Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Learning Prototype Spring AI para Agentes de Teste (2025-04-01)

1 abr 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 apresentou a organização e os objetivos do Learning Prototype, um protótipo experimental voltado à geração de artefatos para testes com apoio de agentes de inteligência artificial. Foi reforçada a importância do Miro como documentação viva, com links, estudos, implementações e critérios para comparar tecnologias. O projeto está dividido entre frentes de front-end, back-end e agentes, com encontros às terças-feiras para discutir negócio e testes e às quintas-feiras para tratar de frameworks e implementações. A arquitetura proposta inclui agentes para interpretar artefatos, gerar planos ou cenários de teste, orquestrar fluxos e validar resultados, sempre relacionando as respostas às necessidades de negócio.

Também foram discutidas ferramentas como CrewAI, LangGraph, LangFlow, AutoGen, Browser Use, SmolAgents, MCP e Spring AI. A apresentação principal mostrou uma implementação em Java com Spring AI e Ollama, usando agentes para classificar solicitações, interpretar histórias de usuário e gerar critérios de aceite. O fluxo também encaminha pedidos gerais, como uma receita de bolo, para um agente distinto, demonstrando a possibilidade de criar roteadores e agentes especializados. O Spring AI foi elogiado pela integração com diferentes modelos, suporte a RAG, vetores e MCP, além da documentação e das abstrações prontas; ainda assim, a avaliação comparativa permanece em aberto, especialmente quanto a RAG, custos, desempenho, facilidade de uso e adequação ao cenário final do protótipo.

Como próximos passos, ficou o convite para explorar mais profundamente o Spring AI, completar os testes com RAG e MCP, comparar as ferramentas utilizando o mesmo cenário de negócio e publicar as implementações no GitLab. Também foi sugerido que os participantes compartilhem seus códigos, mesmo em versões iniciais, para fortalecer a documentação e o aprendizado coletivo. A escolha definitiva da tecnologia ainda não foi feita: LangGraph foi considerado forte e completo, enquanto Spring AI aparece como uma alternativa especialmente promissora para aplicações Java já existentes.

Gerado por IA a partir da transcrição.
Capítulos · 31
00:18
Abertura e chegada dos participantes
Assistir
03:18
Gravações, transcrições e recapitulações no Teams
Assistir
05:51
Apresentação do Miro e do Lean Prototype
Assistir
08:29
Organização da bancada e divisão da equipe
Assistir
11:00
Arquitetura do protótipo com agentes de IA
Assistir
12:15
Primeiros passos em inteligência artificial e prompts
Assistir
14:51
Documentação viva e jornada de aprendizado
Assistir
17:27
Critérios para seleção das tecnologias
Assistir
21:23
Experiências com CrewAI e agentes encadeados
Assistir
25:13
Novas tecnologias e desafios de custo
Assistir
27:49
Cenário comparativo para geração de planos de teste
Assistir
30:26
Integração de Java, Spring e MCP
Assistir
35:37
Implementação de agentes com Spring AI
Assistir
38:16
Modelos de chat, Ollama e Hugging Face
Assistir
40:50
Vetores, PGVector e integração com bancos de dados
Assistir
42:08
Spring AI e comparação com outras bibliotecas
Assistir
43:22
Dependências e configuração inicial do projeto
Assistir
44:40
Spring AI para aplicações Java e RAG
Assistir
47:12
Fluxo de entrada, interpretação e geração
Assistir
48:28
Prompt de análise e tratamento de erros
Assistir
49:44
Critérios de aceite e geração estruturada
Assistir
51:06
Demonstração com história de usuário
Assistir
53:43
Classificação e roteamento entre agentes
Assistir
56:17
Alucinação, prompts e agente especializado
Assistir
57:35
Agente geral e orquestrador de requisições
Assistir
1:00:12
Teste do roteamento com receita de bolo
Assistir
1:02:46
Compartilhamento de código e próximos passos
Assistir
1:05:19
Ranking de frameworks para agentes
Assistir
1:06:35
Spring AI, MCP e integração com modelos
Assistir
1:07:52
Vantagens do Spring em aplicações Java
Assistir
1:09:08
Conclusão e convite para o projeto
Assistir
Cortes · 15
Organização da bancada e documentação no Miro
É apresentada a organização da bancada, o uso do Miro como documentação viva e o convite para que os participantes explorem e contribuam com o projeto. Também são explicadas as reuniões de terças e quintas-feiras e a divisão entre frentes de trabalho.
05:51 – 09:44Assistir
Arquitetura do protótipo com agentes de IA
O grupo explica a estrutura do protótipo, dividido entre front-end, back-end e agentes de IA. O fluxo inclui interpretação, geração e validação, com agentes orquestrados para processar artefatos e produzir respostas ou resultados.
09:44 – 12:15Assistir
Primeiros passos para trabalhar com agentes de IA
São apresentados materiais introdutórios para quem tem apenas experiência superficial com inteligência artificial. A conversa aborda melhoria de prompts, implementação de agentes, CrewAI, LangGraph e o uso local do Ollama sem necessidade de tokens pagos.
12:15 – 14:51Assistir
O protótipo como jornada de aprendizado
O protótipo é descrito como um produto experimental voltado à materialização e democratização do conhecimento. A documentação viva reúne referências e experiências para que participantes acompanhem a jornada, mesmo sem atuar diretamente na implementação.
14:51 – 17:26Assistir
Critérios para selecionar tecnologias de agentes
O grupo discute como comparar frameworks e plataformas para construção de agentes, considerando instalação, facilidade de uso, custo, suporte a diferentes modelos e aplicabilidade. A seleção ainda está aberta, e as ferramentas são avaliadas para entender como funcionam e se atendem ao fluxo do produto.
17:27 – 21:23Assistir
Experiência prática com CrewAI e múltiplos agentes
É relatada uma implementação com CrewAI em que agentes encadeados interpretam um texto, produzem um resumo e elaboram um plano a partir do resultado anterior. O exemplo usa Harry Potter para demonstrar como diferentes agentes podem executar funções especializadas em sequência.
21:23 – 25:12Assistir
Mowes, pesquisa iterativa e custo de requisições
A conversa apresenta novas tecnologias em avaliação, incluindo MCP e Mowes, comparado a ferramentas de pesquisa profunda. O grupo destaca que a abordagem realiza várias buscas e etapas de correção, o que aumenta o custo e exige controle cuidadoso das requisições.
25:13 – 27:49Assistir
Cenário comparativo para geração de planos de teste
É definido um cenário para comparar ferramentas de agentes: interpretar uma user story e gerar planos ou cenários de teste. A proposta conecta conhecimentos de IA e de QA para avaliar tecnologias com foco em uma solução que auxilie na criação de artefatos e scripts de teste.
27:49 – 30:26Assistir
Spring AI como alternativa para aplicações com agentes
A sessão passa a apresentar o Spring AI e sua documentação como uma opção para implementar soluções com Java. O grupo contextualiza a biblioteca dentro do protótipo e destaca a possibilidade de integrar agentes e modelos sem ficar limitado a uma única linguagem ou abordagem.
30:26 – 31:42Assistir
Bibliotecas Spring para servidores e clientes MCP
É demonstrado que o ecossistema Spring oferece bibliotecas pré-configuradas para criar servidores e clientes MCP. A discussão mostra como a estrutura acelera o desenvolvimento, oferece exemplos e documentação detalhada e permite diferentes níveis de configuração e customização.
31:42 – 35:37Assistir
Integração de modelos com Spring AI
A apresentação aborda o gerenciamento de dependências e a abstração de modelos no Spring AI. A biblioteca permite conectar diferentes provedores e configurar componentes de chat, mantendo uma estrutura organizada para integrar modelos a aplicações existentes.
35:37 – 38:15Assistir
Suporte a Ollama, Hugging Face e modelos locais
São mostradas integrações do Spring AI com Ollama, Hugging Face e outros provedores. A documentação permite configurar modelos locais, baixar modelos pelo Ollama e trabalhar com diferentes modalidades e componentes de IA a partir de configurações padronizadas.
38:16 – 40:50Assistir
Spring AI: configuração e geração de critérios de aceite
A apresentação explica como configurar o Spring AI, conectar um modelo e estruturar um fluxo que recebe uma história de usuário, faz sua interpretação e gera critérios de aceite. Também são mostrados os prompts, o formato JSON esperado e o tratamento de erros para reduzir respostas vazias ou alucinações.
43:22 – 52:25Assistir
Workflow de agentes para histórias de usuário e consultas gerais
O fluxo completo é demonstrado: um classificador identifica se a entrada é uma história de usuário ou uma consulta geral e encaminha o pedido ao agente adequado. O exemplo passa por uma história de compra online e por uma solicitação de receita de bolo, mostrando a interpretação, o roteamento e a resposta final.
53:43 – 1:02:46Assistir
Comparação entre Spring AI, LangGraph e LangChain
A sessão compara diferentes ferramentas para construção de agentes e posiciona o Spring AI em relação ao LangGraph e ao LangChain. O destaque é que o Spring AI pode ser especialmente vantajoso em aplicações Java já existentes, além de se beneficiar da integração com APIs e do suporte a MCP.
1:05:19 – 1:09:08Assistir
Perguntas desta sessão
Para que servem as bibliotecas Spring para MCP e como elas funcionam?
As bibliotecas Spring permitem criar servidores e clientes MCP no código. Elas já oferecem configurações, exemplos e componentes prontos, de modo que o desenvolvedor precisa configurar apenas as partes específicas da aplicação.
33:08 – 33:20Assistir
Como o Spring Boot facilita a criação de um servidor MCP?
O Spring Boot disponibiliza um starter com grande parte da configuração pronta e permite definir apenas as peças necessárias do serviço MCP. A documentação também explica os parâmetros, exemplos e possibilidades de customização.
34:02 – 35:06Assistir
Como o Spring AI facilita a integração de aplicações Java com modelos de linguagem?
O Spring AI funciona como uma camada de integração que abstrai a conexão com diferentes modelos e provedores. Com algumas dependências e configurações, é possível criar um chat model e incorporá-lo a uma aplicação Spring existente.
38:24 – 38:59Assistir
Como os dados são salvos como vetores no Spring AI e quais opções de armazenamento podem ser usadas?
O Spring AI oferece suporte a vários armazenamentos vetoriais. É possível usar o PGVector com PostgreSQL ou outras alternativas, e a documentação mostra como configurar cada uma delas.
40:50 – 41:12Assistir
A análise de uma história de usuário é necessariamente necessária no fluxo de geração de critérios de aceite?
Não é obrigatória, mas foi incluída para permitir comparar a história original com a interpretação do modelo. Na geração dos critérios de aceite, o sistema utiliza principalmente a análise, embora também possa considerar partes da história original.
49:44 – 50:14Assistir
Por que o protótipo encaminha uma requisição para o agente de história de usuário?
Porque o agente identifica se a requisição descreve uma funcionalidade sob a perspectiva de um usuário, característica típica de uma história de usuário. Quando isso ocorre, a requisição é encaminhada ao fluxo específico, que interpreta o conteúdo e gera critérios de aceite.
54:21 – 54:33Assistir
Como o protótipo decide qual fluxo ou agente deve processar uma requisição?
Um agente classificador atua como orquestrador ou roteador. Ele analisa a requisição e determina se ela corresponde, por exemplo, a uma história de usuário ou a uma solicitação geral, encaminhando-a então ao agente apropriado.
58:18 – 58:45Assistir
Qual é uma forma de identificar se um texto corresponde a uma história de usuário?
A identificação pode buscar a estrutura em que alguém, no papel de usuário, quer alguma coisa para alcançar determinado objetivo. Essa descrição de uma funcionalidade ou benefício sob a perspectiva do usuário indica uma história de usuário; caso contrário, a solicitação pode seguir pelo fluxo geral.
58:49 – 59:13Assistir
Por que o fluxo de história de usuário é usado para uma requisição que descreve uma funcionalidade?
Porque a requisição descreve uma funcionalidade desejada pelo usuário, o que a caracteriza como uma história de usuário. Nesse fluxo, o sistema interpreta a solicitação e gera vários critérios de aceite.
59:37 – 1:00:26Assistir
Em que posição do ranking de frameworks para agentes de IA você colocaria o Spring AI e quais são os critérios dessa avaliação?
O Spring AI foi colocado inicialmente em segundo lugar, atrás do LangGraph, considerado mais completo e escalável. Porém, em aplicações que já utilizam Java, o Spring AI pode ocupar a primeira posição por facilitar a integração, a manutenção e a incorporação da solução ao sistema existente. A avaliação considera a completude do framework, a experiência com a ferramenta, a escalabilidade, a integração com APIs e a adequação à tecnologia da aplicação.
1:05:02 – 1:06:48Assistir