Cenários em linguagem natural
Descreva o teste em linguagem simples. Sem seletores, sem page objects, sem código de teste para manter.
Escreva testes E2E em linguagem simples. Replay por $0.
O LLM planeja as ações do navegador uma vez. A partir da segunda execução, o Windup faz um replay determinístico com zero chamadas ao LLM — ~1 segundo, $0, resultados estáveis. Você edita cenários, não seletores.
$ npm i -D windupjs - Sem seletores, sem código de teste
- llm_calls=0 no replay
- Playwright por baixo dos panos
O problema
Testes E2E escritos à mão quebram toda vez que um seletor muda de lugar. Agentes de IA que dirigem o navegador em cada execução são lentos, não determinísticos e cobram uma chamada ao LLM por teste.
O Windup planeja uma vez e guarda em cache um plano de ações validado. Os replays são determinísticos e gratuitos. Quando o app muda e uma verificação falha, o plano é invalidado e replanejado automaticamente — autorreparável, não silenciosamente errado.
Como funciona
Planeje uma vez com o LLM, depois faça replay sem ele.
A parte cara — descobrir as ações do navegador — acontece uma única vez e é transformada em dados verificáveis em cache.
Tarefa em linguagem natural
→
PlanejadorLLM · 1 chamada
→
Plano de ações em JSON
→
Executor determinístico+ verificação barata
↓
Cache de trajetória
→
Próximas execuções: 0 LLM · ~1s · $0
- 1
Planejar (uma vez)
Uma tarefa em linguagem natural vai para o planejador. O LLM emite um plano de ações em JSON — uma chamada, apenas na primeira execução.
- 2
Executar + verificar
Um executor determinístico (Playwright) roda o plano. Pós-condições baratas de DOM/URL verificam cada ação — sem LLM.
- 3
Replay (grátis)
A trajetória fica em cache. Cada execução posterior faz replay dela: zero chamadas ao LLM, ~1 segundo, $0, o mesmo plano todas as vezes.
- Planos são dados, não código — JSON validado por schema — sem improviso em tempo de execução.
- Verificação sem LLM — Pós-condições checam DOM/URL em cada ação.
- Cache autorreparável — Uma verificação que falha invalida o plano → replaneja.
- Zero conhecimento do site embutido — O motor não sabe nada sobre o seu app de antemão.
Por que Windup
A confiabilidade dos scripts, a ergonomia da linguagem natural.
Scripts escritos à mão são baratos de rodar, mas caros de manter. Agentes de IA por execução são fáceis de escrever, mas lentos e não determinísticos. O Windup pega a metade boa de cada um.
| Dimensão | Scripts à mão | Agente de IA a cada execução | Windup |
|---|---|---|---|
| Autoria | Código + seletores | Linguagem natural | Linguagem natural |
| Custo por execução | $0 | LLM em cada execução | LLM apenas na 1ª execução |
| Velocidade | Rápido | Lento (modelo no loop) | ~1s replay |
| Determinismo | Alto | Baixo (improvisa) | Alto (mesmo plano toda vez) |
| App mudou | Você conserta o script | Pode fazer a coisa errada em silêncio | Verificação falha → replaneja |
Recursos
Tudo que um fluxo de QA precisa — menos os seletores.
Uma CLI feita para projetos reais: autoria, segredos, dependências, controle de custos e relatórios de CI.
Planeje uma vez, replay grátis
A partir da 2ª execução: llm_calls=0, ~1s, $0. O plano em cache roda igual todas as vezes.
Execução determinística
Playwright com eventos de entrada confiáveis (isTrusted) — cliques, digitação e navegação confiáveis.
Verificação barata
Pós-condições de DOM/URL checadas em cada ação, sem LLM no loop.
windup new
Autoria assistida por LLM: escreve o cenário a partir das telas reais do seu app (mapa do site) + manifesto do projeto. --validate roda e refina até passar.
windup scan
Indexa suas rotas e elementos direto do código-fonte (Next.js, react-router).
windup secret
Credenciais nunca entram no cenário, no cache, no prompt do LLM ou no git — apenas referências ENV:*, resolvidas em tempo de execução.
depends_on
Dependências entre cenários (ex.: "criar fatura" depende de "login") — mesma sessão, cache por dependência.
run --summary
A IA escreve um resumo pós-execução citando valores reais observados — preços, mensagens, confirmações.
run --suggest
Em caso de falha, a IA lê a página real e sugere a correção do seu cenário.
Relatórios de CI
JUnit, JSON e HTML autocontido (--reporter). Código de saída diferente de zero em qualquer falha.
Multi-provedor
Google Gemini e OpenAI, escolhidos por execução (--llm openai:gpt-5-mini). windup costs rastreia gastos por provedor e modelo.
run --concurrency
Roda cenários em paralelo em um único navegador aquecido compartilhado com contextos isolados — ~2× mais rápido em uma suíte mista, mais ainda com planejamento ou fluxos longos. Sequencial por padrão.
Multi-navegador
Rode os mesmos cenários no Chromium (padrão), Firefox ou WebKit com --browser. Um único plano faz replay nos três — escreva uma vez, rode em todos.
Exemplo
Um cenário é linguagem natural em JSON. Duas execuções contam a história toda.
Você escreve a intenção. A primeira execução planeja e paga uns décimos de centavo; toda execução depois dela é um replay do cache por $0.
checkout.json cenário
{
"scenario_id": "checkout",
"task": "Log in as the qa account, add 'Backpack' to the cart, check out and verify the order confirmation message appears."
} windup run checkout saída
$ windup run checkout # 1st run
PASS checkout cache=miss llm_calls=1 total=3003ms cost=$0.0024
$ windup run checkout # again — deterministic replay
PASS checkout cache=hit llm_calls=0 total=671ms cost=$0cache=hit · llm_calls=0 · $0 — a segunda execução nunca toca no modelo.
CI / CD
Coloque no seu pipeline. Códigos de saída e relatórios inclusos.
Rode a suíte inteira em um navegador aquecido, faça o build falhar em qualquer cenário que falhar e gere relatórios legíveis por máquina ou por humanos.
ci — uma linha bash
$ npx windup run --all --reporter junit \
--report-file reports/windup.xml- --all roda todos os cenários em um único navegador aquecido para a suíte inteira.
- --concurrency <n> roda cenários em paralelo (~2× mais rápido em uma suíte mista); --browser firefox|webkit para rodar multi-navegador.
- Código de saída diferente de zero quando qualquer cenário falha.
- --reporter junit|json|html; windup costs --json rastreia gasto com IA no pipeline.
Confiabilidade
Determinístico significa determinístico.
Os replays são medidos, não prometidos. O plano em cache produz o mesmo resultado em cada execução — sem modelo, sem instabilidade.
60/60
replays de cache aprovados
4 cenários × 15 replays — zero instabilidade
llm_calls=0
em cada replay
login · checkout de múltiplos passos · adicionar/remover · um 2º site
~$0.0025
por geração
modelo padrão, gemini-3.1-flash-lite
106 routes
dogfood em produção
rodado contra um app real de produção
Começar
Cinco comandos do zero a um teste com replay.
Node ≥ 20 e uma chave de API — GOOGLE_GENERATIVE_AI_API_KEY (Google, padrão) ou OPENAI_API_KEY (OpenAI) — em .env.local. As chaves são usadas apenas para planejar; replays do cache nunca chamam um LLM.
$ npm i -D windupjs $ npx windup init $ npx windup scan $ npx windup new "log in and create an invoice for ACME" $ npx windup run checkout Node ≥ 20Google Gemini ou OpenAIPlaywright incluídoMIT
Para a era da IA
Deixe sua IA montar os testes.
Ninguém lê documentação mais — todo mundo entrega para um assistente. Por isso o Windup traz um llms.txt: toda a documentação, estruturada para máquinas. Aponte seu agente de código para ele, descreva os fluxos em palavras simples e ele escreve e roda os cenários por você.
1
Dê a documentação à sua IA
Cole esta URL no seu assistente (Claude, Cursor, Copilot, …).
https://windup.run/pt/llms.txt 2
Descreva o que testar
Um prompt inicial pronto para colar — preencha com seus fluxos.
Leia https://windup.run/pt/llms.txt e configure testes E2E do Windup para o meu app, depois escreva cenários para estes fluxos: ... llms-full.txt — toda a documentação em um só arquivo · markdown por página em /pt/docs/<page>.md · o padrão llms.txt