Prompts para modelos de raciocínio (GPT-6, Claude Opus 5.5, Gemini, Grok, DeepSeek)

Padrões práticos para escrever prompts para modelos que pensam antes de responder: o que especificar, o que deixar com o modelo e como cada modelo atual define a profundidade do raciocínio com effort ou thinking level, e não com a redação do prompt.

Última atualização: · Versão em Markdown

O que torna os modelos de raciocínio diferentes

  • Os modelos de raciocínio (GPT-6, Claude Opus 5.5, Gemini 3.x com thinking, Grok 4.7, DeepSeek no modo thinking) raciocinam internamente antes de produzir a saída — eles gastam tokens explorando antes de responder.
  • Eles lidam melhor que os modelos padrão com tarefas ambíguas e de várias etapas, mas exigem outro estilo de prompt: menos andaime da sua parte e mais clareza sobre como é o sucesso.
  • Pedir explicitamente um passo a passo (como 'pense passo a passo') costuma ser redundante — o modelo já faz isso internamente. Sobrecarregá-lo com instruções sobre o processo pode atrapalhar o próprio raciocínio dele.

O que especificar e o que deixar com o modelo

  • Especifique: o objetivo, as restrições, o formato de saída e o que conta como resposta correta. Dê base suficiente para ele avaliar o próprio trabalho.
  • Deixe com o modelo: o caminho do raciocínio, as etapas intermediárias e como decompor o problema. Ele faz isso melhor do que você consegue prescrever.
  • Em tarefas factuais ou de pesquisa: exija citações ou afirmações fundamentadas. Os modelos de raciocínio ainda podem alucinar — eles raciocinam melhor, mas não estão imunes à confabulação.
  • Em tarefas matemáticas ou lógicas: peça uma resposta final com uma justificativa curta, não a narração completa de cada passo. Passos narrados podem introduzir erros em cadeias longas.

Como os modelos atuais definem a profundidade do raciocínio

  • A profundidade é uma configuração da requisição, não uma frase. Nos modelos atuais, você aumenta ou diminui o raciocínio com um parâmetro (effort, reasoning_effort ou thinking_level). Escrever 'pense mais' no prompt não é o controle.
  • O Claude Opus 5.5 sempre pensa; o effort define a profundidade (padrão: medium). Tire linhas como 'pense com cuidado' ou 'confira seu trabalho' e declare o objetivo, o contexto, as restrições e como é o 'pronto' em um pedido completo.
  • O GPT-6 Astra precisa de menos instruções passo a passo que os GPTs anteriores: dê o objetivo, as restrições e as permissões. Ele não tem effort 'none', então 'low' é o mínimo. O GPT-6 Sol começa no effort medium e se sai melhor com prompts mais fechados: passos explícitos e um formato exato.
  • O Gemini 3.8 Flash usa thinking_level (low, medium ou high; padrão: medium) e responde de forma enxuta por padrão, então peça detalhes quando precisar. O Gemini 3.1 Pro usa high por padrão.
  • O raciocínio do Grok 4.7 não pode ser desligado: o reasoning_effort vai de low a xhigh (padrão: high). Diminua-o em trabalhos sensíveis à latência em vez de pedir uma 'resposta rápida' no texto.
  • O DeepSeek Flash pensa por padrão (effort high). Baixe para low ou desligue o thinking em tarefas rápidas e, em loops de ferramentas, devolva o reasoning_content completo.
  • Esses padrões vêm da documentação de cada provedor na última verificação do registro do Promptea (24/09/2026). Os parâmetros mudam, então confirme na documentação do provedor antes de ajustar uma integração em produção.

Erros comuns

  • Andaime demais: acrescentar 'Primeiro, liste todas as opções. Depois, avalie cada uma. Por fim, escolha a melhor.' — o modelo já faz isso; suas instruções podem entrar em conflito com o plano dele.
  • Objetivo pouco especificado: critérios de sucesso vagos fazem com que o modelo possa raciocinar bem e ainda assim entregar uma resposta inutilizável.
  • Ignorar o formato de saída: os modelos de raciocínio podem produzir respostas longas e sem estrutura. Sempre especifique o formato de que você precisa, senão vai gastar tempo interpretando o resultado.

Templates

Raciocínio complexo em várias etapas

Objetivo: [como é uma resposta correta — uma frase]
Contexto: [fatos principais, restrições, definições]
Formato de saída: [recomendação em tópicos / tabela de decisão / lista ordenada]
Padrão de qualidade:
- Deve incluir: [itens específicos]
- Deve evitar: [afirmações ou suposições proibidas]
Se a resposta envolver trade-offs, declare-os de forma explícita.
Abre o analisador com o prompt já preenchido.

Análise estruturada com justificativa

Analise o conteúdo a seguir e retorne:
1. Resposta final (1–2 frases)
2. Raciocínio principal (no máximo 3 tópicos — cite os dados)
3. Confiança: Alta / Média / Baixa e por quê

Dados:
"""[cole aqui]"""

Restrições: [ex. use só os dados fornecidos, sem suposições externas]
Abre o analisador com o prompt já preenchido.

Perguntas frequentes

Ainda devo escrever 'pense passo a passo' para modelos de raciocínio?
Não. Os modelos de raciocínio rodam um chain-of-thought interno automaticamente. Acrescentar isso é, na melhor das hipóteses, redundante e, na pior, prejudicial. Concentre-se em especificar com clareza o objetivo e o formato de saída.
Os modelos de raciocínio são mais precisos em matemática e lógica?
Em geral, sim, em problemas de várias etapas, mas eles ainda erram contas e podem confabular fatos. Sempre verifique os resultados numéricos e exija citações para afirmações factuais.
Como faço um modelo de raciocínio pensar mais ou menos?
Use a configuração de raciocínio do modelo, não a redação do prompt: effort no Claude Opus 5.5 e no GPT-6, thinking_level no Gemini 3.x, reasoning_effort no Grok 4.7 e effort ou modo thinking no DeepSeek. Nos apps de chat, isso costuma ser o seletor de modelo ou de modo. Mantenha o prompt focado no objetivo, nas restrições e no formato de saída.