Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Learning Prototype Arquitetura de Agentes com LangGraph para Testes Autônomos (2025-04-03)

3 abr 20251h 26min
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 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.

Gerado por IA a partir da transcrição.
Capítulos · 42
00:24
Problemas de instalação e dependências no projeto
Assistir
01:41
Contexto da sessão e apresentação do LangGraph
Assistir
04:15
Crescimento do código e múltiplos agentes
Assistir
09:21
Contexto do projeto LEBS e seus ciclos
Assistir
11:58
Testes autônomos e ampliação de repertório
Assistir
15:53
Protótipo de aprendizado e objetivos do terceiro ciclo
Assistir
18:27
Fluxo da solução: front-end, back-end e agentes
Assistir
19:46
Arquitetura multiagente para interpretação e geração
Assistir
22:20
Artefatos de teste a partir de protótipos e documentação
Assistir
23:37
Uso do Swagger como entrada para geração de testes
Assistir
29:58
Documentação viva, ferramentas e critérios de escolha
Assistir
33:45
Objetivo do MVP e demonstração do agente
Assistir
36:19
Demonstração do fluxo de análise de histórias
Assistir
37:38
Geração de critérios de aceite e casos de teste
Assistir
40:16
Histórias de usuário, BDD e cenários de teste
Assistir
42:49
Contexto especializado dos agentes versus ChatGPT
Assistir
44:05
Comparação entre tecnologias e avaliação da solução
Assistir
45:21
Importância da equipe multidisciplinar
Assistir
46:38
Fluxo dos agentes de análise, interpretação e revisão
Assistir
49:09
Código principal e limite de interações
Assistir
51:46
Modelos de linguagem e respostas estruturadas
Assistir
53:07
Arquitetura do grafo com LangGraph
Assistir
54:24
Estado da aplicação e dados dos agentes
Assistir
55:41
Implementação da classe base dos agentes
Assistir
57:04
Prompts e configuração do agente analisador
Assistir
59:43
Validação do formato de saída dos agentes
Assistir
1:02:22
Estrutura compartilhada entre os agentes
Assistir
1:05:00
Persistência do resultado com JSON Writer
Assistir
1:06:17
Nós finais e encerramento do fluxo
Assistir
1:07:35
Agentes, tools e definição das transições
Assistir
1:08:51
Pontos inicial e final do grafo
Assistir
1:10:08
Edges condicionais e escolha do próximo agente
Assistir
1:12:43
Roteamento após a revisão
Assistir
1:15:19
Finalização do fluxo e visualização do grafo
Assistir
1:16:34
Comparação entre LangGraph e fluxos em Python
Assistir
1:17:49
Decisões baseadas no resultado dos agentes
Assistir
1:19:09
Tratamento de fluxos alternativos e entradas inválidas
Assistir
1:20:26
Vantagens e simplicidade do LangGraph
Assistir
1:21:39
LangGraph como orquestrador de agentes
Assistir
1:22:57
Escalabilidade e documentação do projeto
Assistir
1:24:13
Extensão do fluxo com novos agentes
Assistir
1:25:31
Encerramento e próximos passos
Assistir
Cortes · 8
Contexto e evolução do projeto de testes com IA
É apresentado o histórico do laboratório, desde os primeiros experimentos com copilotos e geração de código até a criação de agentes voltados à interpretação de projetos e geração de artefatos de teste. O trecho também explica o uso de modelos locais para preservar dados privados e o objetivo de ampliar o repertório de testes autônomos.
09:21 – 17:09Assistir
Arquitetura do protótipo com agentes de IA
O grupo detalha o fluxo do protótipo: o usuário envia artefatos, como um repositório ou documentação, para uma interface que encaminha a solicitação a uma equipe de agentes. Um agente coordena as tarefas, outros interpretam e geram código ou testes, e o resultado pode ser revisado, refeito ou exportado em diferentes formatos.
18:27 – 23:37Assistir
Demonstração do agente que interpreta histórias de usuário
Caíque explica o produto mínimo viável e demonstra um fluxo de agentes que valida uma história de usuário, gera critérios de aceite e produz uma saída estruturada. Em seguida, o grupo discute como esses critérios orientam os casos de teste, inclusive quando a história original não traz critérios suficientemente detalhados, e compara a proposta com o uso direto de modelos como o ChatGPT.
33:45 – 45:21Assistir
Fluxo do agente de análise e revisão
Apresentação do fluxo de agentes que interpreta uma história de usuário, gera critérios ou uma estrutura JSON, envia o resultado para revisão e decide entre refazer a interpretação ou salvar o resultado final. Também são explicados os papéis do analisador, interpretador, revisor e da ferramenta de persistência.
46:38 – 49:09Assistir
Implementação do fluxo e dos modelos
Demonstração do código principal responsável por executar o fluxo, limitar o número de interações e manter o estado da aplicação. O trecho também explica a abstração usada para alternar entre modelos locais e a OpenAI, além dos formatos de resposta em JSON ou texto.
49:09 – 53:04Assistir
Nós, estado e agentes no LangGraph
Explicação de como o LangGraph representa agentes e ferramentas como nós conectados por arestas, usando um dicionário de estado para transportar os dados entre as etapas. O apresentador detalha as classes abstratas, os prompts, a atualização do estado e o funcionamento do gravador JSON e do nó final.
53:07 – 1:07:34Assistir
Arestas condicionais e decisões do fluxo
O trecho mostra como o gráfico define o nó inicial, o nó final e as transições entre agentes. São explicadas as arestas normais e condicionais, incluindo a decisão do revisor de enviar o resultado ao gravador JSON ou devolver a história ao interpretador para uma nova tentativa.
1:07:35 – 1:16:34Assistir
Vantagens, limitações e escalabilidade
Discussão sobre como o LangGraph organiza a comunicação entre agentes e permite fluxos mais previsíveis do que uma solução baseada apenas em prompts. O grupo também aborda a documentação limitada, a simplicidade relativa da biblioteca e a facilidade de adicionar novos agentes e etapas ao grafo.
1:16:34 – 1:25:31Assistir
Perguntas desta sessão
Qual é o objetivo do Learning Prototype do projeto LEBS?
O Learning Prototype é uma exploração prática para aplicar IA na interpretação de artefatos, na geração de critérios de aceite e cenários de teste e, futuramente, no acionamento autônomo dessas etapas.
17:56 – 18:32Assistir
Qual é o fluxo de processamento do Learning Prototype?
O usuário envia um artefato e informações complementares por uma interface; o back-end encaminha a requisição para uma equipe de agentes. Um agente orquestrador delega tarefas a agentes especializados, que interpretam a entrada e geram resultados. O usuário pode aceitar, refazer ou complementar a interpretação e, depois, gerar e baixar artefatos de teste em formatos como PDF, CSV, XLS ou texto.
19:22 – 22:28Assistir
Que tipos de artefatos o Learning Prototype pode gerar a partir de um repositório ou de outros artefatos de uma aplicação?
A partir da leitura do artefato, o sistema pode explicar o projeto, interpretar suas funcionalidades e gerar artefatos de teste, como casos de uso, cenários e scripts de teste.
19:32 – 19:46Assistir
Como a documentação Swagger ou OpenAPI pode ser usada para gerar testes?
A documentação pode ser lida como entrada do sistema e transformada em insumo para geração de testes automatizados, incluindo cenários positivos e negativos e scripts em ferramentas ou linguagens de automação, como o Cypress.
23:12 – 23:45Assistir
Como o agente gera critérios de aceite a partir de uma história de usuário?
O agente interpreta a história de usuário e o prompt, identifica os critérios de aceite necessários e os gera. Esses critérios orientam a criação dos casos de teste, como validar uma falha de login com senha inválida.
38:01 – 39:16Assistir
Por que o agente gera novos critérios de aceite quando a história de usuário não fornece critérios explícitos?
Em muitos casos reais, a história de usuário não define critérios de aceite, embora isso seja recomendado. O agente identifica essa ausência ou necessidade com base no conteúdo da história e cria critérios para permitir a construção dos casos de teste.
39:48 – 40:23Assistir
Como os agentes especializados podem ajudar um usuário a definir critérios de aceite a partir de uma história de usuário?
Os agentes podem incorporar conhecimento de padrões, tipos e exemplos para interpretar a história de usuário e sugerir critérios de aceite. Isso fornece mais contexto estruturado do que uma consulta genérica ao ChatGPT, que exigiria prompts mais detalhados.
42:03 – 43:06Assistir
A solução pode gerar critérios de aceite gerais ou aprofundados a partir de uma história de usuário e de outros documentos da aplicação?
Sim. O objetivo é usar diferentes artefatos de entrada, como histórias de usuário e documentação da aplicação, para gerar resultados cada vez melhores e mais específicos com o apoio dos agentes especializados.
44:11 – 44:42Assistir
O que a ferramenta de persistência recebe ao final do fluxo de interpretação e revisão?
A ferramenta recebe o JSON produzido pelo agente de interpretação, junto com o resultado da revisão e a entrada original do usuário, e salva esse conteúdo antes de encerrar o fluxo.
48:52 – 49:09Assistir
Por que o nó final do fluxo é invocado como um método se ele não chama um modelo de linguagem?
O nó final não precisa chamar um modelo de linguagem: ele apenas conclui o fluxo, atualiza o estado indicando que a execução terminou e retorna o resultado. Por isso, foi tratado como um agente ou nó do grafo mesmo sem uma chamada à LLM.
1:06:57 – 1:07:32Assistir
Quais tipos de transição podem ser definidos entre os nós de um grafo do LangGraph?
O LangGraph permite transições condicionais, representadas por setas pontilhadas, nas quais um agente pode encaminhar a execução para caminhos diferentes, e transições diretas, representadas por setas sólidas, que levam sempre a um único nó seguinte.
1:08:19 – 1:08:54Assistir
Como ocorre a validação das entradas e decisões no fluxo do LangGraph?
A validação ocorre durante a execução do fluxo, com base nas informações recebidas pelo agente e nos resultados produzidos por ele. Essas decisões determinam para qual agente ou etapa o processamento deve seguir.
1:17:46 – 1:19:07Assistir
O fluxo definido no LangGraph é seguido obrigatoriamente em uma ordem fixa?
Não necessariamente. Embora os agentes e suas responsabilidades sejam definidos no fluxo, as transições condicionais usam o estado e os resultados gerados para decidir o próximo agente, permitindo caminhos alternativos, como retornar à interpretação quando a revisão reprova ou avançar para a geração quando ela é aprovada.
1:18:01 – 1:19:07Assistir