La mayoría de las investigaciones se detienen en la primera explicación plausible
El trabajo de causa raíz falla de forma predecible. Alguien encuentra una explicación que encaja, todos están cansados y la investigación termina. Esa explicación suele ser un factor contribuyente real, pero no toda la historia, que es por qué el mismo incidente vuelve en otra forma tres meses después.
Una investigación real pregunta qué tendría que ser cierto para que la explicación esté completa, y luego comprueba. Esa es una secuencia de decisiones sobre dónde mirar después, cada una dependiendo de lo que devolvió la anterior.
El trabajo también está acotado. En algún punto la evidencia necesaria ya no existe. Los logs rotaron, o una métrica nunca se recolectó, y decirlo es un resultado legítimo.
El agent investiga y escribe lo que encontró, lo que descartó y dónde se detuvo la evidencia. No cambia nada, y las personas que estaban ahí revisan la conclusión.
Cómo se construye el agent en Agent Studio
El alcance de la investigación vive en los prompt skills: qué fuentes de datos existen, qué retención tiene cada una y qué sistemas puede consultar el agent.
Un segundo prompt skill sostiene tu arquitectura como dependencias, no como un diagrama, porque la pregunta después de cada hallazgo es: ¿qué más toca esto?
El system prompt exige que cada paso enuncie qué prueba y qué significa cada resultado, lo que ayuda a impedir que una investigación se vuelva una búsqueda de confirmación.
Exige que los factores contribuyentes se listen aparte de la cadena primaria. El agent debe declarar cuando se acabó la evidencia, en lugar de razonar más allá del hueco.
Un trigger Manual arranca la investigación después de que se cierra el incidente, y un nodo HTTP Request da al nodo Agent Chat acceso de consulta a logs, métricas e historial de despliegue dentro del alcance declarado.
La sesión del agent es persistente, para que una investigación larga retenga sus hallazgos anteriores en lugar de reiniciar desde el principio.
Los hallazgos van a Google Docs como el borrador de revisión. Notion los archiva contra el servicio. Un nodo Human in the Loop deja al líder del incidente entre el borrador y cualquier acción resultante.
De qué está hecho este agent
- Prompt skills: fuentes de datos disponibles, su retención y qué se puede consultar.
- Prompt skills: tu arquitectura expresada como dependencias.
- System prompt: cada paso enuncia qué prueba y qué significaría cada resultado.
- System prompt: los factores contribuyentes se separan de la cadena primaria. La evidencia agotada se enuncia con claridad.
- Manual (Triggers): se ejecuta después de que se cierra el incidente, nunca durante.
- Agent Chat (Util) con HTTP Request (Util): una sesión persistente con acceso de consulta acotado.
- Cuando un ActionFlow basta: Si estás armando la línea de tiempo y el impacto a partir de registros, construye el flujo de trabajo. Ahí es donde debe empezar una 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.