Assistente de Código de IA Potencializa Mocks GraphQL na Expedia, Airbnb

Um assistente de código de IA avançado está agora na vanguarda do desenvolvimento GraphQL em grandes empresas de tecnologia, com o Expedia Group e o Airbnb implementando grandes modelos de linguagem (LLMs) para gerar respostas mock GraphQL. Esta inovação aumenta significativamente a produtividade do desenvolvedor ao automatizar a criação de dados realistas para testes de API e desenvolvimento frontend, mesmo quando os serviços de backend estão incompletos.

• O Expedia Group tornou open-source o mockql-rs, uma CLI em Rust que utiliza LLMs para geração de mocks GraphQL sob demanda.
• Essa abordagem permite que Desenvolvedores de Software combinem dados de backend em tempo real com dados mock gerados por IA dentro de uma única resposta GraphQL.
• O Airbnb introduziu anteriormente uma diretiva @generateMock em tempo de build, mostrando diversas estratégias para integrar IA em fluxos de trabalho de desenvolvimento.
• A premissa central é que os esquemas GraphQL fornecem uma “forma” estruturada que os LLMs são excelentes em “preencher”, reduzindo drasticamente a criação manual de fixtures de dados.

Assistente de Código de IA Otimiza a Criação de Mocks GraphQL para Desenvolvedores

O cenário das ferramentas de IA para desenvolvedores continua a se expandir, com um avanço notável na forma como os Desenvolvedores de Software lidam com o desenvolvimento de APIs GraphQL. O Expedia Group revelou recentemente o mockql-rs, uma interface de linha de comando (CLI) de código aberto construída em Rust, projetada para gerar respostas mock GraphQL usando grandes modelos de linguagem no momento de uma requisição. Isso marca um passo significativo na IA de codificação, abordando um problema de longa data para os desenvolvedores: a criação e manutenção de dados mock para APIs em evolução.

Para os Desenvolvedores de Software, o apelo deste assistente de código de IA é claro. O desenvolvimento tradicional frequentemente envolve a criação manual de extensos fixtures JSON para simular respostas de API, um processo que não é apenas demorado, mas também propenso a se tornar obsoleto a cada mudança de esquema. Samuel Vazquez, engenheiro de software do Expedia Group, destaca que os modelos de IA generativa, embora ruins em inventar estruturas inteiramente novas, são excepcionalmente bons em preencher as existentes. Um esquema GraphQL fornece essa estrutura precisa e delimitada, permitindo que a IA a preencha com dados relevantes e realistas.

Como o mockql-rs da Expedia Aumenta a Produtividade do Desenvolvedor

O mockql-rs da Expedia opera como um intermediário, posicionado entre a aplicação cliente e o servidor de backend. Os Desenvolvedores de Software podem anotar campos específicos dentro de suas queries GraphQL com uma diretiva @mock, opcionalmente fornecendo uma dica para guiar a geração da IA. A ferramenta então analisa e valida inteligentemente a operação contra o esquema, utilizando ferramentas como o apollo-compiler.

Crucialmente, o mockql-rs distingue entre campos mock anotados e campos reais. Ele encaminha as requisições de dados reais para o backend real, enquanto simultaneamente solicita ao LLM a operação e um subconjunto relevante do esquema para os campos mock. O resultado é uma resposta perfeitamente mesclada onde dados de backend em tempo real coexistem com dados gerados por IA. Essa capacidade significa que um desenvolvedor pode receber uma única resposta abrangente contendo detalhes de propriedades reais de um backend, juntamente com recomendações geradas para um recurso cujo resolver ainda não foi construído, acelerando significativamente os ciclos de iteração e a produtividade geral da IA para desenvolvedores.

A decisão da Expedia de implementar isso como uma CLI foi estratégica, garantindo ampla acessibilidade. Qualquer test runner, job de integração contínua (CI) ou script de build pode executar facilmente o processo, evitando dependências complexas de SDK ou bibliotecas cliente. Essa escolha de design o torna uma adição versátil ao conjunto de ferramentas de um Desenvolvedor de Software, potencialmente rivalizando com a utilidade de outras ferramentas de geração de código de IA ao focar em um problema específico e de alto valor.

Abordagens Divergentes para Mocks GraphQL Alimentados por IA

Embora o mockql-rs do Expedia Group represente uma solução em tempo de execução, não é a única abordagem impulsionada por IA para a criação de mocks GraphQL. O Airbnb, por exemplo, introduziu sua própria diretiva @generateMock em abril, que opera em tempo de build. O método do Airbnb envolve o processamento da diretiva durante a geração de código, produzindo tanto um arquivo JSON de dados mock quanto funções acessoras tipadas. Essa saída é então usada para aplicações de demonstração, testes de snapshot e testes unitários, com o gerador preservando inteligentemente as edições manuais em execuções subsequentes.

Ilustrando ainda mais as diferentes perspectivas, a GraphQL Foundation também abriu um RFC (Request for Comments) em fevereiro, propondo um terceiro design distinto. Este RFC define uma diretiva @mock no nível da operação, em vez de em campos individuais, permitindo a seleção de respostas mock nomeadas. Um requisito chave do RFC é que um cliente em conformidade deve retornar um mock sem iniciar qualquer requisição de rede, com as respostas mock residindo em um diretório dedicado __graphql_mocks__. Essas três implementações distintas, apesar de compartilharem um objetivo comum, destacam a exploração contínua dentro da comunidade de desenvolvedores sobre a melhor forma de integrar a geração de código de IA em fluxos de trabalho GraphQL, apresentando aos Desenvolvedores de Software diferentes opções a serem consideradas.

Qual é o Impacto Mais Amplo nas Ferramentas de IA para Desenvolvedores?

O surgimento dessas soluções de mocking GraphQL alimentadas por LLMs de líderes da indústria como Expedia e Airbnb ressalta uma tendência crescente em ferramentas de IA para desenvolvedores. Esta aplicação especializada da tecnologia de assistente de código de IA demonstra como grandes modelos de linguagem estão indo além da conclusão geral de código, como a oferecida pelo GitHub Copilot ou Tabnine, para papéis mais específicos de domínio e que aprimoram o fluxo de trabalho. Para os Desenvolvedores de Software, isso significa menos tempo gasto em código boilerplate e mais foco na lógica central e na inovação.

Este desenvolvimento também pode influenciar a evolução de outras soluções de IA de codificação e alternativas ao GitHub Copilot. À medida que os modelos de IA se tornam mais hábeis em compreender e manipular dados estruturados com base em esquemas, podemos ver capacidades de geração inteligente semelhantes aplicadas a outras especificações de API ou modelos de dados. A capacidade de gerar dados realistas e conscientes do contexto sob demanda representa um salto significativo para a produtividade da IA para desenvolvedores, potencialmente reduzindo o tempo de depuração e acelerando a entrega de novos recursos. Os Desenvolvedores de Software estão ganhando aliados poderosos em suas tarefas diárias, transformando a forma como as aplicações são construídas e testadas.

Uma lição prática para os Desenvolvedores de Software é explorar como a integração de ferramentas de geração de mocks impulsionadas por IA pode reduzir drasticamente a configuração manual de dados, permitindo uma iteração mais rápida e testes mais robustos de componentes frontend, mesmo na ausência de serviços de backend totalmente implementados. Essa mudança capacita as equipes a desenvolver em paralelo de forma mais eficaz.