Olá, pessoal!
Dando continuidade aos meus testes com técnicas de prompting, hoje explorei a Chain-of-Thought (Cadeia de Pensamentos). Essa técnica é o que permite que a IA "raciocine" em voz alta antes de entregar a resposta final.
Fiz dois tipos de testes que foram muito reveladores:
- Few-Shot CoT (Ensinando o processo)
Neste teste, eu não dei apenas o comando, mas mostrei um exemplo de como eu queria que o raciocínio fosse feito. Apliquei isso a um problema de banco de dados: imaginei um cenário onde uma query deletava 15% dos registros e depois inseria novos dados.
O resultado: Ao fornecer o "caminho das pedras" no primeiro exemplo, a IA replicou exatamente a mesma decomposição lógica para o segundo problema. Isso me deu muito mais segurança de que o cálculo de porcentagem e a soma final estavam corretos.
- Zero-Shot CoT (O poder do "Explique passo a passo")
Aqui usei a frase que já virou meu hábito: "explique passo a passo". Testei com uma organização financeira pessoal que envolvia porcentagens de custos fixos, investimentos em cursos e despesas extras inesperadas.
Por que isso mudou meu jeito de usar a IA?
Percebi que usar a Cadeia de Pensamentos atende a dois objetivos principais no meu dia a dia:
Garantia de Acerto: Evita que a IA "atropele" a lógica. Em problemas com múltiplas etapas, se ela tentar responder de uma vez, a chance de erro é alta. Ao decompor o problema (o que tem tudo a ver com o Pensamento Computacional), o resultado fica muito mais confiável.
Aprendizado e Monitoria: Como estou estudando Python e SQL, ver o passo a passo da IA não me entrega apenas o "peixe", mas me ensina a "pescar". Eu consigo conferir a sintaxe e a lógica de cada etapa, transformando a resposta em uma pequena aula particular.
A Cadeia de Pensamentos transforma a IA de uma simples "máquina de respostas" em um parceiro de raciocínio. Para quem, como eu, está em transição de carreira e focado em áreas técnicas, entender o como a resposta foi construída é muito mais valioso do que apenas o resultado final.