Reasoning-Prompt-Generator

Das passende Gerüst für das Problem wählen

Die fünf Techniken sind nicht austauschbar. Jede behebt ein anderes Fehlerbild, und die falsche fügt Rauschen hinzu, ohne die Genauigkeit zu erhöhen.

• Schritt für Schritt passt zu geordneten Ketten: Einheitenumrechnung, Datumsrechnung, Anspruchsregeln, das Debuggen eines Stacktrace. Das Modell hält Zwischenzustände fest, und sie aufzuschreiben verhindert Abdriften.
• Zerlegen passt zu Problemen, die breit statt tief sind. "Prüfe diesen Onboarding-Flow" sind sechs kleinere Fragen. Sie zu trennen verhindert, dass das Modell die einfachste beantwortet und es dabei belässt.
• Selbstprüfung passt dort, wo eine selbstbewusste Falschantwort teuer ist: Vertragsklauseln, SQL auf Produktivdaten, Preistabellen.
• Optionen vergleichen passt zu Fragen ohne eine einzige richtige Antwort, wo das Ergebnis eine begründbare Abwägung ist.
• Erst planen, dann ausführen passt zu langen Texten, bei denen die Struktur mehr zählt als jeder einzelne Satz: ein Migrations-Runbook, ein Kursplan, ein Bericht.

Schnelle Faustregel: Würdest du das Problem erst auf Papier skizzieren, hilft ein Gerüst. Würdest du die Antwort einfach abrufen, hilft es nicht. Der Grundlagen-Guide zeigt, wo diese Techniken neben Rollen- und Format-Prompting stehen.

Wann Denken hilft und wann es Tokens verbrennt

Bei mehrstufiger Arbeit zahlt sich Denken aus, weil sich Fehler aufschaukeln. Bei einer fünfstufigen Rechnung landest du mit 10 % Fehlerquote pro Schritt insgesamt unter einem Münzwurf. Jeden Schritt sichtbar zu machen legt einen Fehler offen, statt ihn stillschweigend in eine Endzahl einzubacken.

Bei Nachschlagefragen bringt es nichts. "In welchem Jahr wurde der Euro eingeführt?" wird mit "denk Schritt für Schritt" nicht richtiger. Du zahlst zusätzliche Tokens, wartest länger und bekommst manchmal Schlechteres, weil sich das Modell in einen umständlichen Irrweg hineinredet.

Anzeichen, dass ein Gerüst verschwendet ist:

• Die Antwort ist eine einzelne Tatsache.
• Die Ausgabe ist kürzer als ein Absatz.
• Du würdest die erste Antwort ungeprüft übernehmen.
• Du lässt es hunderte Male laufen und die Kosten zählen.

Schick beide Varianten durch den Token-Zähler, um die echte Zahl zu sehen. In der Masse ist die Differenz Geld, bei einem Einzelfall ist sie Rauschen.

Reasoning-Modelle haben die Arbeit verändert

Modelle, die vor der Antwort intern denken, haben verschoben, wie ein guter Prompt aussieht. Einem Modell mit Extended Thinking zu sagen "denk Schritt für Schritt" ist überflüssig; es tut das bereits auf einem verborgenen Notizblock, und die Anweisung liefert dir nur eine nachgestellte Zusammenfassung von Überlegungen, die längst fertig sind.

Was stattdessen hilft: nach Struktur fragen, die du überprüfen kannst. Verlange nicht das Denken — verlange seine Artefakte: getroffene Annahmen, die angewandte Regel, die verwendeten Eingaben, eine kurze Gegenprüfung an deinen Vorgaben. Der Chain-of-Thought-Artikel behandelt den Unterschied zwischen klassischem CoT und dem Prompting von Reasoning-Modellen; der Fortgeschrittenen-Guide ergänzt Muster zur Selbstkonsistenz.

Zerlegen und einen Syntheseschritt erzwingen

Der übliche Fehler beim Zerlegen ist ein Haufen zusammenhangloser Mini-Antworten. Das Modell teilt das Problem sechsfach auf, beantwortet jeden Teil kompetent und reicht dir Fragmente ohne Urteil — die Integration bleibt an dir, und die war der schwierige Teil.

Mach die Synthese zu einem expliziten Schlussschritt mit eigenen Regeln: jede Teilantwort referenzieren, Konflikte offen auflösen, eine Empfehlung ausgeben. Sag, was bei Widersprüchen passiert, sonst mittelt das Modell sie zu Brei.

Schick beide Gerüste durch den Prompt-Optimizer, um sie zu straffen, oder vorher durch den Analyzer, um vage Anweisungen aufzuspüren.

Ein Beispiel, in dem die Schritte die Antwort ändern

Probier das: *"Ein Laden schlägt 40 % auf einen Artikel auf und gibt dann 30 % Rabatt. Der Endpreis liegt bei 98 €. Was hat der Laden bezahlt?"*

Flach gefragt antworten Modelle oft 98 € / 1,1 ≈ 89 € und behandeln 40 % rauf und 30 % runter als netto 10 % Plus. Falsch, aber plausibel aussehend. Jetzt erzwing die Kette:

Die Schritte legen die Verkettung offen: Einkauf × 1,40 × 0,70 = Einkauf × 0,98 = 98 €, also Einkauf = 100 €. Die Prüfzeile fängt einen Ausrutscher ab, denn 89 € eingesetzt ergibt 87,22 €.

Die Lücke zwischen 89 € und 100 € ist das ganze Argument. Die flache Antwort war kein Wissensfehler — es war eine übersprungene Multiplikation, und Struktur macht das Überspringen sichtbar. Gerüste, die die Prüfung überstehen, gehören in deine Prompt-Bibliothek; wenn es schnell gehen muss, starte mit einem modellspezifischen Generator, und für parsebare Ausgaben nimm den JSON-Builder dazu.