Learning Prototype Escolha de Frameworks de Agentes e Testes com Robot Framework (2025-02-25)
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.
Notas citadas nas anotações desta sessão.
A sessão discutiu a escolha de frameworks e tecnologias para construir um protótipo de agentes, retomando conceitos apresentados anteriormente sobre agentes que raciocinam a partir de informações externas, em contraste com abordagens mais simples de recuperação de dados. Foi levantada a necessidade de definir critérios de seleção, como adequação ao cenário do projeto, facilidade e velocidade de aprendizado e implementação, quantidade de dependências, flexibilidade, custos e dependência de fornecedores. Entre as opções comentadas estiveram CrewAI, LangChain, LangGraph, n8n, Python puro e integrações com diferentes modelos de linguagem, incluindo serviços da AWS, OpenAI e soluções locais. A documentação do CrewAI foi considerada clara e completa, embora mais extensa, e ele apareceu como um dos principais candidatos para exploração prática, possivelmente em conjunto com outras ferramentas em uma abordagem faseada.
Também foi apresentada uma demonstração do Robot Framework aplicado a testes de interface, usando Selenium, ChromeDriver, casos de teste estruturados, variáveis, palavras-chave, recursos compartilhados, screenshots e relatórios automáticos. Foram mostrados testes de cadastro e login no site BugBank, além do uso de BDD para descrever cenários em linguagem mais natural. A demonstração evidenciou a simplicidade do framework e seu potencial para gerar ou apoiar testes automatizados, mas também revelou limitações relacionadas a falsos positivos e à identificação de elementos sem seletores únicos. Como possibilidade futura, foi sugerida a criação de um agente especializado em Robot Framework para analisar requisitos, identificar elementos e produzir scripts mais confiáveis.
Como encaminhamento, o grupo decidiu realizar experimentos práticos com diferentes tecnologias, sem prazo rígido, para comparar implementação, dificuldades, integração com modelos de linguagem e adequação ao protótipo. Voluntários escolheram ferramentas como CrewAI, LangChain/LangGraph, n8n e outras, podendo trabalhar em duplas e usar cenários simples ou partes do fluxo de questionário. Os resultados deverão ser compartilhados nos próximos encontros, permitindo uma seleção mais fundamentada das tecnologias e a troca de experiências sobre dependências, configuração de modelos, versões e problemas encontrados.