Agentes de IA na automação de testes: uma abordagem utilizando o Model Context Protocol e Playwright

Abstract

A geração autônoma de testes de ponta a ponta a partir de descrições em linguagem natural permanece um problema aberto na engenharia de qualidade de software, especialmente em interfaces reativas nas quais alterações triviais invalidam seletores estáticos e elevam o custo de manutenção de casos de teste de regressão. O objetivo desta pesquisa foi avaliar o efeito da persistência e da reutilização do conhecimento de execução sobre o esforço de geração autônoma de testes de ponta a ponta por um agente baseado no Model Context Protocol, integrando o modelo Claude Sonnet 4.6 ao servidor Playwright MCP em uma arquitetura cliente própria, capaz de sintetizar, executar e reparar testes Playwright/TypeScript e de persistir o conhecimento de execução verificado em uma base reutilizável entre execuções. Conduziu-se avaliação empírica em dez cenários inéditos descritos em linguagem natural sobre um sistema corporativo de cadastro de pessoas, comparando-se a geração sem conhecimento prévio à geração apoiada na base já acumulada. Sem conhecimento prévio, o agente sintetizou testes executáveis nos dez cenários, com tempo médio de 155,7 segundos e consumo médio de 59.436 tokens por geração. Com a base acumulada, o esforço de geração caiu 25,3% em tempo e 33,8% em tokens, e a síntese determinística do plano a partir do grafo chegou a dispensar a etapa de exploração da aplicação. A viabilidade técnica e funcional da arquitetura proposta foi evidenciada pela obtenção de testes executáveis em todos os cenários avaliados e pelo fechamento autônomo do ciclo de geração, execução e reparo, e os resultados sustentam o potencial da persistência de conhecimento na redução do custo operacional de geração de testes, ampliando a literatura nacional sobre aplicação de modelos de linguagem em automação de testes ponta a ponta.