Arize Phoenix

IA y ML

Neotask en OpenClaw automatiza tu pipeline de observabilidad de LLM a través de Arize Phoenix — monitoreando trazas, gestionando prompts y ejecutando experimentos para que tus sistemas de IA permanezcan confiables.

Lo que puedes hacer

Tu agente de IA convierte Arize Phoenix en una operación de observabilidad de LLM totalmente automatizada. Monitorea tus pipelines de IA, gestiona versiones de prompts y ejecuta experimentos — manteniendo tus modelos confiables sin supervisión manual constante.

Monitoreo del pipeline

Tu agente inspecciona continuamente trazas y spans en todos los proyectos. Identifica patrones de error, revisa anotaciones de spans y detecta sesiones donde la calidad degradó. Programa verificaciones de salud regulares y recibe alertas antes de que los problemas lleguen a los usuarios.

Gestión del ciclo de vida de prompts

Gestiona prompts como activos versionados y etiquetados. Tu agente crea nuevas versiones, etiqueta lanzamientos como producción o staging y rastrea el historial de iteraciones. Cuando necesitas hacer un rollback, conoce cada versión que existió alguna vez.

Experimentación automatizada

Construye datasets de evaluación a partir de trazas reales de producción. Tu agente añade ejemplos de spans interesantes, ejecuta experimentos contra datasets y compara resultados entre versiones de prompts. Cuantifica las mejoras antes de implementarlas.

| Área | Lo que gestiona tu agente |

|------|------------------------|

| Prompts | Gestión de versiones, etiquetado, actualizaciones, seguimiento de iteraciones |

| Trazas y Spans | Inspección, revisión de anotaciones, detección de errores |

| Datasets | Gestión de ejemplos, ejecución de experimentos, pruebas de regresión |

| Proyectos | Monitoreo multiproyecto, seguimiento de sesiones, verificaciones de salud |

Cada acción se ejecuta de forma autónoma o requiere tu aprobación — tú decides.

Prueba preguntando

  • "Verifica todas las trazas de la última hora y marca las que tengan spans con errores"
  • "Etiqueta la última versión de nuestro prompt 'soporte-al-cliente' como 'producción'"
  • "Añade las 10 trazas fallidas más recientes como ejemplos a nuestro dataset de pruebas de regresión"
  • "Ejecuta un experimento comparando el prompt v4 con el v5 en el dataset 'clasificación'"
  • "¿Qué anotaciones existen para los spans en el proyecto 'search-pipeline'?"
  • "Muéstrame todas las sesiones de hoy con más de 3 turnos"
  • "Lista cada versión de prompt que hemos desplegado a producción en el último mes"
  • "Crea un nuevo prompt llamado 'extractor-de-facturas' a partir de esta plantilla"

    • Consejos avanzados

  • Programa verificaciones de trazas cada hora durante períodos de alto tráfico — tu agente detecta regresiones antes de que se acumulen
  • Usa puertas de aprobación para el etiquetado de versiones de prompts — revisa los cambios antes de marcar algo como producción
  • Los equipos multiagente destacan aquí: un agente monitorea trazas, otro gestiona prompts, un tercero ejecuta experimentos
  • Construye datasets de regresión a partir de fallos reales — capturan casos extremos que los datos sintéticos no detectan
  • El análisis a nivel de sesión revela problemas en conversaciones de múltiples turnos que la inspección de trazas individuales pasa por alto
  • Combina Phoenix con tu integración de alertas para recibir notificaciones en el momento en que la calidad de las trazas caiga

    • Works Well With