Patrones de fiabilidad de agentes
Obtenga más información acerca de la fiabilidad bien arquitectónica → Fiabilidad de compañía
Patrones
| Dónde buscar | Qué 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, respaldadas por Tipos de metadatos personalizados para umbrales y configuración; como Caché de plataforma es el mejor esfuerzo, mantenga el estado abierto/disparado en un establecimiento duradero (como un Objeto personalizado) en vez de la caché sola. 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 ajustadas incluyendo el error de validación y un ejemplo de estructura correcta (máximo de 3-5 reintentos) |
| Agentforce | Rastreo de sesiones | ✅ Utilizar rastreos de razonamiento de sesiones Agentforce para inspeccionar la ruta de razonamiento del agente y detectar alucinaciones en sus resultados |
| Data 360 | Búsqueda vectorial | ✅ Requerir que los agentes citen orígenes de búsqueda vectorial de Data 360 de modo que se pueda hacer referencia cruzada a reclamaciones con orígenes recuperados antes de la ejecución de acciones |
| Plataforma | Proactive Monitoring | ✅ Para cuentas con la asignación Signature Success, confíe en Proactive Monitoring, donde el personal de Salesforce monitorea la organización para 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 recopilaciones de registros |
| Agentforce | Acción | ✅ Diseñar acciones de agentes con límites estrictos (máximo 200 secundarios 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 ilimitado (por ejemplo, “todo el historial”) sin límites estrictos en los registros secundarios por registro principal |
| Agentforce | Acción | ⚠️ Diseño de acciones de agentes que recuperan grandes recopilaciones de registros sin paginación, causando picos de límite regulador |
| Einstein | Capa de Trust | ⚠️ Respuestas de agentes de confianza sin referencias cruzadas de reclamaciones con 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 monitorearla como una dependencia separada |
Patrones
| Dónde buscar | Qué aspecto tiene |
|---|---|
| Agentforce | Configuración de agente | ✅ 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 agente | ✅ Configurar 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 puntuaje basado en reglas) |
| Agentforce | OmniCanal | ✅ Configurar el enrutamiento basado en habilidades para transferencia humana garantizando que las distribuciones alcanzan la experiencia apropiada |
| Agentforce | OmniCanal | ✅ Pasar contexto de plática completo a cola humana incluyendo estrategias intentadas, puntuajes de confianza de agentes y motivos de fallo |
Antipatrones
| Dónde buscar | Aspecto negativo |
|---|---|
| Agentforce | Configuración de agente | ⚠️ Diseño de agentes con una única ruta de ejecución que falla completamente cuando cualquier componente se degrada |
| Agentforce | Configuración de agente | ⚠️ 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 plática, estrategias de intento o motivos de fallo, forzando al agente a empezar desde cero |
| Plataforma | Flujo | ⚠️ No registrar qué nivel de reserva se realizó correctamente, perdiendo visibilidad en patrones de fallo y efectividad de reserva |
Patrones
| Dónde buscar | Qué 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 el Id. de correlación, los pasos completados y el 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 el flujo de trabajo completo |
| 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 conteo de reintentos en la carga |
| Plataforma | Eventos de plataforma | ✅ Enrutar a operaciones de alerta y cola de letra muerta 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 reejecución completa cuando falla cualquier paso intermedio |
| Plataforma | Eventos de plataforma | ⚠️ Reintentar solicitudes de agentes fallidas sin retroceso exponencial, creando efectos de rebaño atronador 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 eventos, lo que hace imposible rastrear y depurar la ejecución del flujo de trabajo completo |
| Plataforma | Eventos de plataforma | ⚠️ Reintentar indefinidamente sin un conteo máximo de reintentos o cola de letra muerta, consumiendo recursos de plataforma en operaciones con fallos permanentes |
Patrones
| Dónde buscar | Qué aspecto tiene |
|---|---|
| Plataforma | Apex | ✅ Utilizar 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 | ✅ Utilizar cadenas Apex colocables en cola para flujos de trabajo de agentes de múltiples pasos que requieren múltiples llamadas de API externas o tiempo de procesamiento ampliado; realizar un seguimiento del progreso en objetos personalizados que permiten reanudar en caso de fallo |
| Plataforma | Apex | ✅ Utilice métodos @future para operaciones de agentes de disparo y olvido ligeras (notificaciones, registro externo, actualizaciones no urgentes) donde el fallo es tolerable |
| Plataforma | Apex Jobs | ✅ Monitorear la capacidad de procesamiento asíncrono a través de la página Trabajos Apex (Configuración → Trabajos Apex) y la cola flexible Apex: máximo de 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 — compartidas entre Apex por lotes, colocables en cola, Futuras y Programadas |
| Plataforma | Organización | ✅ Alertar 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 | ⚠️ Procesamiento de más de 1.000 registros en transacciones de agentes síncronas en vez de pasar a Apex por lotes, alcanzando el límite de 100 consultas SOQL tras solo unos registros |
| Plataforma | Apex | ⚠️ Uso de cadenas colocables en cola sin realizar un seguimiento del progreso en objetos personalizados, evitando la capacidad de reanudación en caso de fallo |
| Plataforma | Organización | ⚠️ No monitorear 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 Apex por lotes, colocable en cola, Futuro y programado), causando que el procesamiento de agentes se ponga en cola silenciosamente o falle |
Patrones
| Dónde buscar | Qué aspecto tiene |
|---|---|
| Plataforma | Organización | ✅ Cargar el desempeño de agentes de prueba en Sandbox de copia completa con volúmenes de datos a escala de producción; simular pláticas simultáneas que coinciden con picos de demanda |
| Plataforma | Organización | ✅ Medir la latencia p95 y p99 bajo carga identificando la degradación del desempeño bajo tensión; validar el consumo límite regulador permanece por debajo de umbrales en carga máxima |
| Agentforce | Configuración de agente | ✅ Realizar inyección de fallo: simular fallos de inferencia LLM en la capa de servicio que monitorea su disyuntor, inyectar excepciones SOQL, probar la gestión de errores, respuestas dañadas, probar la lógica de validación |
| Agentforce | Configuración de agente | ✅ Introducir sesgo de datos (cuentas con más de 10.000 hijos) durante las pruebas para validar la lógica de paginación gestiona los escenarios más desfavorables |
| Plataforma | Eventos de plataforma | ✅ Realizar ingeniería de caos: desactivar aleatoriamente suscriptores de Eventos de plataforma que prueban la recuperación de repeticiones, terminar trabajos asíncronos a mitad de ejecución probando el reinicio de puntos de control |
| Plataforma | Organización | ✅ Programar días de caos regulares en entornos de organización manteniendo la resiliencia a medida que evolucionan los agentes |
| Plataforma | Organización | ✅ Ejecute pruebas de estabilidad de larga duración (más de 72 horas) monitoreando fallos dependientes del tiempo: acumulando errores y degradando gradualmente el desempeño |
| 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 | ⚠️ Cargar pruebas en Sandbox de copia parcial con volúmenes de datos reducidos, proporcionando confianza engañosa ya que el volumen de datos afecta directamente al desempeño de los agentes |
| Agentforce | Configuración de agente | ⚠️ Probar solo rutas felices sin introducir deliberadamente fallos para validar disyuntores, reintentar lógica y gestión de tiempo de espera |
| Plataforma | Organización | ⚠️ Ejecución de pruebas de corta duración únicamente, faltan fallos dependientes del tiempo (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 aspecto tiene |
|---|---|
| Negocio | Documentación | ✅ Establecer SLO antes de crear agentes, no después de fallos de producción; definir objetivos de índice de éxito de plática (normalmente 95-99%) por tipo de agente |
| Plataforma | Organización | ✅ Realizar un seguimiento del índice de éxito de pláticas como medición de fiabilidad de agente principal: porcentaje de pláticas que se completan sin errores ni tiempos de espera. Cuente una transferencia elegante a un humano como un éxito, ya que la distribución es el nivel de reserva final diseñado; cuente 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 hasta la recuperación (MTTR); automatice la recuperación a través de la reproducción de eventos de plataforma y disyuntores 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 validando reclamaciones en orígenes de Data 360 para medir la precisión de la fundamentación; investigar cuándo la precisión cae por debajo del 95% |
| Plataforma | Eventos de plataforma | ✅ Monitorear 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 | ✅ Alertar operaciones cuando cualquier SLI cae por debajo de su umbral de SLO definido |
Antipatrones
| Dónde buscar | Aspecto negativo |
|---|---|
| Negocio | Documentación | ⚠️ Construir agentes sin definir los SLO primero, 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 | ⚠️ Apoyarse únicamente en el monitoreo tradicional de Salesforce (trust.salesforce.com) sin realizar un seguimiento de SLI específicas de agentes como índice de éxito de pláticas, 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 aspecto tiene |
|---|---|
| Agentforce | Configuración de agente | ✅ 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 recopilaciones de registros en acciones de agentes |
| Plataforma | Caché de plataforma | ✅ Almacenamiento en caché de datos de referencia a los que se accede frecuentemente en Caché de plataforma reduciendo las consultas redundantes durante la preparación del contexto de agentes |
| Plataforma | Scale Center | ✅ Utilizar Centro de escala para identificar operaciones de agentes que requieren recursos intensivos 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 protegiendo dependencias externas |
| Agentforce | Configuración de agente | ✅ Incluya siempre transferencia humana como reserva final en la cadena de degradación de cada agente |
| Plataforma | Organización | ✅ Monitorear los SLI de agentes alertando continuamente cuando las mediciones caen por debajo de los SLO |
| Agentforce | Configuración de agente | ✅ Equilibre la capacidad autónoma con la supervisión apropiada: permitir la recuperación automática de fallos transitorios mientras se distribuye cuando la confianza cae o surgen casos extremos |
Antipatrones
| Dónde buscar | Aspecto negativo |
|---|---|
| Agentforce | Configuración de agente | ⚠️ 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 monitorear el consumo de API y la asignación de eventos de plataforma de forma proactiva, descubriendo límites solo cuando fallan los agentes |
| Agentforce | Configuración de agente | ⚠️ Diseño de cadenas de agentes sin transferencia humana como reserva final, sin dejar ninguna ruta de recuperación cuando se agotan todas las opciones automatizadas |
| Agentforce | Configuración de agente | ⚠️ Otorgar a los agentes una operación completamente autónoma sin umbrales de distribución para situaciones de baja confianza o casos extremos |