Se você está procurando maneiras de obter respostas mais precisas do ChatGPT, especialmente em tarefas complexas como problemas matemáticos, então o “Chain-of-Thought Prompting” pode ser a técnica que você precisa. Aqui está um guia direto ao ponto sobre como criar um prompt usando essa técnica:

Passo 1: Definir a Tarefa e o Contexto

O primeiro passo é identificar a tarefa específica que você deseja que o modelo de linguagem realize. Se, por exemplo, você deseja que o modelo resolva problemas matemáticos complexos, este será o seu contexto.

Passo 2: Criar Exemplos Iniciais

Comece fornecendo ao modelo problemas mais simples relacionados ao contexto estabelecido. Ao lado de cada exemplo, forneça também a resposta correta e uma explicação passo a passo do processo de pensamento para chegar a essa resposta.

Passo 3: Aumentar a Complexidade dos Exemplos Gradualmente

Gradualmente, introduza exemplos de tarefas mais complexas, fornecendo sempre a resposta correta e o raciocínio passo a passo. Isso dará ao modelo a oportunidade de “aprender” com os exemplos fornecidos.

Passo 4: Fazer a Pergunta Complexa

Finalmente, após ter fornecido vários exemplos, faça a pergunta complexa. Como você já forneceu exemplos e explicou o raciocínio para tarefas similares, o modelo deverá ser capaz de fornecer uma resposta correta ou, pelo menos, mais próxima da correta.

Exemplo Prático

Vamos supor que você deseja que o ChatGPT resolva um problema matemático complexo relacionado à adição e subtração. Aqui está como você pode aplicar a técnica de “Chain-of-Thought Prompting”:

1. Tarefa e contexto: Resolver problemas matemáticos complexos de adição e subtração.
2. Exemplo inicial: Problema – “João tinha 5 maçãs e ganhou mais 3. Quantas maçãs ele tem agora?” Resposta – “João tem agora 8 maçãs.” Explicação – “Adicionamos o número de maçãs que João tinha inicialmente (5) ao número de maçãs que ele ganhou (3), o que nos dá 8 maçãs.”
3. Exemplo mais complexo: Problema – “João tinha 5 maçãs, ganhou mais 3, mas depois deu 2 para Maria. Quantas maçãs João tem agora?” Resposta – “João tem agora 6 maçãs.” Explicação – “Adicionamos o número de maçãs que João tinha inicialmente (5) ao número de maçãs que ele ganhou (3), o que nos dá 8. Depois subtraímos o número de maçãs que ele deu para Maria (2), o que nos deixa com 6 maçãs.”
4. Pergunta complexa: “Se João tinha 7 maçãs, ganhou mais 4, depois deu 3 para Maria e 2 para Ana, quantas maçãs João tem agora?”

Desta forma, a técnica “Chain-of-Thought Prompting” ajuda a guiar o modelo de linguagem para fornecer respostas mais precisas a perguntas complexas. Lembrando que é fundamental manter clareza, consistência e precisão ao fornecer os exemplos e as explicações.

Feito por chatGPT com a ajuda de Flávio Fernandes