thedixitjain Desplegando Agentes Escalables con Microsoft Foundry
Habilidad complementaria para Lección 16 – Desplegando Agentes Escalables. Úsala para ayudar a un aprendiz a mover un agente desde el prototipo hasta un despliegue de producción escalable y observable. Fundamenta cada recomendación en el contenido de la lección y el cuaderno ejecutable; no inventes APIs de Foundry.
Desencadenantes
Activa esta habilidad cuando un aprendiz quiera:
- Desplegar un agente en Microsoft Foundry como un agente alojado y hacerlo versionado/observable.
- Elegir entre los patrones de despliegue cliente-alojado, agente alojado y flujo de trabajo de agentes.
- Añadir enrutamiento de modelo, caché de respuestas o concurrencia limitada para controlar la latencia y el coste.
- Añadir una puerta de evaluación para que una versión mala del agente no se despliegue.
- Añadir un paso de aprobación humana en el ciclo para acciones de alto riesgo.
- Instrumentar un agente con OpenTelemetry para trazabilidad y observabilidad en producción.
- Prueba rápida (smoke-test) a un agente desplegado como una puerta rápida tras el despliegue.
Modelo mental central
Un agente en producción es mayormente el esqueleto operativo alrededor del modelo (~80%), no el modelo en sí. Mapear cada recomendación a una de estas preocupaciones:
| Preocupación | Prototipo → Producción |
|---|---|
| Alojamiento | cuaderno → servicio alojado versionado |
| Identidad | tu az login → identidad administrada + RBAC con alcance |
| Estado | en memoria → almacén externo de hilos/memoria |
| Fallos | rastreo de errores → reintentos, respaldos, alertas |
| Coste | "unos pocos centavos" → seguimiento, enrutamiento, caché, presupuesto |
| Calidad | revisión visual → puerta de evaluación automatizada |
| Confianza | aprobación tuya → política + humano en el ciclo |
Patrones de despliegue (elige uno o combina)
- Cliente-alojado — el ciclo de razonamiento se ejecuta en tu proceso. Control máximo; tú gestionas escalado/estado.
- Agente alojado (Foundry Agent Service) — Foundry aloja el ciclo, almacena hilos, aplica RBAC/seguridad de contenido, muestra el agente en el portal. Menos control, mucho menos superficie operativa.
- Flujo de trabajo de agentes — múltiples agentes/herramientas compuestos en un grafo con ramificaciones, nodos de aprobación y puntos de control duraderos.
Ciclo de vida (el ciclo que despliega un agente)
crear → versionar → evaluar (puerta) → desplegar alojado → observar en línea → recopilar fallos → repetir.
La evaluación offline es una puerta, no un pensamiento secundario — una versión no se despliega
salvo que supere el umbral. La observabilidad online retroalimenta
los fallos reales al conjunto de pruebas offline.
Palancas para escala y coste (en orden de prioridad)
- Ajustar el tamaño del modelo — usar el modelo más pequeño que pase la puerta de evaluación.
- Enrutar según complejidad — modelo pequeño/rápido para peticiones simples, modelo grande para razonamiento real (clasificador DIY o Foundry Model Router).
- Caché — servir peticiones casi idénticas sin llamar al modelo.
- Diseño sin estado + concurrencia limitada — externalizar estado; reintentar con retroceso exponencial.
Patrones clave para reproducir
Dirige al aprendiz hacia estos desde el cuaderno
16-python-agent-framework.ipynb:
- Manejador de solicitudes: caché → enrutar según complejidad → trazar span → ejecutar → caché.
- Puerta de evaluación: puntuar un conjunto de pruebas offline; devolver
pass_rate >= thresholdy solo desplegar si es verdadero. - Aprobación humana:
@tool(approval_mode="always_require")para acciones como grandes reembolsos. - Trazabilidad: envolver cada solicitud en
tracer.start_as_current_span(...)y establecer atributos comorouted.model,customer.id.
Prueba rápida (smoke-test) a un agente desplegado
Tras desplegar, verifica que el endpoint realmente responde (un despliegue exitoso puede aún estar
silencioso). Usa la acción AI Smoke Test
vía .github/workflows/smoke-test.yml
con el catálogo en tests/. El ejecutor envía mediante POST cada
prompt a POST {project_endpoint}/agents/{agent_name}/endpoint/protocols/openai/responses
y comprueba el texto de la respuesta. La identidad necesita el rol de Azure AI User en
el ámbito del proyecto Foundry; la audiencia del token debe ser https://ai.azure.com/.
Superpone las puertas: prueba rápida (accesible/respondiente, en cada despliegue) → evaluación offline (lo suficientemente bueno para desplegar, antes de promoción) → evaluación online (cómo está funcionando en producción, continuo).
Controles empresariales
- RBAC: asigna a cada agente alojado una identidad administrada con privilegios mínimos.
- MCP en producción: trata cada servidor MCP como un límite no confiable — fija la versión, limita su identidad, valida salidas, limita tasa, nunca expongas secretos.
Barreras para el asistente
- Prefiere el patrón canónico
FoundryChatClient(...)+provider.as_agent(...)usado en todo el curso. - No prometas resultados en vivo de Azure que no hayas verificado; recomienda el flujo de trabajo de prueba rápida para confirmar un despliegue.
- Mantén la evaluación y el consejo de coste ligados: la evaluación fija el suelo de calidad, el enrutamiento/caché mantiene el coste cerca de ese suelo.
Descargo de responsabilidad: Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción.
Source: microsoft/ai-agents-for-beginners → translations/es/.agents/skills/deploying-scalable-agents/SKILL.md