​

Die Gedankenkette (Chain of Thought, CoT) leitet KI-Modelle an, komplexe Aufgaben in logische, schrittweise Prozesse zu zerlegen, was die Genauigkeit, Zuverlässigkeit und Erklärbarkeit von KI-Antworten verbessert.
CoT-Reasoning ahmt menschliches Problemlösen nach, indem es die KI ermutigt:
  1. Das Problem zu analysieren
  2. Es in kleinere, handhabbare Teile zu zerlegen
  3. Jeden Teil sequenziell zu lösen
  4. Die Ergebnisse zu einer endgültigen Schlussfolgerung zu kombinieren

​
CoT in Prompts implementieren

1

Explizite Anweisungen

Sagen Sie der KI, dass sie das Problem Schritt für Schritt durchdenken soll. Beispiel: “Bevor Sie Ihre endgültige Antwort geben, zerlegen Sie bitte das Problem und lösen Sie es Schritt für Schritt.”
2

Fragen-Zerlegung

Leiten Sie die KI an, komplexe Anfragen in kleinere, handhabbarere Fragen zu zerlegen. Beispiel: “Um dies zu lösen, gehen wir es stufenweise an. Erstens, was sind die Schlüsselkomponenten des Problems? Zweitens, wie hängen diese Komponenten zusammen? Drittens, …”
3

Zwischenschritte

Ermutigen Sie die KI, ihre Arbeit zu zeigen, indem sie Zwischenergebnisse liefert. Beispiel: “Während Sie dieses Problem lösen, teilen Sie bitte Ihren Denkprozess in jeder Phase mit, einschliesslich aller Zwischenberechnungen oder Überlegungen.”
4

Logische Verbindungswörter

Verwenden Sie Wörter wie “daher”, “weil”, “als Ergebnis”, um logische Verbindungen zwischen den Schritten zu fördern.
5

Überprüfungs-Prompts

Bitten Sie die KI, ihre eigene Arbeit zu überprüfen. Beispiel: “Nachdem Sie zu einer Schlussfolgerung gekommen sind, überprüfen Sie bitte Ihre Schritte und stellen Sie sicher, dass sie logisch zu Ihrer endgültigen Antwort führen.”