Gemini 3.1: como depurar código com vazamentos da cadeia de pensamento

Easton editorial illustration: personal agent daily-operations hub

A função recursiva gerada pelo Gemini 3.1 Pro passou pelo mesmo teste três vezes e entregou três resultados diferentes. O problema não estava em números aleatórios: a lógica estava “derivando” em uma das ramificações. Ao escrever código com IA, é fácil tratá-la como uma caixa-preta: você envia um prompt, recebe o código e não sabe — nem se preocupa com — o que aconteceu no meio. Até o código começar a falhar.

Com alguns formatos específicos de prompt, é possível fazer o Gemini expor seu “rascunho de raciocínio”. Não é um resumo polido, mas uma cadeia de raciocínio interna, bruta e até um pouco confusa. Esse tipo de vazamento ajuda a enxergar suposições ocultas, atalhos de raciocínio e contradições internas.

Este artigo mostra como usar a cadeia de pensamento (CoT) para depurar código gerado por IA: o parâmetro thinking_level do Gemini 3.1 Pro, as condições que podem provocar o vazamento, casos de diagnóstico e técnicas para melhorar prompts. Não é algo místico, mas um método técnico bastante concreto.

O que é um vazamento da cadeia de pensamento (CoT)

Primeiro, vale esclarecer alguns conceitos.

Chain of Thought (CoT), ou cadeia de pensamento, é um mecanismo central no raciocínio complexo dos modelos de linguagem atuais. Em termos simples, o modelo registra etapas de raciocínio antes de entregar a resposta final, como fazemos ao resolver uma questão de matemática em uma folha de rascunho.

O Gemini 3/3.1 Pro oferece um parâmetro chamado thinking_level, que controla a profundidade do raciocínio interno. Em níveis baixos, o modelo responde diretamente; em níveis altos, ele executa raciocínio em várias etapas, autocorreção e planejamento de caminhos.

Há, porém, uma armadilha: o bloco “Thinking” exibido oficialmente é um resumo processado, não a cadeia de pensamento bruta.

Um desenvolvedor no Reddit descobriu que determinadas entradas faziam o Gemini 3 Pro vazar a cadeia de pensamento original — incluindo dúvidas, tentativas que deram errado e até “loops recursivos” no próprio raciocínio.

Imagine poder acompanhar a IA murmurando dentro da própria “cabeça”:

“Certo, o usuário quer um algoritmo de ordenação… Quicksort? Não, o volume de dados é pequeno e o custo da recursão seria alto… Bubble sort? Simples demais… Espera, posso usar o sorted nativo do Python, mas ele pediu uma implementação própria… Então vou usar merge sort: é estável e tem um desempenho razoável…”

Esse nível de “monólogo interno” oferece informações valiosas para depurar prompts e avaliar a qualidade do código.

Como provocar um vazamento da cadeia de pensamento

Agora vem a parte prática.

No Gemini 3.1 Pro, o vazamento costuma acontecer em alguns cenários.

Cenário 1: problemas lógicos extremamente complexos

Quando a complexidade do problema ultrapassa determinado limite, o modelo precisa expor mais etapas intermediárias para conseguir responder corretamente. Se você observar com atenção o fluxo bruto de tokens retornado pela API, pode encontrar no bloco <thinking> um conteúdo muito mais detalhado do que o normal.

Cenário 2: autocorreção quando o modelo fica preso

Em um caso relatado por um usuário do Reddit, o Gemini entrou em um loop recursivo ou em um beco sem saída lógico e passou a se comportar de forma “unhinged” — um pouco fora de controle. Nesse estado, o mecanismo de validação interna pode não conseguir “sanitize” — limpar — a cadeia de pensamento a tempo, permitindo que o raciocínio bruto apareça.

Cenário 3: formatos específicos de prompt

Algumas técnicas de prompt podem aumentar a probabilidade de vazamento:

peça explicitamente: “mostre seu processo de raciocínio, incluindo as tentativas que deram errado”;
use a estrutura de “rascunho”: “primeiro analise o problema em um rascunho e depois dê a resposta”;
faça uma pergunta de acompanhamento: “houve um salto no raciocínio anterior; explique cada etapa em detalhes”.

Uma técnica prática: em uma chamada à API do Gemini, tente definir thinking_level: "high" e depois analise o campo thinking da resposta. Às vezes, ele contém informações mais valiosas do que o campo text.

Como diagnosticar problemas lógicos pela cadeia de pensamento

Para que serve uma cadeia de pensamento vazada? Alguns exemplos práticos ajudam a responder.

Caso 1: encontrar suposições ocultas

Certa vez, pedi ao Gemini que escrevesse uma função para processar a entrada do usuário. O código parecia correto, mas encontrei esta frase na cadeia de pensamento:

“Suponha que a entrada do usuário esteja sempre em um JSON válido…”

Espere: eu nunca disse que a entrada seria sempre JSON. O próprio modelo acrescentou essa suposição. Sem acesso à cadeia de pensamento, esse risco poderia chegar até o ambiente de produção.

Caso 2: encontrar atalhos de raciocínio

Em outro exemplo, pedi ao Gemini que otimizasse uma consulta ao banco de dados. O código usava um índice e parecia bastante profissional. Mas a cadeia de pensamento dizia:

“O usuário quer otimizar a consulta… Bem, adicionar um índice é a técnica de otimização mais comum… Vou recomendar um índice.”

Percebeu o problema? O modelo não analisou o plano de execução existente, a distribuição dos dados nem sequer verificou se o índice já existia. Ele escolheu a resposta “mais fácil”, não a “mais correta”.

Caso 3: encontrar contradições internas

O caso mais interessante acontece quando o modelo se contradiz. A cadeia de pensamento pode trazer algo como:

“A abordagem A falha neste caso-limite… Mesmo assim, vou recomendar a abordagem A, porque ela funciona bem na maioria das situações.”

Ao revelar essa contradição, o modelo mostra exatamente onde você precisa acrescentar código defensivo ou casos de teste.

Como usar CoT para depurar e melhorar prompts

A cadeia de pensamento não serve apenas para depurar código. Ela também funciona como um raio X para melhorar prompts.

Técnica 1: verificar como o prompt foi interpretado

Às vezes, a instrução parece clara para você, mas o modelo entende outra coisa. Ao observar a cadeia de pensamento, você consegue ver o que ele “ouviu”.

Imagine que você peça: “escreva uma função eficiente”.

Na cadeia de pensamento, o modelo pode interpretar:

“eficiente = baixa complexidade de tempo”;
“eficiente = baixo uso de memória”;
“eficiente = código conciso”.

Cada interpretação produz um código completamente diferente. Ao enxergar a ambiguidade, você sabe que o prompt precisa ser mais preciso.

Técnica 2: identificar lacunas de conhecimento

Quando aparecem expressões como “hum… não tenho certeza…” ou “talvez…” na cadeia de pensamento, o modelo demonstra pouca confiança naquele conhecimento. Nesse caso, você deve:

oferecer mais contexto no prompt;
ou escolher uma implementação mais simples.

Técnica 3: direcionar o raciocínio

Se você consegue observar como o modelo raciocina, também pode ajustar o prompt para direcioná-lo.

Se ele sempre começa por uma solução recursiva, acrescente: “priorize uma solução iterativa, a menos que a recursão seja claramente mais simples”.

Se ele ignora casos-limite, escreva: “preste atenção especial ao tratamento de entradas vazias e valores extremos”.

Limitações e cuidados

Sendo franco, essa técnica não resolve tudo.

Limitação 1: o vazamento é instável

O Google claramente tenta controlar a exposição da cadeia de pensamento. O quanto você consegue enxergar depende muito da versão do modelo, dos parâmetros e até da sorte. Uma técnica que funciona hoje pode parar de funcionar amanhã.

Limitação 2: a cadeia de pensamento também pode estar errada

A cadeia de pensamento mostra o “processo de raciocínio” do modelo, mas isso não significa que o processo esteja correto. O modelo pode apresentar uma dedução com total confiança e ainda chegar a uma conclusão errada.

Limitação 3: depender demais dela reduz a eficiência

Analisar uma cadeia de pensamento consome tempo. Para tarefas simples, é mais rápido avaliar diretamente o código gerado. Reserve essa técnica para lógicas complexas ou problemas recorrentes.

Alerta ético

O Google não quer que você veja a cadeia de pensamento bruta. Esse “vazamento” pode ser considerado uma investigação dos mecanismos internos do modelo. Em projetos reais:

não dependa de uma cadeia de pensamento vazada para tomar decisões críticas;
acompanhe as atualizações da documentação da API, pois o comportamento pode mudar a qualquer momento;
respeite os termos de serviço.

Conclusão

No fim das contas, usar um vazamento da cadeia de pensamento para depurar código gerado por IA é uma forma de “engenharia reversa”.

Estamos acostumados a tratar a IA como um oráculo dentro de uma caixa-preta: enviamos uma pergunta e esperamos a resposta correta. Na prática, a IA também erra, tem lacunas de conhecimento e toma atalhos.

Quando você consegue ver o “rascunho” do modelo, deixa de ser um “receptor de respostas” passivo e passa a atuar como um “revisor de raciocínio”. Essa mudança de perspectiva ajuda concretamente a escrever prompts melhores e gerar código mais confiável.

Naquela noite, às três da manhã, analisei a cadeia de pensamento do Gemini e percebi que ele havia ignorado um caso-limite na condição de término da recursão. Acrescentei um lembrete explícito ao prompt, gerei o código novamente e resolvi o problema.

O código ficou correto, mas o que ficou na memória não foi a resposta final. Foi a IA se corrigindo dentro da cadeia de pensamento: ela também erra, mas tenta melhorar. O que podemos fazer é aprender a interpretar essas tentativas.

Se quiser experimentar, escolha um problema de programação mais complexo, execute o Gemini 3.1 Pro com um thinking_level alto e observe com atenção o que existe por trás daqueles blocos de “Thinking…”. Talvez você se surpreenda com o que encontrar.

Quem sabe você também consiga espiar a “alma” da IA.

FAQ

O que é Chain of Thought (cadeia de pensamento) e por que ela ajuda a depurar código gerado por IA?

Chain of Thought (CoT, ou cadeia de pensamento) é uma técnica que faz o modelo de linguagem apresentar etapas de raciocínio antes da resposta.

Para depurar código gerado por IA, ela pode:
• revelar suposições ocultas feitas pelo modelo, como presumir que a entrada sempre está em JSON;
• mostrar se o modelo realmente entendeu o problema ou apenas tomou um atalho;
• expor contradições que antecipam possíveis bugs.

Em termos simples, a cadeia de pensamento funciona como um rascunho da IA, com detalhes próximos de um monólogo interno.

Como provocar um vazamento da cadeia de pensamento no Gemini 3.1 Pro?

Algumas formas de provocar um vazamento da cadeia de pensamento são:

1. **Configurar o parâmetro thinking_level**: use o nível "high" para aumentar a profundidade do raciocínio.
2. **Apresentar um problema complexo**: quando a complexidade ultrapassa determinado limite, o modelo pode expor mais etapas intermediárias.
3. **Criar prompts específicos**:
- peça para "mostrar o processo de raciocínio, incluindo tentativas que deram errado";
- use a estrutura de "rascunho": "primeiro analise o problema em um rascunho";
- faça uma pergunta de acompanhamento: "houve um salto no raciocínio anterior; explique cada etapa em detalhes".

Atenção: o vazamento é instável e depende da versão do modelo e das restrições adotadas pelo provedor.

Que tipos de problema lógico podem aparecer em uma cadeia de pensamento?

A análise da cadeia de pensamento pode revelar três tipos principais de problema:

**Suposições ocultas**: premissas não verificadas que o modelo acrescenta por conta própria, como formato de entrada ou intervalo dos dados.

**Atalhos de raciocínio**: o modelo pula etapas da análise para dar a resposta "mais comum", em vez da "mais correta".

**Contradições internas**: o modelo reconhece que uma abordagem tem problemas, mas ainda assim a recomenda. Isso indica casos-limite que precisam de validação adicional.

Depois de encontrar esses problemas, você pode acrescentar restrições ou lembretes explícitos ao prompt.

Quais técnicas práticas ajudam a depurar prompts com a cadeia de pensamento?

Três técnicas são especialmente úteis:

**Verificar interpretações equivocadas**: observe como o modelo entendeu as instruções e encontre ambiguidades que não correspondem ao resultado esperado.

**Identificar lacunas de conhecimento**: expressões como "não tenho certeza" e "talvez" indicam pouca confiança naquele ponto e a necessidade de mais contexto.

**Direcionar o raciocínio**: ajuste o prompt conforme o padrão observado, acrescentando orientações como "priorize uma solução iterativa" ou "preste atenção especial ao tratamento de casos-limite".

A cadeia de pensamento funciona como um raio X do prompt: ela mostra o que o modelo "ouviu", e não apenas o que você "disse".

Quais são as limitações e os riscos de usar vazamentos da cadeia de pensamento?

As principais limitações e riscos são:

**Instabilidade**: o Google controla a exposição da cadeia de pensamento, e a técnica pode deixar de funcionar após uma atualização.

**Confiabilidade**: a própria cadeia de pensamento pode conter erros; o processo exibido não garante uma conclusão correta.

**Custo de tempo**: analisar o raciocínio consome tempo e não compensa em tarefas simples.

**Risco ético**: o provedor não incentiva a investigação dos mecanismos internos do modelo, e decisões críticas de produção não devem depender de uma cadeia de pensamento vazada.

Use essa abordagem apenas como ferramenta de depuração e aprendizado, com cautela em projetos reais.

8 min de leitura · Publicado em: 27 fev 2026 · Atualizado em: 4 set 2026

Easton

IA e inteligência