El fallo no siempre significa que la acción no ocurrió
Un agente de IA puede interrumpirse después de enviar una solicitud a una herramienta y antes de guardar la respuesta. En ese intervalo, el sistema externo quizá ya creó un ticket, envió un mensaje o modificó un registro. La pérdida de la respuesta no demuestra que el efecto haya fallado. Si el agente reiniciado repite la acción sin comprobarlo, puede duplicar el cambio.
Por eso conviene distinguir el estado del proceso del estado de la operación externa. Un error de infraestructura puede cortar la comunicación; un error de lógica puede producir una decisión inadecuada; y una herramienta puede rechazar una entrada o responder tarde. Son causas distintas y no justifican automáticamente la misma recuperación.
El historial de conversación y los registros de ejecución ayudan a reconstruir lo ocurrido, pero no son necesariamente una prueba de que el sistema de destino aplicó —o no aplicó— un cambio. El identificador de operación devuelto por ese sistema, una consulta de estado fiable o un recibo persistido ofrecen una base mejor para decidir si continuar.
Una ejecución durable conserva fuera del proceso la intención, los pasos confirmados y los resultados que permiten reanudar el flujo. Si el proceso muere, el worker nuevo puede partir del último checkpoint confirmado en lugar de pedir al modelo que vuelva a elegir el plan. Reanudar significa continuar desde un estado conocido; reintentar significa volver a intentar una operación concreta.
Qué estado conservar y cómo clasificarlo
Guarda lo necesario para recuperar la ejecución sin depender de la memoria temporal del worker. Como mínimo, registra el identificador de ejecución, la versión del flujo, la decisión que originó la llamada, sus argumentos normalizados, la identidad estable de la operación y el resultado o recibo del proveedor. Si el sistema externo devuelve un identificador, conserva también ese dato.
Una decisión del modelo debe persistirse antes de ejecutar la herramienta. Después, cada resultado debe guardarse antes de empezar el siguiente paso. Así, un reinicio no necesita volver a generar el plan y puede distinguir una llamada pendiente de una operación confirmada. Un checkpoint registra estado durable, no una garantía de que una API externa haya aplicado sus cambios de forma atómica.
El estado `unknown` resulta útil cuando se perdió la respuesta o el proceso cayó entre el efecto externo y el registro local. No equivale a `failed`: indica que falta resolver qué ocurrió. Una consulta al proveedor puede convertirlo en confirmado o fallido; si no existe una consulta fiable y repetir entraña riesgo, debe seguir pendiente de reconciliación.
La compatibilidad también importa. Un checkpoint antiguo puede dejar de tener sentido si cambia la definición de las herramientas o las reglas del flujo. Asocia cada ejecución a una versión compatible y rechaza escrituras retrasadas mediante control de concurrencia. En despliegues con workers concurrentes, un lease y un mecanismo de fencing pueden ayudar a impedir que dos procesos avancen el mismo estado, pero requieren soporte correcto en el almacenamiento.
Estados útiles para la recuperación
| Estado observado | Qué permite concluir | Siguiente paso |
|---|---|---|
| La herramienta aún no se envió | No hay indicio de que el efecto se haya solicitado | Enviar la operación con la identidad ya persistida |
| La solicitud salió, pero no llegó respuesta | El efecto puede haber ocurrido | Consultar el destino o buscar el recibo |
| El efecto externo ocurrió y falta el checkpoint local | El journal no está al día | Reconciliar mediante la misma clave; guardar el resultado recuperado |
| El recibo está persistido | El paso está confirmado en el journal | Reutilizar ese resultado y avanzar |
| No hay consulta fiable y repetir puede causar daño | El resultado sigue sin resolverse | Marcarlo como desconocido y pausar para revisión |
Reintentos con límites y condiciones claras
Un reintento es razonable cuando el fallo parece transitorio y repetir la operación es seguro. Un servicio ocupado o una interrupción antes de enviar la solicitud pueden permitir otro intento; una autorización denegada, argumentos inválidos o una clave en conflicto normalmente requieren corregir la causa, no insistir. Clasifica el error antes de aplicar una política de reintento.
El backoff exponencial aumenta la espera entre intentos sucesivos y puede incluir jitter para evitar que muchos workers vuelvan a llamar al mismo servicio a la vez. Esta técnica regula cuándo se intenta de nuevo; no garantiza que el servicio esté disponible ni que la acción sea correcta. Define un máximo de intentos y un límite de tiempo total, y registra la causa de cada espera.
Una clave de idempotencia estable vincula las repeticiones de una misma intención cuando el proveedor reconoce esa clave y aplica el contrato correspondiente. La clave debe mantenerse entre intentos de la misma operación. Generar una nueva clave después de un timeout puede convertir la repetición en una segunda operación. Si cambian los argumentos, no reutilices silenciosamente una clave asociada a otro contenido.
Cuando el proveedor no ofrece idempotencia, busca una consulta de estado o una referencia de negocio que permita reconciliar el resultado. Si ninguna opción es fiable, detenerse puede ser más seguro que reintentar. Una llamada repetida a una herramienta de lectura y una llamada repetida que envía dinero, correo o cambios de permisos no tienen el mismo riesgo.
Decisión antes de reintentar
| Situación | Decisión prudente | Condición |
|---|---|---|
| Fallo transitorio antes de enviar | Reintentar con espera limitada | La operación aún no se solicitó |
| Timeout tras enviar una escritura | Reconciliar antes de repetir | Consultar por clave o estado del destino |
| Entrada inválida o autorización denegada | Detener y corregir la causa | No resolverlo aumentando los intentos |
| Misma intención y proveedor idempotente | Repetir con la misma clave | Confirmar el alcance temporal y la semántica del proveedor |
| Resultado desconocido y efecto de riesgo alto | Pausar y escalar | No existe una verificación fiable |
Efectos externos: idempotencia no es rollback
La idempotencia y el rollback resuelven problemas diferentes. La idempotencia busca que varios intentos de una misma operación no produzcan efectos de negocio duplicados, si el ejecutor y el proveedor respetan ese contrato. El rollback intenta revertir un efecto ya aplicado. Repetir de forma idempotente no deshace un cambio.
Tampoco todas las acciones son reversibles. Una reserva puede liberarse; un pago quizá requiera un reembolso separado; un correo enviado no puede retirarse del buzón de quien lo recibió. En muchos casos, la alternativa es una acción compensatoria explícita, que constituye una operación nueva y puede fallar o necesitar aprobación.
Antes de automatizar una escritura, identifica su efecto, su forma de verificación y su posible compensación. Si una acción no puede deshacerse de manera fiable, limita el alcance, exige aprobación cuando corresponda o detén el flujo ante ambigüedad. No presentes una restauración amplia de datos como un rollback selectivo: recuperar una copia puede afectar cambios válidos realizados después.
Un patrón de prueba local puede simular la caída entre ejecutar un efecto y guardar el recibo. La simulación sirve para comprobar que el runtime retoma el plan y consulta el registro externo antes de duplicar la operación. No demuestra por sí sola que un proveedor real ofrezca idempotencia, que haya atomicidad distribuida o que dos workers concurrentes estén coordinados.
Escalar a una persona con contexto útil
El escalado humano no debería consistir en reenviar una excepción sin explicación. La persona que recibe el caso necesita saber qué se intentó, qué resultado se confirmó, qué sigue sin saberse y cuál es el riesgo de continuar. Incluye el estado recuperable y la decisión pendiente, no solo el texto del usuario.
Un paquete de traspaso práctico puede contener el identificador de ejecución, el paso que se interrumpió, la herramienta y su versión, los intentos realizados, el error clasificado, la clave de operación, los recibos disponibles y las consultas de reconciliación efectuadas. Añade las aprobaciones vigentes y cualquier condición de seguridad o presupuesto que pueda impedir la continuación.
Redacta los argumentos sensibles y limita el acceso a los registros según las reglas aplicables. El agente debe presentar la incertidumbre de forma concreta: por ejemplo, «la solicitud se envió, pero el resultado no está confirmado». No debe afirmar que el cambio ocurrió ni que no ocurrió si el estado sigue sin resolverse.
La persona revisora necesita una acción clara: consultar el sistema de destino, autorizar una compensación, corregir la entrada o cerrar el caso. Si la revisión decide repetir, registra quién tomó la decisión, con qué evidencia y qué clave se usó. Así se conserva la trazabilidad sin delegar al modelo la autoridad para resolver una operación de riesgo.
Traspaso de una ejecución incierta
Usa el mismo contexto para que el equipo pueda investigar y decidir sin reconstruir la historia desde cero.
- 01Identifica la ejecución, el paso y la versión del flujo.
- 02Resume qué se envió, cuántos intentos se hicieron y qué respondió la herramienta.
- 03Separa los resultados confirmados de los estados desconocidos.
- 04Indica qué consulta o aprobación falta y qué efectos podría causar una repetición.
- 05Registra la decisión humana y devuelve el control al flujo solo cuando el estado esté resuelto.
Observabilidad y pruebas de recuperación
La observabilidad debe permitir reconstruir una ejecución y distinguir fallos de modelo, herramienta e infraestructura. Registra transiciones de estado, inicio y resultado de cada llamada, latencia, errores clasificados, reintentos, checkpoints y escalados. Correlaciona esos eventos con un identificador de ejecución y la versión del flujo, sin almacenar indiscriminadamente datos sensibles.
No hay una métrica universal que por sí sola resuma la resiliencia de todos los agentes. Un equipo puede observar cuántas ejecuciones se recuperan, cuánto tardan en resolverse los estados desconocidos, cuántos casos requieren intervención y cuántos efectos duplicados se detectan. Define cada indicador con su denominador y ventana temporal; una tasa de recuperación sin esa definición puede ser difícil de interpretar.
Prueba las rutas de fallo, no solo la salida final del modelo. Simula una caída antes de enviar, una respuesta perdida después de la aceptación, un error transitorio, una clave reutilizada con argumentos distintos y dos workers que compiten por la misma ejecución. Comprueba que un paso confirmado no se repite y que un estado desconocido no se presenta como éxito o fracaso confirmado.
Las pruebas con archivos locales o proveedores falsos verifican decisiones del código bajo esas condiciones simuladas. No validan automáticamente la semántica de un proveedor en producción, la durabilidad de la base de datos ni la eficacia de un mecanismo de coordinación distribuido. Contrasta las garantías relevantes con la documentación del servicio y prueba la configuración concreta que utilizará el agente.
Qué observar en cada ejecución
| Señal | Pregunta que ayuda a responder |
|---|---|
| Transiciones de estado | ¿En qué paso se interrumpió y cuál fue el último checkpoint confirmado? |
| Error y herramienta | ¿Fue un rechazo, una indisponibilidad, un timeout o un fallo de lógica? |
| Intentos y esperas | ¿Cuántas veces se repitió la operación y con qué límite? |
| Recibo o identificador externo | ¿Puede comprobarse el efecto en el sistema de destino? |
| Estado desconocido y escalado | ¿Cuánto tardó la reconciliación y quién resolvió el caso? |
| Versión del flujo | ¿El checkpoint es compatible con el código que lo recupera? |
Un protocolo de recuperación aplicable
Un protocolo claro ordena la recuperación: carga el último checkpoint confirmado, comprueba la compatibilidad de la versión, identifica la operación interrumpida y clasifica el resultado. Si aún no se envió, puede ejecutarse con la identidad persistida. Si se envió y no hay respuesta, consulta el destino o el recibo antes de decidir. Si la operación está confirmada, guarda ese resultado y continúa desde el paso siguiente.
La política debe establecer cuándo se permiten reintentos, cuáles son sus límites y qué errores requieren detenerse. También debe definir quién puede resolver un estado desconocido y cuándo se necesita una aprobación adicional. Una regla de parada explícita protege frente a bucles y evita que un modelo convierta la ausencia de respuesta en permiso para repetir.
Prueba el protocolo con una fixture controlada antes de conectarlo a acciones reales. Después, valida por separado el comportamiento del proveedor, las condiciones de concurrencia, la retención de checkpoints y los procedimientos de escalado. Una arquitectura durable puede asumir parte del journal y del replay, pero no vuelve automáticamente atómica ni exactamente una vez a una API externa.
La recuperación fiable no significa que todo fallo pueda repararse automáticamente. Significa que el sistema conserva lo confirmado, representa con honestidad lo desconocido y limita el siguiente paso a lo que puede justificar. Cuando no hay una forma fiable de conocer el efecto y repetir puede causar daño, la pausa y la reconciliación forman parte del funcionamiento correcto.
Continúa explorando
Fuentes consultadas
Correcciones y transparencia
Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.
Proponer una corrección