AI Debug Run Failure

Descrizione

Agente AI enterprise specializzato nel debug post-mortem di workflow run falliti — sfrutta il LLM Liara per analizzare i dati granular di una run errored (steps json + outputs + error stack + config dei nodi coinvolti) e produrre raccomandazioni actionable di fix con confidence score, riducendo il tempo mean-time-to-resolution da ore-giorni (debug manuale) a minuti (AI-assisted triage). Pattern di AIOps copilot per workflow orchestration analogo a Datadog Watchdog o New Relic AI per i monitoring tool tradizionali. Pipeline multi-stage gestita end-to-end dall'agent: (1) Fetch run JSON completo dal SQLite runtime tenant — recupera tutti i steps eseguiti con il loro input/output, la error stack del step fallito, la config completa del nodo che ha generated l'errore, il context delle env vars rilevanti; (2) Diagnose root cause via LLM analysis del context con 5 categorie di errore canoniche enterprise: transient (network blip, rate-limit 429 temporaneo, upstream 5xx — pattern auto-recoverable con retry), config (parametro mal-configurato, URL errato, schema mismatch — richiede edit dell'utente), payload (input data malformato, type coercion failed, JSON parse error — issue upstream nei dati), auth (credenziali scadute, token revoked, scope insufficienti — richiede rotation/re-auth dell'integration vault), quota (esauriti i limiti del piano o dell'API upstream — richiede upgrade o ottimizzazione); (3) Genera 3-5 suggestedFixes ordinati per confidence + impact: config patch (modifica diff-friendly del config del nodo offendente), retry policy adjustment (aggiungi exponential backoff + max_retries=5 per transient), nodo replace (suggerimento di sostituire con un altro nodo più adatto al pattern), input guard (aggiungi logic_if upstream per validare il payload prima di processarlo); (4) Genera suggestedTests automaticamente Zod-validated — il LLM crea test case JSON che expose il bug specifico fixato, pattern TDD reverse per prevenire regressioni future. Output: { diagnosis: { rootCause (narrative description del cosa è andato storto), category (transient|config|payload|auth|quota), confidence (0-1 dell'AI sul suo verdetto) }, suggestedFixes: [{ description, type, configPatch?, confidence, expectedImpact }], suggestedTests: [{ input, expected, reason }], replayCommand (one-click apply del top fix + relaunch del workflow per validation) }. Use case: debugging assist post-incident enterprise (il workflow di chiusura conti mensile è fallito la notte → al risveglio l'admin vede direttamente la diagnosi AI + fix proposto, applica con un click invece di indagare 2 ore); suggestions DX per junior workflow author che imparano gradualmente i pattern enterprise (AI come "rubber duck" intelligente); auto-recovery cron su workflow critici (workflow di production che ha catch error handler che chiama agent_debug + auto-apply del fix se confidence > 0.9); training dataset per fine-tune del Liara su pattern errori reali specifici del workspace customer per personalization (i Liara LoRA del cliente che imparano nel tempo cosa è "fine" vs "broken" nel suo contesto specifico).

⚙️ Parametri di configurazione

Campi mostrati nell’editor quando si configura il nodo. Generati direttamente dal NodeDefconfigFields.

💡 Esempio configurazione

Snippet JSON del nodo come compare nel workflow. I valori sono derivati daidefaultValue e dai parametri required.

{
  "id": "node-agent_debug_run_failure-1",
  "defId": "agent_debug_run_failure",
  "label": "AI Debug Run Failure",
  "config": {
    "runId": "{{input.runId}} o \"run_a1b2c3...\"",
    "includeTests": true,
    "maxFixes": 3,
    "autoReplay": false
  }
}

🔗 Nodi correlati nella stessa categoria