Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Learning Prototype Unbox do QAssist Agentes de IA para Testes de Software (2025-10-28)

28 out 20251h 22min
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 o Learning Prototype “QAssist”, desenvolvido de forma colaborativa para explorar o uso de agentes de inteligência artificial no ciclo de desenvolvimento e nos testes de software. Foi relembrada a trajetória do projeto, desde a inception e a ampliação de repertório até a experimentação, com definição de artefatos, tecnologias e agentes especializados. A solução utiliza LangGraph, Streamlit e modelos da OpenAI para interpretar códigos, histórias de usuário, repositórios e outros artefatos, produzindo análises, planos de teste, testes unitários, cenários BDD, scripts e recomendações de testabilidade. O fluxo foi estruturado em etapas de pré-processamento, identificação de intenção, planejamento, roteamento, interpretação, geração e refinamento, mantendo a validação humana como parte essencial do processo.

Durante a demonstração, foram analisados trechos de JavaScript, repositórios públicos e arquivos de histórias de usuário. O sistema conseguiu gerar análises e sugestões úteis, mas também apresentou respostas inconsistentes, perda de contexto, falhas na geração de testes e instabilidades de acesso, incluindo erros de conexão, limites de tokens e problemas relacionados ao Streamlit. Os participantes foram convidados a testar a ferramenta e compartilhar feedbacks, com incentivo para apresentar usos relevantes. Como conclusão, o protótipo foi considerado uma experiência válida para aprendizado e aceleração inicial da criação de testes, mas ainda requer melhorias de estabilidade, controle de contexto, prompts, cobertura de cenários e suporte a repositórios privados. O código e o Miro permanecem disponíveis para exploração, execução local e evolução colaborativa.

Gerado por IA a partir da transcrição.
Capítulos · 46
00:24
Abertura e conversa sobre o cometa 3I/ATLAS
Assistir
01:40
Características e trajetória do objeto interestelar
Assistir
04:06
Notícias, imagens e teorias sobre o cometa
Assistir
05:25
Início da sessão e apresentação da dinâmica
Assistir
06:43
Contexto do Lean Prototype e objetivos do encontro
Assistir
07:59
Inception e construção da visão do produto
Assistir
09:15
Formação do time e colaboração no projeto
Assistir
10:35
Detalhamento do negócio e definição dos artefatos
Assistir
11:51
Exploração e seleção das tecnologias
Assistir
13:08
Arquitetura de agentes especializados
Assistir
14:28
Aprendizados e agradecimentos à comunidade
Assistir
18:22
Colaboração e evolução do conhecimento em IA
Assistir
20:57
O que é o Unbox e o Lean Prototype
Assistir
23:33
Lean Prototype como protótipo de aprendizado
Assistir
24:49
Mural de desafios e experimentação colaborativa
Assistir
27:22
Inspiração no ciclo de desenvolvimento de software
Assistir
28:38
Foco em testes e integração com IA
Assistir
29:56
Apresentação da solução Lean Prototype
Assistir
31:13
Tecnologias utilizadas na implementação
Assistir
32:27
Interface conversacional e envio de artefatos
Assistir
33:42
Demonstração: análise de um código JavaScript
Assistir
34:59
Fluxo de agentes e roteamento especializado
Assistir
36:18
Especialização de prompts e agentes
Assistir
37:35
Análise de código e geração de recomendações
Assistir
38:55
Casos de teste e plano de ação sugerido
Assistir
40:11
Aprovação humana e geração de testes unitários
Assistir
41:28
Refinamento dos testes gerados
Assistir
42:48
Análise de repositórios e geração de roteiros de teste
Assistir
44:06
Apresentação do protótipo e convite aos testes
Assistir
47:55
Fluxo inicial e uso com repositórios públicos
Assistir
50:32
Limitações de repositórios privados e tamanho do contexto
Assistir
51:50
Arquitetura de interpretação e geração de artefatos
Assistir
54:23
Orquestração dos agentes e ciclo de refinamento
Assistir
55:40
Acesso via VPN e instabilidades do protótipo
Assistir
58:13
Aprendizados sobre prompts, probabilidades e tecnologia
Assistir
1:00:44
Evolução dos testes e controle do fluxo de agentes
Assistir
1:02:03
Variação das respostas e feedback sobre o protótipo
Assistir
1:05:57
Aprendizados da implementação colaborativa
Assistir
1:07:14
Demonstração de análise de código e geração de testes
Assistir
1:12:16
Resultados dos testes e refinamento com feedback
Assistir
1:13:37
Repositório aberto e convite à colaboração
Assistir
1:14:55
Encerramento e próximos aprendizados com IA
Assistir
1:16:08
Dúvidas sobre direcionamento e perda de contexto
Assistir
1:18:42
Problemas de contexto na geração de testes automatizados
Assistir
1:20:00
Sugestões de uso e avaliação da evolução
Assistir
1:21:16
Pontos de atenção e encerramento da sessão
Assistir
Cortes · 9
Como nasceu o protótipo de aprendizado
A apresentação contextualiza o Unline Prototype e mostra como ele foi construído a partir de uma inception colaborativa. São apresentados o uso do Miro como documentação viva, os ciclos de exploração e experimentação e a escolha das tecnologias do projeto.
06:43 – 14:28Assistir
Aprendizados e colaboração no projeto
O apresentador destaca os aprendizados acumulados durante a experimentação e agradece as pessoas envolvidas, especialmente a equipe de QA. O trecho mostra como a colaboração permitiu aprofundar conhecimentos sobre testes, prompts e inteligência artificial.
14:28 – 20:56Assistir
O que são o Unbox e o Prototype
O trecho explica o conceito de Unbox como forma de compartilhar com a organização o que foi desenvolvido e aprendido. Também apresenta o Prototype como a materialização de um ciclo colaborativo de experimentação de tecnologias de IA aplicadas ao desenvolvimento e aos testes de software.
20:57 – 29:56Assistir
Demonstração da análise e geração de testes
É apresentada a plataforma que recebe artefatos de desenvolvimento e produz artefatos de teste usando agentes especializados. A demonstração percorre a análise de um código JavaScript, a geração de recomendações e casos de teste, a aprovação humana e o refinamento do resultado.
29:56 – 42:48Assistir
Análise de repositório e geração de roteiros de teste
É demonstrado como o sistema interpreta um repositório de código, identifica pontos fortes, riscos e oportunidades de melhoria. A partir da análise, o usuário pode solicitar artefatos como testes unitários, testes de integração ou um roteiro de testes.
42:48 – 44:04Assistir
Como funciona o fluxo de interpretação e geração
A apresentação explica o fluxo interno da ferramenta: o usuário envia um artefato, que é encaminhado para interpretação, síntese, refinamento e, quando necessário, geração de novos artefatos. Também são detalhados os agentes especializados e como eles colaboram para produzir itens como casos de uso, BDD e scripts de teste.
51:50 – 56:57Assistir
Aprendizados sobre agentes, prompts e fluxos probabilísticos
O grupo discute os efeitos da natureza probabilística da IA, a importância de prompts mais específicos e as limitações observadas no protótipo. Os testes mostraram a necessidade de restringir as sugestões aos agentes realmente disponíveis e de criar mecanismos para organizar o fluxo entre interpretação e geração.
59:29 – 1:03:22Assistir
Teste prático de análise e geração de testes
Um participante demonstra a análise de um arquivo, que produz resumo, alertas de risco e sugestões de testes. Em seguida, os testes gerados são executados na prática, com parte deles falhando, e o grupo discute como usar os resultados para pedir refinamentos à ferramenta.
1:07:14 – 1:13:34Assistir
Perda de contexto durante a geração automatizada
É apresentado um caso em que a ferramenta analisa uma história de usuário e gera cenários de teste, mas perde o contexto original ao criar testes automatizados com Selenium e C#. O grupo identifica a possível relação com o fluxo de conversação e sugere iniciar uma nova conversa com instruções mais diretas para melhorar a precisão.
1:16:08 – 1:21:16Assistir
Perguntas desta sessão
O que é o unbox de um Learning Prototype?
É uma apresentação do protótipo de aprendizado que contextualiza sua construção ao longo do tempo e mostra as tecnologias utilizadas, permitindo que outras pessoas conheçam e reutilizem a solução.
07:17 – 08:08Assistir
O que é o unbox do Learning Prototype e por que ele é importante?
O unbox é uma iniciativa do Labs/Leves para tornar visíveis os experimentos desenvolvidos, compartilhando com a organização o que foi construído, aprendido, as dificuldades encontradas e os próximos passos. O Learning Prototype é a materialização prática de uma experimentação: depois de estudar e explorar tecnologias, a equipe constrói uma solução para verificar se ela funciona e faz sentido. No caso do QAssist, o protótipo reúne pessoas interessadas em aplicar agentes de IA ao ciclo de desenvolvimento de software, promovendo aprendizado colaborativo e exploração de tecnologias emergentes.
22:45 – 24:21Assistir
O que acontece depois do planejamento de uma solicitação no QAssist?
Depois do planejamento, o fluxo faz o roteamento da solicitação, identifica a intenção e encaminha o pedido ao agente especializado correspondente, como o agente de interpretação de trechos de código.
34:59 – 35:16Assistir
Por que o QAssist gera testes unitários?
Para verificar se as funções preservam seu comportamento e aumentar a confiabilidade do código, cobrindo a funcionalidade esperada e outras ações sugeridas.
39:59 – 40:07Assistir
O QAssist substitui profissionais de QA ou desenvolvedores na atividade de testes?
Não. A ferramenta apoia a análise e a geração de testes, mas ainda depende da avaliação humana para verificar a qualidade, solicitar refinamentos e aprovar os resultados.
40:18 – 40:37Assistir
Como usar o QAssist com um repositório privado?
É necessário executar o QAssist localmente, baixando a aplicação e utilizando as credenciais do repositório Git para permitir o acesso ao conteúdo privado.
50:41 – 51:22Assistir
Que tipos de artefatos o QAssist pode analisar além de código e repositórios?
O QAssist também pode analisar imagens, documentos e histórias de usuário, abrangendo diferentes partes do ciclo de desenvolvimento.
51:37 – 52:00Assistir
Como funciona o fluxo de orquestração do QAssist desde o recebimento de um artefato até a geração da resposta?
O QAssist pré-processa o artefato, identifica se ele deve ser interpretado ou usado diretamente para geração, encaminha-o a agentes especializados, agrega e sintetiza os resultados e exibe a resposta. O usuário pode fornecer feedback para iniciar um novo ciclo de refinamento ou encerrar o processo.
54:31 – 55:08Assistir
Como o QAssist trata o refinamento de uma resposta gerada?
Quando o usuário solicita refinamento, o artefato retorna ao agente de refinamento, que processa novamente a solicitação e depois encaminha o resultado para nova síntese. Se não houver necessidade de refinamento, o ciclo é encerrado ou segue para a geração do artefato solicitado.
54:59 – 55:52Assistir
Quais etapas do ciclo de processamento do QAssist podem ser observadas quando uma execução é interrompida?
É possível acompanhar as etapas pelas quais o artefato foi encaminhado. Em um caso observado, a execução chegou ao terceiro passo e parou. As possíveis causas incluem estouro do limite de tokens conforme a quantidade de informação enviada, perda de estado ou necessidade de atualizar a página para exibir a resposta transmitida em partes pelo Streamlit.
57:59 – 58:34Assistir
Como funciona a divisão de agentes especializados do QAssist para interpretar solicitações e gerar artefatos de teste?
O QAssist separa agentes de interpretação e de geração, podendo usar vários agentes para produzir diferentes interpretações. A interpretação inicial também pode gerar planos de teste e outros artefatos, servindo como ponto de partida para as etapas seguintes.
1:07:48 – 1:08:10Assistir
Depois de avaliar a intenção de uma solicitação, como o QAssist decide qual fluxo de agentes deve executar?
O sistema classifica a intenção e roteia a solicitação para o fluxo correspondente. Atualmente, as principais opções são interpretação e geração; solicitações de interpretação seguem para um planejador de interpretação, enquanto as de geração seguem para o fluxo de geração.
1:16:14 – 1:16:48Assistir
Quais são alguns pontos de atenção no QAssist, especialmente na geração de testes?
A geração de testes foi pouco avaliada e os testes realizados tiveram um viés por se basearem em um ciclo já conhecido pela equipe. É necessário ampliar os testes colaborativos e explorar cenários além dos já familiares.
1:21:21 – 1:21:44Assistir