Mejores prácticas

En esta sección, se presentan las mejores prácticas esenciales para desplegar agentes de IA empresarial en producción.

1. Definir el ámbito del agente

Cada agente de producción necesita un propósito estrechamente definido.

Defina lo siguiente para cada agente:

  • Objetivos de negocio
  • Métricas de éxito
  • Acciones permitidas
  • Acciones prohibidas
  • Requisitos de aprobación humana
  • Rutas de escalada

Diseñe agentes para resolver problemas de negocio específicos en lugar de servir como asistentes de uso general. Los agentes más pequeños y especializados reducen la complejidad de la validación, la seguridad, la supervisión y el mantenimiento en comparación con un único agente monolítico.

Banco de ejemplo en la práctica: el agente de servicios de préstamos tiene un ámbito de exactamente cinco actividades: responder a preguntas de saldo de préstamo e historial de pagos, explicar la elegibilidad de refinanciación, generar recordatorios de pago, crear tickets de servicio y enviar solicitudes de dificultades a un especialista humano. No puede aprobar una modificación de préstamo, renunciar a una tasa, cambiar una fecha de vencimiento de pago o liberar fondos. Mantener el alcance de este estrecho reduce el riesgo operativo y regulatorio al tiempo que mejora la precisión.


A continuación se incluye una descripción del ámbito example.png
Descripción de la ilustración scope-example.png

Implementación de producción: LangGraph define nodos dedicados para la clasificación de intenciones, la recuperación de cuentas, la búsqueda de políticas, la creación de tickets y la transferencia humana. La API de respuesta de IA de Oracle Enterprise realiza el razonamiento, mientras que cada acción que cambia el estado se delega a una API empresarial gobernada en lugar de ejecutarse directamente por el modelo.

2. Creación de arquitecturas de agentes modulares

Los agentes empresariales utilizan arquitecturas modulares que separan el razonamiento de la ejecución.

Entre los componentes típicos se incluyen los siguientes:

  • Interfaz de Usuario
  • Capa de planificación y razonamiento
  • Orquestación de herramientas
  • Conectores empresariales
  • Servicios de memoria
  • Servicios de recuperación (RAG)
  • Motor de políticas
  • Capa de observabilidad
  • Capa de seguridad

La separación de responsabilidades ayuda a los equipos a mejorar los componentes de forma independiente sin afectar al sistema general y simplifica las pruebas y la depuración.

Banco de ejemplo en la práctica: el flujo de trabajo utiliza etapas independientes en lugar de una petición de datos grande: extrae la solicitud del cliente, recupera sus registros de préstamo y cuenta, comprueba las políticas de servicio aplicables, calcula las cifras relevantes (importe de pago, próxima fecha de vencimiento), genera una respuesta provisional y solicita la aprobación humana cuando sea necesario. El módulo de detección de fraudes y dificultades se puede actualizar independientemente del módulo de comunicación con el cliente.


A continuación, se muestra la Descripción de Architecture-example.png
Descripción de la ilustración architecture-example.png

Implementación de producción: LangGraph organiza cada etapa como un nodo aislado. LangChain OCI proporciona conectores reutilizables a la plataforma de servicio de préstamos del banco, mientras que la API de respuesta de IA de Oracle Enterprise maneja el razonamiento dentro de cada etapa de forma independiente.

3. Implantación de una gobernanza de herramientas sólida

Un agente es tan seguro como las herramientas a las que puede acceder.

Defina lo siguiente para cada herramienta:

  • Esquemas de entrada explícitos
  • Validación de salida
  • Requisitos de autenticación
  • Reglas de autorización
  • Límites de timeout
  • Comportamiento de reintento
  • Límites de velocidad
  • Garantías de Idempotencia

Nunca exponga las API sin restricciones directamente a un modelo de lenguaje grande (LLM). En su lugar, envuelve las API empresariales con interfaces de herramientas controladas que validan cada solicitud antes de la ejecución.

Banco de ejemplo en la práctica: el agente puede iniciar un "recordatorio de pago" o un "ticket de servicio", pero nunca accede directamente al libro mayor bancario principal. Cada acción pasa a través de una herramienta de servicio que valida la identidad del cliente, confirma que la cuenta está en buen estado, comprueba que la acción solicitada está dentro de los límites de la política y solo entonces llama a la API bancaria central.


A continuación se incluye la Descripción de Governance-example.png
Descripción de la ilustración Gobierno-example.png

Implementación de producción: LangChain OCI expone la herramienta de mantenimiento como una función estructurada con un esquema estricto de entrada/salida. Oracle Identity verifica la autorización del emisor de llamada antes de que se ejecute la herramienta, y cada llamada, correcta o rechazada, se registra para auditoría.

4. Aplicación de una gestión sólida de identidad y acceso

Los agentes de producción deben operar bajo políticas de identidad empresarial.

Las mejores prácticas incluyen:

  • Acceso con privilegios mínimos
  • Credenciales de corta duración
  • OAuth o proveedores de identidad empresarial
  • Control de acceso basado en Roles (RBAC)
  • Gestión de secretos mediante almacenes seguros
  • Registro de auditoría completo

Los agentes nunca deben recibir permisos más amplios que los usuarios humanos que representan.

Banco de ejemplo en la práctica: un responsable de préstamos que utiliza el agente puede ver y actuar solo en cuentas de su cartera asignada. Cuando el agente se autentica en nombre de ese agente, hereda los mismos permisos y no más. Si el responsable pregunta por una cuenta fuera de su cartera, la herramienta subyacente rechaza la solicitud antes de que el modelo genere una respuesta.


Descripción de iam-example.png a continuación
Descripción de la ilustración iam-example.png

Implantación de producción: Oracle Identity Cloud Service (IDCS) autentica todas las sesiones de usuario. Cada llamada a la herramienta se comprueba con la identidad, el rol y la propiedad de los recursos del usuario. Esta comprobación garantiza que el agente nunca exceda los derechos de acceso propios del empleado solicitante.

5. Usar generación con recuperación aumentada (RAG) para conocimiento empresarial

Los agentes empresariales utilizan la recuperación en lugar de depender únicamente del entrenamiento de modelos.

Utilice las siguientes prácticas:

  • Almacene los conocimientos empresariales en índices aptos para búsqueda
  • Recuperar documentos relevantes dinámicamente
  • Aplicar permisos de documento durante la recuperación
  • Citar fuentes siempre que sea posible
  • Conocimiento empresarial de la versión

Una arquitectura RAG bien diseñada mejora la precisión, reduce las alucinaciones y garantiza que las respuestas permanezcan actualizadas sin volver a entrenar los modelos.

Banco de ejemplo en la práctica: cuando un cliente pregunta sobre la elegibilidad para refinanciar, el agente recupera el manual de política de servicio actual, la hoja de tarifas aplicable y las divulgaciones normativas relevantes en lugar de basarse en los datos de entrenamiento del modelo subyacente. Cada respuesta cita la sección de política específica que la admite. Cuando el banco actualiza sus condiciones de refinanciación, el agente refleja el cambio.


Descripción de rag-example.png a continuación
Descripción de la ilustración rag-example.png

Implementación de producción: LangGraph incluye un nodo de recuperación dedicado. Los manuales de políticas y las hojas de tarifas se fragmentan e incorporan directamente en Oracle AI Database 26ai mediante el tipo de dato VECTOR nativo, con índices HNSW para búsquedas de similitud rápidas e índices vectoriales híbridos que combinan la coincidencia semántica y de texto completo para búsquedas de políticas precisas. La seguridad de nivel de fila filtra los resultados antes de la recuperación para incluir solo los documentos que el usuario puede ver, y LangChain OCI consulta esta tienda para que la API de respuesta de IA de Oracle Enterprise combine las pasajes filtrados por permisos con la pregunta del cliente para producir una respuesta citable y con conexión a tierra.

6. Diseño para la aprobación Human-in-the-Loop

Algunas decisiones requieren aprobación humana.

Requerir la aprobación humana explícita para operaciones de alto riesgo, incluyendo:

  • Transacciones financieras
  • Comunicaciones con el cliente
  • Modificaciones de infraestructura
  • Despliegues de producción
  • Supresión de datos
  • Acciones legales o de cumplimiento

Los flujos de trabajo de aprobación reducen el riesgo operativo, al tiempo que permiten la automatización de tareas de menor riesgo.

Banco de ejemplo en la práctica: el agente puede enviar automáticamente un recordatorio de pago o generar una oferta de pago final, pero cualquier solicitud que implique una adaptación con dificultades, como un aplazamiento de pago, una exención de tarifas o un programa de reembolso modificado, pausa y enruta a un especialista en préstamos humanos. El especialista recibe un resumen de la situación del cliente, el historial de cuentas y la recomendación del agente antes de decidir.


Descripción de hitl-exampe.png a continuación
Descripción de la ilustración hitl-exampe.png

Implantación de producción: los pasos de aprobación se implantan como puntos de control LangGraph. El estado del flujo de trabajo se mantiene hasta que un humano responde. El estado persistente permite que el proceso se reanude donde se pausó, incluso si eso lleva horas o días.

7. Priorice la fiabilidad y la resiliencia

Los despliegues empresariales fiables anticipan fallos en lugar de asumir condiciones ideales.

Diseñe agentes para manejar los siguientes fallos correctamente:

  • Fallos de API
  • Interrupciones de red
  • Fallos parciales de la herramienta
  • Limitación de frecuencia
  • Limitaciones de ventana de contexto
  • Modelo no disponible
  • Respuestas no válidas

Las prácticas de ingeniería recomendadas incluyen disyuntores, políticas de reintentos con retroceso exponencial, tiempos de espera de solicitudes, modelos de reserva, procesamiento basado en colas, colas de letras muertas y flujos de trabajo de larga ejecución de puntos de control. Los sistemas resistentes se recuperan automáticamente sin necesidad de intervención del operador.

Banco de ejemplo en la práctica: durante una solicitud de servicio de rutina, se agota el tiempo de espera de la API de Core Banking y el servicio de identidad deja de estar disponible brevemente. En lugar de finalizar la sesión del cliente, el agente reintenta con una interrupción exponencial, vuelve a una vista de solo lectura almacenada en caché de la cuenta para preguntas informativas y reanuda la funcionalidad completa automáticamente cuando los servicios se recuperan. Este enfoque minimiza las interrupciones para el cliente.


A continuación, se muestra la Descripción de la fiabilidad-example.png
Descripción de la ilustración disable-example.png

Implantación de producción: el punto de control LangGraph conserva el estado del flujo de trabajo en caso de fallo. El despliegue de IA de Oracle Enterprise escala automáticamente los puntos finales de inferencia bajo carga, y los conectores de API empresariales implementan políticas de reintento y disyuntores por defecto.

8. Establezca una capacidad de observación completa

Los sistemas de IA empresarial requieren el mismo nivel de observabilidad que los sistemas de software distribuido.

Capture peticiones de datos, respuestas, llamadas a herramientas, latencia, consumo de tokens, costo, tasas de éxito, tasas de error, aprobaciones humanas, comentarios de los usuarios y rastreos de ejecución. El rastreo distribuido entre los flujos de trabajo de los agentes simplifica la resolución de problemas y la optimización del rendimiento.

Banco de ejemplo en la práctica: los clientes comienzan a informar respuestas más lentas del agente de servicio. En lugar de adivinar, los ingenieros inspeccionan los rastros distribuidos y encuentran el desglose: la respuesta del modelo 1.1 segundos, la recuperación de políticas 140 ms, la búsqueda de banca central 4.6 segundos, la comprobación de identidad 250 ms. Los rastreos identifican el cuello de botella como una llamada de servicio de banca central lenta, no como el propio agente.


Descripción de observability-example.png a continuación
Descripción de la ilustración observability-example.png

Implementación de producción: cada nodo LangGraph emite rastreos, métricas y logs. OpenTelemetry correlaciona la ruta de solicitud completa en LangGraph, la API de respuesta de IA de Oracle Enterprise, los conectores empresariales, el índice de recuperación y el despliegue de IA de Oracle Enterprise. Esta correlación proporciona a los equipos de operaciones una visibilidad completa de principio a fin.

9. Evaluación continua

Los agentes de producción requieren una evaluación continua.

Mantenga conjuntos de datos de evaluación que abarquen escenarios empresariales, casos perimetrales, casos de fallos, peticiones de datos contradictorias, ataques de seguridad y pruebas de regresión. Incorpora evaluaciones automatizadas en pipelines de integración y despliegue continuos para que todas las peticiones de datos, flujos de trabajo o actualizaciones de modelos se validen antes de su lanzamiento.

Banco de ejemplo en la práctica: antes de que cualquier modelo o actualización de petición de datos llegue al agente de servicios de préstamos, se ejecuta en un conjunto de evaluaciones fijo: 2.000 conversaciones de servicio históricas, 500 casos de perímetro normativo (por ejemplo, divulgaciones requeridas por la ley de préstamos), 200 intentos de inyección de petición de datos incrustados en los documentos cargados y una referencia de precisión de conformidad. Solo se promocionan las versiones que cumplen o superan la línea base de producción actual.


A continuación, se muestra la Descripción de Assess-example.png
Descripción de la ilustración Assess-example.png

Implementación de producción: los pipelines de CI/CD ejecutan el conjunto de evaluaciones automáticamente en cada cambio. Las ediciones de peticiones de datos, los cambios de flujo de trabajo y las actualizaciones de modelos requieren que se superen estas referencias de regresión antes de autorizar el despliegue.

10. Protección frente a la inyección rápida y la fuga de datos

La inyección rápida sigue siendo uno de los riesgos más significativos en los sistemas agénticos.

Las estrategias de mitigación incluyen la validación de entradas, la desinfección de mensajes, el aislamiento de herramientas, la separación de contexto, el filtrado de salida, la ocultación de datos confidenciales y la aplicación de políticas antes de la ejecución. Los agentes nunca deben seguir las instrucciones recuperadas de documentos externos o contenido web sin validación.

Banco de ejemplo en la práctica: un cliente carga un documento acreditativo para una solicitud de refinanciación. Los metadatos del documento contienen texto oculto que indica al sistema que apruebe la solicitud inmediatamente. Puesto que el sistema trata los documentos cargados como datos no fiables, el agente ignora la instrucción incrustada y continúa evaluando la solicitud únicamente con respecto a las políticas de servicio reales del banco.


A continuación se incluye una descripción de secure-example.png
Descripción de la ilustración secure-example.png

Implantación de producción: LangGraph mantiene las instrucciones del sistema, la entrada del usuario, los documentos recuperados y los resultados de la herramienta en canales separados. La validación de políticas se ejecuta antes de cada llamada a la herramienta. Esta defensa en capas evita que las instrucciones inyectadas influyan en una acción sensible. Como control adicional debajo de la capa de aplicación, Oracle Deep Data Security aplica políticas declarativas de nivel de fila, nivel de columna y nivel de celda directamente en Oracle AI Database 26ai. Incluso si una instrucción inyectada hace que el agente emita una consulta no autorizada, la base de datos utiliza la identidad propagada y el contexto de tiempo de ejecución del responsable para devolver solo los datos a los que tiene derecho el responsable y enmascarar todo lo demás como NULL.

11. Gestionar contexto y memoria

Tratar la memoria como datos empresariales.

Las mejores prácticas incluyen la separación de la memoria de sesión de la memoria a largo plazo, el cifrado de la memoria almacenada, la definición de políticas de retención, la compatibilidad con la supresión de memoria, el control de versiones de las actualizaciones de memoria y la prevención del almacenamiento de información personal innecesaria. Solo mantenga la información que mejore el rendimiento de las tareas futuras respetando las regulaciones de privacidad.

Banco de ejemplo en la práctica: el agente de servicio de préstamos inicializa una única instancia OracleAgentMemory respaldada por el pool de conexiones de Oracle AI Database del banco. Cada interacción con el cliente se convierte en un hilo conductor, con el ámbito user_id de ese cliente.

  • Cuando un cliente dice algo como "Prefiero ser contactado por texto en el futuro", el agente llama a thread.add_messages(...), que escribe la conversación sin procesar en la base de datos y extrae automáticamente un hecho duradero, la preferencia de canal de contacto preferido, sin un paso de extracción separado.
  • Para obtener información, el agente conserva fuera del flujo conversacional normal (por ejemplo, "el caso de dificultad del cliente se escaló a un especialista el 3 de julio"), escribe explícitamente mediante thread.add_memory(...).
  • En una llamada posterior, el agente recupera el historial relevante con memory.search(query=..., scope=SearchScope(user_id=...)). Este ámbito mantiene la memoria particionada por cliente. La sesión de agente de un oficial de préstamos solo puede buscar dentro del ámbito para el que está autorizado (a nivel de agente, usuario o equipo), con permisos heredados de la propia identidad empresarial del oficial.

Este diseño se asigna a la división requerida del banco entre la memoria de sesión y la memoria a largo plazo: el historial de mensajes raw funciona como memoria de sesión o de trabajo, mientras que los hechos extraídos y el estado funcionan como memoria duradera entre sesiones. La memoria duradera ayuda al agente a reconocer las preferencias de un cliente que regresa sin volver a preguntar. El agente también puede utilizar Similarity para marcar una nueva solicitud que se asemeje a un caso de dificultad anterior sin retener los números de cuenta o los datos de autenticación que el banco no desea que un agente persista.


A continuación se incluye una descripción de memory-example.png
Descripción de la ilustración memory-example.png

Implementación de producción: la sesión y la memoria a largo plazo están activas en Oracle AI Database 26ai. Los hechos y el estado extraídos se almacenan utilizando el tipo de dato VECTOR nativo y se indexan con índices vectoriales HNSW. La memoria vectorial elástica mantiene la recuperación rápida a medida que crece la memoria. Los índices vectoriales híbridos combinan la búsqueda semántica y de texto completo para impulsar las búsquedas de similitud, con una precisión de búsqueda ajustable en porcentaje. Governed Access utiliza la seguridad de base de datos integrada de Oracle, incluido el cifrado, el enmascaramiento de datos y la auditoría de actividades. Los permisos se heredan del mismo sistema de identidad descrito en la sección 4. La retención se ejecuta como un trabajo de ciclo de vida programado que depura la memoria más allá de la ventana reguladora del banco.

12. Crea guías de IA responsables

Las implementaciones empresariales requieren múltiples capas de gobernanza de IA.

Utilizar barandillas para abordar el contenido dañino, la detección de sesgos, el filtrado de toxicidad, los requisitos de cumplimiento, la protección de la privacidad, la propiedad intelectual y las obligaciones regulatorias. Mantener la supervisión humana para situaciones excepcionales.

Banco de ejemplo en la práctica: los préstamos son una actividad fuertemente regulada, por lo que el agente ejecuta todas las respuestas orientadas al cliente a través de una guía de conformidad antes de que se envíe. La barandilla verifica las divulgaciones reglamentarias requeridas (como el lenguaje de préstamos justos) y las pantallas para el lenguaje que podría interpretarse como una declaración discriminatoria sobre una clase protegida. También impide que el agente haga cualquier declaración que se parezca a una decisión de crédito vinculante y redacta la información de identificación personal antes de que la información se registre o se cite en una respuesta.


Descripción de gurdrails-example.png a continuación
Descripción de la ilustración gurdrails-example.png

Implantación de producción: un motor de políticas se encuentra entre la capa de razonamiento y la salida orientada al cliente y aplica reglas de conformidad e IA responsable como punto de control final. El motor de políticas bloquea automáticamente las infracciones y las envía a un revisor de conformidad en lugar de presentarlas al cliente.

13. Optimización de costos y rendimiento

Los agentes de producción equilibran la capacidad con la eficiencia operativa.

Las técnicas de optimización incluyen el enrutamiento de modelos, el almacenamiento en caché de respuestas, el almacenamiento en caché semántica, la optimización de tokens, la compresión de contexto, la inferencia por lotes, las respuestas de transmisión y la selección dinámica de modelos. No todas las solicitudes requieren el modelo más grande disponible; la selección del modelo adecuado para cada tarea puede reducir la latencia y los costos operativos.

Banco de ejemplo en la práctica: una pregunta sencilla sobre cuál es mi próxima fecha de vencimiento de pago se enruta a un modelo más pequeño y de baja latencia respaldado por una caché semántica, porque la respuesta es una consulta sencilla. Una pregunta de elegibilidad de refinanciación matizada, que requiere un razonamiento de varios pasos en los documentos de política, se enruta a un modelo más grande. Este enrutamiento dinámico redujo el costo medio de respuesta del agente en más de la mitad sin degradar la precisión en las solicitudes complejas.


A continuación, se muestra la Descripción de Optimization-example.png
Descripción de la ilustración optim-example.png

Implementación de producción: Oracle Enterprise AI Deployment soporta varios niveles de modelo desplegados simultáneamente, y el nodo de enrutamiento de LangGraph selecciona el nivel adecuado en función de la clasificación de intenciones, con una caché semántica frente a los tipos de solicitud de mayor volumen y menor complejidad.

14. Implantación de prácticas de despliegue seguro

Tratar los despliegues de agentes como versiones de software.

Las prácticas recomendadas incluyen peticiones de datos de control de versiones y flujos de trabajo, despliegues canarios, despliegues azules/verdes, indicadores de funciones, mecanismos de rollback, gestión de configuración e infraestructura como código (IaC). Revisión y prueba de cambios de valores válidos utilizando los mismos procesos que el código de aplicación.

Banco de ejemplo en la práctica: cuando el banco introduce una nueva capacidad de recomendación de refinanciación, no libera la capacidad en todo el banco a la vez. El banco despliega la capacidad en etapas: a los oficiales de préstamos internos sólo en la semana 1, al 5% de los clientes en la semana 2, al 25% de los clientes en la semana 3 y a todos los clientes en la semana 4. El banco supervisa los tipos de error en cada etapa y revierte automáticamente la capacidad si los tipos superan un umbral definido.


Descripción de deployment-example.png a continuación
Descripción de la ilustración deployment-example.png

Implementación de producción: Oracle Enterprise AI Deployment gestiona puntos finales de modelos versionados, IaC aprovisiona entornos consistentes en desarrollo, prueba y producción, y los indicadores de funciones controlan la implementación independientemente del despliegue del modelo subyacente.

15. Mida los resultados de negocio

Las métricas técnicas por sí solas son insuficientes.

Realice un seguimiento de los KPI centrados en el negocio, como la tasa de finalización de tareas, la tasa de intervención humana, la satisfacción del cliente, el tiempo de resolución, el ahorro de costos operativos, las mejoras de productividad, la precisión y la tasa de cumplimiento. Estas métricas demuestran el valor empresarial y guían los esfuerzos de mejora continua.

Banco de ejemplo en la práctica: seis meses después del lanzamiento, el banco realiza un seguimiento de los resultados medibles en lugar de la precisión del modelo por sí solo.

KPI Antes del agente Después del agente
Tiempo medio de la resolución 18 minutos Cinco (5) minutos
Primera resolución de contacto 62% 87%
Escaladas humanas 45% 14%
Satisfacción del cliente 4.1 / 5 4,7 / 5
Costo por interacción de servicio $8,4 $2,75

Estos resultados demuestran un valor comercial medible, no solo un rendimiento técnico.

Implementación de producción: OpenTelemetry las métricas se combinan con los KPI empresariales extraídos de los sistemas de CRM y servicios de préstamos del banco. Los paneles de control de ingeniería correlacionan indicadores técnicos como la latencia, el uso de tokens y la tasa de fallos de herramientas con resultados empresariales como el tiempo de resolución y la satisfacción del cliente. Esta correlación permite una optimización continua basada en el impacto operativo real.