Chain-of-Thought und Few-Shot — Prompt Engineering für Teams — Interaktive AI Kurse

Chain-of-Thought und Few-Shot 🧠

Zwei Techniken, die die Qualität von AI-Antworten dramatisch verbessern — besonders bei komplexen Aufgaben, wo einfache Prompts zu oberflächlichen Ergebnissen führen.

🎯 Was Sie in dieser Lektion lernen

Wie Chain-of-Thought die AI zum strukturierten Denken bringt
Wann Few-Shot-Beispiele die bessere Wahl sind
Tree-of-Thought als nächste Stufe
Wann Sie welche Technik einsetzen — und wann bewusst nicht

Chain-of-Thought (CoT) 🔗

📖 Definition: Bei Chain-of-Thought Prompting fordern Sie die AI auf, Schritt für Schritt zu denken, anstatt direkt eine Antwort zu geben. Das verbessert die Qualität bei Reasoning-Aufgaben signifikant.

Ohne CoT:

„Sollten wir in ein CRM mit AI-Integration investieren?" → „Ja, AI-CRMs bieten viele Vorteile wie Automatisierung und bessere Insights." (oberflächlich)

Mit CoT:

„Sollten wir in ein CRM mit AI-Integration investieren? Denke Schritt für Schritt:

Analysiere unsere aktuelle Situation (50 MA, B2B, aktuell Excel)

Bewerte die Optionen (Salesforce AI, HubSpot AI, Pipedrive)

Vergleiche Kosten vs. Nutzen für 12 Monate

Gib eine begründete Empfehlung" → Strukturierte 4-Schritte-Analyse mit begründeter Empfehlung

Wann CoT nutzen:

✅ Komplexe Entscheidungen mit mehreren Faktoren
✅ Berechnungen und Datenanalysen
✅ Strategische Bewertungen
✅ Problemdiagnosen

Wann CoT NICHT nutzen:

❌ Einfache Faktenfragen (→ direkte Antwort reicht)
❌ Kreative Texterstellung (→ kann Spontaneität hemmen)
❌ Kurze Zusammenfassungen (→ macht die Antwort unnötig lang)

💡 Tipp: Ein einfacher CoT-Trigger: Fügen Sie „Denke Schritt für Schritt" oder „Think step by step" an Ihren Prompt an. Schon das allein verbessert die Ergebnisse bei komplexen Aufgaben merklich.

Few-Shot Prompting 📋

📖 Definition: Bei Few-Shot Prompting geben Sie der AI Beispiele des gewünschten Outputs. Das Modell lernt daraus Stil, Format und Qualitätslevel.

Erstelle Produktbeschreibungen im folgenden Stil:

Beispiel 1:
Produkt: Laufschuh X1
→ „Der X1 kombiniert Federung und Stabilität für ambitionierte
Läufer. Mesh-Upper für Atmungsaktivität, reaktive Sohle
für explosive Abstoßkraft."

Beispiel 2:
Produkt: Wanderschuh T3
→ „Der T3 bietet Grip und Komfort auf jedem Terrain.
Wasserdichte Membran für jedes Wetter, verstärkte Zehenkappe
für anspruchsvolle Trails."

Jetzt erstelle für:
Produkt: Business-Sneaker M5
Zielgruppe: Pendler, die Komfort und Stil verbinden wollen

Wann Few-Shot nutzen:

✅ Konsistentes Format über viele Outputs sicherstellen
✅ Spezifischen Schreibstil oder Tonalität etablieren
✅ Komplexe Strukturen vorzeigen (z.B. JSON, CSV, spezielle Berichte)
✅ Wenn die AI den gewünschten Output „missverstehen" könnte

Tree-of-Thought: Die nächste Stufe 🌳

Tree-of-Thought geht über lineares CoT hinaus: Die AI erkundet mehrere Denkpfade parallel, bewertet sie und wählt den besten.

Analysiere, ob wir ein neues Produkt in den Markt bringen
sollten. Erkunde drei verschiedene Perspektiven:

Pfad 1: Marktchance (Nachfrage, Wettbewerb, Timing)
Pfad 2: Interne Kapazität (Team, Budget, Technologie)
Pfad 3: Risiko (Kannibalisierung, Reputationsrisiko, Kosten)

Bewerte jeden Pfad einzeln, dann gib eine Gesamtempfehlung,
die alle drei Perspektiven berücksichtigt.

🔑 Merke: Tree-of-Thought ist ideal für strategische Entscheidungen, bei denen mehrere Faktoren gegeneinander abgewogen werden müssen.

Techniken im Vergleich 📊

Technik	Stärke	Aufwand	Am besten für
Zero-Shot	Schnell, spontan	⭐ Niedrig	Einfache Aufgaben, Brainstorming
Few-Shot	Konsistent, formatiert	⭐⭐ Mittel	Wiederkehrende Outputs mit festem Stil
Chain-of-Thought	Durchdacht, logisch	⭐⭐ Mittel	Analysen, Berechnungen, Entscheidungen
Tree-of-Thought	Ganzheitlich, multi-perspektivisch	⭐⭐⭐ Hoch	Strategische Entscheidungen
CoT + Few-Shot	Beste Gesamtqualität	⭐⭐⭐ Hoch	Kritische Aufgaben mit hohem Qualitätsanspruch

🏢 Praxis-Beispiel: Eine Rechtsabteilung nutzt CoT + Few-Shot für Vertragsanalysen: Few-Shot-Beispiele definieren das Analyse-Format, CoT sorgt für gründliche Prüfung jeder Klausel. Ergebnis: Analysezeit von 2 Stunden auf 15 Minuten reduziert.

📋 Zusammenfassung

Chain-of-Thought: AI denkt schrittweise → bessere Ergebnisse bei komplexen Aufgaben
Few-Shot: Beispiele geben Format und Stil vor → konsistente Outputs
Tree-of-Thought: Mehrere Perspektiven parallel erkunden → strategische Entscheidungen
Die richtige Technik hängt von der Aufgabe ab — nicht alles braucht CoT
Kombinieren Sie Techniken für maximale Qualität bei kritischen Aufgaben

🎯 Übung: Nehmen Sie eine komplexe Frage aus Ihrem Arbeitsalltag und formulieren Sie drei Versionen: Zero-Shot, mit CoT und mit CoT + Few-Shot. Vergleichen Sie die Ergebnisse.

Nächste Lektion: Prompts für Marketing und Content — bewährte Templates für sofortigen Einsatz.