Módulo 2 do Curso de Engenharia de Prompt: Nível Expert
Estruturas de Raciocínio Complexo
Rogério Marques
Seu instrutor nesta jornada
1. Chain-of-Thought (CoT) e Suas Variações
Se você pedir a uma pessoa para resolver um problema de matemática complexo de cabeça, a chance de ela errar é grande. Mas se você pedir para ela resolver no papel, mostrando os cálculos passo a passo, a chance de acertar aumenta muito. A técnica de Cadeia de Pensamento (Chain-of-Thought ou CoT) faz exatamente isso com a IA.
Em vez de perguntar "Quanto é X?" e esperar a resposta final, nós instruímos o modelo com uma frase mágica: "...pense passo a passo". Isso o força a externalizar sua "linha de raciocínio". Ele primeiro quebra o problema, depois resolve cada parte, e só então chega à conclusão. Isso não apenas aumenta a precisão, mas também nos permite ver *onde* ele poderia ter errado.
Uma variação poderosa é a Self-Consistency (Autoconsistência). Aqui, pedimos ao modelo para resolver o mesmo problema várias vezes, usando o "passo a passo". Ele pode chegar a respostas ligeiramente diferentes. A técnica então faz uma "votação": a resposta final que apareceu mais vezes é escolhida como a correta. Isso aumenta muito a confiança no resultado.
Analogia: CoT é como pedir a um aluno para mostrar os cálculos na prova de matemática. Self-Consistency é como dar a mesma prova para cinco alunos excelentes; a resposta que a maioria deles encontrar é provavelmente a correta.
Imagem ilustrativa gerada pelo Gemini.
2. Tree of Thoughts (ToT)
A Cadeia de Pensamento (CoT) é ótima, mas segue um único caminho, como uma linha reta. Se o modelo cometer um erro no início, todo o resto do raciocínio estará errado. A Árvore de Pensamentos (Tree of Thoughts ou ToT) resolve isso.
Com o ToT, o modelo não segue apenas um caminho. Ele explora vários caminhos de raciocínio ao mesmo tempo, como os galhos de uma árvore. Para cada passo do problema, ele pode gerar 3 ou 4 possibilidades diferentes. Em seguida, ele mesmo avalia quais desses "galhos" parecem mais promissores e continua a explorar apenas os melhores, abandonando os que parecem levar a um beco sem saída.
Essa técnica é excelente para problemas que exigem exploração ou criatividade, onde não há uma única resposta certa, como planejar uma viagem ou debater uma estratégia de negócios.
Analogia: Imagine um detetive investigando um caso. Um detetive comum (CoT) seguiria uma única pista até o fim. Um detetive genial (ToT) coloca um quadro branco na parede e explora múltiplas hipóteses simultaneamente: "Se foi o suspeito A, então a arma do crime deve estar aqui. Se foi o suspeito B, a motivação seria essa...". Ele avalia todas as linhas de investigação ao mesmo tempo.
Imagem ilustrativa gerada pelo Gemini.
3. Graph of Thoughts (GoT)
Se o ToT cria galhos independentes, o Grafo de Pensamentos (Graph of Thoughts ou GoT) vai além: ele permite que esses galhos se conectem e se influenciem. O raciocínio deixa de ser uma árvore e se torna uma rede, ou um "grafo".
Com o GoT, o modelo pode pegar uma boa ideia de um caminho de raciocínio e fundi-la com uma boa ideia de outro caminho. Ele pode criar ciclos, onde refina uma ideia várias vezes com base em outras informações que ele mesmo gerou. Isso permite um nível de síntese e criatividade muito superior.
Essa é uma técnica de ponta, ideal para tarefas que envolvem inovação, como criar um novo produto, escrever um roteiro complexo ou desenvolver uma nova teoria científica, onde a solução é uma combinação de várias boas ideias.
Analogia: Pense em uma sessão de brainstorming (chuva de ideias) em uma sala de reuniões. O ToT é quando cada pessoa apresenta sua ideia completa. O GoT é o que acontece depois: o líder da reunião pega o melhor ponto da ideia de Maria, combina com um insight da ideia de João e usa a crítica de Pedro para refinar o resultado, criando uma terceira ideia, superior a todas as originais.
Imagem ilustrativa gerada pelo Gemini.
4. Decomposição de Tarefas (Least-to-Most)
O nome parece complicado, mas a ideia é a mais simples de todas e se resume ao ditado: "dividir para conquistar". Em vez de dar um problema enorme e complexo para a IA de uma só vez, nós o quebramos em pedaços menores e mais fáceis de resolver.
Funciona assim: primeiro, damos ao modelo a primeira parte do problema. Ele resolve. Em seguida, usamos a resposta que ele nos deu como parte do próximo prompt para resolver a segunda parte, e assim por diante. Cada passo se baseia na solução do anterior, construindo a solução final como se fosse uma escada, degrau por degrau.
Essa técnica é extremamente eficaz para garantir a qualidade e a precisão em tarefas longas, como escrever um relatório completo, gerar um código de software com várias funções ou criar um plano de aula detalhado.
Analogia: É exatamente como montar um móvel complexo usando um manual de instruções. Você não tenta encaixar todas as peças de uma vez. O manual te guia: "Passo 1: monte a base. Passo 2: anexe as laterais à base que você acabou de montar. Passo 3: coloque as prateleiras...". A Decomposição de Tarefas é criar esse manual para a IA.
