Início 23/11Turma 3 ao vivo de Vibe Coding & Agentes de IA: 3 semanas, 9 aulas ao vivoTurma 3 (23/11) →
LançamentoCódigo / SDK · Pronto p/ usoGitLab Blog→ original

Agente de IA ShakeFix corrige bug em app de farmácia em 18 minutos no hackathon do GitLab

O GitLab divulgou os resultados do hackathon Transcend, em que os participantes treinaram agentes de IA para levar o código até a produção. O vencedor, ShakeFix, funciona assim: o usuário de um app de farmácia sacode o celular e descreve a falha, e quatro agentes escrevem o teste, corrigem o bug e publicam a correção em 18 minutos e 34 segundos, sem intervenção humana. A lição para as equipes: entregue aos agentes a leitura e a edição do código, e deixe a liberação para produção a cargo dos testes e do CI.

Processado por IA de GitLab Blog; editado por Hamidun News
Agente de IA ShakeFix corrige bug em app de farmácia em 18 minutos no hackathon do GitLab
Fonte: GitLab Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalGitLab Blog ↗
Editor-chefe
Dado-chave #1Entre 783 projetos, o prêmio total de $45 000 foi dividido em nove categorias
Dado-chave #2O Lookback encontrou 413 famílias com pagamento a menos a partir de um único recurso vencido
Dado-chave #3O Earned Autonomy reverteu uma release ruim em 3,3 segundos

Escrever código com ajuda de IA hoje é fácil, mas levá-lo do "funciona na minha máquina" até a produção continua sendo doloroso: testes, verificação de segurança, deploy, rollback, análise de incidentes. Foi justamente essa parte que o GitLab entregou à comunidade no hackathon Transcend, com o lema "Vida depois do código". Em outubro, os participantes construíram agentes e fluxos (cadeias de etapas executadas por agentes de IA) na GitLab Duo Agent Platform e definiram quanta liberdade dar a eles: da aprovação de cada passo por um humano até a autonomia total.

O exemplo mais ilustrativo é o ShakeFix. O usuário de um app de farmácia sacode o celular e escreve o que quebrou, e quatro agentes escrevem sozinhos um teste que falha, corrigem o bug e publicam a correção. Na execução ao vivo, o processo levou 18 minutos e 34 segundos, sem participação de pessoas.

No total, mais de 3300 desenvolvedores se inscreveram e 783 projetos foram enviados. O prêmio total é de $45 000, dividido em nove categorias.

O que vale a leitura aqui é o desenho da solução, não os prêmios: os vencedores separaram com clareza o que o agente faz, o que a automação verifica e onde é preciso a assinatura de um humano.

Trilha A: projetos do zero

Aftermath (Ahadi Cyizere, melhor agente assistido, $4000) responde a uma pergunta que os scanners não cobrem. Quando um pacote npm comprometido é divulgado, é preciso descobrir se ele chegou a ser executado no CI na semana passada. Um fluxo de três subagentes reconstitui as tarefas de CI anteriores e a lista de segredos que cada uma poderia alcançar. O humano aprova o escopo da investigação e, depois, o plano de contenção, e encerra o incidente depois que o CI substituiu apenas as chaves comprometidas e removeu as imagens afetadas.

Lookback (Ujwal Suresh Vanjare e Arpita Madhukar Kalburgi, melhor agente supervisionado, $4000) parte de um recurso vencido. Se um software de pagamento de benefícios aplicou as regras de forma incorreta a uma pessoa, o fluxo analisa a decisão, reproduz o erro com um teste que falha e abre um merge request com a correção. Depois do merge, um código comum reprocessa as decisões anteriores e encontra todos os outros afetados. Na demo, foram encontradas 413 famílias com pagamento a menos, e os valores a complementar foram publicados em um pacote para o órgão responsável.

ShakeFix (Venkatesh Devale, melhor agente autônomo, $5000) compara a correção com o comportamento da produção e só depois faz o merge e publica o código. Foi isso que transformou o gesto de sacudir o celular em um fix funcional em 18 minutos e 34 segundos.

Trilha B: projetos open source existentes

Unstuck (Aryan Shah e Riken Shah, melhor agente assistido, $4000) conclui as atualizações de dependências que os bots começam, mas não terminam. O bot muda o número da versão, mas não sabe ler as release notes nem consertar o que quebra. Dois fluxos planejam a campanha de atualização e a conduzem em um único merge request, citando a nota de release sob cada alteração e consultando o humano quando o comportamento muda. No anotador doccano, preso a uma versão sem suporte do Django com 80 vulnerabilidades conhecidas, isso resultou em zero vulnerabilidades e Django 5.2 em seis merge requests verificados.

CodeTinder (Jason Yu, melhor agente supervisionado, $4000) parte da ideia de "revisar menos código e ensinar mais os agentes". O agente escolhe uma função em um merge request e escreve várias variantes que passam nos testes. O desenvolvedor navega por elas no celular, como no Tinder. Os swipes atualizam um documento de princípios versionado no repositório. Todos os agentes leem esse documento e depois reescrevem o restante do merge request de acordo com as novas preferências. O projeto também levou o prêmio "Mais criativo" ($4000): foi a ideia mais bem avaliada nas duas trilhas.

Locus (Ahammad Shawki, Nourin Richi, Mohammad Ashfaqul Hasan, melhor agente autônomo, $5000), construído sobre a biblioteca JSCAD, transforma o e-mail de um professor de matemática com a descrição de uma função em um gráfico tátil para um aluno cego. Os agentes desenham o gráfico com linhas em relevo e legendas em braille, verificam o resultado com base em regras de pesquisa sobre leitura tátil, corrigem os próprios erros, publicam o resultado no Google Cloud, enviam os arquivos de impressão ao professor e encomendam a impressão. Os agentes não podem marcar o trabalho como concluído por conta própria: o gráfico só é liberado se passar nas regras.

Prêmios especiais e conclusões

O prêmio "Mais etapas" vai para os projetos que abrangem o maior número das nove fases do ciclo de vida DevSecOps. Venceu um projeto em cada trilha, com $5000 cada.

Stale (Diptarka Nandi, Harshit Anand, Abhinav Kumar, Ashutosh Pandey) reavalia o veredito de "seguro para publicar" quando muda o mundo, e não apenas o código. Por exemplo, quando um certificado raiz deixa de ser considerado confiável. Um pipeline agendado monitora fontes externas e cria uma tarefa para o fluxo que escreve a correção. O CI a confirma, e um release canário a verifica antes da troca do tráfego.

Earned Autonomy (Shivansh Kalra) atribui a cada merge request em um template FastAPI um nível próprio de autonomia, de "sem intervenção" a "bloqueado", com base nas evidências acumuladas. Cinco agentes cuidam de planejamento, triagem, revisão de infraestrutura, roteamento e rollback, e só podem elevar a avaliação de risco. Em uma execução, uma dependência vulnerável foi do alerta à correção em produção em 35 minutos, sem humanos; em outra, uma release ruim foi revertida em 3,3 segundos.

Memory Lane (Oliver McBride, "Mais sustentável", $5000) ajuda coordenadores de casas de repouso a preparar sessões de reminiscência para pessoas com demência. Três fluxos conduzem uma tarefa comum pela verificação de segurança, pelo CI/CD e pelo Cloud Run até a produção. O autor mediu a pegada de carbono de cada solicitação publicada com base na especificação Software Carbon Intensity e reestruturou o pipeline: compilar uma só vez e pular execuções desnecessárias. O número de execuções de CI por solicitação publicada caiu 48%.

O padrão geral destacado pelo GitLab: os agentes leem, escrevem e roteiam, enquanto os testes e o CI decidem se a etapa foi aprovada, e na maioria dos projetos um humano assina as publicações de maior risco. Uma ressalva: são demos selecionadas de um hackathon, e números como os 18 minutos foram obtidos em execuções demonstrativas feitas pelos autores, não em uso prolongado. Ainda assim, o desenho é transferível: defina quais etapas o agente pode executar sozinho, quais a automação verifica e onde é necessária a assinatura de um humano.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre Trilha A: projetos do zero?

Aftermath (Ahadi Cyizere, melhor agente assistido, $4000) responde a uma pergunta que os scanners não cobrem. Quando um pacote npm comprometido é divulgado, é preciso descobrir se ele chegou a ser executado no CI na semana passada. Um fluxo de três subagentes reconstitui as tarefas de CI anteriores e a lista de segredos que cada uma poderia alcançar.

O que se sabe sobre Trilha B: projetos open source existentes?

Unstuck (Aryan Shah e Riken Shah, melhor agente assistido, $4000) conclui as atualizações de dependências que os bots começam, mas não terminam. O bot muda o número da versão, mas não sabe ler as release notes nem consertar o que quebra. Dois fluxos planejam a campanha de atualização e a conduzem em um único merge request, citando a nota de release sob cada alteração e consultando o humano quando o comportamento muda.

O que se sabe sobre Prêmios especiais e conclusões?

O prêmio "Mais etapas" vai para os projetos que abrangem o maior número das nove fases do ciclo de vida DevSecOps. Venceu um projeto em cada trilha, com $5000 cada. Stale (Diptarka Nandi, Harshit Anand, Abhinav Kumar, Ashutosh Pandey) reavalia o veredito de "seguro para publicar" quando muda o mundo, e não apenas o código. Por exemplo, quando um certificado raiz deixa de ser considerado confiável. Um pipeline agendado monitora fontes externas e cria uma tarefa para o fluxo que escreve a correção.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…