Razonamiento del agente en Azure SRE Agent

Tu agente razona los problemas en vez de seguir guiones fijos. Como construye Deep Context a partir de tu base de código, incidentes pasados e infraestructura, razona sobre tus sistemas, no sobre los genéricos. En la interfaz de chat, puedes ver cómo recopila pruebas, selecciona herramientas, clasifica el riesgo de acción y explica su razonamiento.

Bucle de razonamiento

Cada mensaje sigue el mismo bucle.

El agente primero entiende tu solicitud e identifica los datos que necesita. Luego recopila contexto consultando fuentes de datos en paralelo, como registros, métricas, estado de recursos, historial de despliegue y memoria. A continuación, se basa en la evidencia para identificar patrones y sacar conclusiones. Finalmente, actúa o responde ejecutando acciones seguras, solicitando aprobación para las de riesgo o presentando hallazgos.

Si el problema requiere más trabajo, el bucle puede iterar hasta 10 veces por turno. Después, el agente pregunta si desea continuar.

Pensamiento adaptable

Para problemas complejos, tu agente muestra su razonamiento en el chat. Una sección de Pensamiento plegable enumera cada paso con un título descriptivo, como "Explorando problemas de salud en Azure" o "Analizando alertas activas", y el tiempo transcurrido.

Tu agente ajusta automáticamente la profundidad de su razonamiento. Una comprobación de estado obtiene una respuesta rápida. Una interrupción en varias fases requiere un análisis más profundo que correlaciona evidencias procedentes de distintas fuentes.

Contexto profundo

El razonamiento adaptativo se refuerza cuando el agente puede nutrirse de tu entorno. El contexto profundo es el conocimiento acumulado que el agente tiene de ese entorno. Proviene de tres fuentes contextuales: conectores, conocimiento y memoria, y herramientas de espacio de trabajo. En lugar de empezar de cero cada vez, tu agente construye una imagen más clara de cómo funcionan tus sistemas y lleva ese contexto a cada bucle de razonamiento.

Las operaciones de archivo y los comandos de terminal requieren herramientas de espacio de trabajo. Contacta con el administrador de tu agente, o actívalo a través de la página de Configuración Experimental en el portal. La ejecución en Python está disponible por defecto a través del Intérprete de Código. Cuando las herramientas de espacio de trabajo están habilitadas, la ejecución en Python se ejecuta a través del sandbox del espacio de trabajo en lugar de la sesión predeterminada del Intérprete de Código.

El contexto profundo no es una sola característica que habilitas. Crece a medida que estas fuentes contextuales trabajan juntas.

¿Por qué importa el contexto profundo?

La experiencia de tu equipo está presente en muchos lugares: código fuente en GitHub, registros en Azure Monitor, configuraciones en archivos YAML, runbooks en una wiki desactualizada y conocimientos tribales de ingenieros senior. Durante un incidente, la parte más difícil no suele ser analizar el problema. Está recopilando suficiente contexto para empezar.

Un contexto profundo ayuda al dar a tu agente acceso continuo a estas fuentes y una forma de recordar lo que aprende de cada interacción.

Connectors

Los conectores llevan datos de servicio en tiempo real al bucle de razonamiento. Tu agente puede usar fuentes conectadas como GitHub, Azure DevOps, Kusto, Azure Monitor y otros servicios para recopilar pruebas sobre tu entorno en lugar de depender solo del conocimiento genérico de Azure.

Algunos conectores también afinan la comprensión del agente con el tiempo. Cuando conectas un clúster de Azure Data Explorer (Kusto), el agente descubre bases de datos y tablas, documenta el esquema de cada tabla, escribe descripciones legibles por humanos y genera una habilidad de investigación Kusto con guía de consulta.

Conocimiento y memoria

El conocimiento y la memoria proporcionan el contexto duradero que tu agente transmite a través de las conversaciones. Los manuales de operaciones subidos, guías de arquitectura, procedimientos del equipo, habilidades y datos recordados ayudan al agente a seguir cómo opera tu equipo.

El agente recuerda lo que aprende. Tras las conversaciones, extrae aspectos estructurados, como tasas de éxito de la herramienta, causas raíz, aprendizajes clave, servicios de Azure y síntomas. Esos aspectos se convierten en conocimiento persistente para futuras investigaciones.

Al inicio de cada conversación, tu agente busca en la memoria contexto relevante antes de responder.

La generación de conclusiones en segundo plano combina conversaciones anteriores y otras fuentes de datos habilitadas. Utiliza la correspondencia semántica para generar, conciliar y refinar conocimientos operativos a lo largo del tiempo.

Herramientas de espacio de trabajo

Las herramientas de espacio de trabajo dan a tu agente acceso directo a tu repositorio conectado y entorno de ejecución. Cuando los activas, el agente puede leer archivos, buscar código, analizar la estructura del proyecto, ejecutar comandos de terminal y ejecutar Python en el sandbox del espacio de trabajo durante una investigación. La ejecución de Python está disponible por defecto a través del Intérprete de Código.

Cuando conectas un repositorio de código, el agente analiza automáticamente su estructura de proyecto, pila tecnológica, configuraciones de despliegue y dependencias de servicios. Luego abre una PR que añade un SREAGENT.md archivo a tu repositorio.

Puede agregar más contexto en cualquier momento:

• Conecta repositorios: Enlace a GitHub o Azure Repos para que tu agente pueda leer tu código fuente. Consulte Conectores.
• Cargar documentos de conocimiento: Añada manuales de operaciones, guías de arquitectura y procedimientos del equipo. Consulte Memoria y conocimientos.
• Dile a tu agente que recuerde: Escribe #remember en el chat para guardar los datos que tu agente debería saber. Consulte Memoria y conocimientos.
• Crear habilidades: Empaquetar procedimientos de solución de problemas con herramientas. Consulte Aptitudes.

Cuanto más conocimiento proporciones, como runbooks, documentos de arquitectura y procedimientos de equipo, más relevante será el razonamiento. Para obtener más información, consulte Memoria y conocimientos.

Security

Debes habilitar herramientas de espacio de trabajo a través de Configuración Experimental antes de que el agente pueda usar operaciones de archivo y comandos de terminal, o para enrutar la ejecución de Python al sandbox del espacio de trabajo. La ejecución de Python está disponible por defecto a través del Intérprete de Código. La ejecución del código se ejecuta en una sesión sandbox o aislada, dependiendo del modo sandbox configurado, separada del host agente. Los comandos de escritura de CLI de Azure requieren la aprobación explícita del usuario antes de ejecutarse.

Selección de herramientas

Con ese contexto, tu agente selecciona herramientas según el problema. Comienza con todas las herramientas registradas en el agente personalizado actual y, a continuación, filtra por plataforma, usando solo herramientas de incidentes para la plataforma de incidentes conectada. Filtra aún más por lista publicada para incluir solo las herramientas que haga disponibles y se ajusta a medida que surge información nueva durante la conversación.

Cada agente personalizado tiene su propio conjunto de herramientas. Cuando el agente delega a otro agente personalizado, las herramientas disponibles cambian automáticamente.

Para obtener más información sobre las herramientas disponibles, consulte Herramientas.

Ejecución en paralelo

Cuando tu agente identifica operaciones independientes, es decir, acciones que no dependen de la salida de los demás, las emite simultáneamente en un solo turno en lugar de ejecutarlas una a una.

Por ejemplo, si el agente necesita comprobar el estado del pod, el estado del servicio y el historial de implementación, ejecuta los tres comandos en paralelo en lugar de esperar a que se complete cada uno antes de comenzar el siguiente. Este enfoque reduce los giros de razonamiento y acelera las investigaciones.

Los prompts a nivel de herramienta guían la ejecución paralela diciendo al modelo: "Si los comandos son independientes y pueden ejecutarse en paralelo, haz múltiples llamadas a herramientas en un solo mensaje."

Clasificación de acciones

Tu agente clasifica cada acción antes de que se ejecute.

La forma en que el agente controla cada tipo depende del modo de ejecución.

Administración de conversaciones

Existen varios mecanismos que mantienen el rumbo de las conversaciones largas.

Cancelación

Cuando seleccionas Detener, tu agente detiene todas las operaciones y evita intentos repetidos para la tarea cancelada. Tu siguiente mensaje empieza de cero a menos que modifiques explícitamente la solicitud cancelada.

Boundaries

El razonamiento tiene límites.

Paso siguiente

Contenido relacionado

• Análisis de causa principal: investigación profunda con árboles de hipótesis
• Conectores: Conectar código fuente, recursos de Azure y otras fuentes de contexto
• Memoria y conocimientos: cómo recuerda el agente el contexto entre conversaciones
• Modos de ejecución: Revisión y comportamiento autónomo
• Herramientas: funcionalidades de herramientas integradas y personalizadas
• Aptitudes: procedimientos de investigación específicos del dominio
• Ejecución de código en Python: Ejecutar Python durante las investigaciones
• Tareas programadas: Realizar investigaciones y comprobaciones recurrentes