# 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.

Fonte: Promptea — https://www.promptea.me/pt/guides/reasoning-model-prompts · Idioma: Português · Última atualização: 2026-11-14

## 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

```text
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.
```

[Abrir no Promptea](https://www.promptea.me/pt/analyzer?prompt=Objetivo%3A+%5Bcomo+%C3%A9+uma+resposta+correta+%E2%80%94+uma+frase%5D%0AContexto%3A+%5Bfatos+principais%2C+restri%C3%A7%C3%B5es%2C+defini%C3%A7%C3%B5es%5D%0AFormato+de+sa%C3%ADda%3A+%5Brecomenda%C3%A7%C3%A3o+em+t%C3%B3picos+%2F+tabela+de+decis%C3%A3o+%2F+lista+ordenada%5D%0APadr%C3%A3o+de+qualidade%3A%0A-+Deve+incluir%3A+%5Bitens+espec%C3%ADficos%5D%0A-+Deve+evitar%3A+%5Bafirma%C3%A7%C3%B5es+ou+suposi%C3%A7%C3%B5es+proibidas%5D%0ASe+a+resposta+envolver+trade-offs%2C+declare-os+de+forma+expl%C3%ADcita.&purpose=text&target=gpt)

### Análise estruturada com justificativa

```text
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]
```

[Abrir no Promptea](https://www.promptea.me/pt/analyzer?prompt=Analise+o+conte%C3%BAdo+a+seguir+e+retorne%3A%0A1.+Resposta+final+%281%E2%80%932+frases%29%0A2.+Racioc%C3%ADnio+principal+%28no+m%C3%A1ximo+3+t%C3%B3picos+%E2%80%94+cite+os+dados%29%0A3.+Confian%C3%A7a%3A+Alta+%2F+M%C3%A9dia+%2F+Baixa+e+por+qu%C3%AA%0A%0ADados%3A%0A%22%22%22%5Bcole+aqui%5D%22%22%22%0A%0ARestri%C3%A7%C3%B5es%3A+%5Bex.+use+s%C3%B3+os+dados+fornecidos%2C+sem+suposi%C3%A7%C3%B5es+externas%5D&purpose=data&target=claude)

## 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.
