Técnicas · 1 de setembro de 2026 · leitura de 7 min

Chain-of-thought e few-shot: duas técnicas de prompt que mudam os resultados

Há dezenas de "técnicas de prompt" pela internet. A maior parte é ruído. Duas valem mesmo a pena aprender porque funcionam em qualquer modelo, em qualquer tarefa, e demoram cinco minutos a perceber: chain-of-thought (pedir raciocínio passo a passo) e few-shot (dar exemplos do que queres).

Chain-of-thought: fazer o modelo pensar antes de responder

Um modelo de linguagem gera texto palavra a palavra. Se lhe pedes diretamente a resposta final de um problema com vários passos, ele "salta" para uma conclusão e muitas vezes erra. Se lhe pedes para mostrar o raciocínio primeiro, cada passo intermédio fica escrito — e cada passo seguinte é construído sobre esse, não sobre um palpite.

A instrução é literalmente esta:

Pensa passo a passo antes de dares a resposta final.

Ou, mais estruturado:

Resolve isto em etapas:
1. Reformula o que está a ser pedido, com as tuas palavras.
2. Lista os dados que tens e o que falta.
3. Trabalha o problema passo a passo, mostrando cada cálculo/decisão.
4. Só depois, dá a resposta final numa linha, precedida de "RESPOSTA:".

Quando usar

• Problemas de lógica, matemática, contas com condições.
• Decisões com vários critérios ("qual destes 3 fornecedores, dados estes trade-offs").
• Análise que exige comparar partes de um documento longo.
• Depuração de código ou de um processo — "porque é que isto falha".

Quando não vale a pena

Para tarefas diretas (reescrever um parágrafo, traduzir, resumir), o passo a passo só torna a resposta mais longa. Alguns modelos de "raciocínio" já fazem isto internamente — nesses, pedir explicitamente ajuda menos, mas não faz mal. Se só queres a conclusão, acrescenta no fim: "não mostres o raciocínio, dá só o resultado" — o modelo continua a beneficiar de o ter feito.

Few-shot: mostrar em vez de descrever

Descrever um formato em palavras é ambíguo. Mostrar dois ou três exemplos do input e do output desejado elimina a ambiguidade — o modelo copia o padrão. Chama-se "few-shot" (poucos exemplos); "zero-shot" é quando não dás nenhum.

Classifica cada mensagem de cliente como: DÚVIDA, RECLAMAÇÃO ou ELOGIO.
Segue exatamente este formato:

Mensagem: "Quando é que o meu pedido chega?"
Categoria: DÚVIDA

Mensagem: "Já é a terceira vez que o produto vem partido."
Categoria: RECLAMAÇÃO

Mensagem: "Adorei o atendimento, obrigado!"
Categoria: ELOGIO

Mensagem: "O botão de cancelar não funciona no site."
Categoria:

O modelo devolve RECLAMAÇÃO — e vai manter o formato para as próximas 50 mensagens. Few-shot é a forma mais fiável de garantir consistência de saída sem escrever um parágrafo de regras.

Boas práticas de few-shot

• 2 a 4 exemplos chegam quase sempre. Mais do que isso raramente melhora.
• Cobre os casos difíceis — inclui um exemplo do limite entre duas categorias, não só os óbvios.
• Mantém o formato idêntico em todos os exemplos: mesmos rótulos, mesma pontuação, mesma ordem.
• Varia o conteúdo, não a estrutura — se todos os exemplos forem parecidos, o modelo aprende o tema em vez do formato.

As duas juntas

Combinam bem: dás exemplos que já incluem o raciocínio. Assim o modelo aprende não só o formato da resposta, mas o processo para lá chegar.

Exemplo:
Pergunta: Um produto custa 40€ com 25% de desconto já aplicado. Qual era o preço original?
Raciocínio: 40€ corresponde a 75% do original. Original = 40 / 0,75 = 53,33€.
Resposta: 53,33€

Pergunta: [a tua pergunta real]
Raciocínio:

Resumo

Continuar a ler

• A anatomia de um prompt profissional: os 5 componentes
• Como evitar que a IA invente factos (alucinações)