Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

Jupyter Notebook

Ir para notas que citam esta
atualizado 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.

Jupyter Notebook é um ambiente de células executáveis, de código e texto, que permite orquestrar de forma documentada e reprodutível a geração automática de testes com modelos locais.

No contexto de Testes Autônomos com IA, o notebook funciona como o script orquestrador que falta aos modelos de linguagem: o modelo sozinho gera texto, mas alguém precisa montar o prompt, chamar o modelo, separar o código útil do resto da resposta e executar o teste gerado. O notebook concentra essas etapas num só lugar, cada uma na sua célula, e roda com modelos servidos localmente pelo Ollama, como o Llama ou o Phi-3.

A escolha se apoia na ideia de documentação viva. Células de markdown explicam o que acontece em cada passo, o que se espera dele e por quê; células de código em Python fazem o trabalho. Quem abre o notebook depois entende o fluxo e consegue reexecutar qualquer etapa isoladamente.

Estrutura das células num fluxo de geração de testes

Um fluxo típico se divide em quatro blocos:

  • Dependências: instalação da biblioteca Python do Ollama e uso do módulo de expressões regulares, necessário para a limpeza da resposta.
  • Prompts: uma célula define o prompt de sistema (por exemplo, uma persona de desenvolvedor de software experiente) e o prompt de usuário com o alvo do teste, que pode ser a URL de uma página, um código-fonte colado ou outro artefato, conforme o teste seja de front-end ou de back-end.
  • Chamada ao modelo: a biblioteca do Ollama segue o padrão da API da OpenAI e oferece dois modos. O streaming devolve a resposta token a token e serve bem para depuração; a chamada direta devolve a resposta completa de uma vez, é mais simples para capturar o conteúdo final, mas deixa a execução parada por mais tempo.
  • Limpeza: o modelo costuma devolver o código misturado com explicações, instruções de instalação e sugestões de nome de arquivo. Uma expressão regular extrai só o bloco de código do teste.

Com uma URL como único parâmetro externo, o script busca o conteúdo da página, analisa, gera o teste e limpa a saída sem intervenção. Páginas pesadas custam caro num modelo local: uma página com muito conteúdo pode levar cerca de cinco minutos para gerar o código.

Erros típicos da etapa de limpeza

Um filtro de expressão regular frouxo captura texto além do fim do código e quebra a execução. Outro erro comum é o nome do arquivo gerado não seguir a convenção que o executor de testes reconhece, e o teste simplesmente não roda. Uma célula extra que reenvia o código ao modelo pedindo revisão e correção ajuda, e o modelo costuma listar o que mudou, o que facilita revisar.

Do notebook à pipeline de testes

A diferença essencial para um chat é que o notebook roda como script. Há a opção de executar todas as células de uma vez, de exportar o conteúdo para um script Python ou de subir o Jupyter como servidor e acessá-lo pelo navegador, além de rodar o kernel integrado ao editor de código por extensão. Isso permite colocar a geração de testes dentro de uma pipeline que roda várias vezes ao dia, com a etapa de limpeza e regras específicas do projeto embutidas na análise, algo que um chat não oferece.

Para integração com o resto da automação, uma linha prefixada com ponto de exclamação executa comandos de shell dentro da célula. A saída de um teste pode ser redirecionada para um arquivo de log, capturada por chamadas de sistema do Python, enviada a outro servidor por requisição HTTP ou copiada por SSH/SCP.

Google Colab e outros ambientes de notebook

O Google Colab é uma implementação hospedada de notebook, parecida com o Jupyter, porém com mais restrições. A vantagem é oferecer créditos gratuitos de GPU, o que viabiliza até o fine-tuning de modelos pequenos a baixo custo ou sem custo, alternativa útil para quem não tem hardware local suficiente (ver Dimensionamento de Hardware para Modelos Locais). Notebooks também são o ambiente usual para orquestrar e testar pipelines de Machine Learning tradicional, com bibliotecas como scikit-learn e TensorFlow/Keras.