Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

Trilha de Estudo

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.

Trilha de Estudo é o caminho sugerido para quem quer aprender, em ordem, o que a bancada AI for Devs explorou: desenvolvedores, pessoas de QA e curiosos que desejam ir do funcionamento básico de um modelo de linguagem até a arquitetura de agentes do protótipo da bancada. Siga as etapas na sequência, lendo cada conceito na ordem das setas; quando quiser ver o assunto aplicado, abra a sessão indicada ao fim da etapa.

Etapa 1 Como um modelo de linguagem se comporta

Antes de usar IA para programar ou testar, vale entender o que acontece dentro da caixa: como o texto vira tokens, por que as respostas variam, de onde vêm as alucinações e como um bom prompt muda o resultado. Ao fim desta etapa, você consegue explicar por que uma resposta saiu errada e como pedir de outro jeito, inclusive em formato estruturado.

Token → Temperatura → Alucinação → Data de Corte de Conhecimento → Engenharia de Prompt → Saída Estruturada de LLMs → Multimodalidade

Na prática: Sessão de Bancada Construindo Agentes de IA com Spring AI e Arquitetura Hexagonal (2025-04-29).

Etapa 2 IA no dia a dia de quem desenvolve

Aqui entram as ferramentas que ajudam a escrever código e as escolhas por trás delas: extensão de IDE ou linha de comando, modelo local ou API paga, e quanta máquina é preciso para rodar um modelo por conta própria. A etapa fecha com o princípio que acompanha toda a bancada: o que a IA gera precisa ser entendido e validado por quem revisa.

Assistentes de Código com IA → Continue → Aider → Modelo Local versus API Paga → Ollama → Llama → Dimensionamento de Hardware para Modelos Locais → Revisão Humana de Saídas de IA

Na prática: Sessão de Bancada Amplificando o Desenvolvimento com Continue (2024-11-12).

Etapa 3 Fundamentos de testes automatizados

A bancada escolheu a qualidade de software como campo de aplicação, então é preciso falar a língua de QA: que tipos de teste existem, como equilibrá-los, como documentar um esforço de teste e com que ferramentas automatizar. Ao fim, você reconhece os artefatos que a IA vai ler e produzir nas etapas seguintes.

Tipos de Teste de Software → Pirâmide de Testes → Plano de Teste → Behavior Driven Development → Selenium → Page Object → Robot Framework → OpenAPI

Na prática: Learning Prototype Testes com JUnit BDD Plano de Teste e Browser Use (2025-03-25).

Etapa 4 IA aplicada a testes de software

Com os fundamentos em mãos, esta etapa refaz o segundo ciclo da bancada: entregar um artefato a um modelo, pedir que ele diga o que, como e onde testar, gerar testes e dados, e medir até onde dá para fechar o ciclo sem intervenção humana. Ao fim, você entende por que a bancada concluiu que interpretar e gerar é viável, mas o fluxo totalmente autônomo ainda não.

Interpretação de Artefatos com IA → ChatGPT versus Gemini na Interpretação de Artefatos → Planejamento de Testes com IA → Geração de Testes Unitários com IA → Massa de Dados de Teste → Geração de Cenários de Teste com IA → Testes Autônomos com IA

Na prática: Sessão de Bancada Interpretação de Artefatos com IA Ato 1 Swagger e Código-Fonte (2024-07-09).

Etapa 5 Fundamentos de agentes de IA

A saída encontrada para ir além do chat foram os agentes. Esta etapa separa assistente de agente, mostra do que um agente é feito, quando um fluxo predefinido basta e quando vale dar autonomia, e apresenta os protocolos que ligam agentes a ferramentas e a outros agentes.

Agente de IA → Elementos de um Agente de IA → Workflow versus Agente Autônomo → Evolução dos Agentes de IA → Agentic AI → Sistemas Multiagente → Model Context Protocol → Agent2Agent

Na prática: Sessão de Bancada Agentic AI e Agentes de IA na Prática (2025-06-09).

Etapa 6 Padrões de orquestração de agentes

Com vários agentes na mesa, a questão passa a ser como eles se organizam. Esta etapa cobre como especializar cada agente, como rotear pedidos, coordenar especialistas, revisar respostas e rodar tarefas em paralelo, além de como dar ao agente o contexto de documentos que o modelo não conhece.

Especialização de Prompts para Agentes → Agente Roteador → Agente Orquestrador → Loop de Validação entre Agentes → Paralelização de Agentes → Retrieval-Augmented Generation

Na prática: Learning Prototype Padrões de Agentes e Comparação entre CrewAI LangGraph e LangFlow (2025-02-27).

Etapa 7 Frameworks e o protótipo da bancada

A última etapa junta tudo no terceiro ciclo: os frameworks comparados pelo time, os critérios usados para escolher entre eles e a arquitetura que virou o protótipo da bancada. Ao fim, você consegue ler o código e as decisões do QAssist e entender por que cada peça está ali, inclusive o custo de cada chamada ao modelo.

LangChain → LangGraph → CrewAI → LangFlow → Critérios de Seleção de Frameworks de Agentes → Times de Agentes de Interpretação e Geração → Agente Especialista em Histórias de Usuário → Custo de Tokens → Learning Prototype → QAssist

Na prática: Learning Prototype Unbox do QAssist Agentes de IA para Testes de Software (2025-10-28).

Os demais conceitos, das ferramentas pontuais às pesquisas acadêmicas, estão no Índice de Conceitos; para a visão geral da bancada, volte ao Início.