# Prompt Engineering 2026: Jenseits von Zero-Shot und Few-Shot

**Meta-Description:** Fortgeschrittene Prompting-Techniken für komplexe Reasoning-Aufgaben. Chain-of-Thought, Tree-of-Thoughts, Self-Consistency und Context Engineering.

**Keywords:** Prompt Engineering, Chain of Thought, Tree of Thoughts, Self-Consistency, CoT Prompting, Advanced Prompting, LLM Prompting

---

## Einführung

Mit GPT-5, Claude Opus 4.5 und Gemini 3 hat sich Prompt Engineering 2026 zu einer **sophistizierten Disziplin** entwickelt. Die Basics (Zero-Shot, Few-Shot) reichen nicht mehr – fortgeschrittene Techniken können die Qualität um 50%+ verbessern.

---

## Die Prompting-Hierarchie

```
┌─────────────────────────────────────────────────────────────┐
│                 PROMPTING TECHNIQUES PYRAMID                │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│                    ┌───────────┐                            │
│                    │   ToT     │  ← Strategische Planung   │
│                    └───────────┘                            │
│               ┌─────────────────────┐                       │
│               │   Self-Consistency  │  ← Mehrfach-Sampling │
│               └─────────────────────┘                       │
│          ┌───────────────────────────────┐                  │
│          │   Chain-of-Thought (CoT)      │  ← Step-by-Step │
│          └───────────────────────────────┘                  │
│     ┌─────────────────────────────────────────┐             │
│     │        Few-Shot Prompting               │             │
│     └─────────────────────────────────────────┘             │
│ ┌─────────────────────────────────────────────────┐         │
│ │            Zero-Shot Prompting                  │         │
│ └─────────────────────────────────────────────────┘         │
│                                                             │
└─────────────────────────────────────────────────────────────┘
```

---

## 1. Chain-of-Thought (CoT) Prompting

### Die wichtigste Technik für Reasoning

```typescript
// ❌ Zero-Shot (schwächer)
const zeroShotPrompt = `
Was ist 847 * 293?
`;

// ✅ Chain-of-Thought (stärker)
const cotPrompt = `
Was ist 847 * 293?

Denke Schritt für Schritt:
`;
```

### Few-Shot CoT

```typescript
const fewShotCotPrompt = `
Löse die Aufgabe Schritt für Schritt.

Beispiel:
Frage: Wenn ein Zug um 9:15 abfährt und 2h 45min braucht,
wann kommt er an?
Denken: 9:15 + 2 Stunden = 11:15. 11:15 + 45 Minuten = 12:00.
Antwort: 12:00

Frage: ${userQuestion}
Denken:
`;
```

### Wann CoT verwenden?

| Use Case | CoT nötig? | Grund |
|----------|------------|-------|
| Mathematik | Ja | Multi-Step Berechnung |
| Logik-Rätsel | Ja | Reasoning-Kette |
| Code-Debugging | Ja | Systematische Analyse |
| Faktenabruf | Nein | Direktes Wissen |
| Klassifikation | Nein | Keine Reasoning-Kette |

---

## 2. Self-Consistency

### Mehrere Antworten, beste auswählen

```typescript
async function selfConsistencyPrompt(
  question: string,
  n: number = 5
): Promise<string> {
  // Generiere n verschiedene CoT-Antworten
  const responses = await Promise.all(
    Array(n).fill(null).map(() =>
      llm.generate({
        prompt: `${question}\n\nDenke Schritt für Schritt:`,
        temperature: 0.7 // Varianz für unterschiedliche Pfade
      })
    )
  );

  // Extrahiere finale Antworten
  const answers = responses.map(r => extractFinalAnswer(r));

  // Majority Vote
  const mostCommon = mode(answers);

  return mostCommon;
}
```

### Wann Self-Consistency?

- Bei **komplexen Problemen** mit mehreren validen Lösungswegen
- Wenn **hohe Konfidenz** wichtig ist
- Bei **mathematischen** oder **logischen** Aufgaben

**Trade-off:** 5x mehr API-Calls, aber ~10-15% bessere Accuracy

---

## 3. Tree of Thoughts (ToT)

### Für strategische Planung

```typescript
interface ThoughtNode {
  thought: string;
  score: number;
  children: ThoughtNode[];
}

async function treeOfThoughts(problem: string): Promise<string> {
  // Initial: Generiere erste Gedanken
  const initialThoughts = await generateThoughts(problem, 3);

  // Bewerte jeden Gedanken
  const scoredThoughts = await Promise.all(
    initialThoughts.map(async (thought) => ({
      thought,
      score: await evaluateThought(thought, problem)
    }))
  );

  // Behalte die besten 2
  const topThoughts = scoredThoughts
    .sort((a, b) => b.score - a.score)
    .slice(0, 2);

  // Expandiere rekursiv
  for (const node of topThoughts) {
    node.children = await expandThought(node.thought, problem);
  }

  // Finde besten Pfad
  return findBestPath(topThoughts);
}
```

### ToT vs. CoT

| Aspekt | CoT | ToT |
|--------|-----|-----|
| Pfade | Linear, einzeln | Verzweigt, mehrfach |
| Backtracking | Nein | Ja |
| Use Case | Schritt-für-Schritt | Strategisch/Planung |
| Kosten | 1x | 5-20x |

---

## 4. Context Engineering

### Strukturierter Kontext für bessere Ergebnisse

```typescript
const structuredPrompt = `
<context>
Du bist ein Produktexperte für Elektronik mit 10+ Jahren Erfahrung.
Dein Ziel: Präzise Marktanalysen für Reselling-Entscheidungen.
</context>

<constraints>
- Antworte nur auf Basis der gegebenen Informationen
- Wenn unsicher, sage "Daten unzureichend"
- Preise immer in EUR
</constraints>

<format>
Antworte in diesem JSON-Schema:
{
  "marktwert": <number>,
  "empfehlung": "kaufen" | "verhandeln" | "skip",
  "begründung": "<string max 100 Zeichen>"
}
</format>

<input>
${productDescription}
</input>
`;
```

---

## 5. Reverse Prompting

### Das Modell den Prompt verbessern lassen

```typescript
const reversePrompt = `
Ich möchte dass du ${task} ausführst.

Bevor du antwortest:
1. Identifiziere fehlende Informationen die du brauchst
2. Schlage einen verbesserten Prompt vor
3. Führe dann die Aufgabe mit diesem verbesserten Prompt aus
`;
```

---

## 6. Prompt Chaining

### Komplexe Aufgaben in Schritte zerlegen

```typescript
async function analyzeProduct(description: string) {
  // Step 1: Fakten extrahieren
  const facts = await llm.generate({
    prompt: `Extrahiere Fakten aus: ${description}
    Format: JSON mit Feldern: marke, modell, speicher, zustand, preis`
  });

  // Step 2: Marktdaten abrufen
  const marketData = await searchMarketPrices(facts);

  // Step 3: Analyse generieren
  const analysis = await llm.generate({
    prompt: `
    Produkt-Fakten: ${JSON.stringify(facts)}
    Marktdaten: ${JSON.stringify(marketData)}

    Erstelle eine Kaufempfehlung.
    `
  });

  return analysis;
}
```

---

## Prompting Cheat Sheet 2026

| Technik | Wann verwenden | Kosten-Multiplikator |
|---------|----------------|---------------------|
| **Zero-Shot** | Einfache Tasks | 1x |
| **Few-Shot** | Spezifisches Format | 1.2x |
| **CoT** | Reasoning-Aufgaben | 1.5x |
| **Self-Consistency** | Hohe Konfidenz nötig | 5x |
| **ToT** | Strategische Planung | 10-20x |

---

## Die Goldene Regel

> "Chain-of-thought reasoning ist die wirkungsvollste fortgeschrittene Technik. Sie ist universell anwendbar, einfach zu implementieren und produziert sofortige, merkliche Verbesserungen bei fast allen Aufgaben."

**Starten Sie hier:** Fügen Sie "Denke Schritt für Schritt" zu Ihren Prompts hinzu.

---

## Bildprompts

1. "Craftsman carefully sculpting text into AI brain, artistic interpretation of prompt engineering"
2. "Layers of prompt refinement, funnel visualization showing increasing quality, infographic style"
3. "Wizard with code staff casting prompt spells, fantasy meets tech, dramatic magical effects"

---

## Quellen

- [Prompting Guide: Chain-of-Thought](https://www.promptingguide.ai/techniques/cot)
- [Prompting Guide: Tree of Thoughts](https://www.promptingguide.ai/techniques/tot)
- [K2View: Prompt Engineering Techniques 2026](https://www.k2view.com/blog/prompt-engineering-techniques/)
- [Analytics Vidhya: Prompt Engineering Guide 2026](https://www.analyticsvidhya.com/blog/2026/01/master-prompt-engineering/)