00:00:00O GitHub acaba de lançar uma ferramenta muito interessante. Chama-se "agentic workflows" e visa simplificar
00:00:05o gerenciamento do pipeline de CI/CD, fornecendo uma maneira de orquestrar fluxos de trabalho usando
00:00:12programação em linguagem natural. É uma ideia bem legal e pode modernizar a forma como mantemos e moderamos
00:00:18nossos repositórios. Neste vídeo, examinaremos mais de perto como os fluxos de trabalho agentes do GitHub funcionam
00:00:24e mostrarei como configurá-los em seu próprio repositório. Vai ser muito divertido,
00:00:28então vamos mergulhar nisso.
00:00:30GitHub agentic workflows é um novo projeto do GitHub Next e da Microsoft Research como parte de
00:00:40uma visão mais ampla que eles chamam de IA Contínua. O objetivo é ir além da automação simples e entrar em um conceito
00:00:47que chamam de Ambiguidade Produtiva. A ideia é que as GitHub Actions tradicionais são determinísticas.
00:00:54Se X acontecer, você deve fazer Y. Mas tarefas como triagem de bugs, atualização de documentação,
00:01:00ou identificar falhas arquiteturais exigem um toque de julgamento. E os fluxos de trabalho agentes permitem que você
00:01:06descreva esse julgamento em markdown simples e o execute. Mas isso também significa que
00:01:11precisa haver algumas proteções e é por isso que ele visa adotar uma abordagem focada em ações.
00:01:16Basicamente, ele herda todo o ecossistema do GitHub Actions, como logs visíveis para a equipe, gerenciamento de segredos,
00:01:23e permissões auditáveis. Assim, você tem a inteligência de um agente com as proteções
00:01:29de um pipeline de CI/CD padrão. Esses agentes rodam com permissões mínimas por padrão, o que significa que
00:01:35podem analisar seu código e sugerir melhorias, mas não podem realizar operações de escrita sem
00:01:41aprovação explícita por meio de caminhos predefinidos e higienizados. Basicamente, a ideia é criar
00:01:46um assistente de IA para DevOps, mas com as devidas barreiras de segurança. E a configuração é super
00:01:52direta. Você só precisa adicioná-lo usando a extensão da CLI do GitHub e pronto.
00:01:57O fluxo de trabalho em si acontece em um processo de duas etapas. Primeiro, você cria um arquivo markdown com as
00:02:03instruções para o seu agente, depois executa "gh-aw-compile" nesse arquivo, e então o sistema lê
00:02:10suas instruções em linguagem natural e as transforma em um workflow de GitHub Actions robusto e bloqueado,
00:02:16armazenado em um arquivo ".log.yaml" designado. Depois, você envia essas mudanças para o repo e o
00:02:22agente é ativado automaticamente. Vamos fazer uma pequena demo para vê-lo em ação. Aqui eu
00:02:29criei um projeto vazio e primeiro vou apenas criar um arquivo Python simples com algumas
00:02:34variáveis de dados por enquanto. Voltaremos a este arquivo em um momento, mas por ora é só o que precisamos.
00:02:39Agora precisamos criar uma pasta ".github" e também uma subpasta "workflows" dentro dela. E
00:02:46certifique-se de seguir esta convenção de nomenclatura para que o Agentic Workflows saiba onde procurar ao compilar os
00:02:51arquivos markdown. E então vamos criar um arquivo markdown chamado "agent.md". Este arquivo basicamente
00:02:57consiste em duas partes. A primeira parte é o cabeçalho, onde você especifica quais permissões este agente terá.
00:03:03E você também precisa especificar qual provedor de IA usará para ele. No meu caso, usarei o
00:03:09Copilot. E tudo depois disso é apenas interpretação livre. Você apenas usa linguagem natural
00:03:15para descrever o que o agente precisa fazer. Nesta demo, vou criar este "auditor de Big O" cujo trabalho
00:03:21é verificar os commits de código, calcular a complexidade Big O de qualquer código novo e, se for ineficiente,
00:03:27identificar e sugerir uma maneira melhor de otimizá-lo. E também vou pedir para exibir os resultados
00:03:33em uma tabela formatada em markdown para uma visão rápida. Agora voltarei ao diretório raiz e executarei
00:03:38o "gh-aw-compile". Se tudo estiver correto, receberemos esta mensagem dizendo que compilamos
00:03:45um novo workflow. E se olharmos agora para a árvore de arquivos, notará que agora temos um arquivo
00:03:51".log.yaml", que foi compilado automaticamente pelo script, e também uma nova pasta chamada "aw",
00:03:57que contém um arquivo de log do GitHub Actions. Podemos agora enviar essas alterações para o repositório. E a
00:04:03última coisa que você deve fazer é definir a chave de API do provedor de IA escolhido como um segredo, para que o
00:04:10agentic workflows possa acessá-la. No meu caso, escolhi o Copilot como motor, então estou fornecendo meu token do Copilot
00:04:15aqui. Agora que tudo está pronto, vou enviar todas essas alterações para o GitHub. Neste ponto, o
00:04:21fluxo de trabalho agente deve estar configurado e pronto para ser ativado. E como configurei meu workflow para
00:04:26ser ativado em qualquer novo pull request, vamos criar um novo pull request para testar.
00:04:32Vou criar agora uma nova branch para o meu repositório. E nesta nova branch, adicionarei uma nova função
00:04:37ao nosso arquivo "main.py" que buscará registros correspondentes. Mas escrevi essa função deliberadamente para
00:04:44ter uma complexidade Big O muito ineficiente de O(n²). Então, se eu abrir um pull request com este código,
00:04:50nosso agente deve identificar esta função como ineficiente e sugerir algumas melhorias. Então
00:04:56vamos tentar isso agora. Adicionei o código, enviei as alterações e, de volta ao GitHub, vamos abrir um
00:05:02novo pull request. Notará que assim que eu abrir o pedido, o pipeline do agentic workflow
00:05:08será ativado imediatamente e começará a processar nossas alterações de código. O pipeline levou cerca de
00:05:13três minutos para terminar. E agora vemos que nosso auditor de Big O realmente identificou nossa função como
00:05:20ineficiente. E ele nos dá uma explicação detalhada do porquê com uma tabela bem formatada, como eu
00:05:26pedi, seguida por uma seção onde propõe uma solução melhor. E veja só, ele até calcula
00:05:33o impacto de performance que poderíamos ganhar ao implementar a solução otimizada. Espero que este exemplo mostre
00:05:39como, com uma configuração mínima, podemos usar agentic workflows para colocar verificações de segurança adicionais
00:05:44em nossa base de código. É aqui que entra aquela ambiguidade produtiva; podemos pedir ao agente que
00:05:51use seu próprio julgamento para resolver metas de alto nível, como manter a qualidade do código e a performance. Agora,
00:05:56obviamente, este ainda é um protótipo de pesquisa do GitHub Next, e você provavelmente encontrará
00:06:01alguma latência. E você definitivamente ainda precisa de um humano no processo para verificar as checagens finais. Mas
00:06:07esta é uma visão mais ampla de IA contínua, onde podemos aproveitar o poder dos agentes de IA para monitorar
00:06:14e gerenciar nossos pipelines de CI/CD de forma autônoma. E falando em sistemas autônomos, se você está
00:06:19gerenciando ambientes de produção, sabe que manter tudo rodando perfeitamente é um trabalho 24/7.
00:06:25É por isso que recomendo conferir o Better Stack, pois lançamos recentemente nosso próprio
00:06:31SRE de IA que ajuda a lidar com incidentes de plantão enquanto você dorme. Assim, você pode parar de apagar incêndios e focar
00:06:38em realmente entregar código. Então, é isso, pessoal. Se você achou este vídeo útil e
00:06:42informativo, deixe-me saber clicando no botão de curtir abaixo do vídeo. E não se esqueça
00:06:47de se inscrever em nosso canal. Aqui foi o Andris da Better Stack e vejo vocês nos próximos
00:06:52vídeos.