Reasoning Patterns

Reasoning Patterns sind wiederverwendbare Denk-Muster für Sprachmodelle (LLMs, Large Language Models). Statt eine Frage direkt zu beantworten, folgt das Modell einem festgelegten Ablauf: Schritt für Schritt denken, mehrere Antworten vergleichen, Zwischenergebnisse überarbeiten oder Werkzeuge (Tools wie Datenbank-Abfragen, Web-Suche) einbinden. Die Muster werden auf der Anwendungs-Ebene gebaut (also außerhalb des Modells, im Programm oder Framework), das Modell selbst bleibt austauschbar.

Was sind Reasoning Patterns?

Reasoning Patterns sind wiederverwendbare Ablauf-Bauteile für die Arbeit mit Sprachmodellen. Jedes Muster löst eine andere Frage: Wie zeigt das Modell seinen Rechenweg (Chain-of-Thought, also „Gedankenkette")? Wie wählt es zwischen mehreren möglichen Lösungswegen (Tree-of-Thoughts, „Gedanken-Baum")? Wie sichert es eine Antwort ab, indem es sie mehrfach erzeugt und abgleicht (Self-Consistency, „Selbst-Konsistenz")? Wie verbessert es einen ersten Entwurf (Self-Refine und Reflexion, also Selbst-Überarbeitung)? Wie verzahnt es Denken und Handeln, wenn es externe Werkzeuge nutzt (ReAct, aus „Reasoning + Acting")? Wie zerlegt es eine große Aufgabe in Teilaufgaben (Plan-and-Execute, „Planen und Ausführen")? Welches Muster passt, hängt von der Aufgabe ab.

Das kanonische Set stammt aus einer Serie von Papern zwischen 2022 und 2023. Startpunkt ist Chain-of-Thought Prompting ([Wei et al. 2022](https://arxiv.org/abs/2201.11903), Zero-Shot-Variante bei Kojima et al. 2022). Es folgten Self-Consistency ([Wang et al. 2022](https://arxiv.org/abs/2203.11171)), [ReAct](https://arxiv.org/abs/2210.03629) (Yao et al. 2022), [Tree-of-Thoughts](https://arxiv.org/abs/2305.10601) (Yao et al. 2023), Reflexion (Shinn et al. 2023), [Self-Refine](https://arxiv.org/abs/2303.17651) (Madaan et al. 2023) und Graph-of-Thoughts (Besta et al. 2023). Frameworks wie LangGraph, LlamaIndex, CrewAI, Semantic Kernel und DSPy setzen die Muster als expliziten Kontroll-Fluss um.

Zwei Familien lassen sich unterscheiden. Reasoning-strukturierende Patterns (Chain-of-Thought, Self-Consistency, Tree-of-Thoughts, Self-Refine) ändern, wie das Modell zu einer Antwort kommt. Handlungs-verzahnende Patterns (ReAct, Reflexion, Plan-and-Execute) koppeln Reasoning mit Tool-Use und externem Zustand. Die Grenze ist unscharf, weil ReAct und Reflexion beides tun. Ein Pattern kann als reine Prompt-Anweisung implementiert sein (der Trigger „Let's think step by step" für Chain-of-Thought) oder als mehrschrittiger Kontroll-Fluss (ReAct-Loop, ToT-Baum-Suche).

Ab 2024 verschiebt sich der Schwerpunkt von der Prompt-Ebene in die Trainings-Ebene. Die o-Serie von OpenAI und DeepSeek R1 internalisieren die Chain-of-Thought- und Reflexions-Muster durch Reinforcement Learning im Modell selbst. Die Patterns bleiben trotzdem relevant: sie funktionieren mit Standard-LLMs weiter, decken Handlungs-Patterns ab, die Reasoning Models allein nicht abbilden, und liefern in Frameworks einen expliziten, überprüfbaren Kontroll-Fluss.

Abgrenzung zu Reasoning Models, Chain-of-Thought, Prompt Engineering und Agentic Patterns

Reasoning Patterns werden regelmäßig mit angrenzenden Konzepten vermischt. Die relevanten Trennlinien:

[Reasoning Models](/insights/glossar/reasoning-models/) wie OpenAI o1/o3, DeepSeek R1, Claude Extended Thinking und Gemini Thinking sind eine Modell-Klasse. In ihnen wurde der Denkprozess durch Reinforcement Learning internalisiert; sie produzieren den Reasoning-Trace ohne Prompt-Trigger. Reasoning Patterns arbeiten auf der Anwendungs- oder Framework-Ebene und strukturieren den Aufruf-Ablauf, während das Modell gleich bleibt. Reasoning Models sind die Trainings-Antwort auf die Prompting-Beobachtung von 2022; die Patterns bleiben daneben relevant, insbesondere für die Handlungs-Familie (ReAct, Plan-and-Execute) und für den Einsatz mit Standard-LLMs.

[Chain-of-Thought Prompting](/insights/glossar/chain-of-thought/) ist die früheste und einfachste Instanz der Reasoning Patterns, also ein Prompt-Trigger, der Zwischenschritte erzwingt. Reasoning Patterns ist der Oberbegriff über Chain-of-Thought, Tree-of-Thoughts, [ReAct](/insights/glossar/react-pattern/), Reflexion, Self-Refine und Plan-and-Execute. Wer „Chain-of-Thought" sagt, meint ein bestimmtes Pattern; wer „Reasoning Patterns" sagt, meint die Kategorie.

[Prompt Engineering](/insights/glossar/prompt-engineering/) umfasst alles, was auf der Prompt-Ebene passiert: Rollen-Anweisungen, Few-Shot-Beispiele, System-Prompts, Struktur-Marker, Format-Prompting und Reasoning Patterns. Reasoning Patterns sind der Reasoning-spezifische Teilbereich davon. Alle Reasoning Patterns sind Prompt-Engineering-Praktiken oder Framework-Umsetzungen davon; umgekehrt gilt das nur teilweise.

Agentic Patterns beschreiben Ablauf-Bauteile für autonome Agenten (Tool-Use, Planning, Reflection, Multi-Agent-Koordination, Handoff) und überlappen mit Reasoning Patterns dort, wo Denken und Handeln zusammenkommen. ReAct, Plan-and-Execute und Reflexion sind in beiden Kategorien enthalten. Die zwei Begriffe stammen aus unterschiedlichen Communities, das Reasoning-Vokabular kommt aus der Prompting-Forschung, das Agentic-Vokabular aus der Framework-Doku (LangChain, [Agentic Workflows](/insights/glossar/agentic-workflows/), OpenAI Agent-Guide). Beide beschreiben oft dasselbe aus zwei Perspektiven.

Beispiel: Pattern-Wahl in einem Text-to-SQL-Assistenten

Ein Data-Team baut einen Text-to-SQL-Assistenten. Die Aufgabe zerfällt in drei Fragetypen, jeder verlangt ein anderes Pattern.

Für einfache Aggregationen („Umsatz pro Monat im letzten Jahr") reicht Chain-of-Thought Prompting mit einer Instanz. Das Modell schreibt den Reasoning-Pfad und dann das SQL. Eine Anfrage, eine Ausgabe.

Für mehrdeutige Fachfragen („Wie viele Bestandskunden sind aktiv?") läuft Self-Consistency: das Modell wird fünfmal parallel angefragt, jede Antwort schreibt ihr eigenes SQL, ein Voting-Schritt wählt die Mehrheits-Formulierung. Abweichungen zwischen den Sampling-Läufen machen Mehrdeutigkeit im Fachbegriff sichtbar.

Für komplexe, zerlegbare Fragen („Wie hat sich die Marge pro Segment über die letzten vier Quartale entwickelt, verglichen mit dem Marktdurchschnitt?") kommt Plan-and-Execute zum Einsatz. Ein Planner-LLM zerlegt in drei Teil-Queries. Ein Executor-LLM generiert je Teilaufgabe das SQL. Ein Aggregator kombiniert die Ergebnisse zu einer strukturierten Antwort. Schlägt die Ausführung eines Teil-SQLs fehl (fehlende Spalte, Timeout), koppelt ein ReAct-artiger Reflexions-Schritt das Fehler-Feedback zurück in den Planner und triggert einen zweiten Versuch.

Alle drei Muster laufen im gleichen Framework, meist LangGraph oder LlamaIndex, auf demselben Basis-Modell. Der Unterschied liegt im Kontroll-Fluss. Ein Wechsel auf ein Reasoning Model wie o3 würde Chain-of-Thought als expliziten Pattern-Schritt überflüssig machen, weil das Modell den Trace selbst erzeugt. Self-Consistency und Plan-and-Execute bleiben trotzdem relevant, weil sie mehrere Modell-Aufrufe orchestrieren.