--- title: "Graph of Thoughts (PT)" source: "https://systems-analysis.info/int/Graph_of_Thoughts_(PT)" wiki: "systems-analysis.info/int" article: "Graph_of_Thoughts_(PT)" language: "pt" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Portuguese" - "Category:Prompt engineering" revision_id: 2764 wiki_created_at: 2026-09-06T23:10:40Z wiki_modified_at: 2026-09-06T23:10:40Z downloaded_at: 2026-09-07T22:53:13Z --- # Graph of Thoughts (PT) **Graph-of-Thoughts (GoT)** — é um conceito na área de trabalho com **grandes modelos de linguagem** (**LLM**, Large Language Models), que propõe a representação do processo de raciocínio de um modelo como um **grafo arbitrário** de **"pensamentos"** interconectados (passos intermediários da solução)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Esta abordagem foi proposta por um grupo de pesquisadores liderado por **Maciej Besta** da ETH Zurich e publicada em 2024 na conferência AAAI[\[2\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-2). O objetivo do Graph-of-Thoughts é expandir as capacidades da **engenharia de prompts** (prompt engineering) para além dos esquemas existentes, como Chain-of-Thought (cadeia de pensamentos) e Tree-of-Thoughts (árvore de pensamentos)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Diferentemente deles, a abordagem GoT permite que qualquer fragmento de raciocínio gerado pelo modelo (um pensamento) se refira a qualquer outro, formando uma rede de ideias em vez de uma estrutura estritamente linear ou arbórea[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-deepgram-multimodal-3). Isso, segundo os autores, reflete com mais precisão a natureza complexa e não linear do pensamento humano e potencialmente aproxima o mecanismo de raciocínio dos LLMs do funcionamento do cérebro humano (com suas conexões neurais recorrentes)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Graph-of-Thoughts é um **framework de prompting** (método de formulação de prompts), ou seja, não exige treinamento adicional ou ajuste fino (fine-tuning) do modelo em si — em vez disso, ele organiza o diálogo com o LLM de uma maneira específica, guiando o modelo através de uma série de passos-"pensamentos" conectados em um esquema de grafo[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Essa estrutura permite combinar e reutilizar diferentes ramos de raciocínio: por exemplo, o modelo pode considerar várias hipóteses ou partes de um problema em paralelo e, em seguida, unir as mais bem-sucedidas em uma única solução[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Em um estilo enciclopédico, o Graph-of-Thoughts pode ser definido como uma **generalização das estratégias anteriores de raciocínio estruturado com LLMs**, oferecendo máxima flexibilidade na organização dos processos de pensamento dentro de uma única consulta complexa[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). ## Pré-requisitos: Chain-of-Thought e Tree-of-Thoughts A abordagem fundamental é o **Chain-of-Thought (CoT)** – "cadeia de pensamentos". No método CoT, o usuário é incentivado a incluir no prompt para o modelo não apenas a declaração do problema, mas também os passos intermediários do raciocínio que levam à resposta[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Pesquisas mostraram que essa forma de apresentar o material melhora significativamente a capacidade dos LLMs de resolver tarefas complexas, como problemas matemáticos ou quebra-cabeças lógicos, e isso sem alterar os parâmetros do próprio modelo[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Na prática, o CoT incentiva o modelo a decompor um problema complexo em etapas mais simples, imitando um fluxo de pensamento sequencial. Uma evolução dessa ideia foi a técnica de **Self-Consistency**: em vez de uma única cadeia de pensamentos, várias cadeias independentes são geradas, e a mais convincente delas é selecionada[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Isso permite que o modelo considere diferentes abordagens para a solução e reduz o risco de obter uma resposta errada ao seguir uma única linha de raciocínio incorreta. No entanto, mesmo múltiplas cadeias CoT não oferecem a possibilidade de "unir ideias": cada cadeia é tratada isoladamente, e o modelo apenas escolhe a melhor, sem combinar seus conteúdos. Para superar essa limitação, foi proposto o esquema **Tree-of-Thoughts (ToT)** – "árvore de pensamentos"[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). No ToT, o processo de raciocínio é organizado como uma árvore: em cada ponto, o modelo pode gerar várias opções para o desenvolvimento do pensamento (ramificações), após as quais esses estados intermediários são avaliados e os mais promissores são selecionados para aprofundamento[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Usando a busca em árvore (por exemplo, busca em largura — BFS, ou busca em profundidade – DFS) e a capacidade de retroceder aos nós e desenvolver outro ramo, o Tree-of-Thoughts oferece ao modelo de linguagem um mecanismo mais poderoso para resolver problemas complexos do que o CoT linear[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Novas possibilidades surgem, como **retrocesso e revisão**: se um ramo leva a um beco sem saída, é possível retornar a um nó anterior e tentar um caminho diferente[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Essa metodologia provou sua eficácia na resolução de problemas lógicos e de busca, onde a exploração de variantes e o planejamento desempenham um papel importante. No entanto, a árvore de pensamentos também impõe restrições rígidas: cada pensamento (nó da árvore) pertence a apenas um ramo, a interação ocorre apenas entre nós pais e filhos, e diferentes ramos não podem se fundir ou trocar informações[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-deepgram-multimodal-3). Em outras palavras, a **troca cruzada de ideias** (cross-pollination) entre diferentes hipóteses dentro de uma única solução é dificultada: os ramos da árvore se desenvolvem de forma independente e se unem apenas na raiz, quando a melhor cadeia de raciocínio é selecionada[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-deepgram-multimodal-3). No pensamento criativo ou analítico real, no entanto, uma pessoa frequentemente retorna a uma ideia considerada anteriormente e a combina com outro ramo de raciocínio. Esse entrelaçamento de pensamentos vai além da estrutura de uma árvore[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Essas observações levaram os pesquisadores à ideia de uma estrutura mais flexível – um grafo, onde as conexões entre os pensamentos não são limitadas e podem formar uma rede complexa. Como observado em uma revisão analítica de 2024, o surgimento de cadeias, árvores e grafos de pensamentos reflete o surgimento de uma nova classe de métodos capazes de aprimorar significativamente as capacidades dos LLMs por meio da estruturação explícita do processo de raciocínio[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-survey-4). Em particular, prompts estruturados permitiram melhorar significativamente os resultados dos LLMs em muitas áreas — desde a resolução de problemas matemáticos e quebra-cabeças lógicos até o planejamento e até mesmo a escrita criativa[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-survey-4). Foi nesse contexto geral que o esquema Graph-of-Thoughts surgiu como o próximo passo no desenvolvimento de métodos de prompting estruturado. ## O Conceito de Graph-of-Thoughts: Estrutura de Grafo dos Pensamentos O Graph-of-Thoughts propõe representar o processo de execução de tarefas por um modelo de linguagem como um **grafo direcionado** arbitrário. Formalmente, um grafo de pensamentos no GoT é um conjunto de vértices (pensamentos) e arestas (dependências entre pensamentos)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). O vértice do grafo é um **pensamento individual do modelo** – este termo se refere a qualquer unidade de conteúdo significativa, dependente do contexto da tarefa: pode ser uma afirmação, um passo da solução, um fragmento de texto, um parágrafo, um bloco de código, etc., formado pelo modelo em resposta a um prompt[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Uma aresta entre vértices significa que um pensamento foi usado para gerar outro — ou seja, o prompt indica explicitamente que o modelo deve se basear em um resultado anterior específico para obter um novo[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Assim, as arestas registram **dependências**: de quais dados obtidos anteriormente o passo atual do raciocínio depende. A diferença mais importante do GoT em relação a estruturas mais simples é a possibilidade de **agregação e fusão de pensamentos**. Em um grafo, é permitido que um vértice (um novo pensamento) tenha múltiplos predecessores[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Isso corresponde a uma situação em que duas ou mais cadeias de raciocínio separadas são combinadas: o modelo recebe como entrada vários fragmentos gerados anteriormente e, com base neles, forma uma saída sintetizada[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Por exemplo, ao resolver um problema, o modelo pode considerar duas hipóteses em paralelo e, em seguida, criar um novo pensamento que combina os pontos positivos de ambas as hipóteses e elimina suas desvantagens[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Tais operações de agregação eram impossíveis dentro do esquema de árvore (onde cada nó tem apenas um pai), mas são naturalmente implementadas em um grafo[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Além da fusão de ideias, o grafo também permite a introdução de **laços de feedback** (feedback loops): em princípio, a estrutura do GoT não proíbe ciclos, o que significa que o modelo pode retornar um resultado a um estágio anterior do raciocínio para reprocessamento ou refinamento[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Os autores associam isso a uma analogia com as conexões recorrentes nas redes neurais do cérebro, onde a saída de um grupo de neurônios pode influenciar de volta as camadas anteriores, formando circuitos fechados de reflexão[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Na prática, a implementação do Graph-of-Thoughts requer uma organização especial do diálogo com o modelo. Os pesquisadores desenvolveram um **framework de arquitetura modular** para o GoT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Ele distingue componentes para: (1) controle fino sobre os passos individuais (pensamentos) — um "controlador" gerencia a ordem e a lógica da geração de pensamentos; (2) formação dinâmica de prompts – para cada passo, um módulo especial forma um prompt com base no contexto atual e nos vértices selecionados do grafo (predecessores); (3) análise (parsing) e avaliação das respostas do modelo — os fragmentos recebidos do LLM são analisados e avaliados quanto à qualidade, utilidade ou conformidade com os critérios da tarefa[\[5\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-medium-jomsborg-5). A arquitetura do GoT permite, assim, construir um grafo de raciocínio de forma interativa: após cada passo, é tomada uma decisão sobre quais novos vértices adicionar, como conectá-los aos anteriores, e quais ramos continuar ou unir. Graças à sua modularidade, tal framework pode ser estendido com novos tipos de "transformações de pensamentos" (por exemplo, operações especiais com o grafo) e adaptado para diferentes modelos (os autores testaram com sucesso o GoT com LLMs das famílias GPT-3.5, GPT-4, LLAMA 2, entre outros)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Uma propriedade importante é que o **GoT não requer a alteração dos parâmetros do próprio modelo de linguagem** — todas as melhorias são alcançadas através de uma construção mais inteligente de prompts e do processamento das respostas[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Isso significa que os poderosos LLMs existentes podem ser usados "como estão", com o Graph-of-Thoughts atuando como uma camada superior que gerencia seu funcionamento. Deve-se notar que o termo Graph-of-Thought também apareceu em outro desenvolvimento independente, distinto da abordagem de Besta e colegas. Em 2023, **Yao Yao** e coautores propuseram uma metodologia para melhorar o raciocínio (reasoning) em LLMs através de um módulo adicional codificador de grafo de pensamentos, o que exigia o retreinamento do modelo[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-beyond-cot-6). Seu trabalho, intitulado «Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models», descreve uma arquitetura de duas etapas: primeiro, é gerado um grafo de afirmações intermediárias interconectadas; em seguida, ele é transformado por um codificador especial e integrado ao modelo através de um mecanismo de fusão controlada (gated fusion)[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-beyond-cot-6). Essa abordagem híbrida com treinamento demonstrou algum aumento na precisão em tarefas como o conjunto de dados multimodal ScienceQA, onde a precisão aumentou de 85,2% para 87,6% ao usar o modelo T5-base[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-beyond-cot-6). No entanto, essa abordagem, embora semelhante em nome, é fundamentalmente diferente: ela requer modificação do modelo (fine-tuning) e não é um esquema de engenharia de prompts. Os autores da abordagem GoT original (AAAI 2024) afirmam explicitamente que não consideram o modelo de Yao et al. em seu trabalho, pois se concentram em métodos que não atualizam os parâmetros do LLM[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Portanto, Graph-of-Thoughts, no contexto desta revisão, é especificamente um **framework no nível de prompts**, e não uma modificação da arquitetura da rede neural. ## Aplicação e resultados Os autores do GoT demonstraram suas vantagens em uma série de tarefas difíceis de resolver com um único prompt direto (input-output prompting) ou mesmo com uma cadeia de pensamentos. Uma característica dessas tarefas é que elas podem ser decompostas em várias partes (subtarefas), resolvidas separadamente, e depois ter seus resultados parciais sintetizados em uma resposta completa[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Entre os exemplos considerados estão: **ordenação** de uma lista não ordenada, **contagem de palavras-chave** em um texto (por exemplo, para resumir um documento), execução de **operações com conjuntos** (união, interseção de listas, etc.), e **fusão de documentos de texto** (combinação de informações de várias fontes)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Em todos esses casos, o Graph-of-Thoughts permite **decompor a tarefa** de forma natural. Por exemplo, para a ordenação, a lista é dividida em partes, cada parte é ordenada separadamente como um ramo de pensamentos independente, e depois os resultados são combinados (imitando um algoritmo como o merge sort); ou, na análise de textos, o modelo pode extrair informações de diferentes documentos em paralelo e, em seguida, consolidá-las. **Resultados experimentais** confirmam a eficácia do esquema GoT. De acordo com o relatório de Besta e colegas, na tarefa de ordenação, o grafo de pensamentos permitiu um aumento significativo na qualidade da solução em comparação com abordagens anteriores[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). A precisão da ordenação usando GoT foi **70% maior** do que com uma simples cadeia de pensamentos (CoT) e **62% maior** do que com a árvore de pensamentos (ToT)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Ao mesmo tempo, o método **reduz o custo de recursos computacionais**: o número de chamadas ao modelo (e, consequentemente, o volume de tokens dos prompts) diminuiu em **31% em comparação com o Tree-of-Thoughts** para a mesma tarefa[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Isso significa que a organização do raciocínio em grafo não apenas melhorou o resultado final, mas também tornou a solução mais econômica, evitando cálculos redundantes através da combinação inteligente de conclusões intermediárias. Ganhos semelhantes foram obtidos em outras tarefas de teste, especialmente aquelas que exigem a agregação de informações heterogêneas. Os pesquisadores observam que o GoT é mais eficaz especificamente para **tarefas compostas**, que consistem em vários elementos: «Graph-of-Thoughts é particularmente adequado para tarefas que se decompõem naturalmente em subtarefas menores, que podem ser resolvidas separadamente com a subsequente combinação dos resultados»[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Em tais casos, o grafo de pensamentos é capaz de abranger todos os aspectos do problema e sintetizar uma solução mais completa do que ao seguir uma única linha de raciocínio. Para uma compreensão mais sutil de por que uma forma de construir um prompt é melhor que outra, o trabalho de 2024 propõe uma métrica especial – o **"volume de um pensamento"** (volume of a thought)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). O volume é definido para cada pensamento individual (vértice do grafo) como o número de outros pensamentos dos quais ele pode ser alcançado seguindo as arestas direcionadas (em termos simples, a quantos passos intermediários ele deve sua informação)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Em uma Chain-of-Thought, qualquer pensamento se baseia em apenas um predecessor, então seu volume é 1 (uma cadeia linear). Em uma árvore de pensamentos, o volume pode ser maior, mas ainda é limitado pela estrutura de um ramo individual. Em um grafo, no entanto, graças à agregação, um único vértice pode acumular a contribuição de muitos outros — seu "volume" é significativamente maior[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Foi demonstrado que o GoT permite que as conclusões finais se baseiem em um volume consideravelmente maior de pensamentos anteriores, unindo seus conteúdos. Este fato reflete uma cobertura mais profunda do espaço de soluções e serve como uma explicação quantitativa das vantagens do raciocínio em grafo sobre esquemas mais simples. ## Comparação e importância Atualmente, o Graph-of-Thoughts representa a forma mais **generalizada de prompting estruturado** para LLMs. Em tabelas de comparação de diferentes esquemas (CoT, CoT com autocoerência, ToT e GoT), é destacado que apenas o GoT suporta uma topologia arbitrária do processo de pensamento[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Ele incorpora as capacidades de todas as abordagens anteriores: pode funcionar como uma única cadeia, como uma árvore com ramificações, e como uma combinação de múltiplas cadeias, se isso for adequado para resolver a tarefa[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). O ponto principal é que não há **restrições rígidas** na conexão entre os passos, o que teoricamente torna o espaço de possíveis estratégias de raciocínio o mais amplo possível[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). É importante entender que a flexibilidade do GoT vem ao custo de uma maior complexidade de controle. A implementação de um grafo de pensamentos requer um **algoritmo orquestrador** externo que decidirá quando e quais pensamentos gerar, quais selecionar ou combinar, quando parar o processo e fornecer uma resposta. Em um CoT simples, tais decisões não são necessárias — o modelo gera por si só um raciocínio linear até o fim. No ToT, parte do controle recai sobre o algoritmo de busca em árvore (por exemplo, a escolha do nó a ser expandido). No GoT, o grau de liberdade é maior, e a eficácia do método depende da qualidade das heurísticas que avaliam os resultados intermediários e da construção correta dos prompts em cada passo[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1). Assim, o Graph-of-Thoughts pode ser visto não apenas como um formato de prompt, mas como uma **estrutura de raciocínio** imposta ao processo de interação com um LLM — uma espécie de plano dinâmico segundo o qual o modelo resolve a tarefa, enquanto o usuário (ou um programa controlador) dirige esse processo. O surgimento do Graph-of-Thoughts reflete o esforço para tornar o trabalho dos grandes modelos de linguagem mais **interpretável e controlável**. Ao definir explicitamente a estrutura da solução, os pesquisadores não apenas alcançam uma melhor qualidade, mas também ganham a capacidade de analisar como o modelo chegou a uma determinada conclusão. Isso aproxima as abordagens em PLN dos métodos clássicos de busca algorítmica e planejamento, mas agora a execução dos passos é delegada a um modelo de rede neural. Vários especialistas consideram os prompts estruturados (cadeias, árvores, grafos de pensamentos) uma direção promissora, capaz de superar as limitações da "caixa-preta" em modelos profundos e aumentar a confiabilidade de seu desempenho em tarefas complexas[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-survey-4). A metodologia Graph-of-Thoughts continua a se desenvolver ativamente. O código e exemplos para a implementação do GoT foram disponibilizados publicamente pelos autores[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-original-html-1), permitindo que a comunidade experimentasse a nova abordagem. Extensões também estão surgindo: por exemplo, **versões multimodais** do grafo de pensamentos, que combinam texto com imagens e outros tipos de dados[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-deepgram-multimodal-3)[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-deepgram-multimodal-3), bem como tentativas de integrar as ideias do GoT diretamente na arquitetura dos modelos (como no trabalho mencionado de Yao et al., 2023). Em 2025, foi publicada uma revisão-taxonomia detalhada dos métodos Chain-of-Thought, Tree-of-Thoughts e Graph-of-Thoughts, sistematizando o conhecimento acumulado и descrevendo os fundamentos teóricos de tais abordagens[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_note-arxiv-survey-4). Tudo isso indica um grande interesse da comunidade científica no gerenciamento estruturado do pensamento dos LLMs. O Graph-of-Thoughts já se estabeleceu como uma ferramenta eficaz para resolver problemas complexos e provavelmente se tornará a base para futuras inovações na área de soluções de IA que combinam o poder dos grandes modelos de linguagem com a transparência e a lógica dos algoritmos clássicos. ## Ligações externas - Artigo original «Graph of Thoughts: Solving Elaborate Problems with Large Language Models» no arXiv - Versão em HTML do artigo original - Revisão «Demystifying Chains, Trees, and Graphs of Thoughts» no arXiv - Artigo «Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models» no arXiv - Multimodal Graph-of-Thoughts — artigo da Deepgram - LLMs Graph of Thoughts Framework — artigo no Medium ## Literatura - Besta, M. et al. (2024). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Yao, Y. et al. (2023). *Beyond Chain-of-Thought: Effective Graph-of-Thought Reasoning in Language Models*. arXiv:2305.16582. - Wei, J. et al. (2022). *Chain of Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Wei, J. et al. (2024). *Demystifying Chains, Trees, and Graphs of Thoughts*. arXiv:2401.14295. - Huang, S. et al. (2023). *Language Is Not All You Need: Aligning Perception with Language Models (Kosmos-1)*. arXiv:2302.14045. - Mitra, C. et al. (2024). *Compositional Chain-of-Thought Prompting for Large Multimodal Models*. In *CVPR 2024*. PDF. - Zheng, G. et al. (2023). *DDCoT: Duty-Distinct Chain-of-Thought Prompting for Multimodal Reasoning in Language Models*. arXiv:2310.16436. - Mu, J. et al. (2023). *Learning to Compress Prompts with Gist Tokens*. arXiv:2304.08467. ## Notas 1. ↑ [1.00](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-0) [1.01](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-1) [1.02](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-2) [1.03](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-3) [1.04](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-4) [1.05](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-5) [1.06](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-6) [1.07](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-7) [1.08](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-8) [1.09](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-9) [1.10](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-10) [1.11](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-11) [1.12](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-12) [1.13](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-13) [1.14](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-14) [1.15](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-15) [1.16](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-16) [1.17](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-17) [1.18](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-18) [1.19](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-19) [1.20](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-20) [1.21](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-21) [1.22](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-22) [1.23](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-23) [1.24](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-24) [1.25](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-25) [1.26](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-26) [1.27](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-27) [1.28](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-28) [1.29](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-29) [1.30](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-30) [1.31](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-31) [1.32](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-32) [1.33](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-33) [1.34](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-34) [1.35](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-35) [1.36](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-36) [1.37](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-37) [1.38](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-38) [1.39](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-39) [1.40](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-40) [1.41](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-41) [1.42](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-42) [1.43](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original-html_1-43) Besta, Maciej et al. «Graph of Thoughts: Solving Elaborate Problems with Large Language Models». *ar5iv.labs.arxiv.org*. [1] 2. [↑](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-original_2-0) Besta, Maciej et al. «Graph of Thoughts: Solving Elaborate Problems with Large Language Models». *arXiv*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-deepgram-multimodal_3-0) [3.1](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-deepgram-multimodal_3-1) [3.2](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-deepgram-multimodal_3-2) [3.3](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-deepgram-multimodal_3-3) [3.4](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-deepgram-multimodal_3-4) Grygiel, Jacek. «Multimodal Graph-of-Thoughts: How Text, Images, and Graphs Lead to Better Reasoning». *Deepgram*. [3] 4. ↑ [4.0](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-survey_4-0) [4.1](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-survey_4-1) [4.2](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-survey_4-2) [4.3](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-survey_4-3) [4.4](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-survey_4-4) [4.5](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-survey_4-5) Wei, Jason et al. «Demystifying Chains, Trees, and Graphs of Thoughts». *arXiv*. [4] 5. [↑](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-medium-jomsborg_5-0) Wo, Jacek. «LLMs Graph of Thoughts Framework. Case study». *Medium*. [5] 6. ↑ [6.0](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-beyond-cot_6-0) [6.1](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-beyond-cot_6-1) [6.2](https://systems-analysis.info/int/Graph_of_Thoughts_(PT)#cite_ref-arxiv-beyond-cot_6-2) Yao, Yuqing et al. «Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models». *arXiv*. [6]