O Self-Consistency é uma técnica poderosa para tarefas que exigem raciocínio lógico ou cálculos. Em vez de aceitar a primeira resposta da IA, você pede que ela gere múltiplos caminhos de raciocínio e selecione a resposta que mais se repete (o "voto majoritário").
Aqui está um exemplo prático e como potencializá-lo:
1. Exemplo de Prompt: Self-Consistency
Para aplicar o Self-Consistency, você deve instruir a IA a pensar de várias formas diferentes antes de concluir.
Prompt:
"Resolva o problema abaixo gerando 3 caminhos de raciocínio distintos e independentes. Para cada caminho, mostre o passo a passo. No final, verifique qual foi o resultado mais frequente entre as 3 tentativas e forneça essa como a resposta definitiva.
Problema: Uma empresa de software tem 12 desenvolvedores. Metade deles trabalha com Python. Dos que não trabalham com Python, 4 trabalham com Java e o restante com C++. Se a empresa contratar mais 2 desenvolvedores de C++, qual será a porcentagem de desenvolvedores de C++ no time total?"
2. Melhoria: Combinando Self-Consistency + Chain of Verification (CoV)
A melhoria definitiva acontece quando você une a votação do Self-Consistency com o rigor do Chain of Verification. Isso garante que a IA não apenas "vote" na resposta mais comum, mas que ela ativamente procure erros em seus próprios cálculos antes de dar o veredito.
Prompt Melhorado:
Tarefa: Resolva o problema de lógica abaixo usando uma abordagem de Verificação em Cadeia (CoV) sobre múltiplos raciocínios (Self-Consistency).
Passo 1 (Geração): Crie 3 soluções independentes para o problema.
Passo 2 (Verificação): Para cada uma das 3 soluções, identifique os pontos críticos (ex: contagem inicial, somas intermediárias, cálculo de porcentagem) e verifique se há erros lógicos ou matemáticos.
Passo 3 (Consenso): Compare as soluções verificadas. Se houver divergência, explique qual raciocínio está correto com base nas regras da lógica.
Passo 4 (Resposta Final): Entregue o resultado final corrigido.Problema: [Insira o problema aqui]
Por que essa combinação funciona?
- Self-Consistency: Mitiga o risco de a IA ter um "alucinação momentânea" em um único caminho de pensamento.
- Chain of Verification: Força a IA a agir como um revisor de si mesma, o que é excelente para evitar erros comuns em problemas de probabilidade, matemática financeira ou lógica de programação.
Essa técnica de combinar a "revisão em camadas" de self-consistency e CoV é muito similar ao que ferramentas de agentes fazem pare verificar o trabalho de agentes de sua cadeia de trabalho, fiquei agora curioso como um crewAI da vida faz isso internamente!
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!