Cadeia de Pensamento
Nesta página
Raciocine passo a passo
A Cadeia de Pensamento (Chain of Thought ou CoT) é uma técnica que solicita ao modelo que detalhe o seu raciocínio antes de fornecer a resposta final. Em vez de saltar diretamente para a conclusão, o modelo explicita cada passo lógico, o que melhora significativamente a qualidade das respostas em tarefas que exigem raciocínio. Com os modelos Mistral, obtêm-se excelentes resultados em lógica, matemática, análise e tomada de decisões.
Para compreender por que isto funciona, recorde como o modelo gera texto: token a token, dependendo cada token de todos os anteriores. Quando um modelo tem de responder diretamente a uma pergunta complexa, dispõe apenas de alguns tokens para “pensar” — a resposta deve surgir quase imediatamente. Ao pedir-lhe que detalhe o seu raciocínio, dá-lhe espaço para decompor o problema em subproblemas simples, verificar cada passo antes de avançar para o seguinte, identificar informações relevantes entre os dados fornecidos e, finalmente, reduzir erros de raciocínio, como alucinações. O raciocínio escrito não é um pensamento secundário: é onde o cálculo ocorre.
CoT simples: uma instrução basta
A forma mais básica consiste em adicionar uma frase de instrução simples ao final do seu prompt:
A restaurant has 15 tables. Each table can seat 4 people.
The restaurant is 80% full. How many people are present?
Reason step by step before giving your answer.
O modelo produzirá então algo como:
Step 1: Total capacity = 15 tables × 4 people = 60 people
Step 2: Occupancy rate = 80% = 0.80
Step 3: People present = 60 × 0.80 = 48 people
Answer: 48 people are present in the restaurant.
Sem a instrução “reason step by step”, o modelo poderia dar diretamente “48” — correto neste caso —, mas também poderia cometer um erro num cálculo intermédio sem que você conseguisse identificar onde. Este é o segundo benefício da CoT, menos conhecido mas igualmente valioso: o raciocínio visível é verificável. Quando uma resposta lhe parecer estranha, o passo defeituoso salta à vista.
CoT estruturado: guie os passos
Para tarefas mais complexas, não se limite a pedir raciocínio: prescreva-o. Imagine uma análise de investimento:
Evaluate whether this startup is a good investment.
Data:
- Revenue 2025: €2.3M (growth +45% YoY)
- Burn rate: €180K/month
- Runway: 14 months
- Addressable market: €500M
- Team: 22 people, 3 technical founders
Reason according to these steps:
1. Analyze financial health (revenue, burn, runway)
2. Evaluate market potential (size, current penetration)
3. Evaluate the team (skills, size)
4. Identify key risks (3 max)
5. Provide your conclusion with a confidence score (low/medium/high)
Ao prescrever os passos, garante que o modelo cobre todos os aspetos importantes, pela ordem correta, sem omitir aquele que lhe interessa. Deixado livre, poderia ter-se demorado extensamente no mercado e apressado a análise financeira; guiado, trata sistematicamente todos os cinco aspetos.
Quando utilizar a Cadeia de Pensamento — e quando ignorá-la
A CoT destina-se a tarefas onde pode errar no percurso: problemas matemáticos de várias etapas, estimativas, análise de dados (interpretação de métricas, identificação de tendências), tomada de decisões por comparação de opções, depuração de código ou registos de erros, raciocínio lógico e deduções. Em todas estas situações, cada passo intermédio funciona como um ponto de controlo que impede a propagação de erros.
Pelo contrário, a CoT é inútil — por vezes contraproducente — quando não há nada para desdobrar. Para uma pergunta factual simples como “Qual é a capital de Itália?”, adiciona latência e tokens sem melhorar nada. Na escrita criativa, o raciocínio estruturado pode até sufocar a criatividade. A tradução é mais intuitiva do que lógica, e a reformulação não exige dedução. O reflexo correto: pergunte a si mesmo se faria cálculos para esta tarefa. Se não, poupe o modelo.
CoT com few-shot
Combinar a Cadeia de Pensamento com a técnica few-shot da lição anterior é particularmente poderoso: em vez de descrever como raciocinar, mostra-o através de um exemplo completo de raciocínio bem-sucedido.
messages = [
{
"role": "system",
"content": "You are an analyst who reasons step by step."
},
{
"role": "user",
"content": """An e-commerce site has 10,000 visitors/day, a conversion rate
of 2.5% and an average cart value of €65. What is the daily revenue?"""
},
{
"role": "assistant",
"content": """Reasoning:
1. Number of orders/day = 10,000 × 2.5% = 250 orders
2. Daily revenue = 250 × €65 = €16,250
Answer: Daily revenue is €16,250."""
},
{
"role": "user",
"content": """A SaaS has 5,000 active users, a monthly churn rate
of 3% and an average revenue per user of €49/month. What will the MRR
be in 3 months if no new customers arrive?"""
}
]
O modelo reproduzirá o mesmo esquema — um bloco “Reasoning” numerado, seguido de uma linha “Answer” — para a nova pergunta. Obtém assim tanto o rigor da CoT como a consistência de formato do few-shot.
Controle a verbosidade do raciocínio
Por vezes, quer o raciocínio, mas não um romance. Controla a dosagem na própria instrução. Para um raciocínio completo, peça: “Detail every step of your reasoning before concluding.” Para uma versão mais concisa: “Reason briefly (2-3 steps max) then give your answer.” E, para produção, a variante mais útil separa raciocínio e resposta com etiquetas:
Reason within <reasoning></reasoning> tags
then provide your final answer within <answer></answer> tags.
Esta última abordagem oferece-lhe o melhor dos dois mundos: o seu código extrai apenas o conteúdo da etiqueta <answer> para mostrar ao utilizador final, enquanto o raciocínio completo permanece disponível nos registos para depuração. Quando uma resposta em produção se revela errada, abre o registo e vê exatamente onde o raciocínio descarrilou.
Pontos-chave
- A Cadeia de Pensamento pede ao modelo que raciocine antes de responder — decisivo para lógica, cálculo e análise
- Guie explicitamente os passos para tarefas complexas
- Combine CoT e few-shot para máxima eficiência
- Inútil para perguntas simples ou escrita criativa
- Utilize etiquetas XML para separar raciocínio e resposta em produção