Tree-of-Thought: Exploração Estruturada
Nesta página
Lição atualizada em 3 de novembro de 2026 com base na documentação da OpenAI:
temperatureetop_psó são aceites com um esforço de raciocínio denone, enquanto os modelos GPT-5.6 raciocinam por predefinição (medium). As chamadas que definem estes parâmetros devem, portanto, especificarreasoning={"effort": "none"}(API de Respostas) oureasoning_effort="none"(Chat Completions). Fontes: Utilizar o GPT-6 · GPT-5.6 Terra.
Tree-of-Thought: Exploração Estruturada
O Tree-of-Thought (ToT) é uma técnica de prompting que estrutura o raciocínio do modelo como uma árvore de decisão. Em vez de seguir um único caminho de pensamento linear, o modelo explora múltiplos ramos, avalia cada um e mantém apenas os mais promissores. A semelhança com um algoritmo de pesquisa é direta: gera candidatos, atribui-lhes uma pontuação e poda o restante. Isto torna-o altamente eficaz para problemas que exigem planeamento ou retrocesso.
Diferença em relação ao Chain-of-Thought
O Chain-of-Thought (CoT) segue um raciocínio linear: passo 1, passo 2, passo 3. A sua fraqueza é estrutural. Se o modelo enveredar pelo caminho errado no passo 2, tudo o que se segue herda esse erro, não havendo mecanismo para recuar. O raciocínio pode estar perfeitamente articulado, mas parte de uma premissa falsa. O Tree-of-Thought explora múltiplas direções em cada passo e descarta os becos sem saída antes de investir mais desenvolvimento neles.
# Chain-of-Thought (linear)
# Passo 1 → Passo 2 → Passo 3 → Resposta
# Tree-of-Thought (baseado em árvore)
# Passo 1
# / | \
# Opção A Opção B Opção C ← avaliação
# | | ✗ ← poda
# Opção A1 Opção B1
# | |
# Resposta Resposta ← seleção final
Implementação com Prompt Único
A versão mais simples cabe numa única chamada: o prompt força o modelo a seguir uma estrutura de exploração — gerar três abordagens, avaliá-las, escolher uma e desenvolvê-la. Isto é pouco dispendioso e muitas vezes suficiente para abordar uma questão em aberto. Tenha consciência de uma limitação antes de depender disto: o modelo propõe e avalia no mesmo fôlego, tornando-se indulgente com as suas próprias ideias, o que resulta numa poda menos severa do que o necessário.
from openai import OpenAI
client = OpenAI()
def tree_of_thought_simple(problem: str) -> str:
"""ToT num único prompt."""
prompt = f"""Resolva este problema utilizando a abordagem Tree-of-Thought.
Problema: {problem}
Passo 1 - Gere 3 abordagens diferentes:
- Abordagem A: ...
- Abordagem B: ...
- Abordagem C: ...
Passo 2 - Avalie cada abordagem (pontos fortes e fracos):
- Abordagem A: ...
- Abordagem B: ...
- Abordagem C: ...
Passo 3 - Selecione a melhor abordagem e desenvolva-a:
Abordagem selecionada: ...
Desenvolvimento detalhado: ...
Passo 4 - Resposta final:
..."""
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature requer effort none
input=prompt,
temperature=0.7
)
return response.output_text
Implementação com Múltiplas Chamadas
Para problemas complexos, separe cada passo em chamadas distintas. Esta decomposição oferece-lhe duas coisas que um único prompt não consegue. Primeiro, controlo da temperatura passo a passo: 0,8 para a geração, onde a diversidade de propostas é o cerne do método, e depois 0,3 para a avaliação e desenvolvimento, onde se deseja rigor e reprodutibilidade. Segundo, resultados intermédios que pode inspecionar, registar ou mesmo submeter para validação humana antes de deixar a cadeia continuar.
def tree_of_thought(problem: str, breadth: int = 3,
depth: int = 3) -> dict:
"""ToT com exploração multinível."""
system = "Você é um especialista em resolução estruturada de problemas."
# Passo 1: Gerar ramos iniciais
gen_prompt = (f"Problema: {problem}\n\n"
f"Proponha {breadth} abordagens diferentes para resolver "
f"este problema. Para cada abordagem, forneça um título e "
f"uma descrição de 2-3 frases. Numere-as de 1 a {breadth}.")
branches_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requer effort none
instructions=system,
input=gen_prompt,
temperature=0.8
)
branches = branches_response.output_text
# Passo 2: Avaliar cada ramo
eval_prompt = (f"Problema: {problem}\n\n"
f"Aqui estão {breadth} abordagens propostas:\n{branches}\n\n"
f"Avalie cada abordagem com base em 3 critérios (pontuação /10):\n"
f"- Viabilidade\n- Eficiência\n- Simplicidade\n\n"
f"Classifique-as da melhor para a pior com justificação.")
eval_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requer effort none
instructions=system,
input=eval_prompt,
temperature=0.3
)
evaluation = eval_response.output_text
# Passo 3: Desenvolver o melhor ramo
dev_prompt = (f"Problema: {problem}\n\n"
f"Avaliação das abordagens:\n{evaluation}\n\n"
f"Desenvolva a abordagem melhor classificada em detalhe. "
f"Forneça uma solução completa e acionável.")
solution = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requer effort none
instructions=system,
input=dev_prompt,
temperature=0.3
)
return {
"branches": branches,
"evaluation": evaluation,
"solution": solution.output_text
}
Exemplo Prático: Arquitetura de Software
O problema abaixo é exatamente o tipo de situação onde o ToT agrega valor. Várias estratégias são defensáveis — caching, réplicas de leitura, extração do serviço de pesquisa, implantação blue-green — e a escolha depende de restrições que o prompt declara explicitamente, especialmente o tamanho da equipa. Um prompt direto dar-lhe-ia a solução mais citada na literatura técnica, independentemente destas restrições; o ToT coloca-a em confronto com as outras e deve defender a sua classificação com base em critérios de viabilidade.
problem = """
A nossa API REST monolítica (Django, PostgreSQL) está a atingir os seus limites:
- Máximo de 500 pedidos/segundo
- Tempo de resposta > 2s nos endpoints de pesquisa
- Implantação = 30 minutos de inatividade
- 3 programadores na equipa
Como podemos melhorar o desempenho e a disponibilidade
sem reescrever toda a aplicação?
"""
result = tree_of_thought(problem, breadth=4)
print(result["solution"])
Onde o ToT Vence e Onde Perde o Seu Tempo
A técnica brilha em problemas de planeamento — arquitetura, roadmaps, estratégia —, em problemas condicionados como otimização ou alocação de recursos, em depuração complexa onde múltiplas causas permanecem plausíveis simultaneamente e em decisões técnicas como a escolha de um framework ou base de dados. Estas situações partilham duas características: existem múltiplas soluções válidas e existe um critério explícito para as distinguir.
Por outro lado, evite-a para perguntas factuais simples, onde não há nada a explorar e pagaria por três chamadas para obter uma resposta óbvia. Também falha em tarefas criativas em aberto devido à falta de um critério de avaliação defensável: classificar três slogans publicitários numa escala de viabilidade não faz sentido. Finalmente, evite-a quando a latência for crítica, uma vez que a versão de múltiplas chamadas encadeia mecanicamente vários pedidos à API antes de devolver qualquer coisa.
Combinação com Configurações de Raciocínio
Com configurações de raciocínio elevadas, os modelos GPT-5.6 já realizam uma exploração interna estruturada. O ToT explícito torna-se então largamente redundante e cobra-lhe duas vezes pelo mesmo trabalho. Reserve-o para situações onde o raciocínio está desativado ou é baixo, como na comparação abaixo.
# Com raciocínio baixo: ToT explícito é útil
result = tree_of_thought(problem, breadth=3)
# Com raciocínio elevado: o modelo já raciocina profundamente
response = client.responses.create(
model="gpt-5.6-sol",
input=problem,
reasoning={"effort": "high"}
)
Para decidir no seu próprio contexto, pegue num problema de arquitetura ou design que tenha realmente para resolver esta semana, execute-o através do ToT de múltiplas chamadas com breadth=3 e, em seguida, submeta-o tal como está num prompt direto. Compare as duas soluções e, acima de tudo, o custo em tokens de cada uma. Para uma decisão de alto risco, a diferença de qualidade compensa largamente o custo extra; para uma questão secundária, não compensa, e saber isto impedi-lo-á de aplicar a técnica em todo o lado por hábito.
Pontos-chave
- O ToT explora múltiplos caminhos de raciocínio e seleciona o melhor
- Versão simples com prompt único ou versão avançada com múltiplas chamadas
- Ideal para planeamento, arquitetura e depuração complexa
- Com configurações de raciocínio elevadas, os modelos GPT-5.6 já possuem ToT implícito
- O custo extra de tokens justifica-se para decisões de alto impacto