O prompting com cadeia de pensamento pede ao modelo que mostre o raciocínio — expondo as etapas intermediárias — antes de dar a resposta. Wei et al. (2022) constataram que essa mudança simples melhora substancialmente o desempenho em benchmarks de aritmética, senso comum e raciocínio simbólico, e que o efeito se fortalece com a escala do modelo.
A contrapartida é a velocidade e o custo em tokens: mais raciocínio significa respostas mais longas. A técnica ajuda mais em problemas que realmente exigem várias etapas.