Lehrplan Lektion 125 von 250 · Prompt Engineering für KI Ingenieure
Prompt Engineering für KI Ingenieure

Chain-of-Thought & Parsen der versiegelten Antwort

Für alles, was logisches Denken erfordert (Mathematik, Logik in mehreren Schritten, sorgfältige Klassifizierung), verbessert die Aufforderung an ein Modell, think step by step vor der Antwort zu denken, die Genauigkeit messbar. Die Falle: Jetzt gibt das Modell eine Wand aus Überlegungen aus, und du brauchst am anderen Ende immer noch eine saubere maschinenlesbare Antwort.

Der Standardtrick ist es, das Modell mit einer festen Zeile enden zu lassen, die du parsen kannst, wie Answer: 42. Du baust den Prompt, der nach dieser Form fragt, und du schreibst den Parser, der sie extrahiert. Das Modell führt das Reasoning dazwischen aus (ungraded), aber der Vertrag auf beiden Seiten gehört dir.

Eine

A Chain-of-Thought Antwort sieht so aus:

There are 3 boxes with 4 apples each.
3 times 4 is 12.
Answer: 12

Erstelle zwei Funktionen:

  • cot_prompt(question) gibt einen Prompt-String zurück, der die Frage enthält, das Modell auffordert, Schritt für Schritt zu schlussfolgern, und es anweist, mit einer Zeile in der exakten Form Answer: <value> zu enden.
  • parse_final_answer(model_output) scannt die Ausgabe und gibt den Wert nach der LETZTEN Answer: Zeile zurück (unabhängig von Groß-/Kleinschreibung, bereinigt). Wenn es keine solche Zeile gibt, gib None.
  • zurück.

A 2026 Notiz: Die explizite Anweisung "think step by step" wurde für ältere, nicht denkende Modelle entworfen. Moderne Denk- oder Reasoning-Modelle tun dies bereits intern. Das Hinzufügen einer manuell erstellten Chain-of-Thought kann redundant sein oder die Qualität sogar verschlechtern. Nutze explizite CoT hauptsächlich mit kleineren oder nicht denkenden Modellen oder wenn du die sichtbaren Schritte speziell zum Parsen oder Auditieren benötigst.

Zwei Details sind wichtig. Last-line-wins: ein Modell korrigiert sich oft selbst ("Answer: 3 ... warte, Answer: 5"), und die letzte Zeile ist die echte Antwort, also scanne bis zum Ende. None when absent: wenn das Modell die Zeile nie erzeugt hat, sage es ehrlich statt zu raten, damit der Aufrufer es erneut versuchen kann. Drücke Run zum Bewerten.

Du bist dran

Schreibe cot_prompt(question), das einen prompt zurückgibt, der die Frage, die Phrase step by step und eine Answer: Anweisung enthält. Schreibe parse_final_answer(model_output), das den bereinigten Text nach der LETZTEN Zeile zurückgibt, die Answer: entspricht (fallunabhängig), oder None, falls keine solche Zeile existiert.

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.