Mejores prácticas

Enfoques recomendados para adoptar ScreenPlay en flujos de trabajo de automatización de IU nuevos o existentes, y prácticas para mantenerlos rápidos y económicos a escala.

Enfoques recomendados para adoptar ScreenPlay, ya sea integrándolo en los flujos de trabajo de automatización de IU existentes o creando nuevas automatizaciones impulsadas por agentes, y para mantener esas automatizaciones rápidas y económicas una vez que se ejecutan a escala.

Dónde pertenece ScreenPlay en una automatización

ScreenPlay está diseñado para sobresalir en puntos específicos de alta fricción, también conocidos como escenarios de agencia controlada, que representan áreas pequeñas y críticas de automatización donde las herramientas tradicionales son más frágiles. En lugar de reemplazar flujos de trabajo completos, ScreenPlay lleva la ejecución agéntica a las partes que más la necesitan:

• Selectores frágiles que se rompen fácilmente.
• Estructuras de IU complejas y elementos dinámicos.
• Elementos de IU de difícil acceso como ventanas emergentes, listas virtualizadas, tablas incrustadas o controles personalizados.

El corolario importa igualmente. En la automatización unattended, debes confiar en una ejecución que no estás viendo, y las partes deterministas de un flujo de trabajo son las únicas partes que se comportan de forma idéntica cada vez. También son los más rápidos y baratos de ejecutar, lo que los hace viables en miles de ejecuciones.

El objetivo es un flujo de trabajo máximamente determinista y mínimamente agéntico: automatización de IU clásica siempre que la interfaz sea estable y se conozcan los pasos, y ScreenPlay, donde la ejecución agéntica es la única forma de satisfacer de forma fiable la necesidad empresarial.

Primeros pasos

Las siguientes rutas están disponibles, dependiendo de tu contexto.

Actualizar automatizaciones problemáticas

Puedes utilizar actividades de ScreenPlay para corregir los pasos problemáticos de tu UIAutomation actual, como:

• Selectores que generan errores en repetidas ocasiones.
• Automatizaciones que se rompen después de los cambios de la IU.
• Lógica escrita de forma demasiado compleja para tareas simples.

Puedes definir las acciones que utilizas a través de indicaciones en lenguaje natural en lugar de selectores frágiles o lógica personalizada larga. Esto contribuye a simplificar el desarrollo y también a que la automatización sea más resiliente con el paso del tiempo.

Crear una automatización desde cero con granularidad

Si comienzas una UIAutomation desde cero, puedes crearla por completo utilizando ScreenPlay con granularidad.

Cada actividad de ScreenPlay debe corresponder a un pequeño paso bien definido en tu proceso, idealmente dos o tres pasos que naturalmente pertenecen juntos.

Este enfoque granular tiene los siguientes beneficios:

• Maximiza la precisión.
• Mantiene al agente centrado.
• Evita sobrecargar el modelo con demasiado contexto.

Dependiendo de la complejidad de cada paso, puedes elegir el modelo de IA adecuado, equilibrando la eficiencia en costes y la capacidad.

Crear con un agente de codificación

También puedes crear la automatización con un agente de codificación de IA utilizando las habilidades de agente de UiPath, que enseñan al agente cómo crear, ejecutar, probar e implementar automatizaciones de UiPath desde tu entorno de desarrollo. Para obtener el catálogo y las instrucciones de instalación, consulta el repositorio de habilidades de agente de UiPath.

Las habilidades de creación se centran en generar RPA, por lo que lo que produce el agente de codificación es determinista de forma predeterminada, que es la base de referencia que deseas. El enfoque recomendado es revisar el flujo de trabajo generado y añadir actividades de ScreenPlay en los puntos en los que se requiere el enfoque agéntico.

Esas adiciones deben ser deliberadas y pocas. Cada uno es un lugar donde el comportamiento deja de estar garantizado y donde aumentan el tiempo de ejecución y el consumo de tokens.

Diseñar para la velocidad y el coste a escala

Una automatización que se ejecuta un puñado de veces al día y una que se ejecuta miles de veces tienen una economía muy diferente. Las siguientes prácticas reducen la latencia y el consumo de tokens sin renunciar a la fiabilidad.

Mantener pequeña la superficie de agente

Esta es la decisión de mayor impacto y se toma en tiempo de diseño en lugar de ajustarse después. Cada paso que se puede expresar de forma determinista es un paso que no cuesta ninguna llamada al modelo, no añade latencia y no puede variar entre ejecuciones.

La base de referencia determinista es lo primero, con pasos de agente añadidos solo donde se ganan su lugar.

Elegir el modelo adecuado para cada paso

Los modelos disponibles en el menú desplegable Modelo son cada vez más rápidos y capaces al mismo tiempo, por lo que la velocidad y la calidad son un compromiso mucho menor de lo que solían ser.

Como cada actividad de ScreenPlay lleva su propia selección de modelo, puedes hacer coincidir el modelo con la dificultad del paso: un modelo de nivel Básico rápido para interacciones de rutina, un modelo de nivel Estándar para los pasos que realmente necesitan más razonamiento. Para obtener la lista completa de modelos disponibles, consulta ScreenPlay.

Si tu automatización se creó con un modelo anterior, revisar la selección es una de las mejoras de velocidad más económicas disponibles.

Procesar por lotes varias acciones en la misma pantalla

El aprovechamiento agéntico de ScreenPlay puede ejecutar varias acciones en la misma pantalla en un solo lote, en lugar de una acción por llamada de modelo. Menos viajes de ida y vuelta del modelo significan una menor latencia de extremo a extremo, y la diferencia es más visible en pantallas densas en acción, como los formularios largos.

Este no es el comportamiento predeterminado. De forma predeterminada, el arnés realiza una acción cada vez, y el procesamiento por lotes solo se produce cuando la solicitud de tarea lo solicita explícitamente. El arnés respeta estas indicaciones cuando las acciones se dirigen a la misma pantalla.

Por ejemplo, en lugar de:

Fill in the customer details form.

usa:

Fill in the customer details form. Fill in all the fields visible on the screen in one go, then submit.

El procesamiento por lotes solo se aplica a las acciones que se pueden realizar en la pantalla visible actualmente. Los pasos que requieren navegación, una transición de página o un cambio de aplicación se siguen ejecutando de forma secuencial, porque el modelo debe observar la nueva pantalla antes de decidir qué hacer a continuación.

Cuándo dejar de optimizar

Optimizar únicamente para el tiempo de ejecución y el consumo de tokens puede empujarte hacia implementaciones deterministas que son frágiles y costosas de mantener con vida. Un flujo de trabajo con muchos selectores que se rompe con cada cambio menor en la IU puede costar más a lo largo de su vida útil que los tokens que guarda.

Healing Agent reduce esa brecha, pero no la cierra. Sus estrategias de recuperación son un conjunto definido y limitado, y todas funcionan al nivel de reidentificación de un elemento de destino para una actividad que ya existe:

• Se han cambiado los atributos del selector.
• Temporización.
• Posición de anclaje.
• Títulos de AppCard.
• El selector semántico alternativo en tiempo de diseño.

Healing Agent también aplica estrategias basadas en IA para:

• Ventanas emergentes que obstruyen el elemento de destino.
• Etiquetas reformuladas semánticamente.
• Visión por ordenador.

Eso cubre una gran parte de la desviación diaria de la IU, pero no puede absorber los cambios en la interacción en sí, como un nuevo cuadro de diálogo de confirmación, un conjunto de pantallas reordenadas, un campo que se mueve a otro paso o un flujo que ahora requiere una secuencia diferente de acciones.

Habilitar Healing Agent no sustituye el buen diseño del flujo de trabajo, y no mantiene viva indefinidamente una implementación determinista frágil.

Para las partes de una aplicación en las que esperas ese tipo de cambio, ScreenPlay es la mejor respuesta. Describir el resultado en lenguaje natural y dejar que el agente resuelva la interacción en runtime elimina la carga de mantenimiento de esos pasos, a costa de la llamada al modelo. Decidir qué pasos merecen ese tratamiento merece la pena revisar a medida que evolucionan las aplicaciones de destino.