Chain of ThoughtDefinition und Funktionsweise 2026
- Chain of Thought
- Eine Prompting-Technik, bei der das LLM aufgefordert wird, sein Reasoning Schritt für Schritt offenzulegen — statt nur die finale Antwort zu geben.
Chain-of-Thought wurde 2022 als Prompting-Pattern eingeführt und ist seitdem fast überall integriert. Statt „Was ist 17 × 24?" mit „408" zu beantworten, schreibt das Modell: „17 × 24 = 17 × 20 + 17 × 4 = 340 + 68 = 408." Der Output ist länger, aber genauer — besonders bei mehrschrittigen Aufgaben.
2026er-Spitzenmodelle (Claude Sonnet 4.x, GPT-5, Gemini Pro 2.x) haben Chain-of-Thought als „Reasoning Mode" eingebaut. Sie produzieren interne Reasoning-Spuren, die teilweise versteckt sind, sich aber im Output-Token-Verbrauch widerspiegeln. Test-Time-Compute-Skalierung erlaubt es, mehr Reasoning für schwierigere Probleme einzusetzen.
Praxis: Chain-of-Thought ist die billigste Verbesserung für Logik-Probleme. Ein simpler „Lass uns Schritt für Schritt denken"-Suffix hebt Mathematik-Benchmarks oft um 10-30 Prozentpunkte. Bei Reasoning-Modellen passiert das automatisch.
Häufig gefragt
Brauche ich Chain-of-Thought mit modernen Reasoning-Modellen noch?+
Implizit ja — sie machen es automatisch. Explizit selten nötig. Aber für Spezialfälle (kreative Probleme, ungewöhnliche Domänen) kann ein expliziter Chain-of-Thought-Suffix noch helfen.
Welche Probleme profitieren am meisten von CoT?+
Mehrschrittige Mathematik, Logik-Rätsel, mehrteilige Programmieraufgaben, juristisches Reasoning, multi-step Recherche-Synthese. Wenn die Antwort aus Zwischenschritten zusammengesetzt werden muss, hilft CoT.
Kostet Chain-of-Thought mehr?+
Ja — der Output ist 3-10× länger und damit teurer. Bei reinen Wissens-Fragen ist es Verschwendung. Bei Logik-Fragen lohnt es sich, weil die Genauigkeit dramatisch steigt.