Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Sessão de Bancada Construindo Agentes de IA com Spring AI e Arquitetura Hexagonal (2025-04-29)

29 abr 20251h 49min
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 uma conversa sobre cuidados com animais e a importância de observar pequenos sinais, fazendo um paralelo com a necessidade de atenção aos detalhes no desenvolvimento de software. Em seguida, foi apresentada uma prova de conceito construída com Spring AI para orquestrar agentes voltados à análise de código, histórias de usuário e geração de critérios de aceitação. O projeto está sendo reorganizado com arquitetura hexagonal, separando domínio, aplicação, portas e adaptadores, embora ainda existam partes legadas e decisões arquiteturais a revisar. Reforçou-se que a arquitetura deve considerar longevidade, manutenção e desacoplamento, e não apenas resolver uma demanda imediata.

A maior parte da discussão tratou da composição de agentes, com um orquestrador responsável por encaminhar tarefas a agentes especializados e um validador ou sintetizador encarregado de verificar protocolos, comparar respostas e selecionar a saída mais adequada. Ficou em aberto se o validador deve ser generalista ou dividido em validadores especializados. Também foram discutidas limitações dos modelos de linguagem, a importância de escolher modelos treinados para código, a necessidade de contexto e de pensamento crítico, e os riscos de confiar em código gerado automaticamente. A sessão mostrou ainda possibilidades de uso de agentes em pipelines de QA, análise de falhas, automação de testes, integração com repositórios e servidores via MCP, além de aplicações multimodais.

Na demonstração, o sistema classificou perguntas, roteou solicitações para agentes específicos, analisou histórias de usuário e produziu critérios de aceitação, logs e métricas. Um ponto técnico pendente é implementar streaming ou atualização em tempo real, possivelmente com programação reativa ou WebSocket, em vez da solução provisória baseada em intervalos. Também foram identificados erros na serialização e desserialização de JSON, especialmente quando o código-fonte é inserido em estruturas JSON, exigindo provavelmente o tratamento do conteúdo como string escapada. Como próximos passos, ficaram a revisão da arquitetura hexagonal, o aprimoramento dos prompts e validadores, a correção do fluxo de JSON, a evolução da automação de testes e o compartilhamento do código e dos logs para análise posterior.

Gerado por IA a partir da transcrição.
Capítulos · 49
01:12
Conversas pessoais e cuidados com os pets
Assistir
07:40
Abertura da sessão sobre IA e desenvolvimento
Assistir
10:15
Comunidade, bancadas e foco em IA para desenvolvimento
Assistir
11:35
Apresentação do Lane Prototype e automações de código
Assistir
14:12
Geração de documentação e testes com IA
Assistir
15:30
Arquitetura hexagonal e organização do projeto
Assistir
18:08
Domínio, infraestrutura e desacoplamento da aplicação
Assistir
23:16
Implementação do Lane Prototype e agentes de IA
Assistir
24:32
Orquestração de agentes e validação de respostas
Assistir
27:07
Paralelização, especialização e seleção de resultados
Assistir
29:42
O validador como garantia de qualidade
Assistir
31:04
Protocolos, novas tentativas e recuperação de erros
Assistir
33:35
Escolha de modelos para análise de código
Assistir
36:10
Limitações da IA e qualidade do código gerado
Assistir
38:42
Engenharia de software e refatoração de legado
Assistir
41:10
Modelos especializados e limites da janela de contexto
Assistir
42:26
Contexto, lógica e dependência excessiva de IA
Assistir
43:44
Limites da IA e a importância do pensamento crítico
Assistir
46:24
Riscos do uso de IA por estudantes
Assistir
47:39
Genkit e geração de histórias com IA
Assistir
51:24
Vozes sintéticas e narrativas automatizadas
Assistir
54:02
Chatbot, demonstração e erros factuais
Assistir
55:18
Histórias de usuário e critérios de aceitação
Assistir
57:52
Orquestração de agentes e roteamento de perguntas
Assistir
1:00:25
Streaming de respostas e programação reativa
Assistir
1:02:55
Depuração de JSON e integração com Jackson
Assistir
1:05:27
Análise automática e avaliação de código
Assistir
1:10:36
Construção de agentes com modelos de linguagem
Assistir
1:13:10
Modelos multimodais e processamento de áudio
Assistir
1:17:00
Ecossistema de modelos e datasets
Assistir
1:19:26
Arquitetura orientada a eventos com Kafka
Assistir
1:20:41
Agente de investigação e resposta a incidentes
Assistir
1:23:21
Automação operacional com agentes de IA
Assistir
1:24:42
Protótipo de automação para testes de aplicações
Assistir
1:25:58
Pipeline de QA e preparação dos repositórios
Assistir
1:27:14
Execução de testes, correções e atualização de projetos
Assistir
1:28:31
Protocolos, autômatos e agentes especializados
Assistir
1:31:02
Granularidade das ferramentas e automação de interfaces
Assistir
1:32:20
Validações, Playwright e análise de falhas
Assistir
1:33:39
Limitações da IA na correção e geração de código
Assistir
1:36:12
Viés dos modelos e qualidade dos exemplos de código
Assistir
1:37:34
Contexto e elaboração de prompts para programação
Assistir
1:40:07
Especificação de implementação e testes unitários
Assistir
1:41:23
Treinamento dos modelos e riscos do vibe coding
Assistir
1:42:41
Escolha de modelos especializados para agentes
Assistir
1:43:59
Comunicação entre agentes e codecs semânticos
Assistir
1:45:15
Contratos de comunicação e transformação de entradas
Assistir
1:46:31
Orquestração semântica e encerramento da sessão
Assistir
1:47:47
Encerramento e compartilhamento do código
Assistir
Cortes · 14
Como organizar uma arquitetura hexagonal
A conversa explica a separação entre domínio, aplicação, serviços, portas e adaptadores em uma arquitetura hexagonal. Também são discutidos os benefícios de pensar em desacoplamento e manutenção de longo prazo, além dos desafios de aplicar esse padrão em uma prova de conceito feita sob pressão.
18:08 – 23:16Assistir
Orquestração, agentes especialistas e validação
É apresentada uma arquitetura de agentes de IA com um orquestrador, agentes especializados e um sintetizador ou validador. O grupo discute paralelização, seleção de respostas, protocolos de validação, retries e a dificuldade de criar um validador generalista capaz de avaliar diferentes ferramentas e tecnologias.
23:16 – 33:35Assistir
Como escolher modelos de IA para programação
A discussão mostra por que modelos locais podem falhar e como modelos maiores ou especializados em código tendem a produzir respostas melhores. São comparados modelos genéricos e modelos treinados especificamente para analisar e gerar código, destacando que a escolha depende do tipo de tarefa.
33:35 – 36:10Assistir
Limitações da IA na geração de código
O trecho alerta que modelos de IA reproduzem muitos problemas do código disponível na internet e não devem ser usados sem revisão. A conversa aborda código mal estruturado, a importância da engenharia de software e do refatoramento, além das limitações de contexto e raciocínio desses modelos.
36:10 – 42:26Assistir
Limites da IA e importância do pensamento crítico
A conversa explica por que modelos de IA podem perder o contexto, responder de forma inadequada e concordar mesmo quando estão errados. O grupo também discute os riscos do uso automático por crianças e estudantes, especialmente em pesquisas e trabalhos escolares, destacando a necessidade de leitura e pensamento crítico.
42:26 – 47:39Assistir
Como usar IA para desenvolver aplicações
O grupo apresenta uma abordagem mais confiável para usar IA na programação: começar com um projeto-base e fazer modificações pontuais, em etapas, em vez de pedir uma aplicação inteira de uma só vez. Também é demonstrada uma ferramenta que gera uma aplicação visual e histórias interativas a partir de prompts.
48:53 – 51:24Assistir
Orquestração de agentes com Spring AI
É apresentada uma aplicação que classifica perguntas, encaminha cada solicitação para um agente especializado e exibe as etapas do processamento. O grupo discute como implementar esse fluxo em tempo real, incluindo streaming, programação reativa, logs, métricas e a geração automática de critérios de aceitação para histórias de usuário.
57:52 – 1:04:11Assistir
Formatando respostas de LLM e avaliando código
A demonstração investiga um erro causado pela forma como o código gerado pela IA é colocado dentro de JSON, discutindo a necessidade de tratar o código como string antes de processá-lo. Em seguida, são mostrados prompts para produzir sumários, pontos importantes e cenários de teste, além das limitações de um fallback que apenas devolve a mensagem de erro.
1:04:11 – 1:10:36Assistir
Modelos de IA, agentes e multimodalidade
A apresentação explica como construir aplicações com agentes a partir de modelos finitos e modelos de linguagem, lembrando que a saída de uma LLM é texto. São abordados modelos multimodais capazes de interpretar texto, imagens e áudio, além de categorias especializadas e o uso de modelos prontos disponíveis em ecossistemas como o Hugging Face.
1:10:36 – 1:17:00Assistir
Agente de monitoramento e resposta a incidentes
É desenhada uma arquitetura orientada a eventos em que logs de uma máquina alimentam filas e acionam um agente responsável por investigar problemas automaticamente. O agente consulta bancos de dados e servidores por meio de MCP, executa verificações de saúde e reúne as informações para gerar um relatório resumido do incidente.
1:19:26 – 1:23:21Assistir
Agente autônomo para QA e pipelines
É apresentada a ideia de criar um agente capaz de preparar ambientes, clonar repositórios, gerar e executar testes, corrigir problemas e configurar projetos de QA no GitLab. O fluxo também contempla projetos novos e atualizações de projetos já existentes.
1:23:21 – 1:28:30Assistir
Granularidade dos agentes e ferramentas
A conversa explica que agentes precisam ser construídos com ferramentas e etapas bem definidas, até para ações simples como manipular uma tela ou clicar em um elemento. O modelo pode interpretar textos, mas é necessário transformar sua resposta em comandos executáveis e validar cada comportamento.
1:31:02 – 1:33:39Assistir
Limitações dos modelos e importância do contexto
O trecho discute por que modelos de IA ainda precisam de supervisão humana: eles podem gerar código funcional para um caso específico, mas com baixa qualidade, vieses e soluções difíceis de manter. Também é explicado como prompts com contexto, papel profissional, linguagem e requisitos de testes ajudam a direcionar a resposta.
1:33:39 – 1:40:07Assistir
Escolha de modelos e comunicação entre agentes
A discussão mostra como o contexto do prompt direciona o modelo para uma solução mais adequada e como diferentes modelos podem ser escolhidos conforme a aplicação. Em seguida, explica-se a necessidade de codecs e contratos de comunicação para converter entradas e saídas entre agentes especializados e um sumarizador.
1:40:07 – 1:46:31Assistir
Perguntas desta sessão
O que é a arquitetura hexagonal e como ela organiza uma aplicação?
A arquitetura hexagonal separa logicamente o domínio, as portas e os adaptadores. Em uma aplicação, o domínio concentra as regras de negócio, enquanto portas e adaptadores isolam as integrações e formas de entrada e saída.
16:11 – 16:26Assistir
O que representa o domínio em uma arquitetura hexagonal?
O domínio representa o modelo de negócio e suas regras. Ele é o núcleo da aplicação, separado de configurações e infraestrutura; os serviços que implementam essas regras fazem parte do core do sistema.
19:50 – 20:18Assistir
É interessante usar um validador generalista ou dividir o sistema em agentes especializados e usar o validador como sintetizador?
O validador pode atuar como um mecanismo generalista de controle de qualidade: os agentes especializados geram respostas ou executam tarefas, e o validador avalia qual resultado atende melhor aos requisitos, protocolos e solução esperada. Também é possível agregar ou selecionar as respostas produzidas por vários agentes.
26:28 – 30:15Assistir
O que pode explicar a melhora no resultado de um agente após várias tentativas de execução?
A melhora pode ocorrer quando se troca o modelo por outro mais adequado à tarefa. Um modelo local pode falhar repetidamente, enquanto um modelo mais capaz ou especializado consegue produzir a resposta esperada com mais rapidez e precisão.
32:59 – 33:36Assistir
Que tipo de modelo foi usado no agente de IA?
Foram comparados modelos genéricos, que possuem amplo conhecimento sobre muitos assuntos, com modelos especializados em código. Modelos voltados para programação, como os da família Qwen Coder ou CodeStral, tendem a ser mais adequados para analisar e gerar código do que modelos generalistas.
34:03 – 35:42Assistir
Qual é a utilidade, para o desenvolvimento de software, de modelos generalistas treinados com grande quantidade de conteúdo da internet?
A utilidade pode ser limitada, porque o conteúdo da internet inclui muito material irrelevante ou de baixa qualidade. Para desenvolvimento de software, modelos treinados ou ajustados especificamente para código costumam ser mais úteis e confiáveis.
34:36 – 35:02Assistir
Por que modelos de IA costumam ser bons para resolver problemas pontuais, mas podem gerar código de baixa qualidade em soluções maiores?
Os modelos foram treinados principalmente com código disponível na internet e tendem a reproduzir soluções locais, frequentemente concentradas em uma classe ou ponto específico. Por isso, conseguem resolver problemas isolados, mas o código gerado pode não ser confiável, exigir revisão humana e precisar de refatoração para atender aos requisitos arquiteturais.
37:16 – 37:26Assistir
Quais são as características dos modelos de linguagem disponíveis atualmente para uso no desenvolvimento de software?
Os modelos são treinados principalmente para resolver problemas pontuais, como gerar pequenos trechos de código ou interpretar blocos específicos, e não necessariamente para compreender todo o contexto de um sistema.
40:07 – 40:20Assistir
Qual modelo está entre as melhores opções atuais para geração de código?
O Codestral, da Mistral, é apresentado como uma boa opção por ser especializado e bem treinado em código; há também variações de tamanho e outros modelos da família Mistral.
40:36 – 41:02Assistir
Por que um modelo de IA pode não conseguir responder adequadamente a uma pergunta aparentemente simples?
Isso pode ocorrer quando a janela de contexto do modelo é inadequada. O modelo trabalha com tokens e associações contextuais, podendo não interpretar corretamente a relação lógica entre os elementos da pergunta.
41:34 – 42:26Assistir
Qual é a dificuldade de automatizar alterações em um projeto-base usando IA?
A dificuldade é praticamente nula depois que o primeiro projeto-base é criado; a IA pode copiá-lo e fazer as modificações solicitadas etapa por etapa.
49:34 – 49:45Assistir
Que tipo de história pode ser criado com o Google Genkit?
A ferramenta permite montar uma história interativamente, sugerindo prompts e gerando imagens conforme o usuário descreve a narrativa.
50:35 – 50:48Assistir
Como testar uma história de usuário?
É possível usar o padrão Given-When-Then, identificando quem é o usuário, o que ele deseja fazer e qual benefício espera obter; a partir disso, a IA pode gerar critérios de aceitação.
56:35 – 57:36Assistir
O que acontece quando uma aplicação de agentes não usa streaming?
A interface permanece carregando enquanto o backend executa as etapas; com streaming, o progresso e os resultados parciais podem ser exibidos passo a passo em tempo real.
58:13 – 58:24Assistir
Como implementar streaming para exibir em tempo real o progresso e as respostas dos agentes?
É necessário usar programação reativa no Spring, permitindo processar e transmitir os resultados progressivamente, em vez de acumular tudo para responder apenas ao final.
1:01:05 – 1:01:17Assistir
O que significa dizer que um agente ou modelo é multimodal?
Um modelo multimodal pode receber diferentes tipos de entrada, como texto, imagem e áudio. Quando necessário, o áudio pode ser convertido em texto ou em uma representação semântica para que o modelo o interprete; modelos como o Gemini já conseguem interpretar imagens e outros formatos.
1:13:00 – 1:14:23Assistir
Qual é a finalidade de um agente sintetizador no fluxo de múltiplos agentes?
O agente sintetizador reúne e consolida as respostas produzidas por outros agentes, apresentando uma resposta final unificada.
1:18:55 – 1:19:03Assistir
Que tipo de evento pode ser usado para acionar um agente analisador em uma arquitetura orientada a eventos?
Pode ser usado um evento gerado por um componente de monitoramento ou logging, como o Claude Watch, para registrar ocorrências e disparar o agente analisador quando um problema for identificado.
1:20:35 – 1:20:42Assistir
Como preparar um fluxo de QA automatizado para um repositório que já possui testes unitários?
Deve-se preparar o ambiente, baixar ou clonar o projeto-base de QA, criar ou configurar o repositório no GitLab quando necessário, executar os testes, corrigir falhas, configurar a pipeline e notificar os responsáveis sobre o resultado.
1:26:12 – 1:27:50Assistir
Por que é necessário granularizar as ferramentas e as etapas ao fazer um agente de IA executar uma ação, como um passo de teste?
Porque os modelos conseguem explicar conceitos, mas não executam com confiabilidade ações concretas sem instruções detalhadas. Cada operação, como mover o mouse, localizar um elemento ou clicar, deve ser representada por comandos e ferramentas específicas, com entradas e validações.
1:31:43 – 1:33:09Assistir
Como validar se o comando gerado por um agente de IA para manipular uma tela está correto?
É preciso definir previamente os comandos e comportamentos permitidos, granularizar a ação e incluir validações que verifiquem se o agente acessou o elemento esperado, executou a operação correta e produziu o resultado previsto.
1:32:49 – 1:33:11Assistir
Como um cliente MCP pode ajudar na investigação de problemas em uma aplicação?
O cliente MCP pode analisar problemas de deploy e compilar as informações relevantes para indicar o que deve ser investigado. Ele não decide sozinho o que fazer: executa o comportamento definido pelo desenvolvedor e consulta os dados necessários conforme esse protocolo.
1:33:27 – 1:33:48Assistir
Por que os modelos de IA nem sempre geram código de boa qualidade?
Os modelos geram código para resolver situações específicas, mas podem falhar em casos diferentes ou produzir implementações incorretas. Por isso, o código gerado precisa ser revisado, corrigido e refatorado, pois o tempo de ajuste pode superar o tempo de desenvolvimento manual.
1:34:30 – 1:35:09Assistir
Em que se baseia o viés de um modelo de linguagem?
O viés depende das amostras usadas no treinamento. O modelo tende a reproduzir com maior frequência os padrões e respostas mais presentes nos dados, que podem incluir exemplos de baixa qualidade.
1:36:09 – 1:36:21Assistir
Como orientar um modelo de linguagem para gerar código adequado e testes unitários úteis?
É preciso fornecer contexto e instruções específicas, como definir o papel esperado do modelo, a linguagem e o perfil profissional, explicar o problema e solicitar uma quantidade mínima de cenários ou testes. Pedir pelo menos três testes unitários ajuda a cobrir mais casos, embora os testes gerados ainda devam ser revisados.
1:40:44 – 1:41:26Assistir
Como escolher o modelo de linguagem para construir um agente de IA?
A escolha deve considerar a tarefa e o contexto de uso. Modelos especializados podem produzir resultados semelhantes aos generalistas com menor custo e execução mais eficiente, enquanto modelos mais genéricos são adequados quando é necessária maior abrangência.
1:43:40 – 1:44:14Assistir
Com base em que mecanismos agentes de IA se comunicam entre si?
A comunicação entre agentes deve seguir contratos e protocolos definidos. Codecs semânticos convertem a entrada para o formato que cada agente entende e transformam sua saída no significado ou formato esperado pelo próximo agente; essa conversão pode ser feita programaticamente ou por um tradutor especializado.
1:44:36 – 1:46:54Assistir