Skill del Agente Python SDK de Observabilidad de Failproof AI

​

La instrumentación es fácil de escribir y fácil de hacer mal sin notarlo

​

Lo que hace, en orden

1. Planificar. Lee tu bucle de agente y hace las dos preguntas que solo tú puedes responder: qué cuenta como una ejecución (tu session_id), y quiénes son los actores distinguibles (tu agent_id). Las acuerda antes de escribir código, porque cambiarlas después divide tu historial y rompe las tendencias.
2. Escribir. Vincula la identidad una vez por ejecución en lugar de pasarla por cada punto de llamada, y elige una forma segura para concurrencia — un detalle importante, porque el atajo obvio mezcla silenciosamente dos ejecuciones superpuestas en una sola sesión.
3. Verificar. Ejecuta tu agente y lee los archivos de eventos resultantes, comprobando que agent_start está presente, que el entorno es correcto y que una ejecución produjo una sesión.

​

Cómo se relaciona con los otros skills

​

Requisitos previos

1. Python 3.10+ y el código base del agente que quieres instrumentar.
2. El SDK. Se distribuye a los clientes como un wheel privado en lugar de desde un índice público — tu proceso de incorporación explica cómo obtenerlo e instalarlo. El skill conoce la ruta de instalación y te preguntará en lugar de adivinar si no puede encontrarla.
3. Nada más. Sin inicio de sesión en el dashboard, sin clave de API, sin red. El skill verifica contra los archivos de eventos que escribe el SDK, por lo que puede terminar y demostrar su trabajo sin conexión.

​

Dónde obtenerlo

npx skills add FailproofAI/skills --skill agenteye-python-sdk -a claude-code

​

Instalarlo manualmente

• Claude Code: copia la carpeta agenteye-python-sdk/ en ~/.claude/skills/ (todos los proyectos) o <tu-repo>/.claude/skills/ (solo ese repositorio). Claude Code la descubre automáticamente — revisa la lista /skills, o simplemente pregunta algo que coincida con ella.
• Codex: Codex lee el mismo SKILL.md. El archivo agents/openai.yaml incluido establece allow_implicit_invocation: true, por lo que se selecciona automáticamente cuando una tarea coincide; de lo contrario, invócalo como $agenteye-python-sdk.

​

Cómo luce una sesión

tú    ▸ Agrega Observabilidad de Failproof AI a este agente.

agente▸ Leo tu bucle — un despachador de herramientas en tools.py, un
        wrapper de Anthropic en llm.py. Dos preguntas antes de escribir
        cualquier cosa.

        ¿Qué cuenta como una ejecución? Manejas solicitudes de forma
        concurrente, así que usaría el id de solicitud que ya tienes en
        ctx.request_id — así una sesión aquí y una solicitud en tus
        logs son el mismo string.

        ¿Y quiénes son los actores? Veo un camino de planificador y un
        camino de investigador. ¿Los etiqueto por separado, o para ti
        es un solo agente?

tú    ▸ El id de solicitud está bien. Son un solo agente, llámalo
        "assistant".

agente▸ Listo. Envolví el despachador y el cliente LLM; agent_start y
        agent_end delimitan handle_request, incluido el camino de error.
        Usé un context-local para la identidad — tu despachador ejecuta
        herramientas en un thread pool, y el enfoque más simple habría
        mezclado ejecuciones concurrentes en una sola sesión sin avisar.

        Verificado contra una ejecución real: 11 eventos en 4 archivos —
        agent_start, model_request/response, tool_use/tool_result x3,
        agent_end (outcome=success). environment=production, una sesión
        por solicitud, duraciones emparejadas.

        Una cosa que NO hice: tu pool de workers en batch.py envía
        directamente al executor, así que los eventos de ahí se
        descartarían. ¿Quieres que los corrija también?

​

Qué puedes pedirle

• “¿Por qué no aparece mi agente en el dashboard?” → recorre la escalera: si los eventos se están escribiendo, si agent_start está ahí, si el entorno es correcto, si el colector está leyendo el mismo lugar.
• “Todo está llegando bajo dev.” → el entorno nunca se configuró, o fue restablecido por una llamada posterior.
• “Agrega seguimiento de tokens.” → encuentra tu wrapper LLM y registra modelo, razón de parada y uso.
• “Instrumenta los sub-agentes también.” → una sesión, etiquetas de agente distintas, anidadas bajo su padre.
• “Escribe pruebas para la instrumentación.” → apunta el SDK a un directorio temporal y hace aserciones sobre los eventos que escribió.

​

Qué tener en cuenta

​

Próximos pasos

• Python SDK: la referencia completa de eventos — cada tipo de evento y campo — detrás de lo que automatiza este skill.
• Sessions: lo que produce tu instrumentación una vez que los eventos llegan.
• Evaluator Agent Skill: el siguiente paso una vez que las ejecuciones están llegando — puntuarlas.
• CLI Agent Skill: leer tu telemetría de vuelta.