Como utilizei esta ferramenta de IA para criar um aplicativo com apenas um comando – e você também pode fazer isso

Você já sonhou em criar seu próprio aplicativo personalizado, mas não queria dedicar tempo ao complicado processo de aprendizado exigido pelo desenvolvimento de software? Se sim, um novo projeto experimental do GitHub pode ser a solução dos seus anseios.

O GitHub Spark permite que você desenvolva o que a empresa chama de “micro apps” ou “sparks”. Esses aplicativos são bastante simples e possuem limitações, realizando uma ou duas tarefas básicas. A criação é feita por meio de uma interface de chatbot, e ao concluir, você ganha um spark que poderá eventualmente compartilhar com seus amigos.

Recentemente, tive a oportunidade de acessar a versão de prévia e realizar alguns testes. No entanto, vale ressaltar que a ferramenta é bastante restrita. Apesar disso, por possuir uma inteligência artificial operando por trás das cenas, é possível conseguir um pouco da mágica sofisticada da IA dentro da interface bastante simplificada do Spark.

Para dar início, você precisa conectar sua conta do GitHub ao Spark. Acesse o link https://spark.githubnext.com/ e faça login com sua conta do GitHub. Caso ainda não possua uma conta, será necessário criar uma. Após o login, você deverá conceder permissões, o que é similar a qualquer outro aplicativo que exige autorização antes do uso inicial.

Uma vez dentro do ambiente Spark, você encontrará uma interface padrão de chatbot. Ao clicar no ícone do painel de controle, poderá escolher o modelo de IA desejado. Eu optei pelo GPT-4o, pois já tive boas experiências em codificação com ele.

Refletindo sobre que tipo de aplicativo eu gostaria de desenvolver, considerei algumas opções, como aplicativos para rastreamento de hábitos, controle de mesada, mapas e até um planejador de noites de karaokê. Todos esses aplicativos envolviam formas com campos e botões que realizavam alguma lógica de negócios com base nos dados inseridos. O diferencial, porém, era que a lógica de negócios não era gerida por um típico gerenciador de formulários, mas sim pelo GPT-4o. Pensei: e se a lógica que eu quisesse implementar fosse extremamente complexa para um algoritmo comum, mas simples para uma IA, encapsulada em uma interface bastante simples? Assim, decidi criar uma ferramenta que me permitiria colar um bloco de código e que me diria o que ele fazia, qual era a linguagem utilizada, observações sobre possíveis problemas e, talvez, uma análise detalhada das linhas de código. No passado, isso poderia ter sido um projeto milionário, mas eu apenas forneci ao Spark uma linha: “Uma ferramenta que examina e explica o código fonte”.

Depois disso, cliquei em “Ir”. O resultado foi a interface que aparece abaixo. À esquerda, há um painel que teoricamente permite iterar sobre o que o aplicativo fará. O painel do meio contém o código gerado a partir do pedido. Por fim, à direita, está a interface do usuário que o Spark criou para o aplicativo.

Resolvi testar a ferramenta inserindo um código de expressão regular com erros que usei em meus testes de programação, apenas para ver o que aconteceria. Como imaginei, o GPT-4o conseguiu analisar o trecho de código. No entanto, não encontrei o resultado tão útil quanto esperava, então decidi aprimorar o que a aplicação deveria oferecer.

As alterações são feitas no campo de iteração no painel mais à esquerda. Pedi ao GPT-4o que: identificasse a linguagem do código fonte, fornecesse uma descrição breve do que o código faz e adicionasse uma ou duas frases descrevendo eventuais falhas no código. Coloquei isso no Spark e esperei para ver o que aconteceria.

Os resultados foram impressionantes. O aplicativo realmente me deu as informações que eu desejava, todas visíveis no painel à direita da interface. Identificou a linguagem, ofereceu uma descrição breve do código e destacou diversos problemas.

Entretanto, a formatação não me agradou. Foi neste ponto que o Spark começou a mostrar suas limitações. Apesar de ter tentado remover os três asteriscos do início de cada resposta e transformar a seção de críticas em uma lista de marcadores, o Spark ou o GPT-4o não atenderam a esses pedidos. Presumi que o GPT-4o estivesse escrevendo em Markdown, mas a interface do Spark não pareceu processar corretamente esse formato.

Para ser sincero, tenho cerca de 20 capturas de tela documentando minhas várias tentativas de fazer o GPT-4o e o Spark ajustarem a apresentação. Fiquei muito impressionado por conseguir construir rapidamente um aplicativo que explicasse códigos, mas, por outro lado, frustrou-me não conseguir realizar algumas pequenas correções de apresentação que levariam poucos minutos se eu estivesse codificando diretamente.

Após desistir de ajustar a formatação da saída, reconheci que, mesmo com uma apresentação menos atraente, a ferramenta era útil, então decidi compartilhá-la com todos. Para isso, bastou clicar no ícone de compartilhamento ao lado do nome Spark e escolher a opção de compartilhar.

Infelizmente, você não pode acessar meu Spark a menos que tenha uma conta do GitHub e esteja inserido no programa de prévia do Spark. Ao tentar com outra conta, recebi uma mensagem informando que não poderia acessá-lo.

É importante considerar o impacto disso. Geradores de formulários sem codificação existem há anos e eu mesmo construí um nos primórdios dos anos 2000. A interface para esse tipo de ferramenta geralmente se resume à escolha dos controles (botões, menus suspensos, campos, entre outros) e seu posicionamento, o que torna o desenvolvimento relativamente simples. Apesar das limitações dos aplicativos baseados em formulários, é possível criar um bom leque de funcionalidades com eles. Esses aplicativos costumam estar mais relacionados à gestão de informações do que ferramentas produtivas ou altamente interativas, mas ainda assim, as empresas podem realizar muitas tarefas usando apenas um gerador de formulários.

A adição de inteligência artificial para gerenciar a lógica de negócios amplia significativamente a capacidade desses geradores, como o mostrou meu analisador de códigos. Porém, as IAs são notoriamente imprevisíveis, o que levanta a questão se é realmente prudente implementar lógicas de negócios críticas através de um algoritmo controlado por uma IA. Apesar disso, para um grande conjunto moderado de aplicações, essa abordagem pode ser suficientemente eficaz.

Por fim, o que me frustrou foi que toda modificação ou personalização realizada à maneira antiga era apagada com cada atualização da IA. O Spark demonstrou ter uma mentalidade rígida, recusando-se a realizar ajustes e modificações adicionais após construir a lógica básica. Isso, infelizmente, reduz a ferramenta a uma mera curiosidade, em vez de um recurso útil para os negócios. Contudo, essa dificuldade não é um problema complicado de resolver. Portanto, considerando a viabilidade de aprimorar as capacidades do gerador de formulários e de tornar as iterações e modificações mais eficazes, acredito que o GitHub Spark tem potencial para ser útil.

Gostaria de ver uma forma de coexistência entre códigos escritos por humanos e aqueles gerados pela IA. Além disso, seria interessante que os Sparks pudessem funcionar como aplicativos web autônomos sem que os usuários precisassem fazer parte da plataforma do GitHub. Essas expectativas são razoavelmente alcançáveis. No geral, o que se vislumbra é um potencial promissor, embora ainda esteja distante de se concretizar. Dentro de um ano ou mais, provavelmente será capaz de realizar tarefas interessantes. O que você acha? Você já teve a oportunidade de testar o GitHub Spark ou ainda aguarda a aceitação na prévia? Se já usou, qual tipo de aplicativo tentou criar e como foi sua experiência? Você ficou impressionado com a capacidade da IA em gerar lógicas ou frustrou-se com as limitações ao tentar fazer ajustes? Se ainda não utilizou o Spark, acha que ferramentas desse tipo poderiam mudar a forma como pessoas não programadoras abordam a criação de aplicativos?

Referência: https://zdnet.com/article/github-spark-your-github-ai-code-creator-has-arrived-in-preview/