Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
IndústriaAPI / Produto · Pronto p/ usoLanceDB Blog→ original

Second Dinner gera protótipos de cartas em horas, e testes com IA superam os manuais em 81% dos casos

O estúdio Second Dinner, fundado pelos criadores do Hearthstone, conectou um RAG a um bot do Slack. A rede neural primeiro busca no LanceDB cartas antigas, código e tickets do Jira e só depois responde. Um designer recebe o layout de uma nova carta em horas, e não em meses. Em vez de uma semana de trabalho manual, o QA chama uma API, e, segundo a avaliação do estúdio, os testes gerados por IA são melhores que os humanos em 81% dos casos. A conclusão é que um RAG interno compensa onde as ideias travam nas aprovações.

Processado por IA de LanceDB Blog; editado por Hamidun News
Second Dinner gera protótipos de cartas em horas, e testes com IA superam os manuais em 81% dos casos
Fonte: LanceDB Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalLanceDB Blog ↗
Editor-chefe
Dado-chave #1O LanceDB Cloud foi para produção em duas semanas e custa de 3 a 5 vezes menos que as alternativas
Dado-chave #2Os designers passaram a tocar em paralelo 5 vezes mais ideias do que antes
Dado-chave #320,5% dos testes gerados por IA são claramente melhores que os manuais em estilo ou no cumprimento dos requisitos

Imagine que uma empresa tem anos de código, documentos de design e tickets, mas a rede neural não sabe nada disso. O estúdio de jogos Second Dinner, fundado em 2018 pelos autores do Hearthstone, Gamilton Chu e Ben Broud, resolveu isso com RAG. Assim se chama o esquema em que o modelo, antes de responder, encontra nos dados próprios da empresa os trechos relevantes e se apoia neles.

O estúdio guarda os dados no banco vetorial LanceDB, um armazenamento que busca documentos por significado, e não por palavras exatas. Como resultado, o layout de uma nova carta de jogo fica pronto em horas, e não em meses, e os testes com IA são, segundo a própria avaliação do estúdio, melhores que os escritos por pessoas em 81% dos casos. O caso foi preparado pelo estúdio em conjunto com a equipe do LanceDB.

Qual era o problema do estúdio

Havia dois gargalos. O primeiro: os designers de sistemas criam mecânicas novas o tempo todo, mas, para transformar um esboço em código funcionando, é preciso reunir engenheiros, designers de UX e testadores. São meses de reuniões, orçamento consumido e ideias que nunca chegam a ser testadas.

O segundo: cada nova carta precisa ser verificada em milhares de interações com as outras cartas. Os conjuntos de testes eram escritos à mão pelos engenheiros de QA, e isso levava uma semana inteira. A equipe é pequena, então os casos de borda que escapavam representavam um risco real.

O estúdio formulou os requisitos assim: protótipo a partir de um pedido em texto, geração de testes via API, trabalho com dados heterogêneos (de tickets do Jira a documentos de design) e uma arquitetura serverless, sem complicações de infraestrutura.

Como a solução funciona

A equipe de IA transformou em vetores a base de código, os documentos de design e os tickets do Jira e os reuniu no LanceDB Cloud. Segundo a descrição, a configuração se resumiu a carregar os embeddings ("impressões digitais" numéricas do texto) e criar os índices. O restante ficou a cargo da plataforma: escalonamento, compactação dos conjuntos de dados, indexação incremental e reconstrução completa dos índices sem parar os serviços em funcionamento.

Do acesso até a produção passaram duas semanas. A escolha, segundo o estúdio, se explica pela filosofia "no-ops" (manutenção manual mínima) e pelo custo: de acordo com ele, o LanceDB saiu de 3 a 5 vezes mais barato que as alternativas. Quais alternativas foram comparadas, o caso não informa.

Exemplo para um designer. Ele escreve no Slack algo como: "como seria uma carta que rouba mana do pool do adversário para fortalecer meus feitiços?". O sistema, via RAG, encontra mecânicas semelhantes de cartas anteriores e, em seguida, monta automaticamente o layout de uma página web. O designer mostra o resultado aos colegas e recebe feedback sem precisar reunir uma equipe de engenharia nem arriscar lançar um recurso não testado. Segundo o estúdio, com isso os designers passaram a tocar em paralelo 5 vezes mais ideias.

Os engenheiros de QA recebem o conjunto de testes por uma chamada de API ou por um comando no Slack, e isso leva minutos, não uma semana. Segundo os dados do estúdio, os testes criados automaticamente são melhores que os escritos por pessoas em 81% dos casos, e 20,5% deles são "claramente melhores" em formato ou no cumprimento dos requisitos.

O que levar em conta

Este é um caso preparado em conjunto pelo cliente e pelo fornecedor, então os números devem ser lidos com cautela. A metodologia de comparação dos testes não foi divulgada: não está claro quem avaliou o que é "melhor", com base em quais critérios, em qual amostra, nem como foram contados os casos de borda. A afirmação sobre o aumento de cinco vezes nas ideias paralelas também vem sem detalhes. Não são citados nem os modelos, nem os embeddings, nem o esquema de avaliação da qualidade da busca. Expressões como "de executores a visionários" são marketing, não um resultado de engenharia.

Ao mesmo tempo, o esquema em si é compreensível e reproduzível. O valor não vem de um modelo específico, mas do acesso aos dados próprios da empresa: cartas anteriores, regras e tickets funcionam como contexto, com base no qual o LLM gera protótipos e testes plausíveis no estilo do projeto específico.

Conclusão prática

Para equipes que desenvolvem assistentes internos de IA, o caso aponta três lições. Primeiro, é melhor começar pelo que já foi acumulado: código, documentos e tickets, e não por um chatbot abstrato. Segundo, a interface deve estar onde as pessoas já trabalham: Slack e API são mais práticos que um portal separado. Terceiro, uma base serverless gerenciada poupa uma pequena equipe de IA da manutenção dos índices, o que importa quando não há especialistas de DevOps dedicados.

Se você está construindo um sistema semelhante, combine desde o início como medir o sucesso. A fatia de testes melhores que os manuais, o tempo entre a ideia e o layout e o custo de armazenamento e busca são as métricas que o próprio estúdio citou. Mas, sem uma metodologia transparente, esses números dificilmente se transferem para outros projetos, por isso vale fazer as próprias medições antes de escalar.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre Qual era o problema do estúdio?

Havia dois gargalos. O primeiro: os designers de sistemas criam mecânicas novas o tempo todo, mas, para transformar um esboço em código funcionando, é preciso reunir engenheiros, designers de UX e testadores. São meses de reuniões, orçamento consumido e ideias que nunca chegam a ser testadas. O segundo: cada nova carta precisa ser verificada em milhares de interações com as outras cartas. Os conjuntos de testes eram escritos à mão pelos engenheiros de QA, e isso levava uma semana inteira.

Como a solução funciona?

A equipe de IA transformou em vetores a base de código, os documentos de design e os tickets do Jira e os reuniu no LanceDB Cloud. Segundo a descrição, a configuração se resumiu a carregar os embeddings ("impressões digitais" numéricas do texto) e criar os índices. O restante ficou a cargo da plataforma: escalonamento, compactação dos conjuntos de dados, indexação incremental e reconstrução completa dos índices sem parar os serviços em funcionamento. Do acesso até a produção passaram duas semanas.

O que levar em conta?

Este é um caso preparado em conjunto pelo cliente e pelo fornecedor, então os números devem ser lidos com cautela. A metodologia de comparação dos testes não foi divulgada: não está claro quem avaliou o que é "melhor", com base em quais critérios, em qual amostra, nem como foram contados os casos de borda. A afirmação sobre o aumento de cinco vezes nas ideias paralelas também vem sem detalhes. Não são citados nem os modelos, nem os embeddings, nem o esquema de avaliação da qualidade da busca.

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…