QAssist
Ir para notas que citam estaQAssist é o Learning Prototype da Bancada AI for Devs, um sistema de múltiplos agentes de IA que interpreta artefatos de uma aplicação e gera artefatos de teste, voltado ao público de qualidade de software.
Foi o primeiro protótipo dessa bancada e tem origem direta na investigação que apontou o analista de qualidade como o perfil profissional com maior potencial de ganho no uso de IA. Escolhido o perfil, o recorte veio dos dois primeiros atos em que a bancada havia dividido a exploração de testes autônomos: interpretar artefatos existentes, como a documentação de uma aplicação, e gerar a partir deles os artefatos de teste. A execução totalmente autônoma, o terceiro ato, ficou fora do escopo porque a tecnologia disponível na época não sustentava esse grau de autonomia.
A arquitetura em três camadas
O protótipo foi desenhado em três camadas encadeadas. Uma interface de front-end recebe o que a pessoa fornece, um back-end faz a mediação e aciona a camada seguinte, e um time de agentes de IA executa a interpretação e a geração dos artefatos.
A decisão de crescer para além de um único modelo respondendo a prompts é parte do aprendizado: o problema foi tratado como montagem de uma equipe de agentes, cada um com sua responsabilidade dentro da tarefa de testar, e não como uma chamada isolada a uma IA.
As decisões de stack e o que elas ensinaram
Boa parte do tempo do projeto foi consumida antes de qualquer avanço visível, decidindo framework, linguagem e composição do conjunto de agentes. A montagem da estrutura inicial foi, na prática, o trecho mais caro do trabalho.
O time escolheu o LangGraph para orquestrar os agentes e, no caminho, descobriu o LangSmith como ferramenta de apoio do mesmo ecossistema. O aprendizado declarado foi de perspectiva: participar da construção mudou o entendimento do grupo sobre como um agente de IA funciona na prática, em especial sobre como um prompt inicial se desdobra em toda uma estrutura de agentes. Esse papel central do LangGraph atravessou depois o trabalho da Bancada Agentic AI, que herda o tema da orquestração de múltiplos agentes.