Combinar Raciocínio e Ferramentas
Nesta página
Vá Mais Longe com Ferramentas Avançadas
Agora que sabe como combinar raciocínio com execução de código e pesquisa na web, esta lição explora combinações avançadas: encadear ferramentas estrategicamente, usar o raciocínio para as conduzir e criar fluxos de trabalho verdadeiramente autónomos.
O Raciocínio como Condutor das Ferramentas
A diferença entre um modelo que responde sem pensar e um modelo de raciocínio que utiliza ferramentas é fundamental. Começando num nível de esforço medium — que a OpenAI recomenda sempre que o planeamento é importante —, o modelo pode planear quais as ferramentas a utilizar e em que ordem, avaliar os resultados de cada ferramenta antes de prosseguir, adaptar a sua estratégia quando uma ferramenta não devolve o esperado e combinar os resultados numa conclusão coerente. Concretamente, não executa código apenas porque lho pediu: reflete sobre o problema, decide que o código é a melhor forma de o resolver, escreve o código adequado, analisa o resultado e decide então se deve avançar mais. A nuance pode parecer subtil, mas muda tudo num fluxo de trabalho com quatro ferramentas, onde uma má decisão inicial se propaga até ao fim.
Do lado da API, dois mecanismos impulsionam esta lógica. Com a chamada de funções (function calling), a OpenAI recomenda devolver os itens de raciocínio produzidos na última chamada ao modelo, para além do resultado da função: isto mantém o modelo alinhado com o que tinha planeado. Com a Chamada de Ferramentas Programática (Programmatic Tool Calling), o modelo escreve um programa JavaScript, executado num ambiente isolado, que orquestra as chamadas de ferramentas e filtra os resultados intermédios. Por fim, no ChatGPT Work e no Codex, o modo Ultra distribui as tarefas mais pesadas por subagentes, ao custo de um consumo significativamente mais elevado.
Três Padrões de Combinação
O primeiro padrão — Pesquisar, depois Analisar, depois Codificar — adequa-se a análises de mercado e benchmarks, ou seja, situações em que os dados ainda não estão na sua posse.
“Pesquise as quotas de mercado dos 5 principais fornecedores de cloud na Europa em 2025. Em seguida, com base nestes dados, crie um gráfico de barras e calcule a taxa de concentração de mercado (índice HHI). Interprete o resultado.”
O modelo encadeia então quatro fases distintas.
- Pesquisar na web para recolher dados
- Raciocinar sobre a fiabilidade das fontes
- Executar código para o gráfico e o cálculo
- Raciocinar sobre a interpretação económica
A segunda fase é aquela que as pessoas esquecem ao escrever o prompt, mas é precisamente ela que impede a construção de um índice HHI com base em valores aproximados.
O segundo padrão inverte o ponto de partida: começa pelos seus dados para os enriquecer a partir do exterior — Dados, Código, Pesquisa, Síntese.
“Aqui está o meu ficheiro de vendas por país (CSV). Calcule a taxa de crescimento por país e, em seguida, pesquise a taxa de crescimento do PIB de cada país no mesmo período. Identifique os países onde o nosso crescimento supera o crescimento do PIB (superação) e aqueles onde ocorre o oposto.”
O terceiro padrão, código iterativo com raciocínio, aproveita a capacidade do modelo para escrever código, analisar o resultado, detetar um problema e reescrever — tudo automaticamente. Pode até especificar o método de recurso.
“Aqui está um conjunto de dados de transações (CSV). Detete anomalias estatísticas. Se o primeiro método (z-score) não produzir resultados claros, tente o método do intervalo interquartil. Escolha o método mais relevante e explique porquê.”
Retomar o Controlo das Ferramentas
Deixar o modelo decidir é conveniente, mas por vezes já sabe qual a ferramenta adequada — e indicá-lo é mais eficiente do que deixá-lo explorar. Pode, portanto, restringi-lo: “Sem pesquisar na web, analise apenas os dados do ficheiro anexo e dê-me as suas conclusões com base exclusivamente nestes dados”, ou “Não execute código para esta questão. Raciocine apenas com base na informação que forneço.”
Para fluxos de trabalho longos, insira pontos de controlo em vez de lançar tudo num único bloco: “Passo 1: calcule as métricas básicas e mostre-me os resultados antes de continuar. Passo 2 (após a minha validação): enriqueça com dados da web. Passo 3: produza o relatório final.” Isto permite-lhe parar o processo antes que um erro se propague para etapas dispendiosas.
Visualizações que Exigem Julgamento
A combinação de raciocínio mais execução de código brilha particularmente quando a própria visualização implica decisões: que tipo de gráfico, que limiares, que realce.
“Aqui estão os meus dados de desempenho (Excel). Crie um dashboard de uma página com: (1) o gráfico mais relevante para cada métrica — escolha o tipo de gráfico com base na natureza dos dados, (2) realce automático de anomalias, (3) um código de cores verde/amarelo/vermelho com base em limiares que determinará com base na distribuição dos dados.”
O modelo raciocina sobre o tipo de gráfico ótimo métrica a métrica, calcula limiares estatisticamente relevantes em vez de os inventar e produz o código correspondente. É exatamente o trabalho que um analista faria antes de abrir o seu editor.
A Sua Vez
Um fluxo de trabalho completo. Teste este fluxo de trabalho num nível de raciocínio elevado (High no Chat, high na API).
“Vou fornecer-lhe um ficheiro CSV de despesas mensais por categoria ao longo de 24 meses. Pretendo:
- Identificar as 3 categorias com o maior aumento (cálculo em Python)
- Para cada uma, pesquisar se isto é uma tendência nacional ou específica do meu caso (pesquisa na web)
- Produzir um gráfico comparativo: as minhas despesas vs. a tendência nacional (Python)
- Escrever um resumo com recomendações (raciocínio puro) Apresente o resultado de cada passo.”
Durante o exercício, observe o que acontece quando a execução do código falha. O modelo pode tentar novamente por conta própria, o que é positivo; mas se o problema estiver nos seus dados, nenhuma reescrita o resolverá: verifique o ficheiro em vez de reiniciar. E se o pedido se tornar demasiado pesado, divida-o em passos validados um a um.
Fontes oficiais: Modelos de raciocínio (API da OpenAI: níveis de esforço, devolução de itens de raciocínio com chamadas de funções) · Chamada de Ferramentas Programática · Análise de dados com o ChatGPT (execução de código no ChatGPT) · Modelos (Ultra)
Pontos-chave
- Num nível de esforço suficiente, o raciocínio conduz as ferramentas estrategicamente, não mecanicamente
- Três padrões-chave: pesquisar, analisar e depois codificar; dados, codificar e depois pesquisar; código iterativo
- Do lado da API, devolva os itens de raciocínio com os resultados das funções e considere a Chamada de Ferramentas Programática
- Pode forçar ou restringir a utilização de ferramentas consoante as suas necessidades
- Insira pontos de controlo em fluxos de trabalho longos para manter o controlo