Índice de Conceitos
Ir para notas que citam estaatualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.
Índice de Conceitos reúne as 87 notas de conceito do vault AI for Devs, agrupadas pelos mesmos temas das pastas de conceitos e em ordem alfabética dentro de cada tema, com uma linha de definição para consulta rápida. Para aprender em sequência, siga a Trilha de Estudo; para voltar ao ponto de partida, abra o Início.
Fundamentos de Agentes de IA
- Agent2Agent: Agent2Agent (A2A) é um protocolo de comunicação, lançado pelo Google, para que agentes de IA especializados dialoguem entre si sem compartilhar memória, cada um responsável por uma tarefa dentro de um fluxo maior.
- Agente de IA: Agente de IA é um software que usa um modelo de linguagem para perseguir um objetivo com autonomia, tomando decisões e executando ações por meio de ferramentas sem que cada passo seja comandado por um humano.
- Agentic AI: Agentic AI é a área da IA que estuda como construir sistemas autônomos capazes de agir com iniciativa própria e encadear ações em busca de um objetivo.
- Autômato Finito: Autômato finito é um modelo teórico de computação que transita entre estados segundo regras definidas, usado como analogia para a base conceitual de um agente de IA.
- Elementos de um Agente de IA: Elementos de um agente de IA são as partes que, combinadas, dão a ele capacidade de agir: modelo de linguagem, dados, memória, ferramentas e ações, mais autonomia, agência e autoridade.
- Evolução dos Agentes de IA: Evolução dos agentes de IA é a escala de estágios crescentes de autonomia, de sistemas simples de ação-reação até sistemas multiagentes que aprendem, se comunicam e cooperam.
- Governança de Agentes de IA Autônomos: Governança de agentes de IA autônomos trata de quem responde pelo que um agente faz sozinho e de quais garantias (revisão, testes, limites) são necessárias antes de deixá-lo agir sem supervisão.
- Model Context Protocol: Model Context Protocol (MCP) é um protocolo criado pela Anthropic que padroniza como agentes de IA acessam ferramentas, dados e arquivos externos por meio de servidores locais ou remotos.
- Sistemas Multiagente: Sistemas multiagente são conjuntos de agentes de IA autônomos, cada um com escopo e ferramentas próprios, que se comunicam e cooperam para dividir e resolver um problema complexo.
- Workflow versus Agente Autônomo: Workflow e agente autônomo são dois modos de organizar tarefas com LLMs: o workflow segue passos predefinidos, enquanto o agente decide por conta própria o que fazer e quando parar.
Padrões de Orquestração de Agentes
- Agente Orquestrador: Agente orquestrador é o agente central que recebe o objetivo, decide para qual agente especializado delegar cada tarefa, reformula o pedido para cada um e valida ou consolida o resultado final.
- Agente Roteador: Agente roteador é o agente que classifica a solicitação recebida e a encaminha ao agente ou fluxo especializado correspondente, com um agente geral de fallback para o que não se encaixa.
- Camadas de Abstração em Frameworks de Agentes: Camadas de abstração em frameworks de agentes é a observação de que bibliotecas como LangFlow, CrewAI, LangGraph e LangChain se empilham umas sobre as outras, o que acelera a prototipagem mas dificulta o controle fino e o entendimento do que roda por baixo.
- Critérios de Seleção de Frameworks de Agentes: Critérios de seleção de frameworks de agentes são os fatores usados para comparar ferramentas de construção de agentes de IA, como adequação ao cenário, acoplamento de dependências, aprendizado gerado, velocidade de implementação, custo, suporte a múltiplos modelos e maturidade.
- Loop de Validação entre Agentes: Loop de validação entre agentes é o padrão em que um agente avalia a resposta gerada por outro e, se ela não for satisfatória, devolve para nova tentativa, com um limite de iterações definido.
- Multi-Agent Debate: Multi-Agent Debate (MAD) é a técnica de usar vários agentes de LLM que argumentam entre si, simulando arquitetos em debate, para tomar ou apoiar decisões de arquitetura de software.
- Paralelização de Agentes: Paralelização de agentes é o padrão em que vários agentes (ou o mesmo agente com modelos diferentes) processam a mesma entrada simultaneamente e um agregador combina as respostas em uma saída única.
- Registro de Agentes por Dicionário: Registro de agentes por dicionário é um padrão em que cada agente é descrito como um dicionário Python com campos padronizados, e o grafo de nós e arestas é montado automaticamente a partir dessa lista.
- Times de Agentes de Interpretação e Geração: Times de agentes de interpretação e geração é a arquitetura em duas etapas em que um grupo de agentes interpreta artefatos de entrada e outro grupo gera, a partir dessa interpretação, novos artefatos de saída.
Frameworks e Plataformas de Agentes
- Arquitetura Hexagonal: Arquitetura hexagonal é um estilo de arquitetura de software que isola o núcleo de regras de negócio das tecnologias externas por meio de portas e adaptadores, facilitando trocar frameworks e provedores sem reescrever o domínio.
- Browser Use: Browser Use é uma biblioteca de agente de IA que controla um navegador a partir de instruções em linguagem natural, navegando, identificando campos, clicando e digitando sem que o usuário informe seletores.
- CrewAI: CrewAI é um framework em Python para criar equipes (crews) de agentes de IA com papéis distintos que colaboram em modo sequencial ou hierárquico, com um agente gerente delegando tarefas no segundo caso.
- LangChain: LangChain é uma biblioteca (Python e JavaScript) que abstrai a integração com diferentes provedores de LLM por uma interface de cliente padronizada, sobre a qual foram construídos LangGraph e LangFlow.
- LangFlow: LangFlow é uma plataforma visual de baixo código para montar fluxos e agentes de IA conectando componentes (modelos, agentes, ferramentas) em um canvas, construída sobre bibliotecas como LangChain, LangGraph e CrewAI.
- LangGraph: LangGraph é um framework em Python, do ecossistema LangChain, para orquestrar agentes de IA como um grafo de estados em que nós são agentes ou ferramentas e arestas fixas ou condicionais definem o fluxo a partir de um estado compartilhado.
- LangSmith: LangSmith é a ferramenta de observabilidade do ecossistema LangChain que rastreia cada execução de um agente, mostrando o caminho entre nós, modelos e ferramentas acionados, tokens consumidos e tempo de cada etapa.
- Manus: Manus é um agente de IA generalista que executa tarefas complexas de ponta a ponta, como pesquisar, comprar ou testar uma aplicação web, usando o Browser Use para interagir com páginas.
- Spring AI: Spring AI é um framework Java do ecossistema Spring que abstrai a integração com múltiplos provedores de modelos de IA por uma API única de chat, com starters prontos para RAG, banco vetorial e MCP.
Modelos de Linguagem e Engenharia de Prompt
- Alucinação: Alucinação é quando um modelo de IA generativa responde com confiança algo incorreto ou inventado, consequência de sua natureza probabilística e agravada por falta de contexto ou por conversas longas.
- Custo de Tokens: Custo de tokens é o gasto gerado pelos tokens de entrada e saída em cada chamada ao modelo, que cresce com RAG, raciocínio e passagem de contexto entre agentes e pode ser reduzido com pré-processamento e modelos menores.
- Data de Corte de Conhecimento: Data de corte de conhecimento é o momento até onde vão os dados de treinamento de um modelo de linguagem; depois dela o modelo não conhece eventos e precisa de uma ferramenta de busca online para responder sobre o presente.
- Dimensionamento de Hardware para Modelos Locais: Dimensionamento de hardware para modelos locais é o cálculo de GPU (VRAM), CPU e RAM necessários conforme o tamanho do modelo em parâmetros, já que GPUs são muito mais eficientes que CPUs para inferência.
- Engenharia de Prompt: Engenharia de prompt é a prática de escrever instruções para um modelo de linguagem definindo papel, formato de saída, nível de detalhe e exemplos, de modo a obter respostas alinhadas ao que se precisa.
- Especialização de Prompts para Agentes: Especialização de prompts para agentes é a prática de restringir o escopo de cada agente a uma tarefa bem definida, com persona precisa e regras de quando usar ou não cada ferramenta, em vez de instruções genéricas.
- Llama: Llama é a família de modelos de linguagem abertos da Meta, disponível em vários tamanhos de parâmetros e usada localmente via Ollama para interpretar aplicações e gerar dados e testes.
- Modelo Local versus API Paga: Modelo local versus API paga é o trade-off entre rodar modelos de linguagem na própria máquina (sem custo por token e com dados privados, porém mais lento sem GPU) e usar uma API na nuvem (mais rápida e capaz, com custo e exposição de dados).
- Multimodalidade: Multimodalidade é a capacidade de um modelo de IA processar ou gerar mais de um tipo de dado além de texto, como imagem e áudio, convertendo esses formatos em representações que ele interpreta ou produz.
- Ollama: Ollama é uma ferramenta que baixa e executa modelos de linguagem localmente pela linha de comando, expondo-os por uma API local para qualquer aplicação.
- Phi-3: Phi-3 é a família de modelos de linguagem compactos da Microsoft, projetada para rodar rápido em ambientes com poucos recursos, inclusive só em CPU.
- Prompt Smells: Prompt smells são padrões de má construção de prompts, análogos aos test smells, identificados pela análise de como prompts de projetos de software evoluem no histórico de commits de repositórios open source.
- Retrieval-Augmented Generation: Retrieval-Augmented Generation (RAG) é a técnica de dividir documentos em pedaços, gerar embeddings de cada um e armazená-los em um banco vetorial para recuperar os trechos mais relevantes e usá-los como contexto de uma resposta gerada por um LLM.
- Saída Estruturada de LLMs: Saída estruturada de LLMs é a prática de pedir ao modelo uma resposta em formato definido, como JSON, e extraí-la corretamente do texto retornado, já que o modelo devolve tudo como string.
- Seleção de Modelo por Tarefa: Seleção de modelo por tarefa é a prática de escolher modelos de linguagem diferentes para agentes ou etapas diferentes de um fluxo, equilibrando capacidade e custo, e preferindo modelos treinados em código para gerar ou analisar código.
- Temperatura: Temperatura é o parâmetro que controla quanto um modelo de linguagem varia e arrisca nas respostas, numa escala geralmente de 0 a 1, com valores baixos para saídas previsíveis e altos para criatividade.
- Token: Token é a unidade em que um modelo de linguagem fatia a entrada e a saída; como números e símbolos viram padrões estatísticos de tokens, LLMs têm dificuldade com operações lógicas e matemáticas simples.
Ferramentas de IA para o Desenvolvedor
- Aider: Aider é uma ferramenta de código aberto que atua como agente de pair programming pela linha de comando, editando e criando arquivos com autonomia, fazendo commits no Git e rodando testes com qualquer modelo configurado, local ou na nuvem.
- Assistentes de Código com IA: Assistentes de código com IA são extensões de IDE ou ferramentas de linha de comando que oferecem autocompletar e chat sobre o código, combinando modelos de autocompletar, chat, embedding e reranking, e diferindo em custo, privacidade e liberdade de escolha de modelo.
- Continue: Continue é uma extensão de código aberto para VS Code e IntelliJ que permite escolher livremente o modelo de IA de cada função (autocompletar, chat, embedding, reranking), local via Ollama ou na nuvem, com provedores de contexto como documentação, banco de dados, terminal e web.
- Documentação de Código com IA: Documentação de código com IA é o uso de ferramentas de IA generativa para gerar docstrings, documentação de APIs e explicações de trechos de código a partir da análise da lógica do código-fonte.
- Gamma: Gamma é uma ferramenta de IA que gera um rascunho de apresentação de slides a partir de um tópico ou instrução em texto, cobrando créditos conforme o uso do modelo por trás.
- Modernização de Código Legado com IA: Modernização de código legado com IA é o uso de modelos de IA para entender, alterar e testar sistemas antigos, como código COBOL, e para reconstruir requisitos de negócio a partir do código quando não há mais quem os explique.
- Revisão Humana de Saídas de IA: Revisão humana de saídas de IA é o princípio de que código, testes e documentos gerados por IA precisam ser entendidos e validados por um profissional, porque o modelo aprende de código público de qualidade variada, tende a concordar com o usuário e não substitui o conhecimento de quem revisa.
- Serviços de IA do Azure: Serviços de IA do Azure são o conjunto de serviços prontos da Microsoft para visão computacional, reconhecimento facial, OCR, linguagem natural e IA generativa, consumidos por API REST ou em aplicações, com uma trilha de certificações associada.
- Síntese de Voz com IA: Síntese de voz com IA é a conversão de texto em fala por modelos de IA, incluindo a clonagem da voz de uma pessoa a partir de uma gravação curta e a combinação com sincronização labial para vídeos falados por avatar.
- Snyk: Snyk é uma ferramenta de segurança de aplicações que analisa código-fonte e dependências em tempo real na IDE para apontar vulnerabilidades e pacotes maliciosos antes da publicação em produção.
- Transcrição de Reuniões com IA: Transcrição de reuniões com IA é o uso de ferramentas que transcrevem reuniões online automaticamente e geram resumos, atas e itens de ação, seja por extensão de navegador ou por um bot que entra como participante.
Testes de Software com IA
- Agente Especialista em Histórias de Usuário: Agente especialista em histórias de usuário é um agente de IA que interpreta uma história de usuário em linguagem natural e devolve uma análise estruturada com persona, critérios de aceite em Gherkin e problemas encontrados na história original.
- Avaliação de Testes Gerados por LLMs: Avaliação de testes gerados por LLMs é a linha de pesquisa que mede, com o catálogo de test smells, a qualidade estrutural dos testes produzidos por modelos como GPT, Gemini, Bedrock e Llama, comparando geração a partir do código com geração a partir de especificações como BDD.
- ChatGPT versus Gemini na Interpretação de Artefatos: ChatGPT versus Gemini na interpretação de artefatos é o exercício de submeter a mesma imagem, documento ou prompt a diferentes ferramentas generativas para confrontar precisão, estilo, capacidade de anexar arquivos e erros de cada uma.
- Desafios de Automação de Testes em Front-end Moderno: Desafios de automação de testes em front-end moderno são as dificuldades de interagir de forma confiável com páginas que dependem de renderização dinâmica e hidratação, como identificadores gerados só ao carregar a tela.
- Documentação de Requisitos com IA Generativa: Documentação de requisitos com IA generativa é o uso de um assistente conversacional para levantar, redigir, revisar e detalhar a documentação de requisitos de um sistema, identificando lacunas como segurança de login, sincronização offline, backup e concorrência.
- Elicitação de Requisitos com Sistema Multiagente: Elicitação de requisitos com sistema multiagente é a arquitetura de pesquisa em que um agente de diálogo e agentes especialistas baseados em LLM conversam com o stakeholder para extrair requisitos funcionais e não funcionais e gerar um documento de requisitos.
- Geração de Cenários de Teste com IA: Geração de cenários de teste com IA é a prática de transformar código, HTML de página, documentação ou a execução real de uma aplicação por um agente em cenários e scripts de teste automatizados.
- Geração de Testes de API a partir do Swagger: Geração de testes de API a partir do Swagger é a técnica em que código, sem IA, filtra da especificação Swagger só o essencial de um endpoint e um modelo de linguagem gera, executa e documenta casos de teste reais contra a API a partir desse texto reduzido.
- Geração de Testes Unitários com IA: Geração de testes unitários com IA é o uso de ferramentas generativas para criar e explicar testes automatizados de um código existente a partir de um prompt que descreve a necessidade e o framework de testes, avaliando o resultado por cobertura e pela validação real da regra de negócio.
- Interpretação de Artefatos com IA: Interpretação de artefatos com IA é a técnica de fornecer um artefato de um sistema (protótipo de tela, documentação técnica, código-fonte) a um modelo generativo para que ele descreva o que entende da aplicação, como primeiro passo para planejar testes.
- Massa de Dados de Teste: Massa de dados de teste é o conjunto de dados de entrada usados para alimentar cenários de teste, mantido separado do código do teste e que pode ser gerado automaticamente por modelos de linguagem em vez de criado à mão.
- Neuroengenharia de Software: Neuroengenharia de software é a linha de pesquisa que usa equipamentos de neurociência para observar a atividade cerebral de engenheiros de teste júnior e sênior durante tarefas de teste, cruzando com um modelo de competências do profissional de QA.
- Pipeline de QA com Agentes de IA: Pipeline de QA com agentes de IA é a proposta de um agente que prepara, executa e corrige testes de um projeto dentro da esteira de integração contínua, reduzindo trabalho manual repetitivo.
- Planejamento de Testes com IA: Planejamento de testes com IA é a forma estruturada de perguntar a um modelo de linguagem, em sequência, o que testar, como testar e onde (em que ambiente ou etapa do pipeline) rodar os testes de uma aplicação.
- Test Smells: Test smells são padrões de má prática no código de teste, análogos aos code smells, como testes que verificam tudo de uma vez ou asserções nunca alcançadas, que tornam a suíte difícil de manter.
- Testes Autônomos com IA: Testes autônomos com IA é a linha de exploração que busca usar modelos de linguagem para interpretar artefatos de uma aplicação, gerar artefatos de teste (dados, cenários, scripts) e executá-los com o mínimo de intervenção humana, organizada em três atos: interpretação, geração e acionamento.
Fundamentos de Testes Automatizados
- Ambiente Virtual Python: Ambiente virtual Python é o mecanismo que isola as bibliotecas de um projeto do restante da máquina, como uma partição descartável, evitando conflitos de versão entre projetos.
- Appium: Appium é a ferramenta usada para capturar os elementos da tela de aplicações mobile, inspecionando a estrutura da interface, como etapa anterior à escrita dos testes com Selenium.
- Behavior Driven Development: Behavior Driven Development (BDD) é a abordagem que descreve o comportamento esperado de uma funcionalidade em linguagem estruturada no formato Dado, Quando, Então (Gherkin), a partir de histórias de usuário, servindo de base para testes automatizados executáveis.
- JUnit: JUnit é o framework de testes unitários em Java que verifica o comportamento de cada classe isoladamente por meio de anotações, asserções e testes parametrizados, usando Mockito para simular dependências externas.
- Jupyter Notebook: Jupyter Notebook é um ambiente de células executáveis de código e texto usado para orquestrar, de forma documentada e reprodutível, a geração automática de testes com modelos locais: prompts, chamadas ao modelo, limpeza da resposta e execução do código gerado.
- OpenAPI: OpenAPI (Swagger) é o formato padronizado de documentação de APIs REST que descreve endpoints, esquemas de dados e regras de segurança de forma legível por humanos e máquinas, servindo de artefato de entrada para interpretar e testar uma API.
- Page Object: Page Object é o padrão de projeto de testes que representa cada página da aplicação como uma classe com seus elementos e métodos de interação, isolando a estrutura da página da lógica dos testes para facilitar a manutenção quando a interface muda.
- Pirâmide de Testes: Pirâmide de testes é o princípio que recomenda concentrar o maior volume de testes automatizados na camada unitária, com quantidades decrescentes de testes de integração e funcionais ou end-to-end, equilibrando qualidade, velocidade e custo.
- Plano de Teste: Plano de teste é o documento que reúne a documentação de um esforço de teste: se será manual ou automatizado, prioridade e os casos de teste, cobrindo caminhos felizes e de erro.
- Robot Framework: Robot Framework é um framework de automação de testes de aceitação e RPA, de código aberto e baseado em Python, com sintaxe pensada para quem não programa, arquivos de teste estruturados, relatórios gerados automaticamente e suporte a BDD.
- Selenium: Selenium é a ferramenta de automação de testes web que simula a interação de um usuário real com o site por meio do WebDriver, com componentes como Grid e IDE, execução em modo headless ou com navegador visível e uma organização de projeto em pastas de testes, page objects, massa de dados, configurações e relatórios.
- Tipos de Teste de Software: Tipos de teste de software são as categorias de verificação de um sistema, como unitário, integração, funcional, performance, carga e estresse, e, para interfaces, layout, usabilidade, segurança, acessibilidade, robustez e generalização, cada uma com finalidade e escopo próprios.
Programa AI for Devs
- Learning Prototype: Learning Prototype é o formato do Solutis LabS em que um grupo multidisciplinar constrói, de forma colaborativa e experimental, um protótipo que materializa o conhecimento explorado por uma bancada, sem a pretensão de virar produto para cliente.
- Mural de Desafios: Mural de desafios é o mecanismo do Solutis LabS em que participantes resolvem missões técnicas com itens obrigatórios e desejáveis e recebem recompensa em SOL$, complementado pela recompensa proporcional ao impacto de contribuições ao Learning Prototype.
- QAssist: QAssist é o Learning Prototype da bancada AI for Devs: uma aplicação de chat construída com LangGraph e Streamlit que recebe artefatos de desenvolvimento e teste e usa times de agentes de interpretação e geração, coordenados por um orquestrador, para sugerir e gerar testes, planos, cenários BDD e scripts.