Bom, pessoal, continuando aqui com Chain of Thoughts, tá? Quais são as principais vantagens de você trabalhar com Chain of Thoughts? Raciocínio explícito. Permite que o modelo demonstre o seu processo de pensamento passo a passo. A gente tem maior resolução de problemas complexos, ou seja, ele melhora significativamente o desempenho nas tarefas que exigem múltiplas etapas de raciocínio, transparência e auditabilidade. Ou seja, você torna o processo decisório de forma visível, facilitando a verificação da lógica utilizada. O que isso significa? Imagina que eu vou lá e coloco para ele resolver um problema para mim e ele retorna para mim. A resposta é 10. E daí eu falo, beleza, mas se eu pedir pra ele resolver aquele problema pra mim de uma forma mais auditável, eu consigo entender como que ele chegou que aquele resultado é 10. E se eu não concordar com aquela linha de raciocínio dele, eu já vou desconfiar que aquele resultado está errado. Ou eu conseguir entender como que ele chegou ali para mim. Então, quando a gente pegou aquele exemplo do advanced reasoning aqui no nosso... Onde que foi? Foi aqui nessa janela. Você começa a perceber aqui que ele vai gerando aqui pra mim de uma forma muito mais estruturada passo a passo de como que é feita essas linhas. Ele tá trazendo as fórmulas aqui pra mim e tudo mais. Então, eu tô entendendo o que ele tá fazendo aqui. Ele consegue trabalhar de uma forma mais clara ali pra mim. Então, ele gera checklist, ele consegue pensar passo a passo ali. O mais interessante é você conseguir fazer com que ele pense passo a passo independente do modelo que ele tá trabalhando. Então, limitações. Então é o seguinte, ele gera saídas mais longas, o que pode ser custoso em prompts com limite de tokens. Ele pode introduzir ruído se o modelo gerar cadeias de pensamento incorretas. O que significa? Se uma etapa deu algo errado, a próxima etapa vai gerar um castelo de cartas porque um dominó, um efeito dominó, porque se teve um raciocínio errado, ele vai afetar todo o restante, porque ele acumula as respostas baseadas no raciocínio dele ele requer um modelo suficientemente treinado pra compreender e aplicar ou seja, você tem que ter um modelo bom pra que ele consiga ter esse nível de raciocínio. Por que que eu falo modelo bom? Hoje em dia, os modelos mais utilizados, eles resolvem ali grande, mais grande parte dos nossos problemas, tá? O ponto é que esses modelos, né, quanto mais amplo, quanto mais tudo isso que a gente viu com o Walltree, por exemplo, mais caro, quanto mais tudo isso que a gente viu com o O3, por exemplo, mais caro é. Então, a grande sacada de você utilizar IA é você conseguir pegar um modelo que se adeque com aquele caso de uso, que ele seja barato, que ele retorne a respostas mais rápidas, por exemplo, mas que ele consiga dar conta daquilo que você tá pedindo, tá? Então, a escolha de modelos é algo extremamente importante. Então, você não vai usar, né, por exemplo, vou dar um exemplo pra você, tá? Imagina que você tá desenvolvendo um software e cada código, né, todo o desenvolvimento que você vai fazer pilotando o IA, você vai colocar com Advanced Reasoning o que que vai acontecer? vai funcionar? vai eventualmente os resultados vão ser melhores? vão, mas a gente tem um problema latência, como Advanced Reasoning o que que vai acontecer? a IA vai ficar pensando, pensando, pensando elaborou os seus passos a passos aí ele vai lá e começa a programar. Na hora que você está programando, na hora que você está trabalhando com o IA, você não quer ficar esperando 20 segundos para ela pensar numa resposta e sair cuspindo e mudando o seu código. Você vai querer, no final das contas, que esse processo seja rápido. Ou seja, não necessariamente para codificação no dia a dia, você vai usar um modelo com advanced reasoning. Você precisa de baixa latência na hora das respostas. Isso não significa que eu não posso pegar minha base de código, pedir pra ele fazer uma investigação e usar um modelo desse mais caro e mais demorado. Mas, provavelmente, pra sair cuspindo o código na minha tela, não vai ser um modelo eventualmente tão adequado pra eu fazer isso, tá? Então esse é um ponto importante. Se não for combinado com critérios de parada, ele pode prolongar desnecessariamente o raciocínio. Isso aí é um ponto importante, pessoal, porque dependendo da forma de como você pede e trabalha com prompt, ele pode escrever uma bíblia ali pra você. Ainda mais esses modelos que eles possuem janelas de... Você pega, sei lá, um Gemini da vida com um milhão de tokens. Então, dependendo de como você pede, ele pode sair escrevendo um livro. Isso aí é muito caro, com coisas, com dados desnecessários, tá? Então, se você não deixar cada vez mais explícito até onde esse modelo tem que ir, ele pode passar do ponto, tá? Então, vou dar um exemplo, pense passo a passo até chegar numa conclusão única e final, porque senão ele pode ficar divagando com diversas conclusões. Pense quando tiver certeza da resposta. Galera, isso aí é algo extremamente importante, porque você vai fazer ele ficar num loop ali até ele ter uma ideia, mas quando ele chegar naquela resposta ali, ele vai fazer a parada, ele não vai continuar a partir dali. Após concluir essas etapas, retorne apenas a resposta final. Então você faz com que o modelo, ele não faça menos do que você quer, mas você também não quer que ele faça mais do que você quer, porque demora e é caro, tá? E aqui eu vou trazer algumas estruturas de exemplos, tá? E aí a gente pode seguir. Olha só. Estrutura. Você é um engenheiro de software com 20 anos de experiência em sistemas concorrentes e distribuídos. Seu trabalho é revisar o código a seguir e identificar falhas ou melhorias. Pense passo a passo, justificando cada ponto com base nas práticas recomendadas em Go. Afinal, revise a sequência de etapas e forneça uma conclusão objetiva. Siga a estrutura. Etapa 1, descrição. Etapa 2, descrição. Resultado final, conclusão. Você consegue perceber, pessoal, que como é interessante que se você perceber aqui, a gente tá dando uma estrutura de resposta, você não deu exemplo, você tá trabalhando com uma espécie de zero shot, mas quando a gente colocou aqui, né, pense passo a passo, isso aqui gerou uma chave na IA porque a partir de agora ela não vai cuspir um resultado pra cada etapa do processo ela vai gerar o passo a passo e daí na hora que eu coloquei justificando cada ponto com base nas práticas de gol o que que vai acontecer? além de ela pensar naquele passo ela vai justificar. Quando ela justifica, o próximo pensamento dela vai usar essa justificação também como base. E aí, você tem um cadeamento de pensamento, você consegue auditar o que ela pensou, o porquê ela fez, e aí você tem uma resposta. Então, se você pegar um exemplo desse, com e sem esse nível de estrutura, você vai ver uma diferença gigante. Eu vou copiar aqui pra mim, tá? Como que esse tipo de coisa pode acontecer, eu vou fazer isso no nosso próximo vídeo, mas eu também tenho outros exemplos aqui que eu quero aqui passar pra vocês.