Chain-of-thought

É a técnica de pedir ao modelo que exponha seu raciocínio passo a passo antes de dar a resposta final. Em vez de responder diretamente “a resposta é X”, o modelo escreve “primeiro, considero A; depois, B; portanto, X”. Funciona porque a geração é sequencial: os passos intermediários funcionam como um espaço de cálculo que melhora o resultado em tarefas de lógica, matemática e decisões com várias etapas. Modelos de raciocínio mais recentes incorporaram essa ideia internamente, “pensando” antes de responder sem que o prompt precise pedir. Variantes incluem gerar vários raciocínios e escolher o mais frequente (self-consistency) e pedir que o modelo revise a própria resposta.

Em Produto, chain-of-thought melhora a qualidade em troca de latência e custo, porque gera mais tokens de saída. Vale para decisões complexas e análises com várias etapas; não vale para classificações simples de alto volume. Por exemplo, antes de recomendar aprovar ou negar uma solicitação, pedir que o modelo liste os fatores considerados e o peso de cada um tende a produzir decisões mais consistentes. Um cuidado importante: o raciocínio exposto é plausível, mas não é necessariamente o que o modelo “fez” internamente. Não deve ser tratado como explicação auditável para fins legais ou de compliance.

Use chain-of-thought para tarefas com várias etapas, em que a qualidade importa mais do que a velocidade. Use resposta direta para tarefas simples e de alto volume, em que o raciocínio só adiciona custo. Use modelos de raciocínio quando o problema é difícil e o orçamento de tempo e custo permite. Uma forma simples de diferenciar: chain-of-thought é pedir para o modelo pensar alto; modelos de raciocínio pensam sozinhos antes de responder.

Wei et al. (Google, 2022). Modelos de raciocínio (o1, 2024; Claude com extended thinking, 2025) incorporaram a ideia no próprio modelo.

Wei et al., Chain-of-Thought Prompting Elicits Reasoning in LLMs (2022)