Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

Agente Especialista em Histórias de Usuário

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.

Agente Especialista em Histórias de Usuário é um agente de IA que interpreta uma história de usuário e devolve uma análise estruturada: persona, critérios de aceite em Gherkin e falhas da história.

Ele existe porque, na prática, muita história de usuário chega ao time de teste sem critérios de aceite definidos, e quem testa precisa inferi-los do texto e do contexto antes de montar os casos de teste. O agente faz essa primeira interpretação e entrega um ponto de partida já organizado: quem escreve os requisitos gera a análise e a envia para o time de teste revisar, em vez de começar do zero. A proposta não é substituir o QA, e sim encurtar a largada. Quando a história já vem escrita no formato do BDD, os cenários tendem a estar embutidos na própria escrita, e a geração adicional perde importância.

A diferença em relação a um chat de IA genérico está no contexto. Com um chat seria possível chegar a um resultado parecido, mas fornecendo manualmente muito mais contexto a cada interação. No agente, papel, instruções e formato de resposta ficam embutidos de antemão, e o usuário só entrega a história.

Como o agente é montado

A construção segue o modelo descrito em Elementos de um Agente de IA. O pensamento é um modelo rápido para análise de texto, o Gemini 2.0 Flash, com temperatura próxima de zero, porque o agente interpreta e não deve inventar além do pedido. A função é um prompt curto que o apresenta como especialista em interpretar histórias de usuário. A tarefa é um prompt longo com as etapas, um exemplo da resposta esperada e instruções de preenchimento, entre elas inventar uma persona plausível quando a história não diz quem é o usuário. A memória é o estado do fluxo, com a mensagem original e os artefatos já identificados. A única ferramenta disponível é gerar um arquivo PDF ou Markdown com a análise, com título e data e hora de geração.

O que a análise estruturada contém

A resposta sai em JSON, no espírito da saída estruturada, com persona, necessidade, benefício, componentes identificados, critérios de aceite como cenários Gherkin (dado, quando, então) e uma lista de problemas da história original. Para uma história mínima sobre redefinir a senha em caso de esquecimento, o agente classificou o contexto como autenticação e gerenciamento de usuários, propôs cenários como a redefinição bem-sucedida e apontou que faltava dizer como o sistema lida com tentativas repetidas. Depois pergunta se deve gerar o documento e em qual formato.

Formato ainda provisório

O formato do JSON e do relatório foi definido sem validação do time de teste e requisitos e deve mudar com a revisão dele. O documento gerado também não tem estilo visual; uma ferramenta de relatórios de teste como o Allure Reports aparece como opção para acrescentar gráficos.

Validação da interpretação dentro do grafo

Em LangGraph, o agente não trabalha sozinho. Um nó analisador confere se a entrada é mesmo uma história de usuário e encerra o fluxo se não for. Um intérprete extrai os dados, um revisor avalia o resultado e um roteador decide se devolve ao intérprete com o feedback ou finaliza, no padrão do Loop de Validação entre Agentes. Um limite de tentativas, recomendado em torno de 3, impede o laço infinito. Com um modelo local pequeno, de cerca de 3 bilhões de parâmetros, o revisor piorou a ponto de cobrar informação que já estava na interpretação. Prompts em inglês ajudam modelos pequenos. O framework também não garante que o JSON siga o schema pedido: a validação da saída precisa ser habilitada ou construída à parte.

Repositório de exemplos como memória

A evolução prevista é dar ao agente uma memória de referência: um repositório com muitas histórias já escritas, boas e ruins, consultado via RAG. Ao receber uma história, o agente buscaria as mais parecidas e seguiria o caminho do bom exemplo ou apontaria o que falta, sem repetir esses exemplos no prompt a cada uso. As histórias que um analista de requisitos já escreveu servem como base natural desse acervo.