Cada equipo de ingeniería conoce el ritual, y Rescale no es una excepción. Una suite de pruebas diaria falla. Un ingeniero en turno activo extrae los registros, clasifica la causa raíz y los envía al equipo correspondiente, para luego repetir el proceso a la mañana siguiente. A escala, en servicios distribuidos y docenas de repositorios, este ritual se convierte en un trabajo a tiempo completo que se esconde dentro de una rotación de turnos.
Rescale es la plataforma de ingeniería digital construida para la era de la IA. Los equipos de I+D y ingeniería en áreas como aeroespacial, automotriz, energía, ciencias de la vida, semiconductores y fabricación utilizan la plataforma Rescale para acelerar la innovación, combinando HPC inteligente, modelado y simulación avanzados, ingeniería digital agentica y física de IA en una sola plataforma.
Más allá del código, Rescale utiliza la IA en todo el ciclo de vida de la ingeniería, desde la planificación y el diseño hasta la implementación, las pruebas, la revisión y las operaciones, manteniendo al mismo tiempo a los ingenieros responsables de los resultados. La IA puede proponer y ejecutar, pero son las personas quienes definen el alcance, validan el trabajo y aprueban los cambios de producción. De esta manera, los ingenieros pueden concentrarse en la arquitectura, el juicio sobre el producto y el contexto necesario para operar sistemas distribuidos complejos.
En este artículo, mostramos cómo Rescale utilizó el framework AI-Driven Development Lifecycle (AI-DLC) en AWS para crear un agente de triaje inteligente. Pasaron de la definición del problema a la implementación en producción en cinco días, y a la producción real en pocas semanas. El artículo también describe cómo Rescale está extendiendo el AI-DLC en toda su organización de ingeniería.
El desafío
A medida que la plataforma de Rescale crecía, también aumentaba el costo operativo de mantenerla en funcionamiento. Los ingenieros dedicaban mucho tiempo a una tarea repetitiva pero crítica: clasificar las fallas de los tests automatizados de extremo a extremo. Cientos de casos de prueba se ejecutan en el conjunto, y cuando aparecían fallas, cada alerta, cada informe de bug y cada escalación debía ser clasificado, priorizado y enviado al equipo adecuado. Después del enrutamiento, los ingenieros necesitarían recopilar evidencia de varios sistemas de registro y monitoreo, además de varios repositorios de fuentes, antes de que incluso pudiera comenzar la depuración. Era necesario superar pruebas de punto final para desplegar los servicios en producción, por lo que la depuración de estas fallas del sistema se encontraba en el camino crítico para que los nuevos cambios entraran en producción.
En el flujo de trabajo manual, los ingenieros pasaban del informe de prueba a los registros, los patrones históricos y el código fuente para clasificar las fallas e identificar el equipo responsable probable. Dado que estas pruebas de integración se realizan cada semana en las liberaciones de producción, las fallas no resueltas podían involucrar a varios equipos en horas de coordinación antes de que se permitiera continuar con la implementación.
El equipo tenía una idea clara de cómo se vería la solución: un agente inteligente que pudiera clasificar y enrutar los problemas de forma automática. Lo que buscaban era un método estructurado para pasar de esa comprensión a un sistema funcional en producción, con suficiente estructura para extender el enfoque a otros casos de uso posteriormente.
¿Por qué Rescale eligió AI-DLC?
El agente de triaje de Rescale era un problema bien definido con un cronograma estricto. El equipo necesitaba un enfoque de desarrollo que pudiera avanzar a ese ritmo, sin omitir las decisiones arquitectónicas que determinarían si el sistema funcionaría en producción.
El Ciclo de vida del desarrollo impulsado por IA (AI-DLC) es una metodología de código abierto y centrada en la IA para el desarrollo de software, construida en torno a dos ideas:
- La IA ejecuta, los humanos deciden: la IA genera planes de trabajo, escribe código y propone arquitecturas, pero revela los puntos de decisión y plantea preguntas para aclarar, en lugar de adivinar. Los humanos validan y guían en cada paso.
- Las sesiones del equipo reemplazan los entregas asincrónicas: En lugar de una persona trabajar sola y solicitar revisión más tarde, el AI-DLC utiliza sesiones grupales enfocadas: Elaboración en Mob (definir los requisitos juntos) y Construcción en Mob (construir juntos mientras el AI se encarga de la implementación). Las decisiones se toman en tiempo real.
El DLC de IA es adecuado, ya que la parte difícil no fue escribir código. Fue asegurarse de que la IA comprendiera lo que el equipo quería construir. En las sesiones en mob, los ingenieros de Rescale respondían juntos a las preguntas de la IA y aprobaban cada plan antes de que la IA continuara, así que no quedaba nada para suposiciones.
Descripción general de la solución
El agente de triaje de Rescale automatiza la clasificación y el enrutamiento de los fallos de pruebas end-to-end nocturnas. Funciona como un paso dentro del flujo de integración continua y entrega continua (CI/CD) de Argo Workflows existente en Rescale, en Amazon Elastic Kubernetes Service (Amazon EKS). Cuando un conjunto de cientos de casos de prueba de Playwright nocturno produce fallos, el flujo activa el pod del agente de triaje.
El agente realiza los siguientes pasos:
- Invoca Claude Opus 4.8 en Amazon Bedrock para clasificar cada fallo en una categoría de causa raíz: problema de infraestructura, error de código, prueba defectuosa o problema de entorno.
- Recupera patrones históricos de fracaso relevantes de una base de conocimientos para contexto adicional.
- Las consultas se registran en los logs del modelo a través del Model Context Protocol (MCP) para obtener evidencia de ejecución que respalde la clasificación.
- Genera un informe estructurado de remediación con referencias específicas de archivos, nombres de funciones y correcciones recomendadas para que el ingeniero lo examine antes de tomar cualquier acción.
El agente completa este flujo de trabajo en segundos y genera resultados directamente en la canalización de informes existente del equipo. El siguiente diagrama muestra cómo se integran estos componentes:
Figura 1: Arquitectura del agente de triaje de IA de Rescale, que se ejecuta en Amazon EKS con Amazon Bedrock para la clasificación, una base de conocimientos para patrones históricos de fallos y recuperación de registros basada en MCP a través de la integración con Amazon CloudWatch
La experiencia del taller de DLC con IA
La actividad se organizó como un taller presencial de cinco días. Los arquitectos de AWS guiaron la construcción, mientras que los ingenieros de Rescale trabajaban directamente en el teclado, construyendo juntos en tiempo real.
Fase de Inception (días 1–2): De la visión a los requisitos validados
El equipo comenzó definiendo las necesidades, capturando la intención en un documento de visión y en un documento de entorno técnico que fundamentaron el trabajo antes de que comenzara cualquier construcción. Esa intención comenzó como una sola declaración: “Queremos una triaje de pruebas impulsada por IA que clasifique los fallos y recomiende medidas correctivas”. Trabajando de manera colaborativa en formato móvil, el equipo respondió a más de 20 preguntas de aclaración generadas por la IA. Esto generó un documento de requisitos del alcance con los límites de la Fase 1 definidos explícitamente y los elementos de la Fase 2 pospuestos. Cinco historias de usuario se consolidaron en cuatro unidades de trabajo:
- Base de conocimientos para los patrones históricos de fracasos.
- Agente de triaje de IA como el motor central de clasificación y corrección.
- Integración de Argo Workflow para desencadenamiento, infraestructura y despliegue.
- Herramienta de evaluación para la medición de precisión y el control de regresión.
Las decisiones humanas determinaron los límites críticos: qué pertenece a la Fase 1 frente a la Fase 2, el orden de prioridad y las funciones aplazadas como la generación automática de solicitudes de pull (PR).
Fase de construcción (días 2–4): Arquitectura a código ejecutable
El equipo definió los contratos de interfaz y los esquemas de datos, completó las preguntas de diseño funcionales y no funcionales, y firmó el acuerdo sobre la arquitectura. Durante la construcción, surgieron dos cambios en la arquitectura, y el equipo validó cada uno antes de cambiar de rumbo.
En primer lugar, el equipo planeó alojar el agente en Amazon Bedrock AgentCore, luego lo trasladó a Amazon EKS, donde Rescale ya ejecuta su pipeline Argo Workflows CI/CD. Mantener el agente en el clúster existente significaba no tener que operar un nuevo tiempo de ejecución y una ruta de disparo directa desde Argo. En segundo lugar, durante la fase inicial de desarrollo, el agente extrajo evidencia de logs de un servicio de registro de terceros a través de MCP. El equipo trasladó la recuperación de logs a Amazon CloudWatch, lo que simplificó la cadena de dependencias. El patrón MCP permaneció igual. Solo cambió el origen detrás de él. Dado que el AI-DLC mantiene los requisitos y las decisiones de diseño en documentos compartidos, el equipo los actualizó directamente y continuó construyendo sin perder el contexto.
El agente se construyó utilizando el Strands SDK, lo que permite el análisis concurrente de fallos con salidas estructuradas en JSON y HTML, y está alojado en Amazon EKS.
Al día 4, toda la cadena de procesamiento funcionaba en la etapa de prueba: activador de trabajo en curso de Argo, pod de agente de triaje, consulta de registro MCP, recuperación de la base de conocimientos y resultado estructurado del triaje.
Fase de operaciones (día 5): Evaluación y transferencia
El equipo creó un marco de evaluación basado en PyTest, con modos de prueba en tiempo real y de stubbing, estableciendo una base inicial de acuerdo de clasificación para medir al agente y mejorarlo posteriormente. El agente se demostró en tiempo real ante el CTO y el VP de Ingeniería de Rescale, clasificando correctamente tanto un fallo de infraestructura como un error de código real, con recomendaciones específicas de corrección a nivel de archivo.
Cómo el DLC basado en IA aumentó el rigor hacia la complejidad
No todas las unidades de trabajo reciben el mismo trato. La base de conocimientos requerida necesita un diseño mínimo y se implementa con Terraform en horas. El Agente de Tratamiento obtiene un rigor completo: revisión de arquitectura, contratos de interfaz, 12 preguntas de diseño y revisión iterativa de código. Argo Integration se enfoca en los contratos de infraestructura y IAM. El Harness de Evaluación utiliza un diseño ligero pero una implementación compleja. AI-DLC ajusta automáticamente la profundidad a la complejidad.
Al final del Día 5, el agente estaba en funcionamiento en la etapa de pruebas, procesando fallos de prueba real con una línea base de precisión medida y un camino claro hacia la producción.
Resultados de producción
El agente de triaje ha estado en producción desde el taller. Clasifica automáticamente los fallos de pruebas end-to-end nocturnas, reemplazando la triaje manual de primera pasada por una primera pasada automatizada que los ingenieros validan. Para cada fallo, el agente genera un informe estructurado de remediación con pasos a seguir concretos, en lugar de registros brutos. La concordancia de clasificación del agente con la triaje humana ha aumentado de 44% en la implementación inicial a 68% hoy. Continúa mejorando a medida que el equipo itera sobre el conjunto de datos dorado y la ingeniería de prompts.
Desde que el agente de triaje entró en producción, el equipo ha observado una disminución del 20% en el tiempo necesario para la implementación de la producción, mientras se analizan los fallos de prueba. Dado que estas pruebas permiten las publicaciones semanales de producción de Rescale, esta reducción se refleja directamente en la rapidez con la que los cambios llegan a la producción. Los ingenieros también dedican menos tiempo al ciclo de turno en espera para la clasificación repetitiva.
Vida después del taller: De un agente a una práctica centrada en la IA
El taller proporcionó un agente de producción, pero su efecto más importante fue en la forma en que Rescale aborda el trabajo de ingeniería. El agente de triaje forma parte de un esfuerzo más amplio de Rescale para ofrecer capacidades de ingeniería digital para la era de la IA. Internamente, Rescale está aplicando los mismos beneficios obtenidos mediante la IA en su propia organización de ingeniería. El AI-DLC proporcionó a los ingenieros de Rescale una forma estructurada y repetible de poner en práctica esa dirección.
Escalar el DLC de IA en toda la organización
Rescale está evaluando un Centro de Excelencia interno de IA-DLC, un pequeño grupo que codifica las mejores prácticas y ayuda a otros equipos a adoptar la metodología de manera independiente.
Los ingenieros que participaron ya están aplicando lo que aprendieron. Uno de los ingenieros señaló que el proceso “formará parte de mi flujo de trabajo en el futuro”, no solo para construir agentes, sino para cualquier trabajo de desarrollo complejo en el que la IA pueda contribuir.
Desarrollo más amplio de IA nativa
Rescale ahora incorpora el DLC de IA en el ciclo de vida de desarrollo de software estándar para nuevos productos de simulación de ingeniería. El marco integra conocimientos en el campo de la simulación, requisitos de producto, arquitectura de plataforma, validación y operaciones en un proceso de diseño estructurado. Los equipos resuelven preguntas clave desde el inicio, registran las decisiones revisadas en especificaciones ejecutables y proporcionan a los agentes de codificación trabajo enfocado con criterios claros de aceptación. Esto acorta el camino desde el concepto del producto hasta la implementación validada, mientras que los ingenieros siguen siendo responsables de la corrección del producto.
El mismo enfoque ya se utiliza en el trabajo de plataformas que habilitan productos y en los sistemas de agentes:
- Gestion del catálogo de aplicaciones de simulación HPC.
- Seguimiento y remediación de vulnerabilidades en contenedores para los requisitos de cumplimiento gubernamental.
- Agentes de codificación en la nube basados en flujos de trabajo.
Conclusión
Para el agente de triaje, la salida más útil del AI-DLC no fue el código en sí. Fue el camino estructurado desde una idea inicial hasta un diseño de sistema revisado: aclarar preguntas, requisitos del alcance y criterios de evaluación.
Esa especificación proporcionó a los agentes de codificación un problema más estrecho y mejor definido para resolver. En lugar de pedir que el agente infle la arquitectura mientras la implementa, el equipo pudo utilizar a los agentes para la construcción enfocada frente a decisiones que los humanos ya habían revisado. El resultado fue un producto más enfocado y revisable, que era más fácil de integrar y mejorar. Para Rescale, ese es el patrón repetible: utilizar DLC de IA para estructurar la conversación de diseño, convertir las decisiones en una especificación y luego usar agentes de codificación para acelerar la implementación.
Puntos clave
- Comienza con un problema real. El agente de triaje de Rescale tuvo éxito porque resolvió un desafío de ingeniería. El problema fue lo que impulsó la solución, no al revés.
- La supervisión humana acelera, no ralentiza. Cada cambio en la arquitectura que mejoró el sistema surgió de la validación humana de las propuestas de IA. El formato de equipo, en el que la IA genera y los humanos validan, es más rápido que trabajar solo.
- La pila AWS proporcionó cada capa que necesitaba el agente. Amazon Bedrock ofreció acceso al modelo de base para la clasificación en un entorno que Rescale ya utilizaba, por lo que el equipo pudo construir el flujo de trabajo de triaje sin tener que asumir costos adicionales de infraestructura de modelos. El Strands SDK proporcionó el framework del agente, y Amazon EKS alojó al agente en contenedores dentro del pipeline existente de Rescale.
Comience con AI-DLC
- Comprenda la metodología: Lea el blog de introducción al AI-DLC y el análisis en profundidad de los flujos de trabajo adaptativos.
- Explora el servicio: Aprende más sobre Amazon Bedrock.
- Prueba ahora: Clona las reglas de flujo de trabajo AI-DLC de código abierto en github.com/awslabs/aidlc-workflows.
- Véalo en acción: Explora un proyecto práctico de construcción de AI-DLC con Amazon Q Developer.
- Conectar: Comuníquese con el equipo de su cuenta de AWS para discutir cómo el AI-DLC puede adaptarse a los flujos de trabajo de ingeniería específicos de su organización.