Construtor de Prompt de Raciocínio

Escolhendo a estrutura certa para o problema

As cinco técnicas não são intercambiáveis. Cada uma conserta um tipo diferente de falha, e a errada acrescenta ruído sem acrescentar precisão.

• Passo a passo serve para cadeias ordenadas: conversão de unidades, cálculo com datas, regras de elegibilidade, depuração de um stack trace. O modelo carrega estado intermediário, e escrevê-lo evita desvio.
• Decompor serve para problemas largos, não profundos. "Audite este fluxo de onboarding" são seis perguntas menores. Separá-las impede o modelo de responder a mais fácil e dar por encerrado.
• Autoverificação serve para casos em que uma resposta errada dita com convicção sai cara: cláusulas contratuais, SQL que toca produção, tabelas de preço.
• Comparar opções serve para perguntas sem resposta única, em que o entregável é um trade-off defensável.
• Planejar e executar serve para geração longa em que a estrutura importa mais que qualquer frase: um runbook de migração, o índice de um curso, um relatório.

Heurística rápida: se você rascunharia o problema no papel antes, uma estrutura ajuda. Se você simplesmente lembraria a resposta, não vai ajudar. O guia de fundamentos mostra onde isso se encaixa ao lado de prompts de papel e de formato.

Quando raciocinar compensa e quando só queima token

Raciocinar compensa em trabalho de várias etapas porque os erros se acumulam. Num cálculo de cinco passos, 10% de erro por passo deixa você abaixo de cara ou coroa no total. Forçar cada passo para fora torna o erro visível em vez de deixá-lo assado dentro do número final.

É inútil em consultas simples. "Em que ano o euro foi lançado?" não fica mais preciso com um "pense passo a passo" anexado. Você paga tokens a mais, espera mais e às vezes recebe resultado pior, porque o modelo se convence de um caminho errado bem elaborado.

Sinais de que a estrutura está sobrando:

• A resposta é um fato único.
• A saída tem menos de um parágrafo.
• Você aceitaria a primeira resposta sem conferir.
• Você roda isso centenas de vezes e o custo importa.

Passe as duas versões pelo contador de tokens para ver o número real. Em escala, a diferença é dinheiro; numa vez só, é ruído.

Modelos de raciocínio mudaram o serviço

Modelos que pensam internamente antes de responder mudaram o que é um bom prompt. Mandar um modelo de raciocínio estendido "pensar passo a passo" é redundante; ele já faz isso num rascunho oculto, e a instrução só rende um resumo ensaiado de um raciocínio que já terminou.

O que ajuda é pedir estrutura que você consiga verificar. Não exija o pensamento — exija os artefatos dele: premissas assumidas, a regra aplicada, os dados usados, uma autoverificação curta contra suas restrições. O artigo sobre cadeia de pensamento trata da diferença entre o CoT clássico e prompts para modelos de raciocínio; o guia avançado acrescenta padrões de autoconsistência.

Decomponha, depois force uma síntese

A falha típica da decomposição é uma pilha de mini-respostas desconectadas. O modelo divide o problema em seis, responde cada parte com competência e te entrega fragmentos sem veredito — deixando a integração para você, que era a parte difícil.

Faça da síntese um passo final explícito, com regras próprias: referenciar cada sub-resposta, resolver conflitos abertamente, produzir uma recomendação. Diga o que fazer quando elas discordarem, ou o modelo tira uma média disso tudo e vira papa.

Passe qualquer uma das duas estruturas pelo otimizador de prompts para apertá-la, ou pelo analisador para pegar instruções vagas antes.

Um exemplo em que os passos mudam a resposta

Teste isto: *"Uma loja aplica 40% de margem sobre um item e depois faz uma promoção de 30% de desconto. O preço final é R$ 98. Quanto a loja pagou?"*

Perguntado assim, seco, o modelo costuma responder R$ 98 / 1,1 ≈ R$ 89, tratando 40% para cima e 30% para baixo como um ganho líquido de 10%. Errado, e plausível. Agora force a cadeia:

Os passos expõem a composição: custo × 1,40 × 0,70 = custo × 0,98 = R$ 98, logo custo = R$ 100. A linha de verificação pega o deslize, já que substituir R$ 89 devolve R$ 87,22.

A distância entre R$ 89 e R$ 100 é o argumento inteiro. Aquela resposta seca não foi falha de conhecimento — foi uma multiplicação pulada, e a estrutura torna o pulo visível. Guarde as estruturas que sobrevivem à verificação na sua biblioteca de prompts, comece por um gerador específico de modelo quando precisar de velocidade, e some o construtor JSON para saída parseável.