Chain-of-Thought-Prompting

Das hilft dort, wo eine schnelle Antwort einen Schritt überspringen würde, etwa bei einer Rabattrechnung oder einer Entscheidung mit mehreren Bedingungen. Außerdem kannst du das Ergebnis prüfen, denn ein falscher Zwischenschritt fällt leichter auf als eine falsche Endzahl.

So funktioniert es

Wei und Kollegen zeigten 2022: Enthält der Prompt Beispiele mit ausgeschriebenem Lösungsweg, lösen große Modelle mathematische Textaufgaben und andere mehrstufige Aufgaben deutlich besser. Später im selben Jahr fanden Kojima und Kollegen eine Variante ohne Beispiele. Schon der Satz „Let's think step by step“ vor der Antwort verbesserte die Ergebnisse.

Reasoning-Modelle machen das inzwischen intern, bei ihnen musst du selten danach fragen. Bei Standardmodellen hilft die Anweisung bei mehrstufiger Arbeit weiterhin. Lass dir den Lösungsweg in einem Abschnitt geben und die Antwort in einem eigenen. Dann kann eine Automatisierung nur die Antwort auslesen.

Beispiel

Eine Logistikleiterin bei einem Mittelständler will wissen, wie viele zusätzliche Lagerkräfte das Weihnachtsgeschäft braucht. Sie gibt dem Modell die Auftragsprognose und das Schichtmodell des Standorts und schreibt dazu: „Geh das Schritt für Schritt durch und nenn die Endzahl in einer eigenen Zeile.“ Am Lösungsweg sieht sie, dass das Modell mit Acht-Stunden-Schichten gerechnet hat. Der Standort arbeitet aber mit zehn Stunden. Sie korrigiert diesen einen Wert und lässt die Rechnung neu laufen.

Häufiger Fehler

Viele setzen „denk Schritt für Schritt“ in jeden Prompt. Bei einfachen Aufgaben wie einer Klassifizierung werden die Antworten dadurch langsamer und länger, aber nicht genauer. Nutz die Anweisung bei Aufgaben mit mehreren abhängigen Schritten und teste sie an deinen eigenen Beispielen, einmal mit und einmal ohne.