Agente Especialista em Histórias de Usuário
Ir para notas que citam estaAgente 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.
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.