Agentic Reasoning (o1, o3, Reasoning-Modelle)
Modelle, die vor dem Antworten „denken“ — mit internen Chain-of-Thoughts, Test-Time-Compute und Selbstkorrektur.
Agentic Reasoning (o1, o3, Reasoning-Modelle) ist eine kostenlose AI Agents-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Eine neue Modellklasse
OpenAI o1 (September 2024) führte „Reasoning-Modelle“ ein — LLMs, die vor der Ausgabe der sichtbaren Antwort ausdrücklich Schritt für Schritt schlussfolgern. Zu den Nachfolgern gehören o3, DeepSeek R1, Claude mit extended thinking, Gemini 2.5 thinking und viele weitere.
So funktionieren sie
Statt die Antwort sofort zu generieren, führt das Modell folgende Schritte aus:
- Es erzeugt eine lange interne „Denksequenz“ (CoT-artig)
- Es untersucht mehrere Ansätze
- Es korrigiert sich selbst
- Dann gibt es die endgültige sichtbare Antwort aus
Test-Time Compute
Sie können festlegen, wie viel „Denkarbeit“ das Modell leistet. Mehr fürs Denken eingesetzte Tokens führen bei schwierigen Problemen zu besseren Antworten. Der Nachteil sind höhere Latenz und Kosten.
OpenAI o-Series API
response = client.chat.completions.create(
model='o3-mini',
messages=[{'role': 'user', 'content': 'Solve this puzzle...'}],
reasoning_effort='high' # low / medium / high
)
print(response.choices[0].message.content)
print(response.usage.reasoning_tokens) # how many 'thinking' tokens were usedAnthropic Extended Thinking
response = client.messages.create(
model='claude-sonnet-4-5',
max_tokens=8192,
thinking={'type': 'enabled', 'budget_tokens': 4096},
messages=[{'role': 'user', 'content': 'Hard reasoning problem'}]
)
# response.content includes 'thinking' blocks + 'text' final answerWann Reasoning-Modelle besonders gut sind
- Mathematik mit mehreren Schritten
- Codegenerierung mit komplexer Logik
- Rechtliche oder wissenschaftliche Schlussfolgerungen
- Planung mit notwendigem Vorausblick
Benchmark: o3 erreicht bei AIME über 90 % und schneidet bei GPQA sehr gut ab — deutlich besser als Modelle ohne Reasoning.
Wann Standardmodelle besser sind
- Einfache Chats oder Fragen und Antworten — Reasoning wäre unnötig
- Latenzkritische Abläufe — Reasoning fügt Sekunden hinzu
- Kostensensible Massenverarbeitung — Reasoning vervielfacht die Kosten
- Aufgaben zu Stil oder Formatierung — kein Vorteil
Kostenprofil
Reasoning-Tokens werden bei der Abrechnung mitgezählt. o3-mini kann bei hohem Aufwand pro Frage 10.000–100.000 Denktokens verwenden. Bei den größeren Reasoning-Modellen kann das 0,10–1 $ pro Frage kosten.
In Agent-Schleifen
Ein Reasoning-Modell als Planer innerhalb eines größeren Agents:
- Reasoning-Modell: planen, entscheiden, bewerten
- Standardmodell: Schritte ausführen
- Tool-Aufrufe: normal ausführen
Das Beste aus beiden Welten: tiefes Reasoning, wo es darauf ankommt, und günstige Ausführung an anderer Stelle.
CoT nicht zusätzlich erzwingen
Bei Reasoning-Modellen benötigen Sie keine Prompts wie „Denken wir Schritt für Schritt“ mehr — sie führen CoT bereits intern aus. Das Hinzufügen solcher Anweisungen kann sogar schaden.
Open-Source-Reasoning
DeepSeek R1, R1-Distill und andere bringen Reasoning in Open Weights. Sie sind unter anderem auf HuggingFace und Together AI verfügbar.
Grenzen der Forschung
- Reflection-Tuning — Modelle darauf trainieren, sich selbst zu kritisieren
- Suchbasierte Inferenz — Tree-of-Thoughts, MCTS während der Inferenz
- Training zur Laufzeit — Gewichte pro Anfrage anpassen
Vorsicht: Denken als Black Box
Die „Gedanken“ von Reasoning-Modellen bleiben für Sie meist verborgen (OpenAI) oder werden zusammengefasst (Anthropic). Die eingeschränkte Transparenz erschwert das Debugging; verlassen Sie sich stattdessen auf Evaluierungen von Ein- und Ausgaben.
Wann Sie Reasoning-Modelle verwenden sollten
Für welche Aufgabe lohnt sich ein Reasoning-Modell am meisten, wenn man die zusätzlichen Kosten berücksichtigt?
Zusammenfassung
Reasoning-Modelle (o1, o3, R1, Claude extended thinking) tauschen Zeit und Kosten gegen höhere Qualität bei schwierigen Aufgaben. Verwenden Sie sie als Planer oder Prüfer innerhalb von Agents. Für einfache Chats sollten Sie darauf verzichten.
Häufig gestellte Fragen
Ist die Lektion „Agentic Reasoning (o1, o3, Reasoning-Modelle)“ kostenlos?
Ja — der vollständige Text von „Agentic Reasoning (o1, o3, Reasoning-Modelle)“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Agentic Reasoning (o1, o3, Reasoning-Modelle)“?
Modelle, die vor dem Antworten „denken“ — mit internen Chain-of-Thoughts, Test-Time-Compute und Selbstkorrektur. Du übst AI Agents mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Agents zu starten?
Keine Vorkenntnisse erforderlich. AI Agents auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Agentic Reasoning (o1, o3, Reasoning-Modelle)“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Agents-Lektion Code schreiben und ausführen?
Ja. Jede AI Agents-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Agentic Reasoning (o1, o3, Reasoning-Modelle)
- Hybride symbolische und neuronale Agents
- Multimodale Agents (Vision + Sprache + Aktion)
- Offene Probleme: Robustheit, Alignment, Langzeitgedächtnis