ebene: Symptome, Befehle, mögliche Ursachen
- Ergebnis: vollständige Checkliste statt Raten
Zero-Shot CoT vs. Few-Shot CoT
Zero-Shot CoT
„Denke Schritt für Schritt"
Kein Beispiel nötig – die Aufforderung reicht. Einfachste Variante. Funktioniert bei GPT-4, Claude, Gemini out of the box.
Ideal für: schnelle Analyse, einmalige Aufgaben.
Few-Shot CoT
Mit Beispielen
Ein oder zwei vollständige Beispiele zeigen das gewünschte Denkmuster. KI lernt das Format und wendet es an.
Ideal für: wiederkehrende Aufgaben, wenn das Format wichtig ist.
Grenzen von Chain-of-Thought
- Längere Antworten: CoT kostet mehr Tokens – und damit mehr Zeit und Geld
- Falsche Schritte: KI kann plausibel klingende, aber falsche Gedankenketten produzieren
- Kein echtes Denken: Sichtbare Gedanken sind Textmuster – keine Logik im technischen Sinn
- Überprüfung nötig: Auch bei CoT müssen Ergebnisse geprüft werden
- Kleine Modelle profitieren weniger: CoT entfaltet sich erst bei größeren Modellen
Sichtbarer Denkweg ≠ richtiger Denkweg. Prüfen bleibt Pflicht.
Zusammenfassung
- CoT lässt die KI den Denkweg sichtbar machen – vor der Antwort
- Aktivierung: „Denke Schritt für Schritt" oder strukturierte Teilfragen
- Besonders nützlich bei Fehleranalyse, Entscheidungen und Planung
- Zero-Shot CoT reicht meist – Few-Shot CoT für konsistente Formate
- Grenzen kennen: mehr Tokens, kein Garant für Richtigkeit
Wer die KI denken lässt, versteht die Antwort besser – und erkennt Fehler schneller.