Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Raciocínio para Código e Depuração

Aula 10 de 12 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. Depuração: Um Problema de Raciocínio
  2. Depuração Clássica
  3. Análise de Código Complexo
  4. Depuração de Erros Específicos
  5. Arquitetura e Refatoração
  6. Padrão: Assistente de Revisão de Código
  7. Small 4 ou Large 4 para Código?
  8. Pontos-chave

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) com reasoning_effort="high", analisando a resposta através da função separer da 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 high é 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