Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Learning Prototype Evolução da Arquitetura de Agentes de Teste com LangGraph (2025-07-01)

1 jul 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 evolução do Learning Prototype voltado à criação de uma solução para testes de aplicações apoiados por inteligência artificial. Foi retomado o contexto do projeto, sua construção colaborativa e a proposta de interpretar artefatos como histórias de usuário, código e documentação, além de gerar artefatos úteis para testes. A arquitetura inicialmente baseada em um orquestrador e vários agentes está sendo reorganizada em um fluxo mais visual e modular, utilizando LangGraph para representar estados, nós, transições e escalabilidade. Também foram discutidas as partes que compõem um agente: função, tarefa, memória, contexto e ferramentas, com uso de modelos Gemini e parâmetros como temperatura para controlar precisão e criatividade.

A demonstração prática mostrou um fluxo que identifica uma entrada como história de usuário, interpreta seu conteúdo, sugere critérios de aceitação, cenários de teste e problemas de completude, e permite gerar um relatório em PDF ou Markdown. O protótipo já funciona, mas os formatos e regras ainda precisam ser validados e refinados pela equipe. Entre as evoluções propostas estão a criação de especialistas adicionais, o uso de repositórios de exemplos bons e ruins via RAG, a melhoria visual dos relatórios e a integração com ferramentas como Jira e sistemas de documentação. Também ficou reforçada a possibilidade de aplicar a abordagem a diferentes contextos, inclusive sistemas legados, e o convite para novas pessoas contribuírem com conhecimento de requisitos, testes, fluxos e tecnologias.

Gerado por IA a partir da transcrição.
Capítulos · 36
00:18
Abertura e chegada dos participantes
Assistir
01:35
Tema da sessão: testes auxiliados por IA
Assistir
05:25
Início da apresentação e objetivo do Lane Prototype
Assistir
06:42
Contexto do Labs e organização da sessão
Assistir
09:15
Objetivo: testes autônomos com inteligência artificial
Assistir
11:53
Origem do protótipo e documentação no Miro
Assistir
13:10
Estrutura do protótipo e tecnologias de teste
Assistir
15:42
Colaboração e evolução coletiva do projeto
Assistir
19:33
Nova representação visual do fluxo de agentes
Assistir
22:03
Implementação do fluxo com LangGraph
Assistir
24:37
Configuração do ambiente de desenvolvimento
Assistir
25:56
Arquitetura do fluxo e agente orquestrador
Assistir
27:14
Especialista em histórias de usuário
Assistir
28:35
Agentes baseados em fluxo
Assistir
29:51
Pensamento do agente e uso de LLMs
Assistir
31:08
Memória e configuração do modelo Gemini
Assistir
32:25
Parâmetros do modelo e temperatura
Assistir
35:03
Função do agente e definição de prompts
Assistir
36:22
Tarefa e instruções do agente
Assistir
37:40
Interpretação e melhoria de histórias de usuário
Assistir
38:59
Limites e propósito do especialista
Assistir
40:18
Estrutura da tarefa no LangGraph
Assistir
41:34
Estado, contexto e memória do agente
Assistir
45:24
Memória baseada em estados e artefatos
Assistir
46:39
Contextos e ferramentas disponíveis
Assistir
49:15
Fluxo de interpretação da história de usuário
Assistir
50:33
Demonstração prática do agente
Assistir
51:49
Análise do artefato e geração da resposta
Assistir
54:25
Geração do documento em PDF
Assistir
55:40
Evolução para um especialista em requisitos
Assistir
56:56
RAG com exemplos bons e ruins
Assistir
59:29
Agentes para interpretação e geração de testes
Assistir
1:02:01
Aplicações em mainframe e automação
Assistir
1:05:56
Feedback da equipe e próximos especialistas
Assistir
1:07:20
IA como apoio à escrita de histórias
Assistir
1:09:52
Encerramento e convite à colaboração
Assistir
Cortes · 11
Contexto e evolução do protótipo de testes com IA
A sessão apresenta o objetivo do Lean Prototype: desenvolver uma solução para testar aplicações de forma autônoma com auxílio de IA. O grupo explica a inspiração, a documentação colaborativa no Miro, os ciclos anteriores de exploração e a importância da participação coletiva na evolução do protótipo.
05:25 – 19:33Assistir
Uma representação visual para o fluxo de agentes
O grupo compara o fluxo original, formado por vários agentes encadeados, com uma nova representação visual inspirada em videogames e pixel art. A abordagem busca tornar mais fácil entender como artefatos de teste, código e documentação percorrem o sistema.
19:33 – 23:20Assistir
Construindo o fluxo com LangGraph
É apresentada uma abordagem prática para construir fluxos de interação usando LangGraph, estados compartilhados e ferramentas do ecossistema Python. O palestrante mostra a primeira versão do fluxo, com um agente orquestrador distribuindo tarefas entre especialistas e um agente validador.
23:20 – 27:14Assistir
O especialista em histórias de usuário
O protótipo é detalhado a partir do agente especialista em histórias de usuário. A explicação mostra como esse participante do fluxo é composto por pensamento, função, tarefa, memória e ferramentas, além de esclarecer que ele interpreta artefatos de forma estruturada, sem necessariamente agir como um agente autônomo completo.
27:14 – 32:25Assistir
Modelo de linguagem e controle de criatividade
O palestrante mostra como o especialista é configurado com um modelo Gemini e explica parâmetros como temperatura. A temperatura é apresentada como um controle entre respostas mais precisas e pragmáticas ou mais criativas e elaboradas, de acordo com o objetivo do agente.
32:25 – 36:22Assistir
Função e tarefa de um agente de interpretação
A apresentação diferencia a função e a tarefa de um agente: a função define quem ele é no fluxo, enquanto a tarefa determina como deve agir diante de uma história de usuário. O agente é configurado para interpretar, identificar problemas, sugerir ajustes e ampliar o entendimento do artefato, apoiando o trabalho humano sem substituí-lo.
36:22 – 41:34Assistir
Memória, contexto e ferramentas de um agente
Explica como a memória de um agente é estruturada em estados, mensagens, artefatos e contextos, além de mostrar como ferramentas externas podem ser acionadas por function calling. O exemplo inclui a geração de documentos a partir da análise de uma história de usuário.
45:24 – 49:15Assistir
Fluxo de análise de uma história de usuário
Apresenta o fluxo completo do agente: receber uma história de usuário, identificar o tipo de artefato, interpretar o conteúdo, gerar uma análise estruturada e oferecer a criação de um arquivo em PDF ou Markdown. Em seguida, demonstra o processo com o exemplo de redefinição de senha.
49:15 – 54:25Assistir
Geração e avaliação de um relatório de requisitos
Mostra a geração de um documento com interpretação, componentes, critérios de aceitação, cenários de teste e problemas identificados em uma história de usuário. O trecho também discute como a equipe pode revisar o formato do relatório e usar exemplos armazenados em um repositório para tornar o agente especialista em requisitos.
54:25 – 59:29Assistir
Aplicações práticas para testes e documentação
Discute como agentes podem interpretar documentos, sugerir melhorias e gerar artefatos úteis para testes manuais ou automatizados. Também são apresentados casos práticos envolvendo código de mainframe, criação de documentos e a possibilidade de gerar fluxos de execução a partir de descrições.
59:29 – 1:04:38Assistir
Especialização do agente em histórias de usuário
Uma analista relata como ferramentas de IA já ajudam a escrever e aprimorar histórias de usuário, economizando tempo. A conversa propõe alimentar o agente com exemplos reais da equipe para criar um especialista capaz de produzir histórias alinhadas aos padrões e características dos profissionais.
1:05:56 – 1:09:52Assistir
Perguntas desta sessão
Como o Learning Prototype está se aproximando dos diferentes domínios de conhecimento?
A aproximação ocorre por meio de um book ou documentação estruturada de cada bancada, contendo objetivo, inspiração e mindset, com variações conforme o domínio.
11:17 – 11:36Assistir
O que é o Learning Prototype e o que ele não é?
O Learning Prototype é uma documentação viva desenvolvida em equipe para consolidar aprendizados e experimentar soluções de inteligência artificial. Trata-se de um protótipo para exploração e desenvolvimento, não de um produto pronto para uso por clientes.
12:30 – 13:10Assistir
Como funciona o ciclo de interação entre os agentes de teste com inteligência artificial?
O ciclo começa com os primeiros passos de uso de inteligência artificial, incluindo a definição de prompts e das tecnologias empregadas; o LangGraph é apresentado como uma das tecnologias utilizadas para estruturar esse fluxo.
14:40 – 15:00Assistir
Como é formado o agente especialista em interpretação de histórias de usuário?
O agente é estruturado com pensamento, função, tarefa, memória e ferramentas. Embora seja apresentado como agente, ele integra um fluxo que separa tarefas e executa pesquisas e etapas específicas.
28:04 – 29:10Assistir
Qual é a função do agente especialista em interpretação de histórias de usuário?
A função do agente é atuar como especialista na interpretação de histórias de usuário, conforme definido em seu prompt.
36:10 – 36:18Assistir
O que o agente especialista em interpretação de histórias de usuário faz no fluxo?
No fluxo, o agente recebe uma função definida por prompt e contribui para alcançar o objetivo da solução, atuando como especialista na interpretação do artefato atribuído.
36:49 – 36:59Assistir
De onde vêm o contexto e a história de usuário usados na tarefa do agente?
O contexto e a história de usuário vêm do estado do fluxo no LangGraph, que reúne as informações necessárias e as encaminha para a próxima etapa.
41:53 – 42:10Assistir
Como funciona a memória de um agente no LangGraph?
No LangGraph, a memória é organizada em estados que mantêm os dados do fluxo. Ela pode incluir mensagens, artefatos e outros contextos, além de ser estendida com RAG ou implementações em outros frameworks e linguagens.
42:10 – 42:47Assistir
O que é o contexto na arquitetura de memória dos agentes?
O contexto é um subconjunto da memória ampla do agente. Ele reúne informações específicas, como mensagens e artefatos, que orientam a geração da resposta e ajudam a orquestração a selecionar o agente adequado.
46:17 – 46:57Assistir
Como funciona atualmente o fluxo do agente especialista em histórias de usuário?
O fluxo recebe uma história de usuário como entrada, identifica e confirma o tipo de artefato, interpreta o conteúdo, gera uma análise com resumo, persona, necessidade, benefício, critérios de aceitação, cenários de teste e problemas identificados, e pode produzir um documento em PDF ou Markdown por meio de uma ferramenta.
49:29 – 50:30Assistir
Para que serve o agente especialista em interpretação de histórias de usuário?
O agente analisa o artefato recebido, identifica que se trata de uma história de usuário e gera uma interpretação contextualizada, como a descrição de um sistema de autenticação e gerenciamento de usuários.
51:41 – 52:12Assistir
Que informações o agente especialista gera a partir de uma história de usuário?
O agente gera um resumo da interpretação, identifica persona, necessidade e benefício, propõe critérios de aceitação e cenários de teste e registra problemas ou lacunas encontrados na história.
52:49 – 54:17Assistir
Quais tipos de análise podem ser configurados para o agente especialista em histórias de usuário?
O agente pode ser configurado para produzir relatórios completos sobre as histórias de usuário, com interpretações e sugestões, incluindo exemplos de análises, padrões esperados e avaliações de qualidade.
55:43 – 56:35Assistir
Como o uso de RAG pode melhorar a análise de histórias de usuário?
O agente pode consultar um repositório com centenas de histórias de usuário classificadas como bons ou maus exemplos. A partir de exemplos semelhantes, ele segue padrões de qualidade, identifica o que está faltando e sugere melhorias.
57:11 – 57:40Assistir
É possível integrar a geração dos relatórios do agente a uma ferramenta de relatórios com gráficos?
Foi sugerida a integração com uma ferramenta de relatórios, como o Allure Reports, para apresentar os resultados em um formato mais elaborado, com gráficos e melhor formatação.
58:53 – 59:06Assistir
O que acontece quando a validação da alteração gerada pelo agente não é aprovada?
Quando a alteração não é aprovada, é preciso ajustá-la conforme o feedback e então continuar o processo de validação.
1:03:12 – 1:03:24Assistir
É necessário escrever uma história de usuário nova quando surge uma nova ideia?
Não necessariamente. As histórias de usuário já escritas podem ser usadas como recurso e referência para gerar ou completar a nova história.
1:08:39 – 1:08:47Assistir
Existe um agente especializado em escrever histórias de usuário?
O agente atual é considerado generalista, mas a arquitetura pode evoluir para um especialista específico em histórias de usuário, treinado ou orientado por exemplos de qualidade fornecidos pela equipe.
1:08:51 – 1:09:09Assistir