Die Aufgabe der Vorhersage chemischer Reaktionen (Chemical Reaction Predictions, CRPs) spielt eine zentrale Rolle bei der Förderung der Arzneimittelentdeckung und Materialwissenschaft. Ihre Effektivität wird jedoch durch den umfangreichen und unsicheren Raum chemischer Reaktionen sowie durch Herausforderungen bei der Erfassung der Reaktionsauswahl begrenzt, insbesondere aufgrund der Einschränkungen bestehender Methoden bei der Nutzung des in den Daten enthaltenen Wissens. Um diesen Herausforderungen zu begegnen, stellen wir einen datengeführten Ansatz zur selbstreflektierenden Wissensextraktion vor. Diese Methode beginnt mit einer iterativen Optimierung molekularer Darstellungen und erleichtert die Extraktion von Wissen über chemische Reaktionstypen (Reaction Types, RTs). Anschließend setzen wir adaptives Prompt-Lernen ein, um das a priori-Wissen in großmaschinelle Sprachmodelle (Large Language Models, LLMs) zu integrieren. Dadurch erreichen wir erhebliche Verbesserungen: eine Steigerung der Genauigkeit retrosynthetischer Vorhersagen um 14,2 %, eine Erhöhung der Genauigkeit bei der Vorhersage von Reaktanden um 74,2 % und eine Erweiterung der Fähigkeiten des Modells zur Bearbeitung mehrfacher chemischer Aufgaben. Diese Forschung bietet ein neues Paradigma für die Wissensextraktion in wissenschaftlichen Untersuchungen und zeigt das bisher ungenutzte Potenzial von LLMs in CRPs auf.