Seguimientos de agente

Acerca de los seguimientos

Los seguimientos son registros detallados de todo lo que un agente hace durante una ejecución, incluidos los pasos tomados, los datos procesados, las decisiones tomadas y los resultados generados. Cada seguimiento captura una línea de tiempo completa del comportamiento del agente, incluidas las marcas de tiempo, los errores, las entradas/salidas y los metadatos contextuales. Usa seguimientos para:

• Depuración y resolución de problemas: identifica exactamente dónde falló o se comportó de forma inesperada un agente.
• Análisis de rendimiento: evalúa la latencia, los errores y el rendimiento en las ejecuciones de agentes para optimizar el comportamiento.
• Cumplimiento y auditoría: mantiene un registro verificable de lo que hizo el agente, cuándo y cómo. Es esencial para las auditorías o los flujos de trabajo regulados.
• Mejora continua: utiliza información de seguimiento para ajustar la lógica del agente, adaptar el comportamiento o entrenar nuevos modelos.

En la siguiente tabla se describen los casos de uso comunes en los que la visualización del seguimiento puede mejorar tu capacidad para depurar, analizar y optimizar el comportamiento del agente. Cada ejemplo resalta cómo los datos de seguimiento ayudan a descubrir información y a impulsar una mejor toma de decisiones durante el desarrollo y la supervisión del runtime.

Use case	Qué te ayudan a hacer los seguimientos
Fallos de agente durante la llamada a la herramienta	Busca e inspecciona el paso exacto, las entradas, las salidas y el error
Rendimiento bajo	Usa marcas de tiempo para localizar cuellos de botella
Investigar un pico de errores	Filtra ejecuciones por estado y sigue el patrón
Verificar una corrección de producción	Reproduce la ejecución original y confirma que la incidencia ya no se produce
Preparar un informe de auditoría	Exporta o revisa seguimientos que muestren las rutas de decisión y los datos gestionados

Tipos de seguimiento

Los seguimientos son de dos tipos diferentes, cada uno con un propósito específico para comprender y analizar el comportamiento del agente:

• Seguimientos de ejecución de agente: estos seguimientos capturan la ejecución paso a paso de un agente durante una ejecución en vivo o programada. Muestran cómo el agente procesa datos, invoca herramientas, gestiona condiciones y responde a diferentes estados en tiempo real.
• Seguimientos de ejecución de evaluación: los seguimientos de evaluación se generan cuando un agente se prueba con entradas predefinidas, normalmente durante evaluaciones de modelos, validaciones de escenarios o casos de prueba. Estos ayudan a evaluar la precisión del agente, la calidad de la decisión y el comportamiento en condiciones controladas.

Acceder a los seguimientos

Puedes acceder a ambos tipos de seguimientos desde dos ubicaciones clave:

• Agent Builder: mientras diseñas o pruebas tu agente, los seguimientos están disponibles directamente en el creador:
  • El panel inferior se abre automáticamente en la pestaña Seguimiento de ejecución cuando ejecutas tu agente, mostrando seguimientos en vivo para la ejecución actual. También puedes cambiar a la pestaña Historial para ver las ejecuciones anteriores y añadirlas directamente a los conjuntos de evaluación.
  • Las pestañas Evaluaciones y Salida proporcionan otra vista de las ejecuciones recientes, donde puedes inspeccionar el comportamiento y los resultados junto con la definición de tu agente.
• Página Instancias de agente: ve a la sección Agentes > Instancias.Desde aquí, selecciona un agente específico y selecciona cualquier ejecución para abrir su vista de seguimiento, que incluye el seguimiento visual completo y el panel de registro.

Al ver los seguimientos para las ejecuciones de agente o las ejecuciones de evaluación, obtienes visibilidad de la ejecución del agente. Puedes:

• Consulta los resultados de la ejecución, como se indica con los nodos codificados por colores: correcto, error o reintentar.
• Pasa el cursor sobre cualquier nodo para obtener una vista previa: marcas de tiempo de inicio y fin, estado de ejecución, fragmentos de entrada y salida.
• Selecciona un nodo para ver los detalles, incluyendo: cargas útiles JSON completas, registros y errores, métricas de runtime (uso de tokens, latencia).

Gestión del acceso a datos de seguimiento

Esta sección describe cómo los administradores pueden configurar el acceso a los datos de seguimiento utilizando el modelo de control de acceso basado en roles.

Para ver los registros de seguimiento necesitas los siguientes permisos:

• Logs.View
• Jobs.View

Para obtener más información sobre los permisos de los roles predeterminados, consulta Roles predeterminados.

La siguiente matriz explica los resultados de visibilidad en función de las combinaciones de permisos. Estas combinaciones definen qué detalles de seguimiento puedes ver dependiendo de tus permisos basados en rol.

Logs.View	Jobs.View	Acceder al resultado
Habilitar	Habilitar	Todos los atributos
Habilitar	Deshabilitar	Todos los atributos
Deshabilitar	Habilitar	Atributos parciales (por ejemplo, nombre, tipo)
Deshabilitar	Deshabilitar	Sin acceso

Cuando no tienes los permisos necesarios para ver los datos de seguimiento, verás un mensaje que explica si el acceso está total o parcialmente limitado y ofrece orientación para solicitar el permiso necesario.

Nota:

Los datos de seguimiento, incluidos los datos de entrada y salida, se pueden cifrar utilizando claves gestionadas por el cliente (CMK). El cifrado CMK para los seguimientos de agente es una característica que debes habilitar de forma activa: no se habilita automáticamente cuando se configura CMK para tu organización. Para habilitarla, envía un ticket de soporte. Para obtener más información, consulta Cifrado por servicio en la guía de administración.

Comentarios sobre ejecuciones de agentes (vista previa)

Los comentarios son un mecanismo crítico para interpretar y mejorar los runtimes de los agentes. Te permite revisar el comportamiento, diagnosticar incidencias y patrones significativos de documento en la forma en que un agente toma decisiones.

Más allá de la depuración, los comentarios actúan como la entrada principal de la memoria episódica basada en los comentarios, lo que permite al agente refinar su política de decisión gradualmente, sin requerir reescrituras completas de la solicitud para cada ajuste.

La relación entre comentarios y memoria

Aunque los comentarios actúan como una herramienta de anotación, su aplicación más potente es la que influye en la memoria episódica.

Proporcionar comentarios sobre un seguimiento resalta los comportamientos que el agente debe replicar o evitar en ejecuciones futuras.

• Evolución sobre la repetición: a diferencia de las resoluciones estáticas, la memoria basada en comentarios permite que el comportamiento del agente mejore con el tiempo. El agente aprende a reconocer patrones marcados como correctos o incorrectos.
• Mejora dirigida: este enfoque es más valioso en flujos en los que el agente realiza con frecuencia "casi lo correcto" o en los que la política de decisión aún se está desarrollando.
• Memoria selectiva: no todos los comentarios se convierten automáticamente en memoria. Debes determinar activamente qué anotaciones representan oportunidades de aprendizaje de alto valor, para evitar que comentarios de baja calidad o inconsistentes degraden el rendimiento.

Dónde aplicar los comentarios

Puedes proporcionar comentarios sobre cualquier periodo dentro de un seguimiento de un agente. Esta flexibilidad te permite anotar llamadas de herramientas, comprobaciones de barrera de seguridad o salidas del LLM específicas al revisar o diagnosticar el comportamiento.

Solo los comentarios aplicados al período de ejecución del agente son elegibles para la memoria episódica. Aunque puedes anotar cualquier parte del seguimiento para su análisis, solo los comentarios adjuntos directamente al intervalo de ejecución del agente se almacenarán y recuperarán como memoria en ejecuciones futuras.

Cuándo aplicar comentarios

Aunque proporcionar comentarios sobre todos los seguimientos maximizaría el aprendizaje iterativo, en la práctica debes concentrarte en los seguimientos que ofrecen el mayor valor para la optimización.

Céntrate en los siguientes escenarios:

• Escenarios críticos: seguimientos que implican decisiones de alto riesgo o errores de alto impacto.
• Patrones recurrentes: áreas en las que el agente tiene dificultades constantemente o exhibe fallos repetitivos.
• Decisiones difíciles: instancias en las que el agente se enfrentó a una elección compleja.
• Sentimiento negativo: ejecuciones que daban como resultado una experiencia de usuario deficiente.
• Comportamiento del modelo: ejemplos que ilustran claramente un comportamiento específico que quieres que el agente copie estrictamente o evite estrictamente.

Aplicar los comentarios es crucial para la mejora continua. Te permite codificar mejores comportamientos de forma incremental, lo que hace que las ejecuciones del agente sean más fiables y coherentes.

• Priorizar seguimientos: céntrate en seguimientos de escenarios críticos, errores de alto impacto o patrones recurrentes en los que el agente tiene dificultades.
• Escenarios de alto valor: prioriza ejecuciones que representan decisiones difíciles para el agente, muestran un sentimiento negativo del usuario o ilustran claramente un comportamiento que quieres que el agente copie o evite.
• Áreas de enfoque: identifica claramente aquello en lo que estás proporcionando comentarios:
  • Salida: ¿el resultado final cumplió las expectativas?
  • Ejecución del plan (trayectoria): ¿el agente realizó los pasos de la tarea en el orden esperado?
  • Comentarios: utiliza comentarios para enriquecer la retroalimentación e informar la recuperación de memoria.

Custom Time-to-Live settings for traces

You can use the AI Trust Layer policy in Automation Ops to configure how long trace spans are retained by setting custom Time-to-Live (TTL).

Traces Time-to-Live defines the retention window for execution traces in the AI Trust Layer. Each trace consists of spans that record the steps of an automation or AI interaction. The TTL setting determines how long these spans remain available, and automatically deletes any data older than the selected duration.

This feature gives you fine-grained control over trace visibility, allowing you to align retention with your privacy, compliance, and operational requirements.

The policy is enforced at the tenant level, meaning the configured TTL applies to all spans and affects what every user in the tenant is able to view.

Within the Automation Ops policy settings under the AI Trust Layer feature toggles, you can enable or disable TTL enforcement:

• When enabled: spans are retained for the number of days specified in the TTL Days field and deleted automatically once they expire.
• When disabled: traces are not subject to a strict TTL policy.

To enable and configure custom TTLs for traces, follow these steps:

1. Navigate to Automation Ops.
2. If you don’t already have an AI Trust Layer policy, select Add Product Policy – AI Trust Layer. Otherwise, open and edit your existing policy.
3. Select Feature Toggles.
4. Configure los siguientes campos:
   • Time-To-Live enforcement for trace data – When enabled, this setting controls how long spans remain visible before being removed. After the TTL expires, all affected spans are permanently deleted from the UI.
     • TTL days – Specifies the number of days that trace spans are stored before being purged.
   • Restricted Insights Trace data – If enabled, all non-UiPath metadata is removed from trace data before it is sent to Insights. This limits the detail available in Insights and affects the ability to view detailed or aggregated metrics on the Agents page.

Nota:

If feedback or memory is added to any span within a trace, the entire trace is preserved and no longer subject to the configured TTL. To allow the trace to be cleaned up, you must first remove the associated feedback or memory.

Trace governance implications

Configuring custom TTLs for trace data has several important effects:

• Analytics: Your TTL configuration determines how much historical trace data is available for analysis. Shorter retention supports stricter data-minimization requirements, while longer retention preserves more execution context for investigation and troubleshooting.
• Data deletion: Spans are automatically deleted once they exceed the configured TTL. Changing your TTL does not restore any data that has already expired or been restricted.
• Visibility: Execution runs that fall outside the TTL window no longer appear in the Traces UI or in components that rely on speed-layer trace data.
• Scope: The configured TTL applies to all spans within the tenant and affects visibility for every user.
• Exceptions: Some features may bypass TTL entirely, such as agent memory and trace feedback. Data for these features is retained indefinitely until a dedicated end-of-life policy is defined.