Chain-of-thought prompting

Pedir a um modelo que percorra etapas intermediárias de raciocínio antes de dar a resposta final, o que ajuda em problemas de várias etapas.

Última atualização: · Versão em Markdown

Como aplicar em prompts

Use este conceito para reduzir a ambiguidade e melhorar a consistência. Se precisar de formato estrito, combine-o com um guia de JSON e um template por modelo.

O que significa
Exemplo pronto para copiar
Problema: [descreva o problema]

Primeiro, dentro de tags <reasoning>: reformule o que é pedido, liste o que se sabe e o que falta e depois desenvolva a lógica em passos pequenos.
Em seguida, dentro de tags <answer>: dê somente a resposta final, em uma ou duas frases.
Antes da resposta, confira se há algum erro no seu raciocínio.
Abre o analisador com o prompt já preenchido.
Abrir no Promptea
Perguntas frequentes
O chain-of-thought sempre melhora a precisão?
Não. Ele ajuda mais em problemas de várias etapas. Em consultas simples ou classificação, acrescenta tamanho e custo sem muito benefício.
Devo mostrar o raciocínio aos usuários finais?
Normalmente não. Mantenha raciocínio e resposta em blocos separados e exiba só a resposta; use o raciocínio para depurar.