Árvore de Pensamento

Árvore de Pensamento é um framework de resolução de problemas introduzido por Yao et al. em um artigo de 2023 de Princeton e Google que estende o prompting de cadeia de pensamento. Em vez de gerar um rastreamento sequencial de raciocínio único, ToT estrutura a deliberação do modelo como uma árvore: cada nó representa uma solução parcial ou pensamento intermediário, e o modelo gera várias continuações candidatas em cada nó, então avalia e seleciona quais branches explorar mais. Isso permite ao modelo considerar, comparar e abandonar caminhos de raciocínio assim como um ser humano poderia esboçar e descartar soluções parciais.

O framework aplica algoritmos clássicos de busca em árvore—busca em largura (BFS) ou busca em profundidade (DFS)—sobre um espaço de passos de raciocínio. Em cada expansão, o modelo gera múltiplos pensamentos candidatos, então um prompt de avaliação separado pede ao modelo para pontuar cada estado intermediário como promissor, incerto ou não promissor, permitindo poda informada. O processo termina quando uma resposta satisfatória é encontrada ou o orçamento de busca é esgotado.

ToT manipula problemas que requerem exploração e planejamento—quebra-cabeças combinatórios, provas matemáticas multi-passo, escrita criativa estruturada—onde raciocínio guloso de caminho único frequentemente falha. O artigo original demonstrou ganhos substanciais no Game of 24 (uma tarefa de raciocínio matemático) e conclusão de palavras cruzadas em comparação com cadeia de pensamento padrão. O insight chave é que avaliação e busca, não apenas geração, são integrais à resolução deliberada de problemas.

Por 2026, a influência de ToT é mais visível em modelos de raciocínio como o3 da OpenAI e Claude da Anthropic com extended thinking, que executam exploração interna análoga nativamente durante inferência em vez de requerer orquestração externa. Extensões acadêmicas incluem variantes de graph-of-thought e forest-of-thought. Orquestração explícita de ToT via prompting permanece útil em configurações restritas ou focadas em interpretabilidade, mas o paradigma foi amplamente absorvido em sistemas de raciocínio treinados end-to-end.

Exemplo

“Ao resolver um quebra-cabeça lógico multi-passo, uma implementação de ToT gera três movimentos candidatos para a próxima etapa, avalia cada um quanto à viabilidade, e recua de caminhos inviáveis—encontrando uma solução que uma única passagem de cadeia de pensamento tinha perdido completamente.