Detectar es la mitad fácil, y la mitad que todos automatizan
La detección de anomalías es un problema resuelto, y una alerta terminada es donde la mayoría de los sistemas se detienen. La alerta solo dice que un número es inusual. La investigación, la parte cara, sigue haciéndose a mano.
Investigar es elegir qué mirar: historial de implementaciones, recuentos de filas aguas arriba, cambios de campaña, una integración de un partner, estacionalidad. Cuáles de esos traer depende de la métrica y de lo que reveló lo primero que trajiste.
Esa dependencia es por qué un script fijo de investigación rinde menos. La segunda consulta debería elegirse después de ver el primer resultado. Solo el razonamiento durante el proceso puede hacer eso.
Saber cuándo parar es el otro juicio. Una investigación que devuelve tres causas plausibles no terminó. Una investigación que descarta dos y dice por qué sí vale la pena leerla.
Cómo se construye el agent en Agent Studio
El system prompt acota la investigación: qué fuentes de datos puede consultar, un techo de cuántas consultas puede ejecutar una investigación, y el requisito de enunciar lo que descartó junto con lo que encontró.
Los prompt skills llevan la topología de tu sistema, qué pipeline alimenta qué tabla, y qué métricas se sabe que se mueven juntas, para que el agent razone sobre tu arquitectura en lugar de inferir una arquitectura.
Las MCP connections y el acceso a la base de datos dejan que el agent consulte la base. Una credencial de solo lectura es la elección correcta aquí y va en Credentials, no en una instrucción del prompt.
Un flujo dispara al agent. El flujo de alerta por umbral dispara un Webhook, y el nodo Agent Chat pasa la métrica, la ventana y el tamaño de la desviación.
Los hallazgos llegan a Slack con la causa, la evidencia, una lista de causas descartadas y un valor de confianza. La lista de ítems descartados es lo que hace comprobable un hallazgo.
Google Sheets registra cada investigación frente a su causa. A lo largo de un trimestre, esa tabla muestra en qué causas el agent es bueno y cuáles se pierde de forma consistente. Esa comparación sirve más que cualquier investigación suelta.
De qué está hecho este agent
- System prompt: fija el techo de consultas, las fuentes permitidas y el requisito de reportar lo que se descartó.
- Prompt skills: llevan la topología de tu pipeline y qué métricas se sabe que se mueven juntas.
- PostgreSQL (Data): da acceso de consulta de solo lectura. MySQL y MongoDB ocupan el mismo lugar.
- Agent Chat (Util): el flujo de alerta por umbral entrega la desviación de forma automática.
- Slack (Communication): recibe la causa, la evidencia, la lista de descartados y un valor de confianza.
- Google Sheets (Integration): registra las investigaciones frente a las causas reales para calibrar.
- Cuando un ActionFlow basta: Si detectar la anomalía es todo lo que necesitas, construye el flujo de trabajo con Math y un umbral. El agent es solo para la investigación.
Preguntas frecuentes
Empieza a crear flujos de IA
Crea una cuenta gratuita, abre una plantilla o un lienzo en blanco y ejecuta tu primer ActionFlow.
Boletín
Recibe actualizaciones del producto
Nodos nuevos, agents y notas de producto. Solo enviamos correo cuando merece la pena abrirlo.