Prompts com cadeia de pensamento: como fazer a IA raciocinar passo a passo
Por Emmanuel Abou Chabke, fundador e editor · Revisado pela equipe editorial do AIQuickPrompt · Sobre o responsável pela publicação
Criar prompts com cadeia de pensamento significa pedir a um modelo de IA que resolva um problema por etapas antes de dar a resposta final. A técnica foi descrita pela primeira vez em um artigo científico de 2022 e continua sendo útil em tarefas com várias etapas, como matemática, planejamento, comparações e depuração. Este guia explica como ela funciona, quando vale a pena gastar tokens extras, como se diferencia do encadeamento de prompts e oferece modelos de prompt para salvar no AIQuickPrompt e reutilizar.

O que são prompts com cadeia de pensamento?
Prompts com cadeia de pensamento (CoT) são uma técnica em que você pede ao modelo para dividir um problema em etapas intermediárias antes de responder. Em vez de ir direto ao resultado, o modelo descreve o raciocínio, o que tende a reduzir erros em tarefas que exigem várias etapas.
A ideia vem do artigo "Prompts com cadeia de pensamento estimulam o raciocínio em grandes modelos de linguagem", de Wei e colegas do Google (2022). Eles demonstraram que alguns exemplos resolvidos com o raciocínio descrito melhoraram os resultados de grandes modelos em tarefas de aritmética, senso comum e raciocínio simbólico.
Cadeia de pensamento zero-shot vs. few-shot
Há duas formas comuns de usar a técnica. A CoT zero-shot simplesmente adiciona uma instrução como "Pense nisso passo a passo e depois dê a resposta final." A CoT few-shot inclui um ou mais exemplos resolvidos que demonstram o padrão de raciocínio desejado e, em seguida, apresenta a nova pergunta.
A abordagem zero-shot é rápida e consome menos tokens. A few-shot oferece mais controle sobre o formato e a profundidade das etapas e combina naturalmente com as técnicas do nosso guia de prompts few-shot.
- CoT zero-shot: uma instrução extra, uma boa opção padrão para perguntas do dia a dia.
- CoT few-shot: exemplos resolvidos, ideal quando você precisa de uma estrutura consistente.
- CoT estruturada: peça o raciocínio e a resposta final em seções separadas e identificadas para facilitar a localização da resposta.
Quando a cadeia de pensamento ajuda e quando é desnecessária?
A CoT é mais útil em problemas com várias etapas que dependem umas das outras: cálculos, comparação de opções com base em critérios, planejamento de um cronograma, identificação de problemas no código ou verificação de um documento em relação a regras. Em consultas simples, reescritas ou tarefas criativas curtas, ela costuma apenas alongar a resposta.
Muitos modelos atuais, incluindo os modos de raciocínio das versões recentes de GPT, Claude e Gemini, já pensam internamente antes de responder. As orientações dos fornecedores indicam que esses modelos costumam ter melhores resultados com instruções claras e diretas, em vez de roteiros detalhados passo a passo. Com eles, peça um resumo breve das principais etapas se quiser verificar a lógica, em vez de exigir um raciocínio longo e visível.
- Use: matemática com várias etapas, decisões que envolvem vantagens e desvantagens, depuração e verificação de regras.
- Dispense: tradução, ajustes de tom, resumos curtos e fatos simples.
- Teste: execute o mesmo prompt com e sem a instrução e compare.
Cadeia de pensamento vs. encadeamento de prompts
Os nomes são parecidos, mas as técnicas são diferentes. A cadeia de pensamento acontece dentro de um único prompt: o modelo raciocina passo a passo em uma única resposta. O encadeamento de prompts divide uma tarefa entre vários prompts separados, e você passa o resultado verificado de um para o próximo.
As duas técnicas funcionam bem juntas. Uma etapa específica de um encadeamento pode usar CoT quando exige um raciocínio cuidadoso. Leia nosso guia de encadeamento de prompts para conhecer a versão com vários prompts.
Modelos reutilizáveis de prompts com cadeia de pensamento
Salve estes modelos como prompts no AIQuickPrompt e preencha as {{variables}} a cada uso com Usar prompt.
Modelo para decisões: "Preciso escolher entre {{options}} para {{goal}}. Meus critérios são {{criteria}}. Analise cada opção em relação a cada critério, passo a passo, usando apenas os fatos que forneci. Se faltar algum fato, diga isso em vez de adivinhar. Depois, dê uma recomendação final em uma frase sob o título Resposta."
Modelo para cálculos: "Resolva isto: {{problem}}. Mostre cada etapa do cálculo em uma linha separada, confira o resultado com um segundo método e depois apresente o número final sob o título Resposta."
Modelo para depuração: "Aqui está meu código: {{code}}. O erro é: {{error}}. Raciocine passo a passo sobre as possíveis causas, liste primeiro a causa mais provável e depois apresente a menor alteração necessária para corrigir o problema."

A cadeia de pensamento consome mais créditos de IA?
Sim, geralmente. O raciocínio escrito gera mais tokens de saída, e a maioria dos fornecedores cobra por esses tokens. Em um modelo rápido e barato, isso costuma custar menos do que usar um modelo premium sem CoT, mas depende da tarefa.
Uma abordagem prática: primeiro, experimente um modelo rápido com uma instrução de CoT e só passe para um modelo premium se a resposta continuar errada. Nosso guia para economizar créditos de IA apresenta outras formas de reduzir custos.
Como o AIQuickPrompt ajuda você a usar a cadeia de pensamento
Guarde seus melhores modelos de prompts CoT em uma pasta para acessá-los com um toque em qualquer ferramenta de IA. As variáveis transformam cada modelo de prompt em um formulário para preencher, e o histórico de versões permite comparar uma versão com instruções passo a passo com outra sem elas.
Otimizar com IA pode reescrever um prompt para você, e Orientar a otimização permite pedir para "adicionar raciocínio passo a passo e uma resposta final separada". Recomendar um modelo sugere se uma tarefa precisa de um modelo de raciocínio premium ou se um mais barato é suficiente.
Erros comuns ao usar a cadeia de pensamento
Fique atento a estes erros:
- Confiar cegamente nas etapas: o raciocínio escrito ainda pode conter erros, então confira os fatos e a resposta final.
- Usar em tudo: tarefas simples ficam mais longas e caras, sem melhora nos resultados.
- Criar roteiros rígidos demais para modelos de raciocínio: eles costumam ter melhor desempenho com um objetivo claro do que com uma lista obrigatória de etapas.
- Não ter uma resposta final clara: sempre peça a resposta em uma seção identificada.
- Deixar o modelo inventar fatos que faltam: instrua-o a indicar o que está faltando.