DEV Community: Jhonatan Alves da silva

Testando um agente de IA antes de deixar ele escrever no CRM (com pytest)

Jhonatan Alves da silva — Sat, 24 Oct 2026 03:18:50 +0000

Agente de IA conectado ao CRM costuma ser testado assim: manda umas mensagens no WhatsApp, vê se a resposta ficou boa e libera. Só que a resposta boa não diz nada sobre o que foi gravado no banco.

A ideia aqui é tirar o LLM da equação e testar a camada que decide gravar. O modelo devolve uma proposta de ação, e o backend valida antes de executar. Essa camada é código determinístico, então dá para cobrir com testes comuns.

A camada de decisão

# decisao.py
import unicodedata
import phonenumbers


def chave_nome(nome: str) -> str:
    """Chave só para BUSCAR possíveis duplicados. Nunca para sobrescrever o nome."""
    return unicodedata.normalize("NFKC", nome).casefold().strip()


def invisiveis(texto: str) -> list[str]:
    return [
        f"U+{ord(c):04X}"
        for c in texto
        if unicodedata.category(c) == "Cf"
        or (unicodedata.category(c) == "Zs" and c != " ")
    ]


def telefone_e164(raw: str, regiao: str = "BR") -> str:
    numero = phonenumbers.parse(raw, regiao)
    return phonenumbers.format_number(numero, phonenumbers.PhoneNumberFormat.E164)


def decidir(proposta: dict, candidatos: list, eventos_processados: set) -> str:
    if proposta["event_id"] in eventos_processados:
        return "ignorar"
    if len(candidatos) != 1:
        return "revisao_humana"
    if not proposta.get("confirmado_pelo_cliente"):
        return "pedir_confirmacao"
    return "gravar"


def processar(proposta, candidatos, eventos_processados, fila, crm):
    decisao = decidir(proposta, candidatos, eventos_processados)
    if decisao == "ignorar":
        return decisao
    if decisao == "revisao_humana":
        fila.append({"event_id": proposta["event_id"], "motivo": "identificacao_ambigua"})
    elif decisao == "gravar":
        crm.append({"contato": candidatos[0], **proposta["campos"]})
    eventos_processados.add(proposta["event_id"])
    return decisao

Os testes

# test_decisao.py
from decisao import chave_nome, invisiveis, telefone_e164, processar


def proposta(event_id="evt-1", confirmado=True):
    return {"event_id": event_id, "campos": {"endereco": "Rua X, 120"},
            "confirmado_pelo_cliente": confirmado}


# 1. Nomes visualmente iguais geram a mesma chave de busca
def test_nome_com_acento_combinante():
    assert chave_nome("Joa\u0303o") == chave_nome("João")

def test_nome_com_letra_estilizada():
    assert chave_nome("𝐉𝐨𝐚𝐨") == "joao"


# 2. Mesmo telefone em formatos diferentes
def test_telefone_normalizado():
    assert telefone_e164("(27) 99999-0000") == "+5527999990000"
    assert telefone_e164("+55 27 99999 0000") == "+5527999990000"


# 3. Caracteres invisíveis são detectados, não apagados
def test_espaco_largura_zero():
    assert invisiveis("Ana\u200bSilva") == ["U+200B"]

def test_espaco_nao_separavel():
    assert invisiveis("Ana\u00a0Silva") == ["U+00A0"]


# 4. Sem confirmação explícita, nada é gravado
def test_sem_confirmacao_nao_grava():
    fila, crm = [], []
    r = processar(proposta(confirmado=False), ["id_1"], set(), fila, crm)
    assert r == "pedir_confirmacao" and crm == []


# 5. Ambiguidade vai para humano, e o humano recebe de fato
def test_duas_marinas_vao_para_fila():
    fila, crm = [], []
    r = processar(proposta(), ["marina_1", "marina_2"], set(), fila, crm)
    assert r == "revisao_humana"
    assert crm == []
    assert fila[0]["motivo"] == "identificacao_ambigua"


# Bônus: webhook reentregue não duplica
def test_idempotencia():
    fila, crm, eventos = [], [], set()
    processar(proposta(), ["id_1"], eventos, fila, crm)
    processar(proposta(), ["id_1"], eventos, fila, crm)
    assert len(crm) == 1

pip install pytest phonenumbers
pytest -v

Repare que nenhum teste chama o LLM. Esse é o ponto: se a segurança do seu cadastro depende de o modelo "se comportar", ela não é testável. Se depende de uma camada de decisão, é.

Em produção, a idempotência deve ficar no banco (constraint UNIQUE no event_id), não num set em memória. Aqui é só para o exemplo rodar.

Os 5 cenários completos

Os testes acima vêm de um roteiro que publicamos no Algoritmo Diário, com o raciocínio de cada cenário (Unicode NFC × NFKC, E.164, confirmação × consentimento na LGPD, handoff) e uma matriz de QA para rodar antes de liberar a integração:

👉 A IA respondeu certo, mas cadastrou o cliente errado: 5 testes antes de conectar um agente ao CRM

Que outro cenário vocês colocariam nessa suíte?

How I Built an AI Tool to Generate SEO Articles Automatically

Jhonatan Alves da silva — Fri, 06 Mar 2026 18:09:22 +0000

Creating content consistently is one of the biggest challenges for developers, indie makers, and startup founders. Writing blog posts, documentation, marketing content, and SEO pages takes time — a lot of time.

To solve this problem, I started experimenting with AI-powered content generation.

The result was a simple but powerful tool capable of generating SEO articles automatically in seconds.

The Problem: Content Production Takes Too Long

Many developers build amazing tools but struggle with content marketing.

Typical workflow:

Research a keyword

Write a blog article

Optimize headings for SEO

Format the content

Publish the page

This process can take 1–3 hours per article.

Now imagine doing that for 50 or 100 articles.

That’s where automation helps.

Using AI to Generate Articles

Modern language models can generate structured content based on prompts.

For example, you can request something like:

Write a 800-word SEO article about "automatic content generation".
Include headings, paragraphs, and a conclusion.

The AI returns a structured article ready for publishing.

From there, a script can automatically:

Save the article as HTML

Generate a slug

Create internal links

Add images

Update a sitemap

This makes content generation scalable.

Automating the Workflow

A basic automated content pipeline looks like this:

Define keywords

Send prompt to an AI API

Receive generated article

Save article as HTML

Add images

Update sitemap

Using simple scripts (PHP, Python, Node.js), you can generate dozens of pages automatically.

This approach is becoming popular among developers building programmatic SEO sites.

The Tool I Built

To test this concept, I built a small tool that generates SEO articles automatically using AI.

It can create blog posts and structured content in seconds.

You can try it here:

👉 https://gerador.wizapbot.com.br/gerador-artigos-seo.html

Why This Matters

For developers, automation is everything.

Instead of manually writing content for hours, AI can help generate drafts instantly, allowing you to focus on:

Improving your product

Building new features

Growing your audience

AI-generated content won't replace human creativity, but it dramatically speeds up the process.

Final Thoughts

AI tools are opening new possibilities for developers and creators. Automating content generation is just one example of how machine learning can improve productivity.

If you're building tools, apps, or SaaS products, integrating AI into your workflow might give you a serious advantage.