Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Learning Prototype Agentes de Interpretação e Geração de Testes com Ollama e LangFlow (2025-02-13)

13 fev 20251h 11min
Assistir gravação

Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.

O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

atualizado há 25 dias
Resumo da sessão

A sessão começou com uma discussão sobre o uso de ferramentas gratuitas e locais para o protótipo, especialmente Ollama, LangFlow e modelos de linguagem executados localmente. Foi explicado que essa abordagem evita custos de APIs e exposição de dados, embora possa exigir bastante processamento da CPU ou uma GPU compatível. Também foram comentados limites de uso de chaves de API, riscos de loops que geram muitas requisições e a diferença de desempenho entre CPU e GPU. Em seguida, foi demonstrada a instalação do Ollama, o download e a execução do modelo Llama 3.2 pelo terminal, além da configuração de uma conexão local com o LangFlow para fazer perguntas ao modelo sem depender de serviços externos.

A maior parte do encontro foi dedicada ao alinhamento do protótipo de agentes de interpretação e geração de testes. O grupo discutiu a necessidade de detalhar os artefatos de entrada e saída, seus formatos e variações, como histórias de usuário, critérios de aceitação, código, PDFs, roteiros e scripts de teste. Também foi reforçado que o agente de interpretação deve avaliar se as informações são suficientes, apontar lacunas e permitir que o usuário complemente os artefatos antes da geração dos testes. Permaneceram em aberto decisões sobre formatos aceitos, integrações com ferramentas externas, responsabilidades entre os times e a definição exata das tecnologias e artefatos suportados.

Como próximos passos, foi proposta uma dinâmica coletiva para esclarecer cada “caixa” do desenho do negócio, alinhando conceitos, fluxos e tecnologias. Também se sugeriu reservar encontros curtos para apresentar ferramentas como Cypress, Selenium e Robot Framework, com demonstrações práticas de pessoas que já as utilizam, enquanto os demais times avançam em paralelo. O grupo deverá ainda organizar um acervo comum de documentos e exemplos para testar os agentes, continuar os experimentos com LangFlow e Ollama e avaliar, conforme a evolução, quais tecnologias serão priorizadas no protótipo.

Gerado por IA a partir da transcrição.
Capítulos · 34
00:03
Abertura e organização da sessão
Assistir
02:41
Alternativas gratuitas e locais para IA
Assistir
04:01
Instalação do Ollama e uso do Gemini
Assistir
05:22
Compatibilidade de GPUs e desempenho
Assistir
06:38
Chaves de API e cuidados com consumo
Assistir
09:12
Execução em GPU e tempo de resposta
Assistir
10:32
Tecnologias e organização dos times
Assistir
11:50
Bord como documentação viva do projeto
Assistir
13:06
Agentes e interpretação dos artefatos
Assistir
16:56
Alinhamento sobre entradas e saídas
Assistir
19:32
Validação e complementação dos artefatos
Assistir
22:10
Fluxo de interpretação e geração
Assistir
24:51
Próximos passos para detalhar o negócio
Assistir
27:27
Dinâmicas para explorar tecnologias e artefatos
Assistir
30:04
Formatos de entrada e arquitetura da solução
Assistir
32:39
Geração de testes a partir de histórias e código
Assistir
35:17
Variações de artefatos e impacto no produto
Assistir
37:55
Demonstrações práticas das ferramentas
Assistir
40:26
Planejamento das sessões de tecnologia
Assistir
42:58
Treinamentos e compartilhamento de experiências
Assistir
45:42
Alinhamento de agendas e equipes
Assistir
48:20
Base de artefatos para testes
Assistir
49:40
Documentos e primeiros experimentos
Assistir
51:01
Ferramentas locais e custos de processamento
Assistir
52:22
Instalação do Ollama no Windows
Assistir
53:38
Modelos de linguagem e interface do Ollama
Assistir
58:39
Parâmetros, memória e download de modelos
Assistir
1:01:12
Executando modelos pelo terminal
Assistir
1:02:29
Integração do Ollama com Langflow
Assistir
1:05:01
Configuração de modelos e chaves de API
Assistir
1:06:19
Conectando o servidor local ao Langflow
Assistir
1:07:32
Montando o fluxo e testando o modelo
Assistir
1:08:52
Conversas, memória e comparação com APIs
Assistir
1:10:10
Encerramento e próximos testes
Assistir
Cortes · 7
Como usar modelos de IA gratuitos e locais
A conversa explica alternativas ao uso pago de APIs de IA, destacando modelos locais, como o Llama, e a instalação de ferramentas para executá-los. Também são discutidos custos, uso de CPU e GPU, compatibilidade de placas de vídeo e o impacto do processamento na velocidade das respostas.
02:41 – 10:32Assistir
Definindo artefatos e validação para os agentes
O grupo discute como agentes de interpretação e geração devem lidar com diferentes artefatos de entrada e saída, como histórias, códigos, relatórios e scripts de teste. Também são definidos mecanismos para avaliar se as informações recebidas são suficientes, solicitar complementos ao usuário e permitir a validação antes da geração dos testes.
13:06 – 24:43Assistir
Mapeando formatos, tecnologias e entradas do produto
A discussão propõe detalhar cada caixa do modelo de negócio, identificando tipos, formatos e variações dos artefatos que a solução deverá receber, como texto, PDF, código ou arquivos compactados. O grupo também relaciona esses artefatos às tecnologias de teste e defende um alinhamento coletivo antes da implementação.
24:51 – 31:21Assistir
Conectando o conhecimento das ferramentas à construção dos agentes
O grupo relaciona a construção de agentes ao conhecimento dos fluxos e das ferramentas de teste, mostrando como descrições funcionais, histórias e trechos de código podem gerar artefatos em tecnologias como Cypress e Selenium. Também é discutida a importância de compartilhar experiências práticas para que todos compreendam as ferramentas e suas aplicações no protótipo.
31:23 – 39:10Assistir
Base de artefatos para testar agentes
O grupo discute a criação de uma base comum de documentos e artefatos para testar agentes e soluções de IA. Também são mencionados materiais já disponíveis, como vídeos e apresentações, e a possibilidade de executar ferramentas localmente.
48:20 – 51:00Assistir
Instalando e usando modelos locais com Ollama
É demonstrado como consultar comandos do Ollama, baixar modelos e entender a relação entre quantidade de parâmetros e memória necessária. Em seguida, o modelo Llama é executado pelo terminal para responder perguntas simples localmente.
58:39 – 1:02:27Assistir
Conectando o Ollama ao Langflow
A sessão mostra como integrar um modelo instalado localmente pelo Ollama ao Langflow, configurando o servidor, a URL base e o modelo disponível na máquina. Depois, o fluxo é executado no playground, com uma demonstração de conversa e observações sobre uso de CPU, GPU, memória e limites de APIs externas.
1:02:29 – 1:10:10Assistir
Perguntas desta sessão
Como contornar os limites das APIs pagas sem pagar por requisições?
Uma alternativa é usar ferramentas gratuitas e locais, como o Ollama, evitando expor dados a serviços externos e reduzindo custos. Também é possível utilizar APIs pagas com moderação, pois algumas requisições podem ter custo muito baixo.
03:02 – 04:00Assistir
Como o LangFlow executa os fluxos de processamento?
O LangFlow normalmente executa um fluxo com início e fim. Embora possa repetir determinadas etapas, cada processo tende a ser controlado e não consumir muitos recursos, diferentemente de um loop infinito que pode sobrecarregar a máquina.
08:13 – 08:29Assistir
Quais artefatos de documentação podem ser usados como entradas para os agentes de interpretação e geração de testes?
As entradas podem incluir histórias de usuário, critérios de aceite, roteiros, cenários, aplicações, código e outros artefatos, com diferentes formatos e variações. Os agentes de interpretação devem analisar esses materiais antes da geração dos artefatos de teste.
13:49 – 15:33Assistir
Como os agentes de geração podem produzir artefatos de teste para diferentes tecnologias?
Os agentes devem gerar variações dos artefatos de teste, como scripts, considerando as características específicas de cada tecnologia, por exemplo Cypress, Selenium e outras ferramentas ou frameworks.
15:09 – 16:08Assistir
Roteiro de teste e cenário de teste são necessariamente o mesmo artefato?
Não necessariamente. A equivalência depende do contexto e das convenções de cada empresa; os termos podem representar conceitos iguais em alguns ambientes, mas distintos em outros.
18:26 – 18:38Assistir
Como deve ser feita a validação da qualidade e da suficiência dos artefatos de entrada?
O time de interpretação deve verificar se o artefato contém informações relevantes e suficientes para gerar as saídas esperadas. Quando o conteúdo for insuficiente, o sistema deve sinalizar o problema e solicitar informações ou artefatos complementares ao usuário.
19:14 – 20:42Assistir
O usuário pode complementar os artefatos quando a interpretação não for suficiente?
Sim. O fluxo permite que o usuário forneça mais informações ou outros artefatos, como documentação complementar, para que o agente repita a interpretação antes de prosseguir para a geração.
20:34 – 21:06Assistir
Qual é o papel da revisão do usuário no fluxo de geração de artefatos de teste?
O usuário deve analisar e validar os resultados produzidos, verificando se o agente entendeu corretamente o conteúdo e se gerou as informações desejadas. Depois dessa validação, ele pode aprovar o resultado, fornecer dados adicionais ou retornar a etapa de interpretação.
20:59 – 21:34Assistir
Como o fluxo deve tratar uma história de usuário incompleta?
O agente pode identificar que a história contém apenas parte da estrutura, como o começo sem meio e fim. A partir disso, pode solicitar complementação, propor uma reconstrução para nova análise ou, conforme a decisão do usuário, prosseguir mesmo com informações faltantes.
21:35 – 22:28Assistir
Quais formatos de entrada os artefatos devem aceitar na solução de geração de testes?
A solução deve considerar diferentes formatos conforme o artefato: histórias e descrições podem ser enviadas como texto ou arquivo, inclusive PDF; código pode ser fornecido em outro formato, como texto ou arquivo compactado.
25:52 – 26:25Assistir
Como a solução pode receber código para gerar testes?
O código pode ser enviado diretamente como texto, por exemplo por copiar e colar, ou como um arquivo compactado, como um ZIP. A definição da entrada deve ser limitada e estruturada para facilitar o processamento pelos agentes.
30:04 – 30:18Assistir
Qual é o fluxo para evoluir uma história até a geração de artefatos de teste pelos agentes?
O fluxo parte de uma história que vai evoluindo passo a passo, permitindo compreender como o agente raciocina e como transforma as informações em artefatos de teste.
42:31 – 42:42Assistir
Qual tecnologia deve ser escolhida inicialmente para realizar os testes?
A proposta é começar com LangFlow e, depois de analisar o fluxo e os requisitos, decidir qual tecnologia de testes utilizar.
56:39 – 57:01Assistir
Como baixar modelos no Ollama?
É preciso acessar o site do Ollama, consultar a seção de modelos e escolher o modelo que será baixado.
59:01 – 59:12Assistir
Quanta memória RAM é necessária para executar um modelo Llama de aproximadamente 7 bilhões de parâmetros em CPU?
Recomenda-se ter aproximadamente o dobro da quantidade de parâmetros em memória; para um modelo de 7 bilhões de parâmetros, são necessários pelo menos 14 GB de RAM.
59:36 – 59:57Assistir
Qual modelo do Ollama é recomendado para os testes iniciais?
Foi recomendado utilizar o Llama 3.2, considerado adequado pelo desempenho observado e pelo tamanho aproximado de 2 GB na configuração mencionada.
1:00:01 – 1:00:09Assistir
Como executar no Ollama um modelo que já foi baixado?
Depois de baixar o modelo, deve-se executar o comando correspondente no terminal, especificando o nome e a variante do modelo, como Llama 3.2 ou outra versão instalada.
1:01:00 – 1:01:16Assistir
Como iniciar o Ollama para uso local?
O Ollama pode ser iniciado pelo terminal; depois, os modelos são executados por comandos e ficam disponíveis para interação local na máquina.
1:03:44 – 1:03:56Assistir