Frodex

Frodex

Beta
EnglishPortuguês (BR)
Fundamentos
1Introdução2Tokens3Controlando o modelo
Comunicando com LLMs
4Anatomia de um bom prompt5System prompts e personas6Few-shot learning
Saídas estruturadas
7Modo JSON e saída estruturada8Function calling
Técnicas avançadas
9Raciocínio em cadeia de pensamento10Gerenciando a janela de contexto11Embeddings e busca semântica
Sistemas em produção
12Retrieval-Augmented Generation (RAG)13Respostas em streaming14Avaliação e otimização de custo
Frodex

Frodex

Beta
EnglishPortuguês (BR)
Fundamentos
1Introdução2Tokens3Controlando o modelo
Comunicando com LLMs
4Anatomia de um bom prompt5System prompts e personas6Few-shot learning
Saídas estruturadas
7Modo JSON e saída estruturada8Function calling
Técnicas avançadas
9Raciocínio em cadeia de pensamento10Gerenciando a janela de contexto11Embeddings e busca semântica
Sistemas em produção
12Retrieval-Augmented Generation (RAG)13Respostas em streaming14Avaliação e otimização de custo
Técnicas avançadas
15 minLição 9 de 14

Raciocínio em cadeia de pensamento

Melhore o raciocínio complexo com pensamento passo a passo

Objetivos de aprendizagem

  • •Entender o prompting de cadeia de pensamento (CoT)
  • •Aprender quando CoT melhora os resultados
  • •Implementar várias técnicas de CoT

O que é cadeia de pensamento?

O prompting de cadeia de pensamento incentiva o modelo a mostrar seu processo de raciocínio passo a passo, em vez de ir direto à resposta.

Sem CoT: P: Se uma camisa custa R$ 100 e tem 20% de desconto, qual o preço final? R: R$ 80

Com CoT: P: Se uma camisa custa R$ 100 e tem 20% de desconto, qual o preço final? Pense passo a passo. R: Vamos calcular: 1. Preço original: R$ 100 2. Desconto: 20% de R$ 100 = R$ 20 3. Preço final: R$ 100 - R$ 20 = R$ 80

Por que CoT funciona

Cadeia de pensamento melhora a precisão ao:

  • Decompor problemas complexos em passos menores
  • Reduzir erros em raciocínio com múltiplos passos
  • Tornar o processo de raciocínio auditável
  • Detectar erros antes da resposta final
  • Problemas de matemática
  • Quebra-cabeças de lógica
  • Análise com múltiplos passos
  • Tomada de decisão complexa

Técnicas de CoT

Zero-shot CoT

Simplesmente adicione "Pense passo a passo" ou "Vamos trabalhar isso" ao seu prompt.

Few-shot CoT

Forneça exemplos que demonstrem raciocínio passo a passo.

Auto-consistência

Gere vários caminhos de CoT e tome a resposta majoritária.

Árvore de pensamentos

Explore múltiplos ramos de raciocínio e avalie cada um.

Erros comuns

×Usar CoT para tarefas simples — adiciona latência e custo sem benefício
×Não verificar o raciocínio — os passos de CoT ainda podem conter erros
×Pular CoT em matemática — a maioria dos problemas se beneficia de passos explícitos
×Ignorar o raciocínio — os passos muitas vezes revelam quando o modelo está incerto

Principais pontos

+Prompting de cadeia de pensamento melhora a precisão em tarefas de raciocínio complexo
+Só adicionar 'pense passo a passo' pode melhorar bastante os resultados
+CoT torna o raciocínio auditável — você pode conferir cada passo
+Use CoT para matemática, lógica e análise com múltiplos passos

Playground

Experimente estes prompts

Prompt

Por que este experimento?

Rode os mesmos probleminhas com e sem "pense passo a passo" e compare o raciocínio.

Resposta
Nenhuma resposta ainda
Escolha um experimento acima ou digite seu prompt e clique em Executar para ver a resposta do modelo aqui.

Uma continha com poucos passos que o modelo ainda pode errar ao responder direto.