---
term: "Chain-of-Thought Prompting"
slug: "chain-of-thought-prompting"
glossar_id: "G183"
variants: []
category: "reasoning-und-test-time-compute"
marker: ""
short: "Aufforderung, einen Lösungsweg schrittweise zu entwickeln."
sources:
  - label: "Wei et al.: Chain-of-Thought Prompting"
    url: "https://arxiv.org/pdf/2201.11903"
  - label: "Kojima et al.: Zero-Shot Reasoners"
    url: "https://arxiv.org/pdf/2205.11916"
  - label: "OpenAI: Reasoning Models"
    url: "https://developers.openai.com/api/docs/guides/reasoning"
  - label: "OpenAI: Reasoning Best Practices"
    url: "https://developers.openai.com/api/docs/guides/reasoning-best-practices"
status: "entwurf"
updated: "2026-09-21"
---

Chain-of-Thought Prompting ist die Gestaltung einer Eingabe, die ein Sprachmodell zur Erzeugung von Zwischenschritten vor seiner Antwort anregen soll. [Wei et al.: Chain-of-Thought Prompting](https://arxiv.org/pdf/2201.11903) Die ursprüngliche Methode verwendet dafür vorgeführte Aufgaben samt schrittweisem Lösungsweg und Endergebnis. [Wei et al.: Chain-of-Thought Prompting](https://arxiv.org/pdf/2201.11903)

## Den Bearbeitungsweg vormachen

Gewöhnliche Few-Shot-Beispiele zeigen eine Eingabe und die gewünschte Ausgabe. [Wei et al.: Chain-of-Thought Prompting](https://arxiv.org/pdf/2201.11903) Bei Few-Shot CoT kommt zwischen beidem ein Lösungsweg hinzu, etwa die Zerlegung einer mehrstufigen Rechenaufgabe. [Wei et al.: Chain-of-Thought Prompting](https://arxiv.org/pdf/2201.11903)

Eine spätere Zero-Shot-Variante verzichtet auf solche Demonstrationen und nutzt stattdessen eine allgemeine Aufforderung zum schrittweisen Bearbeiten. [Kojima et al.: Zero-Shot Reasoners](https://arxiv.org/pdf/2205.11916) Beide Ansätze verändern die Eingabe zur Bearbeitungszeit und erfordern in den beschriebenen Verfahren kein zusätzliches Training der Modellgewichte. [Wei et al.: Chain-of-Thought Prompting](https://arxiv.org/pdf/2201.11903) [Kojima et al.: Zero-Shot Reasoners](https://arxiv.org/pdf/2205.11916)

Der Begriff bezeichnet damit eine Prompting-Methode, keine bestimmte Modellarchitektur. [Wei et al.: Chain-of-Thought Prompting](https://arxiv.org/pdf/2201.11903) Er ist auch nicht gleichbedeutend mit einem technischen Regler, der zusätzliche Reasoning-Verarbeitung eines dafür ausgelegten Modells steuert. [OpenAI: Reasoning Models](https://developers.openai.com/api/docs/guides/reasoning)

## So kannst du dir das vorstellen

Du möchtest hypothetisch Liefermengen aus mehreren Angaben ableiten lassen. Statt nur eine fertige Musterantwort vorzugeben, zeigst du an einem einfachen Fall, wie Gesamtbedarf, vorhandener Bestand und offene Menge zusammenhängen.

Danach folgt die neue Aufgabe mit anderen Angaben. Das Modell soll das demonstrierte Bearbeitungsmuster auf diesen Fall übertragen.

Für einen fachlichen Prüfprozess würde ich zusätzlich verlangen, die verwendeten Ausgangswerte und das überprüfbare Ergebnis zu nennen. Das wäre eine Anforderung an die Nachvollziehbarkeit, keine Garantie für einen vollständigen Einblick in interne Modellvorgänge.

## Nicht für jedes Modell dieselbe Empfehlung

Für Modelle, die bereits auf internes Reasoning ausgelegt sind, gelten einfache, direkte Aufgaben als besser geeignet; zusätzliche Standardaufforderungen wie „Denke Schritt für Schritt“ können dort unnötig sein oder stören. [OpenAI: Reasoning Best Practices](https://developers.openai.com/api/docs/guides/reasoning-best-practices) Die historische CoT-Technik ist deshalb keine universelle Rezeptur für jede aktuelle Schnittstelle.

Auch die ursprüngliche Forschungsarbeit berichtet modell- und aufgabenabhängige Ergebnisse sowie falsche oder unlogische Lösungswege. [Wei et al.: Chain-of-Thought Prompting](https://arxiv.org/pdf/2201.11903) Ob der zusätzliche Promptbestandteil nützt, sollte anhand passender Testfälle geprüft werden.

## Verwandte Begriffe

**Chain of Thought**, **Zero-Shot CoT**, **Few-Shot CoT**, **Prompt Engineering**, **Reasoning Effort**.