Chain-of-Thought
Chain-of-Thought (CoT) é uma técnica de prompting que leva um LLM a gerar um processo de raciocínio passo a passo antes de sua resposta final. Formalizada por Wei et al. na Google Research em 2022, tornou-se a técnica padrão para elevar a precisão dos LLMs em tarefas de raciocínio complexo.
Chain-of-Thought (CoT) é uma técnica de prompting que leva um LLM a gerar um processo de raciocínio passo a passo antes de sua resposta final. Formalizada por Wei et al. na Google Research em 2022, tornou-se a técnica padrão para elevar a precisão dos LLMs em tarefas de raciocínio complexo.
Por que isso importa
Os primeiros LLMs tinham dificuldade com aritmética, lógica e raciocínio de múltiplas etapas. No artigo original de Wei, o PaLM 540B resolveu apenas 17,9% dos problemas do benchmark de matemática escolar GSM8K com prompting básico - mas 56,9% com Chain-of-Thought. Mesmo modelo, mesmas perguntas, 2 a 3 vezes mais precisão simplesmente por dar ao modelo "espaço para pensar". Desde então, Claude, GPT e Gemini internalizaram o CoT como um padrão central de prompting.
Como funciona
A ideia central do CoT é fazer o LLM escrever primeiro seu raciocínio e só depois enunciar a conclusão - em vez de pular direto para a resposta. Como os transformers condicionam cada token aos tokens anteriores, emitir o raciocínio intermediário coloca esse conteúdo no contexto e eleva a qualidade da resposta final. Mais "tokens de pensamento" dão ao modelo mais "espaço de raciocínio".
Principais variantes
Zero-Shot CoT: acrescenta uma única linha como "Vamos pensar passo a passo", sem exemplos. Proposto por Kojima et al. em 2022, é a forma mais simples e surpreendentemente eficaz.
Few-Shot CoT: inclui no prompt 2 a 3 problemas de exemplo com seu raciocínio passo a passo, para que o modelo imite a estrutura.
Self-Consistency: amostra várias respostas de CoT para a mesma pergunta e escolhe a conclusão final mais comum - uma "votação" entre caminhos de raciocínio, mais precisa do que um único CoT.
Tree of Thoughts (ToT): explora o raciocínio como uma árvore em vez de uma linha, expandindo apenas os ramos com pontuação alta. Bom para planejamento complexo e quebra-cabeças.
ReAct: Reasoning + Acting (raciocinar + agir). Combina o CoT com chamadas de ferramentas em um laço de "pensar → agir → observar → pensar de novo". O padrão de prompting para agentes de IA.
Quando o CoT ajuda
O CoT não ajuda igualmente em todas as tarefas.
Muito eficaz: matemática, quebra-cabeças de lógica, raciocínio de múltiplas etapas, tomada de decisão complexa, depuração de código.
Menos eficaz: classificação simples, análise de sentimento, sumarização e tradução - onde a resposta já é imediata e o CoT em geral só adiciona latência.
Tendência de 2026: os modelos de fronteira agora já vêm com "modos de raciocínio" embutidos (OpenAI o1, extended thinking do Claude Opus) que executam o CoT automaticamente, de modo que os usuários não precisam mais escrever prompts de CoT manualmente. A atenção se desloca para outras dicas que melhoram a qualidade.
Implicações para GEO
O CoT não é uma técnica que redatores de conteúdo aplicam diretamente, mas molda qual conteúdo os LLMs acham mais fácil de citar. Se um post de blog percorre conceitos complexos com lógica passo a passo explícita, os LLMs têm mais facilidade de usar essa seção como grounding para o próprio raciocínio. Explicações que detalham "por que isso se segue" superam conclusões de uma só linha quando a busca por IA escolhe o que citar.
Fontes: