01Introdução
Fazendeiro, lobo,
cabra e repolho
Uma barca, duas margens e algumas restrições. Comece com um estado simples e observe as alternativas aparecerem.
Laboratório de inteligência artificial
Várias possibilidades.
Uma busca organizada.
A IA propõe. O algoritmo organiza. Você verifica. Descubra como a busca clássica pode trabalhar junto de um modelo de linguagem.
Largura · BFSProfundidade · DFSIA externa via copiar e colar
Do símbolo ao raciocínio
Não fique preso à primeira resposta.
Esquema ilustrativo. Na prática, cada ligação terá uma ação e cada nó representará um estado.
Escolha um ponto de partida
Do exemplo guiado ao seu problema.
Fazendeiro, lobo,
02Mais possibilidades
Missionários
e canibais
Um problema clássico com contagens, capacidade da barca e condições de segurança em ambas as margens.
03Autoria do aluno
Crie o seu
próprio problema
Defina estados, ações, restrições e meta. A IA propõe caminhos; você revisa o que as regras locais não podem verificar.
01 · Sem IA escondida
O site não consulta modelos. Use sua IA habitual para responder às solicitações ou experimente a demonstração por regras.
02 · Processo visível
Observe a fronteira, as repetições e o caminho encontrado. Um diagrama bonito não substitui uma verificação.
03 · Aprender, não só copiar
Antes de cada rodada, preveja uma ação. Ao final, explique o que mudou entre largura e profundidade.
A pergunta da aula: como um algoritmo simbólico pode coordenar as propostas de um modelo neural? Esta é uma adaptação didática inspirada em Tree of Thoughts, não uma reprodução integral do artigo.
Desafio avançado opcional: a mesa com uma pata mais longa
Antes de buscar uma resposta, explicite a geometria, a rigidez, a distribuição de massa e como a mesa é colocada no chão. Enumerar apoios possíveis não determina, sozinho, suas probabilidades. Use este desafio para discutir a formulação de problemas, sem um gabarito numérico pré-fixado.
Há uma sessão salva neste navegador.
Etapa 2 · Formule antes de buscar
O que é um estado? O que é uma meta?
Escolha o problema e o método. Não é necessário ter uma conta paga ou uma chave de API para usar este laboratório.
A web verificará o formato, as repetições exatas e, quando declarada em JSON, a igualdade com a meta. A legalidade das ações de um problema livre exige revisão humana.
Use um objeto simples. Todos os detalhes relevantes para o futuro devem estar no estado.
Deixe vazio quando a meta exigir interpretação humana. A comparação é exata, não aproximada.
Ajuda opcional da IA para formular o problema
Escreva o enunciado acima. Copie a solicitação, leve-a à sua IA e importe a proposta. Revise os campos antes de iniciar: a IA não deve inventar regras ausentes.
Antes de consultar a IA
Anote uma previsão. Ela poderá entrar no relatório final.
Etapa 3 · Uma expansão por vez
Veja a busca acontecer.
Selecione um problema na etapa Preparar.
O primeiro nó ainda não foi criado.
Escolha um problema e uma estratégia para começar.
Prepare a próxima consulta
—1 · Da web para a sua IA
A solicitação contém o estado, as regras e o formato esperado. Copie tudo, não apenas um pedaço do JSON.
2 · Da IA de volta para a web
Uma resposta antiga, incompleta ou com estado inconsistente não altera o histórico.
Demonstração determinística: não há um LLM nesta execução. Os sucessores e sua validade são calculados pelas regras do exercício.
Antes de avançar, preveja quais alternativas serão seguras e qual nó virá depois.
3 · Confira antes de registrar
Alternativas recebidas
SoluçãoExpandidoPendenteInválidoRepetido / limite
Clique em um nó para inspecioná-lo. Arraste as barras de rolagem para percorrer o diagrama. O registro não expõe o processamento interno do modelo.
Ver o registro como tabela acessível
Etapa 4 · Compare sem mudar as regras
Mesmos estados. Outra ordem.
Uma solução não conta toda a história. Compare também expansões, fronteira e custo de interação.
Experimento controlado
Nos dois exemplos, podemos gerar o mesmo grafo de estados por regras exatas e percorrê-lo com BFS e DFS. Nenhuma IA é chamada nesta comparação.
Esta ação revela métricas e percursos. Faça primeiro sua previsão. Ordem de ações fixa; limites de referência: 100 expansões e profundidade 40.
O que a comparação pode mostrar?
Compare a sequência de estados, não só o número de movimentos. BFS e DFS podem chegar a caminhos com o mesmo comprimento em um exercício, sem serem equivalentes em geral.
Experimento com IA: registre uma resposta direta e compare-a com a busca coordenada usando o mesmo modelo e regras. Conte as consultas extras. O objetivo não é obrigar a busca a “ganhar”.
Para problemas livres, exporte as sessões das duas estratégias e compare somente o que foi efetivamente proposto e revisado. As alternativas geradas por modelos podem variar.
Perguntas para a discussão
Qual nó viria a seguir em cada estratégia? O que acontece quando um caminho retorna a um estado conhecido?
Uma justificativa deve mencionar a fila ou a pilha, não apenas “a IA escolheu”.
O que foi verificado por código? O que veio do modelo? O que ainda depende da formulação do problema?
Etapa 5 · Torne o processo comunicável
Da busca à apresentação.
Guarde a sessão, exporte um diagrama fiel e explique o que o algoritmo e o modelo fizeram.
Comece uma busca para produzir seu registro.
Um diagrama exato, sem IA de imagens
O arquivo mostra os dados registrados, incluindo os estados não explorados. SVG preserva texto e linhas ao ampliar; PNG e JPEG são versões rasterizadas.
Árvores grandes podem exigir redução de resolução em PNG/JPEG. Use SVG para conservar os detalhes.
Caminho encontrado
Minha análise da experiência
As anotações entram no relatório e na sessão. Não são enviadas para um servidor por este aplicativo.
Infografia criativa · atividade opcional
Não é necessária para concluirUse o SVG como referência em uma ferramenta de imagens, ou peça apoio ao professor. Compare o resultado com o original: nenhuma seta, rótulo ou estado deve ser inventado.
A imagem importada é exibida apenas nesta página. Ela não é publicada, não entra na sessão JSON e deve ser guardada separadamente.
Etapa 6 · O fundamento da prática
Onde os métodos se encontram.
Do espaço de estados ao uso de modelos de linguagem, sem confundir instrução, busca e verificação.
01 · Representar o problema
Buscar é organizar alternativas.
Um estado reúne a informação necessária para decidir o que pode acontecer a seguir. Uma ação transforma um estado em outro. As restrições distinguem transições permitidas de propostas inválidas. O teste de meta indica quando o objetivo foi atingido. [6]
Problema = estado inicial + ações + transições + meta
Nó = estado + pai + ação + profundidade
Nó = estado + pai + ação + profundidade
Na travessia, {"f":0,"l":0,"c":0,"r":0} significa que todos estão à esquerda. Levar a cabra produz {"f":1,"l":0,"c":1,"r":0}. Os símbolos não são números de pessoas; indicam margens.
Árvore de busca não é árvore de classificação
Aqui, os ramos representam ações ou alternativas de resolução. Não estamos treinando uma árvore de decisão de classificação, como em ID3 ou CART. O grafo de estados pode conter ciclos; a árvore desenhada registra as tentativas da busca. Por isso, estados repetidos aparecem como referências a nós já conhecidos.
Um estado deve conter o que afeta as ações futuras. Se o histórico muda as regras, inclua a parte relevante do histórico na representação. Dois textos parecidos não são automaticamente o mesmo estado.
02 · Decidir a ordem
A fronteira é a memória do que falta.
A fronteira contém os nós descobertos que ainda podem ser expandidos. Selecionar um nó, testar sua meta e produzir seus sucessores constitui um ciclo de busca. [6]
| Largura · BFS | Profundidade · DFS | |
|---|---|---|
| Organização | Fila: primeiro a entrar, primeiro a sair. | Pilha: último a entrar, primeiro a sair. |
| Exploração | Termina os níveis mais rasos antes de avançar. | Segue uma ramificação e depois volta às alternativas. |
| Comprimento | Encontra um caminho de menor número de ações, com sucessores completos, busca sem cortes relevantes e custos unitários. | Não garante o caminho mais curto. |
| Cuidados | A fronteira pode crescer muito. | Sem controle de ciclos e limites, pode seguir indefinidamente uma ramificação. |
Nesta implementação, o próximo nó aparece sempre à esquerda da fronteira. BFS acrescenta novos nós ao fim; DFS os coloca à frente, preservando a ordem declarada dos irmãos. Não há seleção dos “melhores” estados por pontuação.
retirar o próximo nó da fronteira
se for meta: registrar a solução
senão: gerar e conferir sucessores
marcar inválidos e repetições
inserir novos nós pela regra de BFS ou DFSCom estados finitos, sucessores completos, detecção de repetição e sem cortes que eliminem caminhos necessários, a busca pode examinar o grafo alcançável. Aqui há limites deliberados para a atividade. Uma interrupção por orçamento ou profundidade não equivale a demonstrar que não existe solução.
O laboratório guarda o histórico completo para desenhar a árvore. Não atribua a ele a economia de memória de uma DFS que armazena apenas uma pilha e os dados mínimos. Estados encontrados depois por um caminho mais curto podem ser reabertos para não perder alternativas por causa do limite de profundidade.
Teste sua compreensão: BFS encontra sempre a solução de menor custo?
Não em geral. A garantia de menor número de passos corresponde ao menor custo quando os custos das ações são iguais. Custos diferentes exigem outro critério, como custo uniforme.
03 · O eixo da aula
Um modelo neural pode participar de uma busca simbólica.
Um modelo de linguagem pode gerar respostas intermediárias e avaliar alternativas. Uma estrutura externa pode conservar essas propostas, escolher o que explorar e permitir retornos a outras ramificações. Tree of Thoughts investiga essa combinação e utiliza estratégias de busca. [1] [7]
LLM: propõe e avalia alternativas
Coordenador: mantém estados e ordena a busca
Verificador / pessoa: confere restrições e resultado
Coordenador: mantém estados e ordena a busca
Verificador / pessoa: confere restrições e resultado
Esse arranjo melhora o sistema de resolução em determinadas tarefas; não implica necessariamente atualizar os pesos da rede. A prática deste site não treina o LLM. Também não reproduz integralmente ToT: usa estados explícitos, duas estratégias clássicas e validação das regras dos exemplos.
É possível organizar raciocínio só por instruções em um chat, mas isso não demonstra que a execução seguirá sempre uma fila ou pilha. Aqui o registro externo torna o cumprimento do algoritmo observável.
O encontro entre as abordagens: a técnica clássica não precisa competir com o modelo neural. Pode controlar a organização de suas propostas. O LLM também não é necessário para resolver os dois acertijos: a comparação por regras torna isso explícito.
Nos experimentos de ToT, a geração, a avaliação e a seleção de candidatos são partes distintas. Manter só alguns estados de cada nível, como em uma busca em feixe (beam search), não é o mesmo que BFS exaustiva. [1] [7]
04 · Instruções e memória externa
Um bom prompt ajuda. Um contrato torna o processo verificável.
Cada consulta deste laboratório é autocontida: inclui o problema, a representação dos estados, a fronteira, a operação solicitada e o esquema da resposta. Pedimos apenas uma expansão, com justificativas curtas e verificáveis; não uma transcrição do processamento interno do modelo.
Na opção “a IA seleciona e expande”, o modelo também indica o nó a trabalhar. A web confere sua escolha com a estratégia selecionada. Isso permite testar a premissa de que um modelo corretamente instruído pode seguir um procedimento de busca, sem assumir infalibilidade.
O JSON é apenas um formato de troca. Aspas, campos obrigatórios, identificador da consulta e tipos de valores são conferidos antes de alterar a busca. Uma resposta pode ser formalmente válida e, mesmo assim, conter um erro de conteúdo.
Teste sua compreensão: se a IA devolver “válido”, a web deve aceitar?
Não automaticamente. Nos exemplos, as regras locais verificam a afirmação. Nos problemas livres, uma pessoa deve revisar as transições e a meta. O rótulo da IA é uma proposta, não uma prova.
05 · O que podemos afirmar
Mais exploração não é uma garantia de acerto.
Um método de busca não corrige, sozinho, uma formulação inadequada, um gerador que omite a única ação útil ou um verificador que aprova erros. A árvore representa o que foi proposto e registrado, não todas as possibilidades do mundo.
Nos exemplos, a web verifica disponibilidade de passageiros, transição exata, segurança e igualdade com a meta. Se faltou uma ação aplicável, pede uma correção. Se a avaliação de segurança do modelo divergir das regras, mostra a divergência e usa o verificador local após a confirmação do aluno.
No modo livre, a estrutura JSON e as repetições exatas são verificáveis; a legalidade das ações em linguagem natural não é. A revisão é humana. Sem uma meta JSON exata, também se exige que a pessoa identifique a meta. Não se deve confundir essa revisão com uma prova formal.
Exercícios conhecidos podem ser resolvidos por recuperação de padrões, sem busca sistemática demonstrável. Para investigar ganhos, compare uma resposta direta e a busca coordenada sob o mesmo problema, modelo e critérios, registrando os recursos extras. Uma imagem final não permite reconstruir tentativas que nunca foram registradas.
06 · Transfira o que aprendeu
Agora, invente um problema.
Escolha um cenário pequeno: um robô em salas, caixas que precisam ser rearranjadas ou uma sequência de operações permitidas. Defina o estado inicial, as ações, as restrições e uma meta verificável.
Execute BFS e DFS com a mesma ordem de ações. Quando possível, reutilize o mesmo conjunto de transições para separar o efeito do algoritmo da variabilidade do modelo. Não misture hipóteses incompatíveis como se fossem passos de um único caminho.
Entregue o enunciado e suas regras, a sessão JSON, o diagrama e uma análise: por que o próximo nó foi escolhido, quais propostas foram rejeitadas, quem as verificou e qual foi o custo adicional das consultas. Uma infografia criativa é opcional.
Bibliografia essencial
Referências
- YAO, Shunyu et al. Tree of Thoughts: Deliberate Problem Solving with Large Language Models. NeurIPS, 2023. arXiv:2305.10601.
- HAO, Shibo et al. Reasoning with Language Model is Planning with World Model. EMNLP, 2023, p. 8154–8173.
- ZHANG, Yadong et al. Enhancing Language Model Rationality with Bi-Directional Deliberation Reasoning. Preprint, 2024. arXiv:2407.06112.
- WEI, Jason et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS, 2022. arXiv:2201.11903.
- ZELIKMAN, Eric et al. STaR: Bootstrapping Reasoning With Reasoning. NeurIPS, 2022. arXiv:2203.14465.
- UC BERKELEY. CS 188: Uninformed Search. Material didático.
- YAO, Shunyu et al. Tree of Thoughts — implementação oficial. Repositório de código.