Chain of Thought Prompting

Das Problem

KI-Modelle springen bei mehrstufigen Problemen haeufig zu voreiligen Schlussfolgerungen und liefern Antworten, die zwar selbstsicher klingen, aber entscheidende Nuancen uebersehen. Ohne explizite Denkschritte nimmt das Modell Abkuerzungen, die bei Mathematik, Logik, Planung und Analyseaufgaben zu falschen Ergebnissen fuehren.

Der Prompt

Denke Schritt fuer Schritt durch dieses Problem, bevor du deine endgueltige Antwort gibst.

PROBLEM:
[beschreibe deine Frage, Aufgabe oder dein Szenario hier]

Fuer jeden Schritt:
1. Formuliere, was du bisher weisst
2. Identifiziere die naechste logische Frage oder das naechste Teilproblem
3. Denke explizit darueber nach
4. Pruefe, ob deine Schlussfolgerung frueheren Schritten widerspricht

Nach allen Schritten liefere:
- **Endgueltige Antwort**: Deine Schlussfolgerung basierend auf der Denkkette
- **Sicherheit**: Wie sicher du dir bist (hoch/mittel/niedrig) und warum
- **Annahmen**: Welche Annahmen du auf dem Weg getroffen hast

Beispielausgabe

Schritt 1: Kernfrage identifizieren...
Wir muessen bestimmen, ob die Migration von REST zu GraphQL die API-Aufrufe fuer unser Dashboard reduziert.

Schritt 2: Aktuelle REST-Nutzung analysieren...
Das Dashboard macht 6 separate REST-Aufrufe beim Laden: /users, /projects, /stats, /notifications, /settings, /recent-activity.

Schritt 3: GraphQL-Alternative modellieren...
Eine einzelne GraphQL-Abfrage koennte alle 6 Datensaetze in einem Request abrufen, aber verschachtelte Resolver treffen im Backend moeglicherweise weiterhin 6 Datenbankabfragen.

Schritt 4: Abwaegung bewerten...
Frontend-Aufrufe sinken von 6 auf 1, aber die Backend-Komplexitaet steigt. Die Netto-Latenz verbessert sich, weil 5 Roundtrips entfallen.

Endgueltige Antwort: Die Migration reduziert Frontend-API-Aufrufe von 6 auf 1 und verbessert die wahrgenommene Performance um durchschnittlich ~400ms.
Sicherheit: Hoch — die Reduktion von Netzwerk-Roundtrips ist gut dokumentiert.
Annahmen: Die Backend-Resolver-Performance bleibt vergleichbar mit den aktuellen REST-Handlern.

Wann verwenden

Verwenden Sie diesen Skill bei Problemen, die mehrere Denkschritte erfordern — komplexe Debugging-Aufgaben, Architekturentscheidungen, Abwaegungsanalysen oder Logikraetsel. Besonders wirksam bei Aufgaben, bei denen die erste intuitive Antwort haeufig falsch ist.

Profi-Tipps

• Seien Sie spezifisch beim Fachgebiet — Kontext wie “Du analysierst eine React-18-App mit Server Components” grenzt die Argumentation auf relevante Muster ein.
• Fordern Sie Gegenargumente ein — ergaenzen Sie “Argumentiere nun gegen deine eigene Schlussfolgerung”, um die Denkkette einem Stresstest zu unterziehen.
• Kombinieren Sie mit Beispielen — zeigen Sie ein durchgearbeitetes Beispiel vor Ihrem eigentlichen Problem, damit das Modell die Tiefe und das Format der erwarteten Analyse widerspiegelt.