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