Plan-and-Solve Prompting: Como Superar Limitações do Chain-of-Thought

Embora o Chain-of-Thought (CoT) tenha revolucionado a capacidade dos LLMs de resolver problemas passo a passo, ele frequentemente falha em tarefas complexas. Quando confrontado com cálculos encadeados ou raciocínio de múltiplas etapas, o modelo tende a pular premissas intermediárias, propagar erros iniciais ou perder o alinhamento com o objetivo final.

É para corrigir essa fragilidade que surge o Plan-and-Solve Prompting (PS Prompting). Em vez de induzir o modelo a raciocinar diretamente enquanto gera o texto final, a técnica força a IA a separar a resolução em duas fases claras: elaborar um plano explícito de ação e, em seguida, executar cada passo desse plano de maneira sistemática.

O Que É Plan-and-Solve Prompting e Por Que Ele Supera o CoT

No Chain-of-Thought tradicional (estimulado por gatilhos como "pense passo a passo"), o modelo gera o raciocínio em tempo real, sem um mapa prévio. Isso gera o problema do erro de propagação antecedente: se a IA comete um pequeno desvio no primeiro passo, todo o raciocínio subsequente é construído sobre uma premissa incorreta.

O Plan-and-Solve Prompting resolve isso impondo uma arquitetura de duas etapas: a fase de planejamento e a fase de execução. Na fase de planejamento, o modelo analisa a pergunta, identifica as sub-tarefas necessárias e define a ordem lógica. Apenas na fase de execução ele calcula ou processa as etapas, reduzindo drasticamente alucinações e omissões de etapas intermediárias.

Em benchmarks acadêmicos de raciocínio matemático e lógico, como o GSM8K, o Plan-and-Solve com melhorias de instrução (PS+) superou o Zero-Shot CoT convencional em mais de 5 pontos percentuais de acurácia, demonstrando sua eficácia prática em fluxos produtivos.

Os 4 Pilares da Estrutura de um Prompt Plan-and-Solve

Para implementar o Plan-and-Solve Prompting com eficiência em fluxos de trabalho, adicione a seguinte estrutura lógica ao seu template de prompt:

1. Fase de Decomposição (O Plano)

Instrua a IA a listar todas as sub-tarefas e variáveis necessárias para chegar à resposta antes de tentar calcular ou responder qualquer item.

2. Validação da Sequência Lógica

Exija que o modelo verifique se os passos do plano cobrem todos os requisitos da solicitação e se não há dependências faltando.

3. Execução Isolada de Cada Etapa

Oponha-se ao impulso do modelo de resumir etapas e solicite a execução passo a passo, exibindo os resultados intermediários explicitamente.

4. Consolidação e Checagem Final

Defina um passo final no qual o modelo compara a resposta consolidada com a pergunta original para garantir consistência lógica e numérica.

Exemplo Prático: Análise Financeira Multi-Etapas

Imagine que você precisa calcular o Retorno sobre Investimento (ROI) líquido de uma campanha de marketing no Brasil, considerando impostos corporativos, custos operacionais adicionais e taxa de conversão variável.

• Prompt Plan-and-Solve:: "Primeiro, crie um plano detalhado indicando como calculará o ROI líquido (liste a fórmula, os tributos de 15% aplicados sobre o lucro bruto e os custos fixos). Após apresentar o plano completo, execute passo a passo cada cálculo."
• Etapa 1 (Plano Gerado):: O modelo responde estruturando o plano: 1) Calcular receita bruta com base na taxa de conversão; 2) Subtrair custos diretos; 3) Calcular lucro bruto; 4) Aplicar alíquota de imposto de 15%; 5) Subtrair custos fixos para obter o lucro líquido; 6) Calcular a porcentagem do ROI.
• Etapa 2 (Execução):: O modelo resolve cada número sequencialmente, sem pular a dedução de impostos — um erro recorrente quando se utiliza apenas CoT padrão sem o plano explícito prévio.

O resultado é uma resposta auditável, transparente e com índice de erro drasticamente menor para relatórios corporativos.

Erros Comuns ao Aplicar Plan-and-Solve Prompting

• Permitir execução dentro do plano:. Deixar o modelo calcular valores durante a fase de planejamento faz com que ele volte ao comportamento falho do CoT tradicional.
• Planos genéricos ou abstratos:. Não orientar o nível de detalhe do plano resulta em etapas superficiais que não evitam erros de raciocínio intermediários.
• Ignorar a instrução de extração de variáveis:. Esquecer de solicitar que o modelo identifique primeiro todas as variáveis dadas no problema leva a omissões de dados cruciais durante a execução.
• Não exigir revisão da resposta final:. Encerrar a resposta imediatamente após a execução do último passo impede que o modelo identifique eventuais desacordos entre o plano inicial e a conclusão.

Como Aplicar o Plan-and-Solve no Seu Dia a Dia

Para começar a usar essa técnica hoje mesmo, revise os prompts em que você atualmente depende apenas de "pense passo a passo". Reescreva o trecho de instrução exigindo explicitamente: "Primeiro, elabore um plano de resolução. Em seguida, execute cada passo."

Essa pequena mudança de paradigma garante maior previsibilidade em automações, reduz custos com re-prompts e torna suas integrações com LLMs prontas para demandas reais de produção.