Ensinando a Raciocinar — Chain-of-Thought Prompting

No capítulo anterior, você aprendeu a ensinar pelo exemplo: mostrar à IA o formato, o padrão e o estilo que você quer. O Few-Shot Prompting é poderoso para tarefas com padrão definido.

Mas existe uma categoria de problemas que exemplos sozinhos não resolvem: problemas que exigem raciocínio. Quando você precisa que a IA não apenas replique um padrão, mas genuinamente pense sobre um problema — construa um diagnóstico diferencial, analise variáveis interdependentes, avalie hipóteses com base em evidências — o Few-Shot não é suficiente.

Para esses problemas, você precisa ensinar a IA a raciocinar em voz alta. E a técnica que faz isso se chama Chain-of-Thought Prompting.

Quando um médico apresenta um caso clínico na reunião de equipe, ninguém aceita "o diagnóstico é X" como resposta adequada. O que se espera é o raciocínio que leva à conclusão: quais dados foram considerados, quais hipóteses foram levantadas, por que uma foi priorizada sobre as outras.

Sem raciocínio explícito, a conclusão é inauditável. Você não sabe se o médico considerou os diferenciais importantes, se descartou alternativas com critério, ou se chegou ao lugar certo pelos motivos errados.

A IA funciona da mesma forma. Quando responde diretamente — sem mostrar como chegou ali — ela está gerando a resposta mais provável com base em padrões de treinamento. Para tarefas simples, isso funciona. Para raciocínio complexo, é arriscado.

O Chain-of-Thought resolve esse problema forçando o modelo a externalizar seu raciocínio antes de concluir — tornando cada etapa visível, verificável e corrigível.

O Chain-of-Thought (CoT) foi introduzido por Wei et al. (2022) no paper "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models". A ideia central: ao instruir o modelo a mostrar o raciocínio intermediário antes da resposta final, a qualidade do raciocínio melhora significativamente.

Forma 1 — Zero-Shot CoT: "Pense passo a passo"

A descoberta surpreendente de Kojima et al. (2022): basta adicionar "Pense passo a passo" ao final do prompt para ativar capacidades de raciocínio latentes no modelo — sem nenhum exemplo necessário.

Em vez de: "Qual a dose de propofol para este paciente?"

Use: "Qual a dose de propofol para este paciente? Raciocine passo a passo antes de concluir."

Forma 2 — Few-Shot CoT: Ensinando o Raciocínio por Exemplos

Combine Few-Shot com CoT: forneça exemplos que mostram não apenas a resposta, mas o processo de raciocínio completo que leva até ela. O modelo aprende a replicar não apenas o formato, mas o modo de pensar.

Forma 3 — CoT Guiado: Definindo o Roteiro de Raciocínio

Você define explicitamente as etapas obrigatórias do raciocínio. É o CoT mais controlado e consistente — ideal quando existe um protocolo ou framework que deve ser seguido.

Exemplo para caso clínico:

"Analise o caso seguindo obrigatoriamente estas etapas:
1. Identifique a síndrome clínica predominante
2. Liste os 3 diagnósticos diferenciais mais prováveis
3. Para cada hipótese, liste argumentos a favor e contra
4. Defina quais exames são prioritários e por quê
5. Apresente sua conclusão com o diagnóstico mais provável e a conduta inicial"

A Self-Consistency (Wang et al., 2022) parte de uma pergunta simples: se um problema tem uma resposta correta, múltiplos raciocínios independentes devem convergir para ela.

A técnica: em vez de gerar uma única cadeia de raciocínio, você instrui o modelo a gerar múltiplos caminhos de raciocínio para o mesmo problema. Depois, avalia onde convergem e onde divergem.

Analogia médica: É como pedir a opinião de três especialistas independentes. Se os três concordam, sua confiança é alta. Se dois concordam e um discorda, você investiga a divergência. Se os três discordam, o problema é mais ambíguo do que parecia.

Como implementar

"Para o caso abaixo, gere 3 raciocínios independentes, cada um chegando à sua própria conclusão por um caminho diferente. Depois, compare os três e identifique: (a) onde convergem, (b) onde divergem, (c) qual conclusão é mais robusta e por quê."

Quando usar Self-Consistency

• Decisões de alto impacto com ambiguidade real
• Diagnósticos diferenciais com múltiplas hipóteses plausíveis
• Análises estratégicas onde não existe resposta objetivamente correta
• Quando você precisa de um indicador de confiança sobre a conclusão

O Tree of Thoughts (ToT) (Yao et al., 2023) leva a ideia de exploração de caminhos ao extremo: em vez de gerar caminhos completos e comparar ao final, ele explora ramificações em cada etapa do raciocínio.

Imagine um tabuleiro de xadrez. Um jogador iniciante pensa: "vou mover essa peça." Um mestre não pensa assim — ele considera 3 possíveis movimentos, para cada um imagina 3 respostas do oponente, para cada resposta imagina 3 contra-ataques... e só então escolhe o melhor caminho.

Como implementar

"Para o problema abaixo, use Tree of Thoughts:
1. Identifique 3 hipóteses iniciais
2. Para cada hipótese, desenvolva o raciocínio por 2-3 passos
3. Avalie qual caminho é mais promissor com base nos dados disponíveis
4. Abandone os caminhos menos promissores e aprofunde o melhor
5. Apresente a conclusão final com a justificativa do caminho escolhido"

O ToT é a técnica mais sofisticada — e a mais custosa em tokens. Reserve para problemas genuinamente complexos onde a exploração sistemática de hipóteses agrega valor real.

As técnicas anteriores — CoT, Self-Consistency, ToT — são implementadas por você, no prompt, de forma explícita. Mas os modelos mais modernos implementaram uma versão interna dessas capacidades.

A Anthropic chama isso de Extended Thinking — uma funcionalidade onde o Claude raciocina internamente antes de responder, considerando múltiplas possibilidades, revisando premissas e autocriticando conclusões parciais. Os modelos o1 e o3 da OpenAI implementam o mesmo conceito sob o nome de reasoning models.

Analogia: Imagine a diferença entre um médico que atende às pressas e dá uma resposta imediata, e um que pede 5 minutos, revisa o prontuário, considera os diferenciais internamente — e só então responde. O resultado do segundo é qualitativamente diferente.

Quando usar

• Problemas com múltiplas etapas interdependentes
• Margem pequena para erro
• Problemas com nuances que soluções diretas frequentemente perdem
• Quando você precisa de raciocínio de alta qualidade sem estruturar o prompt em 5 níveis

Para tarefas simples — resumos, flashcards, respostas factuais — o Extended Thinking não é necessário e apenas aumenta o tempo de resposta.

Situação	Abordagem recomendada
Pergunta factual simples	Nenhum CoT necessário
Raciocínio com 2-3 passos diretos	Zero-Shot CoT ("pense passo a passo")
Raciocínio complexo sem protocolo fixo	Zero-Shot CoT elaborado
Você quer que a IA raciocine como você	Few-Shot CoT
Protocolo clínico ou framework específico	CoT Guiado (etapas obrigatórias)
Decisão de alto impacto com ambiguidade	Self-Consistency (múltiplos caminhos)
Múltiplas hipóteses a explorar	Tree of Thoughts
Problema muito complexo, sem estruturar prompt	Extended Thinking ativado

Nota sobre custo: CoT, Self-Consistency e ToT aumentam o volume de texto gerado — mais tempo e mais tokens. Use quando o raciocínio de qualidade é o que importa. Para flashcards, resumos ou perguntas factuais, elas adicionam fricção sem benefício.

Questão 1

Usando a analogia da apresentação de caso clínico, explique por que o Chain-of-Thought resolve o problema de respostas diretas sem justificativa.

Ver Gabarito

Na apresentação de caso, ninguém aceita "o diagnóstico é X" sem raciocínio. O que importa é o caminho que leva à conclusão. A IA funciona igual: respostas diretas são inauditáveis. O CoT força o modelo a externalizar cada etapa, tornando o raciocínio visível, verificável e corrigível. A orientação: adicionar "Raciocine passo a passo antes de concluir" ou usar CoT Guiado com etapas obrigatórias.

Questão 2 — Escolha da técnica

Indique a técnica mais adequada e justifique:

(a) Analisar choque circulatório seguindo o algoritmo ACLS
(b) Decidir se aceita proposta de sociedade em clínica
(c) Classificar prontuários no seu padrão pessoal
(d) Explorar interpretações de cláusula contratual ambígua
(e) Saber o mecanismo de ação do sugamadex

Ver Gabarito

(a) CoT Guiado — ACLS é protocolo com sequência obrigatória. (b) Self-Consistency — decisão de alto impacto, múltiplas variáveis, sem resposta objetiva. (c) Few-Shot CoT — replicar seu método pessoal de classificação. (d) Tree of Thoughts — explorar múltiplas interpretações sistematicamente. (e) Nenhum CoT — pergunta factual direta.

Questão 3 — Múltipla escolha

Sobre CoT, assinale a INCORRETA:

(a) Wei et al. (2022) demonstraram ganhos em raciocínio matemático e lógico
(b) Kojima et al. (2022) mostraram que "Pense passo a passo" é suficiente sem exemplos
(c) O CoT deve ser usado em todos os prompts para garantir sempre a melhor resposta
(d) Few-Shot CoT mostra o processo de raciocínio, não apenas a resposta
(e) O CoT torna o raciocínio auditável

Ver Gabarito

(c) — INCORRETA. O CoT tem custo real (mais tokens, mais tempo). Para tarefas simples não agrega valor. Use quando o raciocínio determina a qualidade da resposta.

Questão 4 — Self-Consistency vs Tree of Thoughts

Um gestor de hospital precisa decidir entre expandir o centro cirúrgico ou investir em telemedicina. Qual técnica usar e por quê?

Ver Gabarito

Self-Consistency é mais adequada: decisão binária de alto impacto onde múltiplos raciocínios independentes (perspectiva financeira, operacional, de mercado) podem convergir ou divergir, indicando o nível de confiança. ToT seria útil se houvesse mais de duas opções a explorar em profundidade.