---
title: "Tree of Thoughts (ToT) (PT)"
source: "https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)"
wiki: "systems-analysis.info/int"
article: "Tree_of_Thoughts_(ToT)_(PT)"
language: "pt"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Portuguese"
  - "Category:Prompt engineering"
revision_id: 8282
wiki_created_at: 2026-09-07T01:14:59Z
wiki_modified_at: 2026-09-07T01:14:59Z
downloaded_at: 2026-09-07T23:24:32Z
---

# Tree of Thoughts (ToT) (PT)

**Tree of Thoughts (ToT)** (**Árvore de Pensamentos**) — é um framework inovador para guiar o raciocínio de modelos de linguagem grandes (LLMs), permitindo que eles realizem a resolução deliberada de problemas através da exploração sistemática de múltiplos caminhos de raciocínio. O conceito foi apresentado em 2023 por pesquisadores da Universidade de Princeton e do Google DeepMind<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-yao2023-1)</sup>.

O ToT é uma extensão e generalização da popular técnica de "cadeia de pensamento" (Chain of Thought, CoT). Diferente do CoT, onde o raciocínio é uma única sequência linear de passos, o ToT organiza o processo de pensamento na forma de uma **árvore**, onde cada nó é um estado intermediário ("pensamento"), e os ramos são os possíveis caminhos para o desenvolvimento do raciocínio. Isso permite que o modelo explore múltiplas opções em paralelo, avalie sua promessa, retorne a passos anteriores ao encontrar becos sem saída (*backtracking*) e faça uma escolha deliberada<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-yao2023-1)[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-ibm_tot-2)</sup>.

## Princípio de funcionamento

O framework ToT organiza o processo de resolução de problemas como uma busca em uma árvore de estados. Seu funcionamento baseia-se na interação cíclica de quatro componentes-chave<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-yao2023-1)</sup>:

1\. **Decomposição do problema em "pensamentos"**: O problema original é dividido em subtarefas ou passos menores, chamados de "pensamentos". Diferente do CoT, onde um "pensamento" é simplesmente o próximo token, no ToT um "pensamento" é uma unidade semanticamente significativa (por exemplo, uma equação em um problema matemático ou um parágrafo em um esboço de texto) que aproxima a solução.

2\. **Geração de pensamentos**: Em cada passo, para o estado atual (nó da árvore), o modelo gera vários "pensamentos" potenciais seguintes (ramos). Para isso, são utilizadas duas estratégias:

- **Amostragem (sample)**: O modelo gera de forma independente várias opções de continuação. É adequado para tarefas criativas, onde um amplo espectro de ideias é útil.
- **Proposição (propose)**: O modelo gera opções sequencialmente, o que é mais eficiente para tarefas com um espaço de solução limitado.

3\. **Avaliação de estados**: Os "pensamentos" gerados são avaliados pelo próprio LLM para determinar sua promessa. A avaliação pode ser numérica (por exemplo, em uma escala de 0 a 1) ou categórica ("confiante", "possível", "impossível"). Esta é uma função heurística que direciona a busca para ramos promissores.

4\. **Algoritmo de busca**: Para a exploração sistemática da árvore de pensamentos, são utilizados algoritmos de busca clássicos:

- **Busca em largura (BFS)**: Explora todos os nós em um nível antes de passar para o próximo. Garante a descoberta do caminho mais curto, mas requer mais memória.
- **Busca em profundidade (DFS)**: Explora um ramo até o fim antes de retroceder e tentar outro. É mais eficiente em termos de memória e adequado para tarefas com um espaço de busca profundo, mas não muito amplo.

Este framework imita o pensamento humano na resolução de problemas, combinando a geração intuitiva de ideias (com a ajuda do LLM) com o planejamento deliberado, sistemático e a exploração de variantes<sup>[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-ibm_tot-2)</sup>.

## Comparação com outros métodos de raciocínio

### ToT em comparação com a Chain of Thought (CoT)

O ToT é uma generalização direta do CoT. Se o CoT pode ser visto como uma árvore com uma largura de ramificação igual a 1, o ToT permite explorar uma árvore com uma largura arbitrária. Isso oferece vantagens cruciais<sup>[\[3\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-substack_tot_vs_cot-3)</sup>:

- **Exploração de alternativas**: O ToT pode considerar múltiplos caminhos de solução, enquanto o CoT está limitado a um único caminho linear.
- **Capacidade de retroceder (backtracking)**: O ToT permite que o modelo "volte atrás" se um ramo de raciocínio chegar a um beco sem saída, o que é impossível no CoT.
- **Planejamento global**: O ToT permite fazer uma escolha estratégica com base na avaliação de vários passos futuros.

### ToT em comparação com a Self-Consistency

A Self-Consistency (Autoconsistência) gera múltiplas "cadeias de pensamento" independentes e seleciona a resposta mais frequente por meio de votação. Este método melhora a confiabilidade do CoT, mas, assim como o CoT, não permite explorar a estrutura ramificada da solução. O ToT, por sua vez, pode demonstrar melhorias mais significativas em tarefas de planejamento complexas, onde não apenas as tentativas independentes são importantes, mas também sua interconexão<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-yao2023-1)</sup>.

## Resultados experimentais

Os autores do ToT demonstraram sua eficácia em três tarefas que exigem planejamento ou busca não trivial.

- **Jogo dos 24**: Um quebra-cabeça matemático onde o objetivo é obter o número 24 a partir de quatro números dados, usando operações aritméticas básicas. O prompting padrão com o GPT-4 alcançou uma taxa de sucesso de **7,3%**, enquanto a Chain of Thought obteve **4%**. O ToT com busca em largura (b=5) atingiu **74%** de sucesso, o que é 18,5 vezes melhor que o CoT<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-yao2023-1)[\[4\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-arxiv_plus_5_1-4)</sup>.
- **Escrita Criativa**: Na tarefa de gerar um texto coeso de quatro parágrafos com as últimas sentenças pré-definidas, os textos criados com ToT receberam uma pontuação média de coerência de **7,56** em 10, enquanto os do CoT obtiveram **6,15**. Em 41 de 100 comparações, as pessoas preferiram o texto gerado pelo ToT, contra 21 para o CoT<sup>[\[5\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-openreview_plus_3_1-5)</sup>.
- **Mini Palavras-Cruzadas (5x5)**: O ToT preencheu corretamente **60%** das palavras, enquanto o CoT preencheu apenas **1%**<sup>[\[6\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-arxiv_plus_4_1-6)</sup>.

## Limitações e direções futuras

Apesar dos resultados impressionantes, o framework ToT possui algumas limitações:

- **Complexidade computacional**: O ToT exige significativamente mais recursos computacionais (de 5 a 100 vezes mais tokens) do que os métodos padrão, devido à necessidade de gerar e avaliar múltiplos "pensamentos"<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_note-yao2023-1)</sup>.
- **Complexidade de implementação**: A implementação do ToT requer um esforço de engenharia considerável para criar e configurar todos os componentes: o gerador de pensamentos, o avaliador de estados e o algoritmo de busca.
- **Dependência da qualidade da avaliação**: A eficácia de todo o framework depende fortemente da capacidade do LLM de avaliar adequadamente os estados intermediários, o que nem sempre é garantido.

Pesquisas futuras visam aumentar a eficiência, automatizar a otimização e integrar o ToT com outros métodos, como o aprendizado por reforço, para criar agentes mais inteligentes e autônomos.

## Ligações externas

- <a href="https://github.com/princeton-nlp/tree-of-thought-llm" class="external text" rel="nofollow">Repositório oficial do Tree of Thoughts</a> no GitHub.
- <a href="https://www.promptingguide.ai/techniques/tot" class="external text" rel="nofollow">Tree of Thoughts (ToT)</a> — guia no Prompt Engineering Guide.

## Literatura

- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. <a href="https://arxiv.org/abs/2305.10601" class="external text" rel="nofollow">arXiv:2305.10601</a>.
- Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. <a href="https://arxiv.org/abs/2201.11903" class="external text" rel="nofollow">arXiv:2201.11903</a>.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. <a href="https://arxiv.org/abs/2203.11171" class="external text" rel="nofollow">arXiv:2203.11171</a>.
- Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. <a href="https://arxiv.org/abs/2205.11916" class="external text" rel="nofollow">arXiv:2205.11916</a>.
- Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. <a href="https://arxiv.org/abs/2210.03493" class="external text" rel="nofollow">arXiv:2210.03493</a>.
- Lyu, Q. et al. (2023). *Faithful Chain-of-Thought Reasoning*. <a href="https://arxiv.org/abs/2301.13379" class="external text" rel="nofollow">arXiv:2301.13379</a>.
- Ling, Z. et al. (2023). *Deductive Verification of Chain of Thought Reasoning*. <a href="https://arxiv.org/abs/2306.03872" class="external text" rel="nofollow">arXiv:2306.03872</a>.
- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. <a href="https://arxiv.org/abs/2210.03629" class="external text" rel="nofollow">arXiv:2210.03629</a>.
- Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. <a href="https://arxiv.org/abs/2308.09687" class="external text" rel="nofollow">arXiv:2308.09687</a>.
- Lightman, H. et al. (2023). *Let’s Verify Step by Step*. <a href="https://arxiv.org/abs/2305.20050" class="external text" rel="nofollow">arXiv:2305.20050</a>.
- Lanham, T. et al. (2023). *Measuring Faithfulness in Chain-of-Thought Reasoning*. <a href="https://arxiv.org/abs/2307.13702" class="external text" rel="nofollow">arXiv:2307.13702</a>.
- Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. <a href="https://arxiv.org/abs/2502.15844" class="external text" rel="nofollow">arXiv:2502.15844</a>.

## Notas

1.  <span id="cite_note-yao2023-1">↑ <sup>[1.0](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-yao2023_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-yao2023_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-yao2023_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-yao2023_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-yao2023_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-yao2023_1-5)</sup> Yao, S., Yu, D., Zhao, J., et al. (2023). «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv*. <a href="https://arxiv.org/abs/2305.10601" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-ibm_tot-2">↑ <sup>[2.0](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-ibm_tot_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-ibm_tot_2-1)</sup> «What is Tree of Thoughts Prompting?». *IBM*. <a href="https://www.ibm.com/think/topics/tree-of-thoughts" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-substack_tot_vs_cot-3">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-substack_tot_vs_cot_3-0) «Tree of Thoughts vs Chain of Thought». *Substack*.</span>
4.  <span id="cite_note-arxiv_plus_5_1-4">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-arxiv_plus_5_1_4-0) «...18.5 times improvement...». *arXiv*.</span>
5.  <span id="cite_note-openreview_plus_3_1-5">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-openreview_plus_3_1_5-0) «...41 out of 100 comparisons...». *OpenReview*.</span>
6.  <span id="cite_note-arxiv_plus_4_1-6">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(PT)#cite_ref-arxiv_plus_4_1_6-0) «...CoT: 1% success rate...». *arXiv*.</span>