Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Chain-of-thought

Chain-of-thought (CoT, cadeia de raciocínio) é um método de prompting em que um modelo de linguagem escreve passos intermediários de raciocínio antes da resposta final, o que tende a melhorar os resultados em matemática, lógica e outros problemas de vários passos.

Também chamado: CoT, chain-of-thought prompting, Zero-shot-CoT

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

Em vez de pedir a resposta diretamente a um modelo, um prompt de chain-of-thought faz com que ele resolva o problema em etapas. Cada etapa vira um texto sobre o qual o modelo pode construir, como uma pessoa que escreve uma conta no papel.

De onde vem

O artigo de 2022 de Wei e colegas mostrou que dar a um modelo alguns exemplos que incluem o raciocínio resolvido, uma forma de few-shot prompting, melhorava grandes modelos em tarefas de aritmética, senso comum e raciocínio simbólico. Um artigo posterior de Kojima e colegas descobriu que simplesmente acrescentar "Let's think step by step" (vamos pensar passo a passo) podia produzir um efeito parecido sem exemplos, uma abordagem que chamaram de Zero-shot-CoT (veja zero-shot).

Exemplo

Diante da pergunta "Uma loja vende canetas a 3 por 2 dólares. Quanto custam 12 canetas?", um modelo instruído a usar chain-of-thought pode escrever: 12 canetas são 4 grupos de 3, cada grupo custa 2 dólares, então o total é 8 dólares. Ver os passos também facilita encontrar erros.

Como se relaciona com os modelos de raciocínio

Os modelos de raciocínio são treinados para produzir um raciocínio longo antes de responder, então você não precisa mais pedi-lo no prompt. Essa é uma forma de test-time compute: gastar mais tokens na hora da resposta para obter resultados melhores.

Limites

Os passos de raciocínio acrescentam tokens de saída, o que aumenta custo e latência. Os passos escritos não são um registro garantido de como o modelo chegou à resposta, e uma cadeia confiante ainda pode terminar em um resultado errado. Para consultas simples ou classificações curtas, muitas vezes ele acrescenta custo sem muito ganho.

Termos relacionados

Modelo de raciocínio
Um modelo de raciocínio (reasoning model) é um modelo de linguagem treinado para trabalhar um problema em um fluxo de tokens de pensamento intermediários antes de dar a resposta final, o que tende a ajudar em matemática, código e tarefas com várias etapas.
Prompt engineering
Prompt engineering (engenharia de prompt) é a prática de escrever, estruturar e testar as instruções e exemplos dados a um modelo de linguagem para que ele produza a saída de que uma aplicação precisa, sem mudar os pesos do modelo.
Few-shot prompting
Few-shot prompting (prompting com poucos exemplos) é dar a um modelo de linguagem um punhado de exemplos resolvidos de uma tarefa dentro do prompt, para que ele copie o padrão em uma nova entrada sem nenhum retreinamento.
Zero-shot
Zero-shot significa pedir a um modelo que faça uma tarefa só a partir de uma instrução, sem exemplos resolvidos no prompt e sem treinamento específico para a tarefa. O modelo depende apenas do que já aprendeu.
Test-time compute
Test-time compute (processamento em tempo de teste) é a quantidade de computação que um modelo gasta ao responder a uma requisição, e não durante o treinamento. Deixar um modelo pensar por mais tempo ou tentar várias respostas pode melhorar os resultados em problemas difíceis.

Fontes