LLMs sind zwar im Allgemeinen in der Lage, Denkaufgaben zu lösen, aber es handelt sich um probabilistische Modelle, die auf Mustererkennung aus Trainingsdaten beruhen. Bei komplexen oder Randfällen kann es vorkommen, dass das Modell halluziniert oder logisch inkonsistente Ergebnisse liefert, weil ihm der spezifische Denkweg in seinem Training fehlt. Du kannst die Qualität des Denkprozesses jedoch erheblich verbessern, indem du das Modell zwingst, seinen Denkprozess zu externalisieren, sodass es im Wesentlichen „seine Gedanken zeigt”. Die Förderung des schrittweisen Denkens kann die Qualität der Ausgaben von LLMs erheblich verbessern, besonders wenn sie Analysen durchführen oder komplexe Aufgaben bewältigen müssen. Hier sind drei Methoden, die sich bewährt haben, um LLMs dazu zu bringen, systematischer zu denken:
  1. Direkte Schritt-für-Schritt-Anweisungen: Füge „Denke Schritt für Schritt” zu deinen Prompts hinzu. Dieser einfache Satz veranlasst das Modell, komplexe Probleme in logische Komponenten zu zerlegen, anstatt voreilige Schlüsse zu ziehen.
  2. Gib einen logischen Rahmen vor: Anstatt zu hoffen, dass das Modell den richtigen Ansatz findet, gib ihm einen genauen Rahmen vor, dem es folgen soll. Dadurch werden Fehler in der Argumentation reduziert, da der Lösungsweg eingeschränkt wird. Beispiel: Prompt ohne Anweisungen:
    Analysiere die Auswirkungen des Klimawandels auf die Populationen der Eisbären.     Prompt mit Anweisungen:
    Analysiere die Auswirkungen des Klimawandels auf die Populationen der Eisbären mit dieser Methode:
    1. Beschreibe den aktuellen Zustand der Eisbärenpopulationen
    2. Nenne die wichtigsten Faktoren des Klimawandels, die sich auf ihren Lebensraum auswirken
    3. Erläutere die direkten und indirekten Auswirkungen auf die Eisbären
    4. Fasse die Gesamtauswirkungen und mögliche Zukunftsszenarien zusammen
  3. XML-Tags für die Trennung von Prozessen: Du kannst die Tags <thinking> </thinking> und <answer> </answer> nutzen, um die Überlegungen vom Endergebnis zu trennen. So wird verhindert, dass das Modell seinen Arbeitsprozess mit dem fertigen Ergebnis vermischt, was besonders bei komplexen, mehrstufigen Problemen nützlich ist. Mehr dazu findest du in unserem Abschnitt über XML-Tags hier.