Raciocínio, Execução de Código e Pesquisa na Web: Fluxos de Trabalho Automatizados
Nesta página
Quando o Raciocínio Encontra as Ferramentas
Combinar raciocínio de alto nível com execução de código e pesquisa na web transforma um modelo de linguagem num agente capaz de calcular, pesquisar e sintetizar resultados numa única conclusão. Esta lição mostra-lhe como aproveitar essa sinergia. Primeiro, uma nota sobre terminologia: no ChatGPT, a execução de código chama-se Análise de Dados e a pesquisa chama-se Pesquisa; na API, estas são as ferramentas Code Interpreter e Web Search. Gerações anteriores reservavam este papel a modelos de raciocínio dedicados como o o3; hoje, é uma definição disponível para todos os modelos.
Três Papéis Complementares
O primeiro pilar é o próprio modelo. Num nível de raciocínio elevado, atua como o cérebro: raciocina, planeia, decide quais as ações a tomar e orquestra todo o processo.
A execução de código serve de mãos. Executa Python num ambiente isolado, permitindo-lhe manipular os seus ficheiros Excel, CSV ou JSON, realizar cálculos complexos, criar gráficos e visualizações, e limpar ou transformar dados antes da análise. A pesquisa na web atua como os olhos: fornece acesso a informações em tempo real, quer precise de dados atualizados, verificação de factos, informações recolhidas de múltiplas fontes, ou acesso a sites públicos e bases de dados.
Como o Modelo Decide Utilizar uma Ferramenta
Geralmente, não precisa de nomear a ferramenta: o modelo deteta quando é necessário um cálculo ou informações recentes e invoca a ferramenta no momento certo. Se preferir uma ferramenta específica, diga-o: “faça o cálculo em Python”, “pesquise na web”. Do lado da API, a Responses API vai mais longe com a Chamada Programática de Ferramentas (Programmatic Tool Calling): o modelo escreve um programa JavaScript, executado num ambiente isolado, que chama as ferramentas — potencialmente em paralelo — e filtra resultados intermédios, em vez de as chamar uma a uma.
Um pedido de análise financeira abrangente ilustra bem esta sequência.
“Aqui estão os meus dados de vendas dos últimos 12 meses (Excel). Analise as tendências, calcule a taxa média de crescimento mensal, preveja as vendas para os próximos 3 meses e pesquise na web previsões do setor para comparar. Produza um relatório com gráficos.”
O modelo pode então executar uma sequência como esta sem que você precise de a decompor; a ordem exata varia de pedido para pedido.
- Raciocinar: Compreender a estrutura do problema
- Executar código: Carregar o ficheiro Excel, calcular tendências, fazer projeções
- Pesquisar na web: Encontrar previsões do setor
- Raciocinar: Comparar resultados e tirar conclusões
- Executar código: Gerar gráficos
- Raciocinar: Escrever o relatório final
Note a alternância: o raciocínio não ocorre apenas no início; regressa entre cada chamada de ferramenta para decidir o próximo passo. Este ritmo é o que distingue um agente de um simples executor.
O Que a Combinação Permite
A avaliação comparativa automatizada (benchmarking) é o caso de uso mais imediato, pois requer comparar os seus números com dados externos.
“Aqui estão as métricas de desempenho financeiro da minha empresa (ficheiro Excel). Pesquise na web as médias dos rácios financeiros do nosso setor (B2B SaaS na Europa) e compare-as com as nossas. Produza uma tabela de benchmarking com código de cores: verde se estivermos acima da média, vermelho se estivermos abaixo.”
A inteligência competitiva assume uma nova dimensão quando apoiada pelos seus próprios dados: em vez de apenas recolher anúncios, mede o seu impacto.
“Pesquise os últimos anúncios dos nossos 3 concorrentes (Concorrente A, Concorrente B, Concorrente C) nos últimos 30 dias. Cruze estas informações com os nossos dados de tráfego web (ficheiro CSV anexo) para identificar se os seus anúncios impactaram o nosso tráfego.”
O terceiro caso de uso típico é um relatório baseado em dados com visualizações, onde a execução de código faz o trabalho pesado nos seus dados internos.
“Aqui estão os nossos dados de RH (ficheiro Excel). Calcule a taxa de rotatividade por departamento, o custo médio de uma substituição (pressuposto: 6 meses de salário) e projete o impacto orçamental. Gere um gráfico por departamento e uma tabela resumo.”
Ativar e Controlar as Ferramentas
No ChatGPT, a Análise de Dados é ativada sempre que um ficheiro ou cálculo o exija; num espaço de trabalho empresarial, verifique se um administrador não a desativou. A pesquisa na web é acionada quando o modelo deteta necessidade de informações recentes, e pode forçá-la com o botão +, seguido de Pesquisa. Do lado da API, ambas as ferramentas são declaradas no pedido. Para o nível de raciocínio, a OpenAI categoriza o uso de ferramentas e pesquisa como low quando a velocidade é primordial, e recomenda medium sempre que o planeamento e o julgamento importam — o que é o caso dos fluxos de trabalho com múltiplas ferramentas.
Estas ferramentas têm limites claros que deve conhecer. O ambiente Python para Análise de Dados não acede à internet: funciona apenas com os ficheiros que fornece, e os dados externos devem vir através da pesquisa ou das suas próprias importações. Os tempos de resposta aumentam significativamente quando os três são combinados, e as quotas são consumidas mais rapidamente, especialmente em níveis de raciocínio mais elevados.
A Sua Vez
Os três blocos de construção em conjunto. Teste a combinação completa num caso em que o raciocínio, o código e a pesquisa são todos essenciais.
“Aqui está um ficheiro CSV das minhas despesas mensais ao longo de 12 meses. (1) Analise as tendências em Python e gere um gráfico. (2) Pesquise na web a taxa de inflação em França para cada mês correspondente. (3) Calcule as minhas despesas ajustadas à inflação. (4) Produza um relatório comparando despesas nominais e reais.”
Se não tiver um ficheiro CSV à mão, peça ao modelo para gerar um realista primeiro. Mantenha três reflexos em mente durante o exercício. Verifique os cálculos: uma fórmula errada executada corretamente continua a ser uma fórmula errada. Confronte as fontes de pesquisa, pois os resultados podem estar desatualizados ou incorretos. E recupere os ficheiros gerados — gráficos, tabelas — antes de fechar a conversa. Um último conselho aplica-se a tudo: mesmo quando o modelo gere as suas próprias ferramentas, fluxos de trabalho complexos produzem melhores resultados quando divididos em passos, em vez de esmagados num único prompt gigante.
Fontes oficiais: Análise de dados com ChatGPT (Centro de Ajuda da OpenAI: Python isolado, sem acesso à web) · Pesquisa na web com ChatGPT · Code Interpreter e Web search (ferramentas da API) · Programmatic Tool Calling · Reasoning models (níveis de esforço e ferramentas)
Pontos-chave
- Um nível de raciocínio elevado combina pensamento, execução de código e pesquisa na web de forma autónoma
- O modelo decide automaticamente quando usar cada ferramenta; do lado da API, a Programmatic Tool Calling permite-lhe orquestrar ferramentas via código
- A execução de código (Análise de Dados, Code Interpreter) manipula ficheiros e cria gráficos sem acesso à web; a pesquisa traz informações recentes
- Para fluxos de trabalho com múltiplas ferramentas, comece com
medium, o nível que a OpenAI recomenda quando o planeamento importa - Verifique sempre os resultados — as ferramentas amplificam tanto o poder como o risco de erro