Agente autônomo especialista para automação e otimização da produção de páginas web

Abstract

Este trabalho apresenta o desenvolvimento e a avaliação de um agente autônomo especialista, investigando a viabilidade de utilizar modelos de linguagem compactos e de código aberto para a automação da produção de páginas web. O estudo aborda as limitações de custo e privacidade dos modelos de larga escala, propondo uma solução que opera em hardware local e acessível. A metodologia envolveu uma análise comparativa entre a performance de um modelo de linguagem base (Llama 3.1 8B) e um protótipo de "Agente Especialista". Este agente emprega uma pipeline de duas etapas: uma Transformação de Prompt, onde o mesmo modelo refina os requisitos do usuário, e a Geração Aumentada por Recuperação (RAG), que fornece contexto de código a partir de uma base de conhecimento vetorial. A avaliação foi conduzida por meio de testes práticos em quatro tarefas de desenvolvimento, utilizando um critério hierárquico que prioriza a capacidade de compilação e a funcionalidade do código gerado. Os resultados demonstraram que, enquanto o modelo base falhou em produzir código funcional para 50% das tarefas, o Agente Especialista alcançou 100% de sucesso funcional, superando as limitações do modelo através da especialização por contexto. Conclui-se que a combinação de engenharia de prompt e RAG mostra-se uma estratégia promissora para capacitar modelos de linguagem compactos, representando uma alternativa viável para a automação de fluxos de trabalho em engenharia de software com características similares às aqui estudadas.

This paper presents the development and evaluation of an autonomous specialist agent, investigating the feasibility of using compact, open-source language models for the automation of web page production. The study addresses the cost and privacy limitations of large-scale models by proposing a solution that operates on local and accessible hardware. The methodology involved a comparative analysis between the performance of a base language model (Llama 3.1 8B) and a "Specialist Agent" prototype. This agent employs a two-stage pipeline: a Prompt Transformation, where the same model refines user requirements, and Retrieval-Augmented Generation (RAG), which provides code context from a vector knowledge base. The evaluation was conducted through practical tests on four development tasks, using a hierarchical criterion that prioritizes the compilation capability and functionality of the generated code. The results demonstrated that while the base model failed to produce functional code for 50% of the tasks, the Specialist Agent achieved 100% functional success, overcoming the model's limitations through context-based specialization. It is concluded that the combination of prompt engineering and RAG is a promising strategy for empowering compact language models, representing a viable alternative for the automation of software engineering workflows with characteristics similar to those studied here.