Patrones de fiabilidad de agentes
Obtenga más información acerca de la fiabilidad bien arquitectónica → Fiabilidad empresarial auténtica
Patrones
| Dónde buscar | Qué buen aspecto tiene |
|---|---|
| Plataforma | Caché de plataforma | ✅ Implemente disyuntores que realizan un seguimiento del estado del servicio LLM en Caché de plataforma para lecturas en tiempo real de baja latencia, respaldados por Tipos de metadatos personalizados para umbrales y configuración; como Caché de plataforma es el mejor esfuerzo, mantenga el estado abierto/activado en un establecimiento duradero (como un Objeto personalizado) en vez de en el caché solo. Abra el circuito en un umbral de fallo sintonizado (por ejemplo, cinco fallos de inferencia consecutivos) y enrute a patrones de reserva |
| Plataforma | Caché de plataforma | ✅ Almacenar esquemas de respuesta validados en Caché de plataforma permitiendo una validación rápida de respuestas de agentes frente a la estructura esperada |
| Agentforce | Plantilla de solicitud | ✅ Cuando falla la validación de la respuesta, reinténtelo con solicitudes refinadas incluyendo el error de validación y un ejemplo de estructura correcta (máximo de 3-5 reintentos) |
| Agentforce | Rastreo de sesiones | ✅ Utilizar trazas de razonamiento de Rastreo de sesiones Agentforce para inspeccionar la ruta de razonamiento del agente y detectar alucinaciones en sus salidas |
| Data 360 | Búsqueda vectorial | ✅ Requerir a los agentes citar orígenes de búsqueda vectorial de Data 360 de modo que se pueda hacer referencia cruzada a las reclamaciones con orígenes recuperados antes de la ejecución de la acción |
| Plataforma | Proactive Monitoring | ✅ Para cuentas con la asignación Signature Success, confíe en Proactive Monitoring, donde el personal de Salesforce supervisa la organización en busca de problemas emergentes; no es una alerta configurable de autoservicio |
| Plataforma | Scale Center | ✅ Utilizar Scale Center para identificar operaciones de agentes específicas que se acercan a límites reguladores |
| Agentforce | Acción | ✅ Implementar paginación en acciones de agentes recuperando grandes colecciones de registros |
| Agentforce | Acción | ✅ Diseñar acciones de agentes con límites estrictos (máximo de 200 hijos por principal) e implementar estrategias de muestreo cuando se superan los límites |
Antipatrones
| Dónde buscar | Aspecto negativo |
|---|---|
| Plataforma | Tipos de metadatos personalizados | ⚠️ Permitir reintentos de inferencia ilimitados sin un disyuntor, creando bucles de reintento infinitos cuando se degrada el servicio LLM |
| Agentforce | Plantilla de solicitud | ⚠️ Reintentar respuestas de agentes fallidas sin incluir el error de validación y la estructura esperada en la solicitud de reintento |
| Agentforce | Acción | ⚠️ Permitir a los agentes solicitar contexto sin límites (p. ej., “todo el historial”) sin límites estrictos en secundarios por registro principal |
| Agentforce | Acción | ⚠️ Diseñar acciones de agentes que recuperan grandes colecciones de registros sin paginación, causando picos de límite regulador |
| Einstein | Capa de Trust | ⚠️ Respuestas de agentes de confianza sin hacer referencia cruzada a reclamaciones en orígenes de datos de fundamentación, permitiendo que las alucinaciones alcancen la ejecución de acciones |
| Plataforma | Organización | ⚠️ Tratar la disponibilidad del servicio LLM como idéntica a la disponibilidad de la plataforma Salesforce en vez de supervisarla como una dependencia separada |
Patrones
| Dónde buscar | Qué buen aspecto tiene |
|---|---|
| Agentforce | Configuración de agentes | ✅ Diseñar cadenas de reserva de múltiples niveles: agente de contexto completo → agente de contexto reducido → motor de reglas determinista → traspaso humano a través de OmniCanal |
| Agentforce | Configuración de agentes | ✅ Configure un agente secundario utilizando contexto condensado (últimos 30 días frente a todo el historial, 5 resultados de búsqueda de vectores principales frente a 20 principales) para reducir la probabilidad de fallo |
| Plataforma | Flujo | ✅ Implementar lógica de reserva en Flujo de orquestación o Apex desencadenado por Eventos de plataforma, registrando qué nivel tuvo éxito para la visibilidad en patrones de fallo |
| Plataforma | Flujo | ✅ Construir flujo determinista o lógica Apex gestionando escenarios comunes como reserva cuando falla el razonamiento de agentes (por ejemplo, reglas de validación estándar, cálculo de puntuación basado en reglas) |
| Agentforce | OmniCanal | ✅ Configurar el enrutamiento basado en habilidades para traspaso humano garantizando que las distribuciones alcancen la experiencia apropiada |
| Agentforce | OmniCanal | ✅ Pasar el contexto de conversación completo a la cola humana incluyendo estrategias de intento, puntuaciones de confianza de agentes y motivos de fallo |
Antipatrones
| Dónde buscar | Aspecto negativo |
|---|---|
| Agentforce | Configuración de agentes | ⚠️ Diseñar agentes con una única ruta de ejecución que falla completamente cuando cualquier componente se degrada |
| Agentforce | Configuración de agentes | ⚠️ Uso de la misma configuración de agente de contexto completo para intentos de reserva en vez de simplificar progresivamente el contexto |
| Agentforce | OmniCanal | ⚠️ Enrutamiento a traspaso humano sin pasar por contexto de conversación, estrategias de intento o motivos de fallo, forzando al agente a empezar desde cero |
| Plataforma | Flujo | ⚠️ No registrar qué nivel de reserva se realizó con éxito, perdiendo visibilidad en patrones de fallo y eficacia de reserva |
Patrones
| Dónde buscar | Qué buen aspecto tiene |
|---|---|
| Plataforma | Eventos de plataforma | ✅ Publicar eventos de punto de control después de cada paso correcto en flujos de trabajo de agentes de múltiples pasos, almacenando Id. de correlación, pasos completados y estado necesario para la continuación en la carga de evento |
| Plataforma | Eventos de plataforma | ✅ Diseñar flujos de trabajo de agentes como cadenas de eventos acopladas libremente donde cada agente puede fallar y reintentarlo de forma independiente sin bloquear todo el flujo de trabajo |
| Plataforma | Eventos de plataforma | ✅ Implementar colas de reintento con retrasos de retroceso exponenciales (30 s, 2 min, 8 min, 30 min) utilizando Eventos de plataforma con recuento de reintentos en carga |
| Plataforma | Eventos de plataforma | ✅ Enrutar a cola de letra muerta y operaciones de alerta después de agotar el máximo de reintentos (normalmente 5) |
| Plataforma | Eventos de plataforma | ✅ Incluya el Id. de correlación en todos los eventos relacionados; utilice la API de reproducción de eventos de plataforma para reconstruir el historial de flujos de trabajo completo para la depuración |
| Plataforma | Eventos de plataforma | ✅ Aproveche el plazo de retención de reproducción de 72 horas disponible para eventos de plataforma de gran volumen (los eventos de volumen estándar se mantienen durante 24 horas) para preservar colas de reintento a través de plazos de mantenimiento de la organización o tiempo de inactividad de implementación |
Antipatrones
| Dónde buscar | Aspecto negativo |
|---|---|
| Plataforma | Eventos de plataforma | ⚠️ Creación de flujos de trabajo de agentes de múltiples pasos sin puntos de control, lo que requiere una nueva ejecución completa cuando falla cualquier paso intermedio |
| Plataforma | Eventos de plataforma | ⚠️ Reintentar solicitudes de agentes fallidas sin retroceso exponencial, creando efectos de rebaño de truenos en la recuperación de servicios |
| Plataforma | Eventos de plataforma | ⚠️ Diseño de flujos de trabajo secuenciales estrechamente acoplados donde un fallo de agente único bloquea todo el procesamiento descendente |
| Plataforma | Eventos de plataforma | ⚠️ Omitir los Id. de correlación de los eventos, lo que imposibilita el seguimiento y la depuración de la ejecución completa del flujo de trabajo |
| Plataforma | Eventos de plataforma | ⚠️ Reintentar indefinidamente sin un recuento máximo de reintentos o cola de letra muerta, consumiendo recursos de plataforma en operaciones con fallos permanentes |
Patrones
| Dónde buscar | Qué buen aspecto tiene |
|---|---|
| Plataforma | Apex | ✅ Utilice Apex por lotes para operaciones de agentes que analizan más de 1.000 registros, aprovechando límites reguladores asíncronos (200 consultas SOQL, 150 operaciones DML, CPU de 60 s por ejecución) |
| Plataforma | Apex | ✅ Utilice cadenas Apex en cola para flujos de trabajo de agentes de múltiples pasos que requieren múltiples llamadas de API externas o tiempo de procesamiento ampliado; realice un seguimiento del progreso en objetos personalizados que permiten reanudar al producirse fallos |
| Plataforma | Apex | ✅ Utilice métodos @future para operaciones de agentes de disparo y olvido ligeras (notificaciones, registros externos, actualizaciones no urgentes) donde el fallo es tolerable |
| Plataforma | Apex Jobs | ✅ Supervisar la capacidad de procesamiento asíncrono a través de la página Trabajos Apex (Configuración → Trabajos Apex) y la cola flexible Apex: máximo 5 trabajos por lotes simultáneos (cola de trabajos adicionales en la cola Flex, hasta 100 en estado Espera) y el límite diario de toda la organización en ejecuciones asíncronas de Apex (DailyAsyncApexExecutions) —el mayor de 250 000 o 200 × el número de licencias de usuario por 24 horas— compartido entre Batch, Queueable, Future y Apex programado |
| Plataforma | Organización | ✅ Alerta cuando el consumo asíncrono se acerca a límites que activan la gestión de capacidad proactiva antes de que se bloquee el procesamiento de agentes |
Antipatrones
| Dónde buscar | Aspecto negativo |
|---|---|
| Plataforma | Apex | ⚠️ Procesando más de 1.000 registros en transacciones de agentes síncronas en vez de pasar a Batch Apex, alcanzando el límite de 100 consultas SOQL después de solo unos pocos registros |
| Plataforma | Apex | ⚠️ Uso de cadenas en cola sin realizar un seguimiento del progreso en objetos personalizados, evitando la capacidad de reanudación de fallos |
| Plataforma | Organización | ⚠️ No supervisar el límite de 5 trabajos por lotes simultáneos o el límite de ejecución de Apex asíncrono diario compartido (DailyAsyncApexExecutions: la mayor de 250 000 o 200 licencias de usuario × por 24 horas, en Batch, Queueable, Future y Apex programado), lo que provoca que el procesamiento de agentes se ponga en cola o falle silenciosamente |
Patrones
| Dónde buscar | Qué buen aspecto tiene |
|---|---|
| Plataforma | Organización | ✅ Cargue el rendimiento de agentes de prueba en Sandbox de copia completa con volúmenes de datos a escala de producción; simule conversaciones simultáneas que coincidan con picos de demanda |
| Plataforma | Organización | ✅ Medir la latencia p95 y p99 bajo carga identificando la degradación del rendimiento bajo tensión; validar el límite regulador de consumo se mantiene por debajo de umbrales en carga máxima |
| Agentforce | Configuración de agentes | ✅ Realizar inyección de fallo: simular fallos de inferencia LLM en la capa de servicio que supervisa su disyuntor, inyectar excepciones SOQL, probar gestión de errores, respuestas dañadas, probar lógica de validación |
| Agentforce | Configuración de agentes | ✅ Introducir el sesgo de datos (cuentas con más de 10.000 hijos) durante las pruebas para validar la lógica de paginación gestiona los peores escenarios |
| Plataforma | Eventos de plataforma | ✅ Realizar ingeniería del caos: desactivar aleatoriamente suscriptores de Eventos de plataforma que prueban la recuperación de repeticiones, finalizar trabajos asíncronos reinicio de punto de control de pruebas a mitad de ejecución |
| Plataforma | Organización | ✅ Programar días de caos regulares en entornos de organización manteniendo la resiliencia a medida que evolucionan los agentes |
| Plataforma | Organización | ✅ Ejecutar pruebas de estabilidad de larga duración (más de 72 horas) supervisando fallos dependientes del tiempo: acumulando errores y degradando gradualmente el rendimiento |
| Plataforma | Organización | ✅ Realizar un seguimiento de tendencias de tiempo de CPU y consumo de pila durante periodos prolongados detectando degradación gradual en la gestión de contexto |
Antipatrones
| Dónde buscar | Aspecto negativo |
|---|---|
| Plataforma | Organización | ⚠️ Pruebas de carga en Sandbox de copia parcial con volúmenes de datos reducidos, proporcionando confianza engañosa ya que el volumen de datos afecta directamente al rendimiento de los agentes |
| Agentforce | Configuración de agentes | ⚠️ Probar solo rutas felices sin introducir deliberadamente fallos para validar disyuntores, lógica de reintento y gestión de tiempo de espera |
| Plataforma | Organización | ⚠️ Ejecución de pruebas de corta duración únicamente, fallos dependientes del tiempo que faltan (errores de acumulación, degradación gradual) que aparecen solo bajo operación sostenida de más de 72 horas |
| Plataforma | Eventos de plataforma | ⚠️ Nunca probar la recuperación de reproducción de Eventos de plataforma o el reinicio de puntos de control, dejando mecanismos de resiliencia sin validar |
Patrones
| Dónde buscar | Qué buen aspecto tiene |
|---|---|
| Negocio | Documentación | ✅ Establecer SLO antes de crear agentes, no después de fallos de producción; definir objetivos de índice de éxito de conversación (normalmente 95-99%) por tipo de agente |
| Plataforma | Organización | ✅ Realizar un seguimiento del índice de éxito de conversaciones como medición de fiabilidad de agentes principal: porcentaje de conversaciones que se completan sin errores ni tiempos de espera. Cuenta una transferencia elegante a un humano como un éxito, ya que la distribución es el nivel de reserva final diseñado; cuenta solo las distribuciones fallidas o no intencionadas en la medición |
| Plataforma | Organización | ✅ Realizar un seguimiento del índice de éxito por separado por tipo de agente y caso de uso ya que los criterios de éxito varían entre fines de agentes |
| Plataforma | Organización | ✅ Calcular el tiempo medio entre fallos (MTBF) por tipo de agente para identificar agentes menos fiables que requieren inversión de optimización |
| Plataforma | Organización | ✅ Medir el tiempo medio de recuperación (MTTR); automatizar la recuperación a través de la reproducción de eventos de plataforma e interruptores para una recuperación mucho más rápida y menos propensa a errores que la intervención manual |
| Einstein | Capa de Trust | ✅ Muestra de respuestas de agentes aleatorios que validan reclamaciones en orígenes de Data 360 para medir la precisión de fundamentación; investigar cuando la precisión cae por debajo del 95% |
| Plataforma | Eventos de plataforma | ✅ Supervisar brechas de reproducción de eventos de plataforma (eventos perdidos o no entregados) a través de un patrón de registro del lado del suscriptor que registra el Id. de repetición y correlación de cada evento en un objeto personalizado |
| Plataforma | Organización | ✅ Operaciones de alerta cuando cualquier SLI cae por debajo de su umbral de SLO definido |
Antipatrones
| Dónde buscar | Aspecto negativo |
|---|---|
| Negocio | Documentación | ⚠️ Construir agentes sin definir primero los SLO, solo estableciendo objetivos de fiabilidad después de que se produzcan fallos de producción |
| Plataforma | Organización | ⚠️ Uso de un índice de éxito agregado único entre todos los tipos de agentes en vez de realizar un seguimiento por separado por tipo de agente y caso de uso |
| Plataforma | Organización | ⚠️ Confiar únicamente en la supervisión tradicional de Salesforce (trust.salesforce.com) sin realizar un seguimiento de SLI específicas de agentes como índice de éxito de conversación, MTBF, MTTR y precisión de fundamentación |
| Plataforma | Organización | ⚠️ Requerir intervención manual para todos los fallos de agentes en vez de automatizar la recuperación con reproducción de eventos de plataforma e interruptores |
| Einstein | Capa de Trust | ⚠️ Nunca muestree respuestas de agentes para la validación de precisión de fundamentación, permitiendo que las alucinaciones no se detecten en producción |
Patrones
| Dónde buscar | Qué buen aspecto tiene |
|---|---|
| Agentforce | Configuración de agentes | ✅ Diseñar patrones de reintento, cadenas de reserva y umbrales de distribución en flujos de trabajo de agentes desde el diseño inicial, no como ideas posteriores |
| Agentforce | Acción | ✅ Preparación de contexto masiva y paginar grandes colecciones de registros en acciones de agentes |
| Plataforma | Caché de plataforma | ✅ Almacenamiento en caché de datos de referencia a los que se accede con frecuencia en Caché de plataforma reduciendo las consultas redundantes durante la preparación del contexto de agentes |
| Plataforma | Scale Center | ✅ Utilizar Scale Center para identificar operaciones de agentes que requieren optimización |
| Plataforma | Eventos de plataforma | ✅ Diseñar flujos de trabajo de recuperación automática utilizando Eventos de plataforma como colas de reintento duraderas con disyuntores que protegen dependencias externas |
| Agentforce | Configuración de agentes | ✅ Incluya siempre la transferencia humana como reserva final en la cadena de degradación de cada agente |
| Plataforma | Organización | ✅ Supervisar los SLI de agentes alertando continuamente cuando las mediciones caen por debajo de los SLO |
| Agentforce | Configuración de agentes | ✅ Equilibre la capacidad autónoma con la supervisión apropiada: permitir la recuperación automática de fallos transitorios mientras se distribuye cuando la confianza disminuye o surgen casos extremos |
Antipatrones
| Dónde buscar | Aspecto negativo |
|---|---|
| Agentforce | Configuración de agentes | ⚠️ Agregar mecanismos de fiabilidad (reintento, reserva, distribución) como ideas posteriores en vez de diseñarlos desde el principio |
| Agentforce | Acción | ⚠️ No masificar la preparación de contexto, causando fallos de límite regulador bajo patrones de consulta reales |
| Plataforma | Organización | ⚠️ No supervisar el consumo de API y la asignación de eventos de plataforma de forma proactiva, descubriendo límites solo cuando fallan los agentes |
| Agentforce | Configuración de agentes | ⚠️ Diseño de cadenas de agentes sin una transferencia humana como reserva final, sin dejar ruta de recuperación cuando se agotan todas las opciones automatizadas |
| Agentforce | Configuración de agentes | ⚠️ Otorgar a los agentes una operación completamente autónoma sin umbrales de distribución para situaciones de baja confianza o casos extremos |