La plupart des enquêtes s'arrêtent à la première explication plausible
Le travail de cause racine échoue de façon prévisible. Quelqu'un trouve une explication qui convient, tout le monde est fatigué, et l'enquête s'arrête. Cette explication est en général un vrai facteur contributif, mais pas toute l'histoire, c'est pourquoi le même incident revient sous une autre forme trois mois plus tard.
Une vraie enquête demande ce qui devrait être vrai pour que l'explication soit complète, puis vérifie. C'est une séquence de décisions sur où regarder ensuite, chacune dépendant de ce que la précédente a renvoyé.
Le travail est aussi borné. À un moment, les preuves nécessaires n'existent plus. Les journaux ont tourné, ou une métrique n'a jamais été collectée, et le dire est un résultat légitime.
L'agent enquête et écrit ce qu'il a trouvé, ce qu'il a écarté, et où les preuves se sont arrêtées. Il ne change rien, et les personnes qui étaient là relisent la conclusion.
Comment l'agent est construit dans Agent Studio
Le périmètre d'enquête vit dans les prompt skills : quelles sources de données existent, quelle rétention chacune a, et quels systèmes l'agent peut interroger tout court.
Un second prompt skill porte votre architecture comme dépendances plutôt que comme schéma, parce que la question après chaque constat est : qu'est-ce qui touche encore cela ?
Le prompt système exige que chaque étape énonce ce qu'elle teste et ce que chaque résultat signifie, ce qui aide à empêcher une enquête de devenir une recherche de confirmation.
Il exige que les facteurs contributifs soient listés séparément de la chaîne primaire. L'agent doit indiquer lorsque les preuves sont épuisées plutôt que de raisonner au-delà du trou.
Un déclencheur Manual démarre l'enquête après la clôture de l'incident, et un nœud HTTP Request donne au nœud Agent Chat un accès d'interrogation aux journaux, métriques et historique de déploiement dans le périmètre déclaré.
La session de l'agent est durable, pour qu'une enquête longue retienne ses constats antérieurs plutôt que de recommencer au début.
Les constats vont à Google Docs comme brouillon de revue. Notion les classe contre le service. Un nœud Human in the Loop tient le responsable d'incident entre le brouillon et toute action qui en résulte.
De quoi cet agent est constitué
- Prompt skills : sources de données disponibles, leur rétention, et ce qui peut être interrogé.
- Prompt skills : votre architecture exprimée comme dépendances.
- System prompt : chaque étape énonce ce qu'elle teste et ce que chaque résultat signifierait.
- System prompt : les facteurs contributifs sont séparés de la chaîne primaire. Les preuves épuisées sont énoncées clairement.
- Manual (Triggers) : s'exécute après la clôture de l'incident, jamais pendant.
- Agent Chat (Util) avec HTTP Request (Util) : une session durable avec un accès d'interrogation limité.
- Quand un ActionFlow suffit : Si vous assemblez la chronologie et l'impact à partir des enregistrements, construisez le flux de travail. C'est là qu'une enquête devrait commencer.
Questions fréquentes
Newsletter
Recevoir les mises à jour produit
Nouveaux nœuds, agents et notes produit. Nous n'envoyons un e-mail que lorsqu'il vaut la peine de l'ouvrir.