Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

Times de Agentes de Interpretação e Geração

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.

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 gera, a partir dessa interpretação, novos artefatos.

O padrão nasce de uma constatação simples: entender um artefato e produzir outro são tarefas diferentes, com prompts, modelos e ferramentas diferentes. Separar as duas etapas deixa cada agente especializado, torna a interpretação visível e revisável antes da geração e permite trocar ou acrescentar agentes de um lado sem mexer no outro. É a base do QAssist, em que a entrada são artefatos de desenvolvimento e a saída são artefatos de teste.

Entradas, saídas e o valor da transformação

Do lado da interpretação entram artefatos muito variados: histórias de usuário, trechos de código (uma função ou um método específico a testar), documentação de negócio, planos e cenários de teste, repositórios inteiros. Cada tipo tem variações de formato e estrutura. Uma história pode chegar como texto num campo ou como PDF, e um código pode ser colado ou enviado compactado. Mapear esses tipos e formatos antes de construir os agentes evita descobrir tarde que uma peça essencial ficou de fora.

Do lado da geração saem artefatos de teste: scripts para Cypress, Selenium ou Robot Framework, testes unitários, funcionais, de ponta a ponta ou de carga, planos de teste, cenários em formato BDD, roteiros de teste e scripts de banco. O ganho central está na transformação: partir de uma descrição funcional simples somada aos critérios de aceite e chegar a um caso de teste utilizável.

O que fazer com um artefato incompleto

Nem todo artefato basta para gerar algo útil. Uma história de usuário sem critérios de aceite claros, ou um sistema legado que só tem código, são casos comuns, e não dá para exigir muito de quem envia. O padrão prevê duas saídas:

  • Sinalizar e pedir mais. O time de interpretação mostra o que entendeu e diz se é suficiente. O usuário analisa esse resultado e escolhe entre reenviar com mais informação ou artefatos complementares e seguir para a geração.
  • Inferir o que falta. Diante de uma história que tem começo mas não tem meio nem fim, o próprio agente de interpretação completa as partes ausentes e submete a nova versão a uma segunda análise antes de seguir.

Nos dois casos, a aprovação humana da interpretação antes da geração funciona como um portão: a ferramenta apoia a avaliação de quem faz QA ou desenvolvimento, não a substitui.

A versão com RAG: ingestão separada da geração

Numa solução baseada em RAG, o mesmo padrão vira dois fluxos. O fluxo de interpretação, ou ingestão, recebe o artefato, quebra em pedaços, gera embeddings e guarda num banco vetorial. O fluxo de geração parte de uma consulta, recupera os trechos relevantes e os usa como contexto para produzir o novo artefato, por exemplo transformar uma história de usuário num cenário Gherkin. Documentos já estruturados, como histórias em BDD, são interpretados melhor que descrições livres. Em ferramentas visuais, separar os blocos de entrada, interpretação e geração evita que um fluxo único fique grande e confuso.

Coordenação entre os dois times

A regra de ordem é fixa: o fluxo sempre passa por um agente de interpretação antes de qualquer agente de geração, para que nada seja gerado sem contexto interpretado. Um nó de análise identifica a intenção do pedido e decide qual time e qual agente acionar, devolvendo uma saída estruturada em JSON obrigatória. Quando os agentes conversam ponto a ponto, o fluxo fica confuso e imprevisível, como uma malha ferroviária com linhas demais. Um Agente Orquestrador que coordena os dois times, com um agregador que sintetiza a resposta final, resolve esse problema.