Learning Prototype Arquitetura de Agentes com LangGraph para Testes Autônomos (2025-04-03)
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 começou com dificuldades de instalação e execução do projeto em Python no Windows, principalmente relacionadas a dependências, ambientes virtuais e integração com ferramentas de reunião. Em seguida, foi apresentado o contexto do Learning Prototype do laboratório, voltado à geração autônoma de artefatos de teste a partir de histórias de usuário, repositórios, documentação e outros insumos. O objetivo é ampliar o repertório de testes, apoiando profissionais de QA, produto e desenvolvimento, sem substituir suas atividades. A solução prevê uma interface que envia os artefatos a um back-end responsável por orquestrar agentes especializados em interpretação, geração, revisão e produção de arquivos de saída. Foi sugerido incluir a documentação Swagger como entrada importante, especialmente para gerar cenários positivos e negativos e scripts de automação a partir de APIs.
A parte principal da sessão apresentou um protótipo construído com LangGraph. O fluxo possui agentes para validar a entrada, interpretar uma história de usuário, revisar a interpretação e gerar um arquivo JSON, com possibilidade de retornar ao agente de interpretação quando a revisão indicar problemas. O funcionamento foi explicado por meio de nós, transições fixas e condicionais, estado compartilhado, limite de interações e possibilidade de utilizar modelos locais ou serviços externos. Foram destacados como benefícios a organização explícita do fluxo, a escalabilidade para adicionar novos agentes e a quantidade reduzida de código específico do framework, embora a documentação e os materiais disponíveis ainda sejam limitados.
Como próximos passos, ficaram o compartilhamento do código e dos materiais de estudo, a correção dos problemas de ambiente e a investigação de mecanismos para garantir respostas estruturadas no formato esperado. Também será necessário comparar LangGraph com outras tecnologias e com modelos de uso direto, usando cenários mais complexos e critérios como esforço, custo e qualidade dos resultados. A inclusão do Swagger e de outros artefatos de projetos reais foi considerada uma oportunidade relevante, assim como a definição de um fluxo mínimo viável e a evolução futura para execução autônoma dos testes.