Este projeto usa o framework Agno para automatizar testes de um assistente de atendimento ao cliente ("Agente Alvo"). Um Team de agentes-persona simula conversas realistas, enquanto um agente juiz decide se cada objetivo foi alcançado com base em critérios de sucesso bem definidos.

.
├── agents/            # Definições de personas, coordenador e juiz
├── tools/             # Tool que encapsula o Agente Alvo (webhook)
├── test_results/      # Logs JSON gerados pelos testes (criado em runtime)
├── run_tests.py       # Script principal para executar todos os cenários
├── requirements.txt   # Dependências Python
├── .env.example       # Exemplo de variáveis de ambiente
├── .gitignore         # Arquivos a serem ignorados pelo Git
└── README.md          # Este documento

• Python ≥ 3.9
• Conta/endpoint do modelo que implementa o Agente Alvo exposto via webhook

python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install -r requirements.txt

1. Copie .env.example para .env.
2. Preencha:
   • TARGET_WEBHOOK_URL – URL do webhook do Agente Alvo.
   • (Opcional) OPENAI_API_KEY – se usar OpenAI para algo adicional.

python run_tests.py

O script:

1. Cria/limpa a pasta test_results/.
2. Executa 5 cenários de teste (João, Maria, Carlos, Ana, Sofia).
3. Salva um arquivo JSON de resultado por persona em test_results/.
4. Gera TEST_REPORT.md com um sumário tabular dos resultados.

Edite o array SCENARIOS em run_tests.py, definindo persona, initial_input e success_criteria.

Cada critério é uma string interpretada pelo Agno para decidir se o teste foi bem-sucedido. Exemplo:

"A resposta final do Agente Alvo deve conter a frase 'seu agendamento foi cancelado' e o número total de interações deve ser menor que 6."

1. Crie um fork ou branch.
2. Garanta que pre-commit, testes e flake8 passem (se configurados).
3. Abra um Pull Request descrevendo suas mudanças.

MIT