Raciocínio para Código e Depuração
Nesta página
Lição atualizada em 2 de novembro de 2026. Os exemplos originais utilizavam o Magistral, que foi descontinuado em 31 de julho de 2026. Agora utilizam o Mistral Small 4 (
mistral-small-2603) ou o Mistral Large 4 (mistral-large-4-0) comreasoning_effort="high", analisando a resposta através da funçãoseparerda Lição 3. Fonte: Reasoning (documentação da Mistral).
Depuração: Um Problema de Raciocínio
Por que é que a depuração beneficia mais do raciocínio do que a geração de código? Porque gerar código é um exercício de recuperação — o modelo já viu milhões de funções de ordenação —, enquanto depurar é um exercício de confronto. Tem de manter duas coisas em mente simultaneamente: o que o código deveria fazer e o que ele realmente faz, para depois localizar a discrepância. Este é exatamente o tipo de tarefa em que pensar antes de responder altera o resultado.
Encontrar um erro é, fundamentalmente, um exercício de raciocínio. Deve compreender a intenção, rastrear a execução, identificar a divergência entre o comportamento esperado e o real, e formular uma correção. É precisamente aqui que o raciocínio faz a diferença.
Depuração Clássica
Note a forma do pedido neste exemplo. Não dizemos «corrija este código». Em vez disso, descrevemos o sintoma — o que deveria acontecer versus o que está a acontecer. Esta é a mesma disciplina que utiliza com um colega humano: um diagnóstico que parte do sintoma encontra a causa, enquanto um simples «corrija isto» sem contexto produz frequentemente uma reescrita que mascara o erro em vez de o resolver.
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
buggy_code = """
def merge_sorted_lists(list1, list2):
result = []
i = j = 0
while i < len(list1) and j < len(list2):
if list1[i] <= list2[j]:
result.append(list1[i])
i += 1
else:
result.append(list2[j])
j += 1
return result
# Test: merge_sorted_lists([1, 3, 5], [2, 4, 6])
# Expected result: [1, 2, 3, 4, 5, 6]
# Actual result: [1, 2, 3, 4, 5]
"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Python debugging expert.
Method:
1. Trace execution mentally
2. Identify where behavior diverges
3. Explain the root cause
4. Propose a fix with a test"""},
{"role": "user", "content": f"This code has a bug. Diagnose and fix it:\n\n{buggy_code}"}
],
)
O modelo identificará que a função falha ao lidar com os elementos restantes após o ciclo while (falta a adição das caudas list1[i:] e list2[j:]).
Análise de Código Complexo
Compreender código legado é o segundo grande caso de uso e tem uma propriedade interessante: o rasto de raciocínio é tão valioso quanto a resposta. Ao ler como o modelo reconstruiu a lógica — que hipóteses formulou, que verificações realizou —, obtém um mapa de leitura do código que uma simples explicação final não consegue fornecer.
complex_code = """
def process(data):
cache = {}
def helper(n, memo=cache):
if n in memo:
return memo[n]
if n < 2:
memo[n] = n
return n
result = helper(n-1) + helper(n-2)
memo[n] = result
return result
return [helper(x) for x in data if isinstance(x, int) and x >= 0]
"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "user", "content": f"""Analyze this code in depth:
1. What exactly does it do?
2. Are there any potential issues?
3. How can it be improved?
{complex_code}"""}
]
)
Depuração de Erros Específicos
Erros de Tipo
type_error = """
TypeError: unsupported operand type(s) for +: 'NoneType' and 'int'
Code:
def calculate_total(items):
total = None
for item in items:
price = item.get('price')
total = total + price
return total
"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "user", "content": f"Explain this error and fix the code:\n\n{type_error}"}
]
)
Problemas de Desempenho
slow_code = """
def find_duplicates(lst):
duplicates = []
for i in range(len(lst)):
for j in range(i + 1, len(lst)):
if lst[i] == lst[j] and lst[i] not in duplicates:
duplicates.append(lst[i])
return duplicates
# This code is very slow on large lists (100,000+ elements)
"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": "Analyze the algorithmic complexity and propose an optimized version."},
{"role": "user", "content": f"Optimize this code:\n\n{slow_code}"}
]
)
Arquitetura e Refatoração
O raciocínio aplica-se também às escolhas arquiteturais:
architecture = """My Flask application has this structure:
app.py (2000 lines):
- API routes (20 endpoints)
- Business logic
- Database access
- Data validation
- Error handling
How should I restructure this application?"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Senior software architect.
Reason through SOLID principles, separation of concerns,
and long-term maintainability."""},
{"role": "user", "content": architecture}
],
)
Padrão: Assistente de Revisão de Código
Combine raciocínio com análise sistemática:
def code_review(client, code, language="python"):
"""Performs an in-depth code review with reasoning."""
review_prompt = f"""Perform a detailed code review of this {language} code.
Systematically analyze:
1. **Correctness**: Does the code do what it is supposed to do?
2. **Edge cases**: Are edge cases handled (None, empty, negative)?
3. **Performance**: What is the complexity? Is it optimal?
4. **Readability**: Is the code clear and well-named?
5. **Security**: Are there vulnerabilities (injection, XSS, etc.)?
For each issue found, indicate:
- The line number
- The severity (critical / major / minor)
- The recommended fix
Code to review:
```{language}
{code}
```"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": review_prompt}]
)
return separer(response.choices[0].message.content)[1] # the answer, without the reasoning
Small 4 ou Large 4 para Código?
Para depuração e análise de código, a escolha entre as duas abordagens depende da profundidade do problema. Um erro simples — erro de sintaxe, exceção explícita, otimização óbvia — é tratado muito bem pelo Mistral Small 4 (mistral-small-2603) com reasoning_effort="high" a um custo moderado de tokens. Reserve o Mistral Large 4 (mistral-large-4-0, em Pré-visualização Pública) para casos em que a causa não é visível no próprio código: análises arquiteturais, erros subtis como condições de corrida ou fugas de memória que só aparecem em produção, e revisões de código complexas onde deve equilibrar correção, desempenho e segurança.
# Simple bug: Small is sufficient
simple_bug = "why does 'hello'.split('')[0] raise an error?"
response = client.chat.complete(
model="mistral-small-2603",
messages=[{"role": "user", "content": simple_bug}],
reasoning_effort="high"
)
# Complex bug: Large 4, evaluate on your own cases
complex_bug = "My Django application has a memory leak in production that does not appear in dev..."
response = client.chat.complete(
model="mistral-large-4-0",
reasoning_effort="high",
messages=[{"role": "user", "content": complex_bug}]
)
Pontos-chave
- A depuração é um exercício de raciocínio ideal para
reasoning_effort="high" - Oriente o modelo com um prompt de sistema que estruture o método de diagnóstico
- O raciocínio destaca-se em erros subtis, análises de desempenho e arquitetura
- O Small 4 no modo
highé suficiente para erros comuns; avalie o Large 4 em erros subtis e arquitetura - Combine raciocínio com revisão sistemática de código para maximizar a qualidade
- Solicite sempre um teste de verificação com a correção proposta