E agora, galera, a gente vai falar de um outro tipo, que é um camarada chamado de React, tá? Ou seja, significa Reasoning e Action. Qual que é a ideia desse cara? É a técnica que você, de forma geral, vai fazer com que a sua IA combine o raciocínio passo a passo, ou seja, usando o Chain of Thought, com execuções de ações externas. Ou seja, como chamar de ferramenta, API, chamar a busca em banco de dados, execução. Então, basicamente, o seu modelo vai utilizar Chain of Thought, por isso que é Reasoning, ou seja, ele necessariamente usa linha de raciocínio. Mas além dessas linhas de raciocínio, ele tem algo que é chamado de action, ou seja, o seu modelo vai sair da caixinha dele onde ele é treinado e ele vai, no final das contas, acessar o mundo externo. Então, quando o modelo precisa consultar a API, ele tem que ter ou consultar um banco de dados ou qualquer coisa desse tipo. Quando apenas uma linha de raciocínio não é suficiente para responder, ou seja, ele precisa de informação adicional. Ou quando há dependência de informações externas e dinâmicas. Então, hoje em dia, já é super comum você ter modelos que utilizam function calling. Até mesmo hoje em dia, já é super comum você ter modelos que utilizam function calling, até mesmo hoje em dia a gente tem modelos que utilizam protocolos MCPs, que são uma das coisas aí que são super importantes, que fazem com que os modelos utilizem caminhos fora da caixinha que ele foi treinado. Ou seja, eu consigo fazer o modelo fazer uma chamada para ação. Por que isso é um tipo de prompting? Porque nesse caso você estimula o modelo a ter que fazer essa chamada externa. Então vantagem e limitação. Vantagem ela permite que o modelo vai combinar o raciocínio dele com uma ação em tempo real. Ou seja, se eu quero criar um agente totalmente interativo que acesse o mundo externo, consiga fazer bastante coisa ali pra mim, eu preciso ter acesso externo, né? Ou seja, isso vai me ajudar. Gerar resposta auditável, ou seja, isso vai me ajudar a gerar a resposta auditável. Ou seja, ele traz o pensamento passo a passo, ou seja, o thought, que é o pensamento, o action, quando ele faz uma ação, e observation, isso é um ponto importante. Observation é baseado na resposta daquela ação, pensando em passo a passo o que eu consigo ver. Então, isso aí é um ponto importante. Não adianta apenas ter a ação em si. Tem a observação, né, que acaba gerando o que é, por consequência, o resultado da nossa ação. A vantagem, ele pode ser iterado com base em feedbacks dinâmicos, né? Ou seja, vamos imaginar que eu estou fazendo uma consulta e eu estou acessando o meu Grafana ou estou pegando o logs do Elasticsearch e conforme esses logs vão chegando, eu vou pedindo para ele iterar e ele vai mudando a minha linha de raciocínio, os resultados, baseado no que essas informações estão chegando para mim, tá? Então, isso aí é super interessante, galera. Eu quero entender em tempo real o que está acontecendo com a minha aplicação. Imagina os logs chegando, os erros chegando, e em tempo real ele vai explicando pra mim o que está acontecendo de coisa ruim no meu software, tá? Limitação, obviamente, né? Eu tenho que fazer com que a ação estimule o modelo a buscar a ferramenta externa, tá? Ele requer que sistemas integrem e interpretem uma ação e a observation corretamente, ou seja, eu preciso que eu acesse o mundo externo e também a forma como eu trabalho, como que o meu sistema, ele vai se comportar, né, fazendo com que essas informações que estão chegando sejam processadas, né? E a gente tem a limitação também, o tough action observation. Ou seja, isso tem que ser seguido a risca, essa ordem. Porque senão não adianta eu tentar absorver algo que não foi chamado ou qualquer coisa desse tipo. E um ponto importante é que aumenta a complexidade na construção e teste de prompt. Porque o seu prompt não depende apenas mais do que você está escrevendo para ele, ele também depende daquilo que está vindo para ele. Então, eu perco um pouco o controle das rédeas ali do que eu estou trabalhando, tá? Então, essa que é a ideia do React, tá? Exemplo técnico, inspeção de containers com React. Exemplo técnico. Inspeção de containers com o React e a ferramenta Docker. Você é um engenheiro de plataforma, utilize passo a passo a ferramenta Docker disponível via MCP para inspecionar os containers que estão rodando no sistema. Seu objetivo é entender o estado atual da infraestrutura. Para cada etapa, siga o padrão. Thought, Action, Observation e Final Answer. Então, o Thought aqui para mim. Para entender o estado atual da infraestrutura, primeiro é preciso listar os containers em execução. Action, usar a ferramenta Docker com o comando docker ps. Observation, 12 containers ativos, incluindo Nginx, Postgres, Redis, AppCore, Worker 1, 2, 3. Thoughts. Precisamos identificar quais containers estão usando mais CPUs. Usar a ferramenta Docker com Docker Stats. Observation. Comando. O container Worker 2 está consumindo 78% de CPU, bem acima dos demais. Thoughts. Isso pode indicar um ciclo de processamento contínuo. Verificar logs desse container. Action. Usar a ferramenta Docker. Logs worker 2, tail menos 50. Observão. Observação. Os logs mostram a tarefa de processamento de mensagens de repetição com erro de parsing. Final answer. O container 2 está sobrecarregado processando mensagens com erro contínuo. Deve ser investigado a origem dos dados e aplicado a correção no pipeline de parsing. Tote, se a aplicação está inacessível, o container pode ter parado ou falhado. Vamos consultar a MCP para verificar o estado do container Payments API. Action, ele faz o get e traz a observation aqui para a gente. Então você consegue entender, galera, como que muda o jogo, tá? Pra você conseguir trabalhar com o React. E é aqui que eu quero deixar claro pra vocês que trabalhar com o React não é o mesmo de pedir pra IA fazer uma coisa onde ela vai usar uma ferramenta, tá? Isso é uma chamada normal de ferramenta. O React, ele força você ter o Thought, o Action e o Observation. Ou seja, ele exige que você utilize Chain of Thought. Ok? Ou seja, React usa Chain of Thought. Então, se você está estimulando a sua IA através de um prompt a ela acessar dados externos via MCP, não interessa como mas ela não seguir essa linha de raciocínio, você não está usando React então esse é um ponto importante então, diferença entre React e Chain of Thought puro React interage com o ambiente externo Chain of Thought raciocina apenas internamente e React pode usar ferramentas o Chain of Thought não consegue executar ações baseados em observações iterativas baseado em raciocínio estático ideal para agentes ou assistentes ideal para explicação lógica então está aí a principal diferença a principal diferença não está apenas na chamada externa obviamente que essa é uma diferença muito forte mas a ideia interessante ali é o observation porque a observação do React ele é baseado em observações iterativas, porque ele vai iterando baseado nos dados ali então isso aí é um ponto importante para você trabalhar com o React. Fechou, galera? Então, esses aqui são os tipos de prompt de ponto que, na minha opinião, são indispensáveis de você entender com um pouco mais de profundidade. Existem diversos outros caras, mas esses caras aqui, se você conseguir dominar bem isso pra você trabalhar, a sua vida vai mudar na hora de você trabalhar com inteligência artificial.