Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

Learning Prototype

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.

Learning Prototype é o formato do Solutis LabS em que um grupo multidisciplinar constrói, em colaboração, um protótipo que materializa o conhecimento explorado por uma bancada.

A palavra que define o formato é aprendizado. O protótipo não tem a pretensão de virar produto para cliente nem de ser uma solução definitiva: seu objetivo é gerar e democratizar conhecimento, dominar as tecnologias envolvidas e descobrir o estado mais avançado do que está disponível, no caso da bancada AI for Devs, em IA aplicada ao ciclo de desenvolvimento. Construir algo concreto transforma a exploração em aprendizado verificável.

Cada bancada tem um book com Objetivo, Inspiração e Domain Sets, os itens de conhecimento que ela busca evoluir. O Learning Prototype é onde esse book vira prática. Na AI for Devs, o objetivo é o teste de aplicação assistido por IA, a inspiração são os testes autônomos, e o protótipo é a interpretação de artefatos da aplicação e a geração de artefatos de teste com agentes de IA, que ganhou o nome de QAssist.

Ciclos: inception, repertório, experimentação e Unbox

Um Learning Prototype nasce de uma inception, em que a comunidade idealiza o projeto: o que é relevante ter, o que não é, expectativas, métricas e custos, tudo votado em conjunto. Segue um ciclo de ampliação de repertório, dedicado a explorar tecnologias, e só então a fase de experimentação, em que a solução é construída. O fechamento é o Unbox, a apresentação pública do resultado para toda a Solutis: o que foi aprendido, que dificuldades e facilidades surgiram, o que vem a seguir, e o reconhecimento de quem participou.

Na AI for Devs, o protótipo é o acúmulo de três ciclos da bancada. O primeiro investigou o que melhora a qualidade de software e apontou o campo de QA como terreno fértil para IA. O segundo explorou testes autônomos, primeiro pelas interfaces de chat do ChatGPT e do Gemini, depois com modelos rodando localmente via Python; o fluxo totalmente autônomo se mostrou caro demais de construir, e o foco ficou em interpretar e gerar. O terceiro, o de agentes, é o próprio protótipo, e trouxe frameworks como LangGraph e CrewAI.

Um projeto de grupo, aberto e sem dono

O formato se distingue do Mural de Desafios. No mural, uma pessoa pega individualmente um desafio pré-definido, com escopo e recompensa fixos. O Learning Prototype é um projeto de grupo que reúne pessoas com interesse comum em torno de um objetivo da bancada.

A participação é aberta desde o início, sem exigir especialização, e não é restrita a desenvolvedores: o time mistura papéis de QA, back-end e front-end, e a visão de negócio de quem entende de testes influencia diretamente as decisões, como a sugestão de usar a especificação Swagger como artefato de entrada. Não há dono da verdade: quem avança num tema assume a responsabilidade de compartilhar o aprendizado, e qualquer pessoa pode dar continuidade ao protótipo depois do Unbox.

Documentação viva e escolha coletiva de tecnologias

Toda a jornada fica registrada numa documentação viva, um quadro no Miro atualizado continuamente com brainstorms, cartões de tecnologias, artefatos, decisões e a arquitetura. Ele serve de registro histórico e de fonte de estudo para quem só acompanha. Na AI for Devs, o quadro mostra a divisão em três frentes, front-end, back-end e agentes de IA, esta última transversal às outras duas, e uma arquitetura de agentes especializados (prompt, RAG, imagem) conversando no estilo do A2A.

As tecnologias são escolhidas em grupo: cada pessoa apresenta uma, e o time vai podando as opções. Para comparar, usa-se um cenário padrão, uma história de usuário interpretada por um agente e transformada em plano ou cenário de teste por outro, aplicado a cada framework, e uma tabela comparativa com critérios como curva de aprendizado e facilidade de instalação.

Protótipo, não produto

Instabilidades e limitações são esperadas e fazem parte do aprendizado. Decisões como a tecnologia de back-end (Java com Spring ou Node.js) e de front-end (React ou Angular) podem ficar em aberto por um bom tempo enquanto o foco está nos agentes.