Fluxos de trabalho em várias etapas: o modelo como maestro
Nesta página
Orquestrar tarefas complexas com raciocínio elevado
Responder a uma pergunta pontual é uma coisa; gerir todo um processo é outra. Um modelo configurado para um nível de raciocínio elevado pode encadear múltiplas etapas mantendo o contexto, atuando como um verdadeiro maestro para os seus processos recorrentes. Esta lição mostra-lhe como descrever um fluxo de trabalho para que este seja executado de ponta a ponta sem perder coerência ao longo do caminho.
O que é um fluxo de trabalho em várias etapas?
Um fluxo de trabalho em várias etapas é uma sequência de tarefas em que cada passo depende do resultado do anterior: recolher dados brutos, limpá-los e estruturá-los, analisar tendências, produzir um relatório com recomendações e, finalmente, gerar um e-mail de resumo para a equipa. Tradicionalmente, cada uma destas cinco etapas é manual, e você transporta o contexto de uma para a outra. Com um raciocínio elevado, descreve todo o processo uma única vez e o modelo executa cada etapa, construindo sobre o que produziu na anterior.
A técnica do meta-prompt
Um meta-prompt é um prompt que descreve um processo inteiro em vez de uma tarefa isolada. Oferece ao modelo uma visão global do que pretende alcançar, o que muda tudo: sabendo para onde vai, o modelo calibra cada etapa em função da seguinte. Eis uma estrutura padrão que pode adaptar ao seu próprio processo.
“Você irá executar as seguintes etapas por ordem:
Etapa 1 — Analise os dados de vendas em anexo e identifique os 3 produtos com melhor desempenho e os 3 com pior desempenho.
Etapa 2 — Para cada produto com baixo desempenho, identifique as causas prováveis cruzando os dados de satisfação do cliente.
Etapa 3 — Proponha um plano de ação de 3 pontos para cada produto com baixo desempenho, com KPIs mensuráveis.
Etapa 4 — Formate tudo num relatório estruturado com um resumo executivo de 5 linhas na introdução.
Apresente o resultado de cada etapa antes de passar para a seguinte e sinalize quaisquer resultados inesperados.”
Esta última frase merece a sua atenção. Não é necessário dizer ao modelo para “pensar passo a passo” — ele já o faz. Mas exigir o resultado de cada etapa permite-lhe detetar um erro antes que este contamine tudo o que se segue. Num fluxo de trabalho de cinco etapas, um erro na etapa 2 detetado demasiado tarde custa-lhe todo o esforço.
Por que razão o raciocínio elevado se destaca na orquestração
Num fluxo de trabalho longo, um nível de raciocínio rápido corre o risco de perder o fio à meada de uma etapa para a outra. Um nível superior (High no Chat, high na API, que a documentação da OpenAI recomenda para um planeamento profundo) dá ao modelo tempo para manter as suas conclusões intermédias à vista, verificar a consistência entre as etapas e adaptar o que se segue com base nos resultados obtidos. Peça-lhe explicitamente que sinalize quando uma etapa produz um resultado inesperado, em vez de avançar como se nada tivesse acontecido. É exatamente esse comportamento que distingue a orquestração de uma simples cadeia.
Esta flexibilidade permite fluxos de trabalho condicionais, em que o processamento depende do que o modelo observa: “Se um produto tiver uma taxa de devolução superior a 10%, classifique-o como alta prioridade e proponha um plano de ação imediato. Caso contrário, classifique-o para monitorização e proponha um acompanhamento mensal.” O modelo aplica a condição produto a produto e adapta o seu processamento em conformidade, sem que você tenha de fazer qualquer triagem prévia.
Duas extensões: ChatGPT Work e a API
O prompt não é o único caminho. No ChatGPT, a experiência Work foi concebida especificamente para tarefas longas e em várias etapas que resultam num entregável: um documento, uma folha de cálculo, uma apresentação ou um relatório. Para as tarefas mais pesadas, a sua definição Ultra distribui o trabalho por subagentes que progridem em paralelo quando a tarefa se divide em blocos independentes; consome significativamente mais recursos e a maioria das tarefas não o exige. Do lado do programador, a funcionalidade Programmatic Tool Calling da API de Respostas faz com que o modelo escreva um programa JavaScript, executado num ambiente isolado, que chama as ferramentas do fluxo de trabalho — paralelizando quando necessário — e filtra os resultados intermédios antes de os devolver ao modelo.
Três fluxos de trabalho que pode reutilizar tal e qual
A inteligência competitiva é particularmente adequada a este exercício: o modelo lê três artigos fornecidos sobre concorrentes, extrai os anúncios chave — produtos, preços, parcerias —, compara-os com o seu posicionamento atual, identifica ameaças e oportunidades e, em seguida, redige uma nota de briefing para a direção.
A preparação de reuniões segue a mesma lógica aplicada aos seus documentos internos: analisar as atas da última reunião, identificar ações em curso e o seu estado, preparar a ordem de trabalhos da próxima reunião, redigir pontos de discussão para cada tópico e gerar o e-mail de convite correspondente.
Finalmente, o relatório mensal combina cálculo e análise: analisar os dados do mês num ficheiro Excel, compará-los com o mês anterior e com o orçamento, identificar variações significativas superiores a 5%, analisar as causas de cada variação e, em seguida, produzir o relatório com gráficos e recomendações.
A sua vez
Crie o seu próprio. Escolha um processo recorrente no seu trabalho e transforme-o. Primeiro, liste todas as etapas que realiza atualmente de forma manual e, em seguida, identifique as decisões condicionais do tipo “se X então Y” que toma sem pensar — são estas que separam um fluxo de trabalho rígido de um útil. De seguida, escreva o meta-prompt que descreve todo o processo e teste-o com um nível de raciocínio elevado; aumente-o um nível se a qualidade estagnar.
Comece de forma simples, com três ou quatro etapas, e aumente a complexidade gradualmente. Quando o processo se tornar longo e a qualidade diminuir, divida-o em subfluxos de trabalho em vez de insistir. Garanta também que cada etapa é clara e autónoma — se o modelo tiver de adivinhar o que espera de uma etapa, o resultado será aleatório, e todo o fluxo de trabalho com ele. Por fim, leia efetivamente os resultados intermédios. Muitos utilizadores olham apenas para o resultado final e perdem o essencial: num fluxo de trabalho bem construído, as conclusões das etapas 2 e 3 são frequentemente mais instrutivas do que o relatório que as resume.
Fontes oficiais: Modelos de raciocínio (API da OpenAI: níveis de esforço e casos de utilização) · Melhores práticas de raciocínio (instruções simples, objetivo preciso) · Programmatic Tool Calling · ChatGPT Work e Codex (Work para tarefas longas) · Modelos (Ultra)
Pontos-chave
- Um nível de raciocínio elevado ajuda o modelo a orquestrar um processo em várias etapas sem perder o fio à meada
- Utilize um meta-prompt para descrever o processo completo, com condições (se/então) para fluxos de trabalho adaptativos
- O ChatGPT Work gere tarefas longas; na API, o Programmatic Tool Calling orquestra ferramentas através de código
- O Ultra, no Work e no Codex, distribui o trabalho por subagentes: reserve-o para tarefas pesadas e divisíveis
- Exija o resultado de cada etapa, não o pensamento “passo a passo”; comece de forma simples e aumente a complexidade gradualmente