Agentes LLM: una cola de evidencia para email

说明与用途

引入证据队列将LLM的决策与实际发送邮件操作分离，提供幂等性、可追溯性和安全重试处理。

问题

Los agentes LLM que envían correos pueden dejar incertidumbre sobre si la acción se completó, ya que fallos en la herramienta, el proveedor o la red pueden ocurrir después de la decisión del modelo.

结果

La implementación de una cola de evidencia permite distinguir entre acciones pendientes y completadas, evita duplicados por reintentos y mejora la trazabilidad y la observabilidad del flujo de correo.

工作流

• 1. El agente recibe la instrucción y decide la acción.
• 2. Se genera una intención y una acción normalizada con un idempotency_key estable.
• 3. Se envía la acción al adaptador de email y se registra en la tabla email_steps con estado "pending".
• 4. El worker procesa la fila, incrementa attempts y llama al adaptador.
• 5. Al recibir la respuesta, se actualiza el estado a "accepted", "rejected" o "unknown" y se guarda provider_message_id.
• 6. Si el estado es "accepted", no se reintenta; si es "retryable" se programa otro intento con backoff; si es "unknown" se marca para revisión manual.

证据

Un agente LLM que puede leer una bandeja y enviar un correo parece un flujo sencillo: recibe una instrucción, llama una herramienta y responde.

来源

Si solo guardamos el texto final del agente, no podemos distinguir una acción pendiente de una acción ya aplicada.

来源

La solución que estoy usando como referencia es una cola de evidencia: cada paso produce una intención, una acción y un recibo verificable.

来源

El worker reclama una fila, incrementa attempts y llama al adaptador. Solo marca accepted cuando recibe un resultado que pueda guardar.

来源

Los estados pending, retryable, accepted, rejected y unknown son más útiles que un booleano: muestran el camino que aún necesita resolución.

来源