Wykorzystanie narzędzi produkcyjnych przez przedstawicieli: źródło danych, próby ponownego wysłania żądania oraz możliwości obserwacji.
Przedstawiciel banku wykonał nieautoryzowany telefon do opłacanej usługi API i wymyślił numer telefonu. Należy poznać podstawowe zestawy narzędzi, źródło parametrów, trójpoziomowe próby ponownego wysłania żądania oraz metryki dla poszczególnych narzędzi.
Źródła: Agent Tool Use and Function Calling in Production — When Agents Reach Into the World
Zespół zajmujący się operacjami kredytowymi w banku w Ćennaj dostarczył swoim analitykom asystenta agenta wyposażonego w osiem narzędzi. Cztery z nich służyły do wyszukiwania danych (konta kredytowe, historia transakcji, profile klientów oraz biuro informacji kredytowej), a pozostałe zajmowały się obliczeniami związanymi z ratami, wyszukiwaniem dokumentów polisy, wysyłaniem powiadomień oraz przenoszeniem spraw na wyższe szczeble. W ciągu dwóch tygodni przegląd jakości wykrył dwa problemy, które standardowe kontrole jakości całkowicie przeoczyły.
Pierwszym z nich było niepotrzebne używanie narzędzi. Zwykłe zapytanie o saldo wymagało jedynie wyszukiwania konta kredytowego, jednak agent uruchomił również zapytanie do biura informacji kredytowej. To spowodowało dodatkowe 800 ms opóźnienia oraz koszt 8 rupii za każde zapytanie do biura. Przy 2000 zapytaniach dziennie niepotrzebne operacje kosztowały dodatkowo 16 000 rupii dziennie, oprócz tych, które były rzeczywiście konieczne.
Drugi przypadek dotyczył parametru wytworzonego w wyniku halucynacji. Wyszukiwanie pożyczki zwróciło zamaskowany numer telefonu, jak wymaga to polityka prywatności banku, a agent wymyślił numer wyglądający realistycznie, aby wypełnić pole phone_number narzędzia do wysyłania powiadomień. Wiadomość trafiła do niewłaściwej osoby.
Oba błędy nie były widoczne po prostu na podstawie jakości odpowiedzi. Ostateczna odpowiedź dla analityka wyglądała poprawnie. Szkoda objawiła się w skutkach ubocznych: wyższych kosztach korzystania z API oraz błędnie skierowanym powiadomieniu. To jest codzienna rzeczywistość używania narzędzi przez agentów w środowisku produkcyjnym, a reszta tego tekstu opisuje sposoby zapobiegania temu.
Decydowanie o tym, kiedy w ogóle używać narzędzia
Najprostszym błędem jest sięganie po narzędzie, którego nikt nie potrzebował lub po niewłaściwe narzędzie. Zazwyczaj dzieje się tak, gdy wybór jest podyktowany semantycznym podobieństwem między zapytaniem a opisem narzędzia, a nie rzeczywistą koniecznością.
Weź narzędzie Bureau, które służy do pobierania oceny Bureau, historii płatności oraz poziomu wykorzystania kredytu klienta. Pracownik rozważający kwotę pożyczki może je wybrać po prostu dlatego, że słowo „kredyt” występuje zarówno w kontekście zapytania, jak i w opisie. Dane Bureau mogą być istotne, ale nie są konieczne do odpowiedzi na to pytanie – i właśnie tę różnicę pracownik przeoczył.
Samodzielne, lepsze opisy nie rozwiązują tego problemu. Pomaga uporządkowany krok uzasadniania. Przed każdym telefonem pracownik musi odpowiedzieć na jedno pytanie: jakie konkretne informacje dostarcza to narzędzie, których nie ma już w dostępnych danych lub po innej, wcześniej zaplanowanej rozmowie? Jeśli odpowiedź brzmi „nic istotnego”, narzędzie pozostaje niewykorzystane.
Trzy pomysły wspierają ten krok:
- Graf zależności narzędzi odnotowuje, które narzędzia muszą zostać uruchomione przed innymi. Obliczenia EMI wymagają kwoty pożyczki i stopy procentowej, które pochodzą z wyszukiwania w kontach pożyczkowych, dlatego najpierw przeprowadza się to wyszukiwanie. Jasne określenie przepływu informacji zapobiega dublowanym i niepotrzebnym wywołaniom, a dane już pobrałeś wcześniej w sesji nie muszą być pobierane ponownie.
- Zasada minimalnego zestawu narzędzi mówi, że właściwym wyborem jest najmniejsza grupa narzędzi, która łącznie dostarcza wszystko, czego potrzebuje zapytanie. Każde dodatkowe wywołanie jest albo zbędne, albo niepotrzebne.
- Zastosowanie tej zasady oznacza, że agent wymienia informacje, których potrzebuje, przyporządkowuje każdy element do odpowiedniego narzędzia i sprawdza, czy już posiada dane, zanim zaplanuje kolejne wywołanie.
Problem fałszywych parametrów
Incydent z numerem telefonu należy do kategorii błędów bardziej niebezpiecznych niż wybór niewłaściwego narzędzia. W tym przypadku narzędzie jest poprawne, ale jego parametry pochodzą z własnej generacji modelu, a nie z pobranych danych.
Dzieje się tak, ponieważ modele językowe naturalnie generują treści. Gdy wymagany parametr nie znajduje się w kontekście, domyślnym zachowaniem jest wygenerowanie wiarygodnej wartości, w taki sam sposób jak tworzony jest tekst. Prośba o wiarygodny numer telefonu skutkuje dziesięcioma cyframi, które wyglądają prawidłowo, ale nie należą do żadnej konkretnej osoby.
Rozwiązanie składa się z dwóch części.
Śledzenie pochodzenia parametrów. Każda wartość parametru musi mieć możliwość odniesienia do źródła: wynik wcześniejszego wywołania narzędzia, tekst wydobyty z rozmowy, coś, co dostarczył użytkownik, lub wartość wyraźnie oznaczona jako zgenerowana. Wartości zgenerowane są oznaczane do sprawdzenia przed uruchomieniem narzędzia, a nie po nim.
Walidacja pól obowiązkowych przed wykonaniem. Przed użyciem jakiegokolwiek narzędzia powodującego efekty uboczne, takie jak powiadomienia, eskalacje, transakcje lub inne zmiany stanu, agent potwierdza, że każdy wymagany parametr pochodzi z zweryfikowanego źródła, a nie z tekstu wygenerowanego. Jeśli parametr nie może zostać zweryfikowany, połączenie jest zablokowane, a agent albo uzyskuje brakującą wartość, albo pyta użytkownika.
Narzędzia do odczytu tylko, takie jak wyszukiwanie kont, przeszukiwanie polityk i obliczenia, niosą mniejsze ryzyko, ponieważ najgorszym skutkiem jest nieudane wyszukiwanie, a nie błędna akcja. W przypadku narzędzi, które zmieniają stan lub kontaktują się z podmiotami zewnętrznymi, walidacja parametrów wygenerowanych jest bezwzględnie konieczna.
Ponawiania prób i rozwiązania awaryjne
Zewnętrzne połączenia zawodzą w środowisku produkcyjnym z powodu czasów oczekiwania, ograniczeń szybkości, przerw w działaniu oraz odrzuconych parametrów. To, jak zachowuje się agent w takich sytuacjach, decyduje o tym, czy doświadczenie użytkownika pogorszy się stopniowo, czy gwałtownie. Skuteczna okazuje się trójpoziomowa strategia, stosowana w zależności od typu awarii.
Pierwszy poziom: ponawianie prób w przypadku tymczasowych awarii. Czasowe przerwy sieciowe, resety połączeń oraz odpowiedzi HTTP 503 są prawdopodobnie tymczasowe, dlatego należy natychmiast spróbować ponownie z wykorzystaniem eksponencjalnego opóźnienia oraz oryginalnych parametrów, bez żadnych zmian. Rozsądnym limitem jest trzy próby w odstępach 500 ms, 1 000 ms i 2 000 ms. Ten poziom radzi sobie z większością awarii w punktach końcowych o wysokiej dostępności.
Poziom drugi: ponowna próba z poprawionymi parametrami. Błąd HTTP 400 lub błąd walidacji oznacza, że narzędzie odrzuciło to, co zostało wysłane, a nie że doszło do problemu w sieci. Agent powinien ponownie przeczytać to, co wysłał, zinterpretować komunikat o błędzie walidacji i przygotować poprawioną wersję przed kolejną próbą. Dozwolona jest tylko jedna próba korekty. Jeśli poprawione parametry również zawiodą, agent musi przestać zgadywać.
Poziom trzeci: użycie narzędzia awaryjnego. Gdy jakieś narzędzie przestaje działać lub ciągle zawodzi, może istnieć powiązane narzędzie z podobnymi, być może mniej dokładnymi danymi. Jeśli zapytanie do biura informacji kredytowej nie powiedzie się, agent może skorzystać z wewnętrznej oceny kredytowej opartej na ostatnich dostępnych danych z tego biura przechowywanych w jego systemie pamięci. Odpowiedź jest mniej aktualna, ale nadal przydatna, a sam komunikat jasno to wskazuje – na przykład informuje, że wykorzystywane są dane z pamięci podręcznej z ostatniej oceny, ponieważ API biura jest niedostępne.
Jeśli każdy poziom sprawdzenia zawiedzie, agent musi to głośno powiedzieć, zamiast kontynuować pracę bez brakujących informacji. Dobry komunikat informuje klienta, że aktualnego wyniku z biura kredytowego nie udało się uzyskać z powodu tymczasowego problemu systemowego, podaje odpowiedź dotyczącą możliwości uzyskania kredytu na podstawie dostępnych danych i sugeruje ponowną próbę po kilku minutach w celu uzyskania najdokładniejszej oceny. Jest to uczciwe, praktyczne i pozbawione sfabrykowanych faktów.
Obserwowalność narzędzi
Niepotrzebne żądania danych od biur kredytowych ze strony banku nigdy nie pojawiały się w metrykach jakości. Odpowiedzi były poprawne, wyniki RAGAS były dobre, a satysfakcja użytkowników akceptowalna. Problem istniał jedynie w logach wywołań narzędzi, i to dopiero wtedy, gdy ktoś obliczył koszt za każde narzędzie.
Cztery metryki na narzędzie, śledzone według typu zapytania w czasie, ujawniają te problemy:
- Stosunek wywołań pokazuje, jak często każde narzędzie jest używane na jeden typ zapytania. Narzędzie z biura, które jest wykorzystywane w 80% zapytań, prawie na pewno jest wywoływane nadmiernie, ponieważ żaden rzeczywisty asystent finansowy nie potrzebuje danych z biura w czterech na pięć rozmów. Alarm przy przekroczeniu progu dla danego typu zapytania wskazuje na niepotrzebne wywołania.
- Stosunek błędów parametrów odnotowuje, jak często wywołania są odrzucane na etapie walidacji. Narzędzie, które ma 15% odrzuceń, albo stale otrzymuje niewłaściwe typy danych, albo jest wywoływane z wartościami, które nie przechodzą sprawdzeń pochodzenia. W obu przypadkach integracja z mechanizmem rozumowania agenta jest błędna.
Implementacja
Pełny system produkcyjny to jeden długi moduł składający się z prawie tysiąca linii kodu, obejmujący rejestr narzędzi, tracker pochodzenia danych, walidatora, logikę ponawiania prób oraz tracker metryk.
"""
#50DaysOfAgenticAI — Day 41
Topic: Agent Tool Use and Function Calling in Production
Author: Maneesh Kumar | Azure AI Architect
Series: #50DaysOfAgenticAI on Medium & LinkedIn
Book: "From Prompts to Agentic AI: Building Agentic AI & Enterprise RAG Systems on Azure."
Kindle: https://www.amazon.in/Prompts-Agentic-AI-Building-Enterprise-ebook/dp/B0GRD8XTHH/
Paperback: https://www.amazon.in/dp/B0GTLDQSSW
Production tool use system covering:
1. Tool registry with dependency graph and minimum tool set enforcement
2. Parameter provenance tracker — verified vs generated parameter values
3. Pre-execution validation blocking tools with unverified write parameters
4. Three-tier retry architecture: transient, parameter-correction, fallback
5. Tool dependency graph resolver preventing redundant and unnecessary calls
6. Tool call observability: call rate, error rate, latency, cost per query
7. ReAct reasoning loop with structured tool selection justification
8. Tool result validator preventing hallucinated outputs
"""
import asyncio
import json
import logging
import time
from dataclasses import dataclass, field
from enum import Enum
from typing import Optional, Callable, Any
from openai import AzureOpenAI
# ─── Logging ──────────────────────────────────────────────────────────────────
logging.basicConfig(
level=logging.INFO,
format="%(asctime)s [%(levelname)s] %(name)s — %(message)s"
)
log = logging.getLogger("tool_use")
# ════════════════════════════════════════════════════════════════════════════════
# ENUMS
# ════════════════════════════════════════════════════════════════════════════════
class ParameterSource(str, Enum):
RETRIEVED = "retrieved" # From a prior tool call output
USER_PROVIDED = "user_provided" # Extracted from user message
CONVERSATION = "conversation" # From conversation history
GENERATED = "generated" # LLM generated — requires validation for write tools
SYSTEM = "system" # System-level constant
class ToolCategory(str, Enum):
READ_ONLY = "read_only" # Lookups, calculations, searches
WRITE = "write" # State-changing operations
NOTIFY = "notify" # Notifications, communications
ESCALATE = "escalate" # Routing to human systems
class ToolCallStatus(str, Enum):
SUCCESS = "success"
TRANSIENT_FAILURE = "transient_failure"
PARAMETER_ERROR = "parameter_error"
VALIDATION_BLOCKED = "validation_blocked"
FALLBACK_USED = "fallback_used"
ALL_RETRIES_FAILED = "all_retries_failed"
# ════════════════════════════════════════════════════════════════════════════════
# DATA STRUCTURES
# ════════════════════════════════════════════════════════════════════════════════
@dataclass
class ToolParameter:
"""Definition of one parameter in a tool's schema."""
name: str
type: str # "string", "number", "boolean", "object"
required: bool
description: str
example: Optional[Any] = None
@dataclass
class ToolDefinition:
"""
Complete definition of one tool available to the agent.
Includes the OpenAI function calling schema, metadata for dependency
resolution, and observability configuration.
"""
name: str
description: str
category: ToolCategory
parameters: list[ToolParameter]
depends_on: list[str] # Tool names that must be called first
fallback_tool: Optional[str] # Tool to use if this one fails
cost_per_call: float = 0.0 # External API cost in INR
timeout_ms: float = 2000.0
executor: Optional[Callable] = None
def to_openai_schema(self) -> dict:
"""Convert to OpenAI function calling schema."""
properties = {}
required = []
for param in self.parameters:
properties[param.name] = {
"type": param.type,
"description": param.description
}
if param.example is not None:
properties[param.name]["example"] = str(param.example)
if param.required:
required.append(param.name)
return {
"type": "function",
"function": {
"name": self.name,
"description": self.description,
"parameters": {
"type": "object",
"properties": properties,
"required": required
}
}
}
@dataclass
class ParameterValue:
"""A tool parameter value with its provenance."""
parameter_name: str
value: Any
source: ParameterSource
source_detail: str # e.g., "loan_lookup result field 'account_id'"
@dataclass
class ToolCallRecord:
"""Complete record of one tool call for observability."""
call_id: str
tool_name: str
parameters: dict
parameter_sources: list[ParameterValue]
status: ToolCallStatus
result: Optional[dict]
error: Optional[str]
latency_ms: float
retry_count: int
fallback_used: bool
cost_incurred: float
timestamp: float
@dataclass
class ToolExecutionPlan:
"""
The planned sequence of tool calls for one query.
Built by the dependency resolver before any calls are made.
"""
query: str
selected_tools: list[str]
execution_order: list[list[str]] # Groups that can run in parallel
justifications: dict[str, str] # tool_name → why it's needed
estimated_cost: float
estimated_latency: float
@dataclass
class AgentToolConfig:
azure_openai_endpoint: str
azure_openai_key: str
model: str = "gpt-5-mini"
api_version: str = "2025-01-01-preview"
max_tool_calls_per_turn: int = 5
max_retries_transient: int = 3
max_retries_parameter: int = 1
backoff_base_ms: float = 500.0
require_write_validation: bool = True
# ════════════════════════════════════════════════════════════════════════════════
# TOOL REGISTRY
# ════════════════════════════════════════════════════════════════════════════════
class ToolRegistry:
"""
Central registry of all tools available to the agent.
Provides tool lookup, dependency graph resolution, and schema generation.
"""
def __init__(self):
self._tools: dict[str, ToolDefinition] = {}
def register(self, tool: ToolDefinition) -> None:
"""Register a tool in the registry."""
self._tools[tool.name] = tool
log.info(f"[ToolRegistry] Registered: {tool.name} ({tool.category.value})")
def get(self, name: str) -> Optional[ToolDefinition]:
return self._tools.get(name)
def get_all(self) -> list[ToolDefinition]:
return list(self._tools.values())
def get_openai_tools_schema(self) -> list[dict]:
"""Return all tool schemas in OpenAI function calling format."""
return [tool.to_openai_schema() for tool in self._tools.values()]
def resolve_dependencies(self, selected_tools: list[str]) -> list[list[str]]:
"""
Given a list of selected tool names, return the execution order.
Tools with no dependencies can run in the first group.
Tools that depend on group 1 run in group 2, etc.
Returns a list of groups, where each group can run in parallel.
"""
# Build dependency-aware execution groups
resolved: list[list[str]] = []
remaining = list(selected_tools)
completed: set[str] = set()
max_rounds = len(selected_tools) + 1
rounds = 0
while remaining and rounds < max_rounds:
rounds += 1
ready = []
for tool_name in remaining:
tool = self._tools.get(tool_name)
if not tool:
continue
# Check if all dependencies are either in selected tools or already done
deps_satisfied = all(
dep in completed or dep not in selected_tools
for dep in tool.depends_on
)
if deps_satisfied:
ready.append(tool_name)
if ready:
resolved.append(ready)
completed.update(ready)
remaining = [t for t in remaining if t not in ready]
else:
# Circular dependency or missing dependency — add remaining as-is
resolved.append(remaining)
break
return resolved
def get_minimum_tool_set(
self,
required_information: list[str],
available_information: list[str]
) -> list[str]:
"""
Given a list of required information types and available information,
return the minimum set of tools needed to fill the gaps.
Each tool's description is matched against required information.
"""
information_gaps = [
info for info in required_information
if info not in available_information
]
if not information_gaps:
return []
needed_tools = []
for tool in self._tools.values():
tool_covers = any(
gap.lower() in tool.description.lower()
for gap in information_gaps
)
if tool_covers:
needed_tools.append(tool.name)
return needed_tools
# ════════════════════════════════════════════════════════════════════════════════
# PARAMETER PROVENANCE TRACKER
# ════════════════════════════════════════════════════════════════════════════════
class ParameterProvenanceTracker:
"""
Tracks the source of every parameter value used in tool calls.
Flags parameters sourced from LLM generation rather than retrieval.
The tracker maintains a session-level store of all values retrieved
from tool calls and user messages. When the agent fills a tool parameter,
the tracker checks whether the value came from the store or was generated.
"""
def __init__(self):
self._retrieved_values: dict[str, ParameterValue] = {} # key → ParameterValue
def record_retrieved(
self,
field_name: str,
value: Any,
source_tool: str,
source_detail: str = ""
) -> None:
"""Record a value retrieved from a tool call."""
key = f"{field_name}:{str(value)[:50]}"
self._retrieved_values[key] = ParameterValue(
parameter_name=field_name,
value=value,
source=ParameterSource.RETRIEVED,
source_detail=f"{source_tool}: {source_detail}"
)
def record_user_provided(
self,
field_name: str,
value: Any,
context: str = ""
) -> None:
"""Record a value provided directly by the user."""
key = f"{field_name}:{str(value)[:50]}"
self._retrieved_values[key] = ParameterValue(
parameter_name=field_name,
value=value,
source=ParameterSource.USER_PROVIDED,
source_detail=context
)
def assess_parameter(
self,
parameter_name: str,
value: Any,
tool_name: str
) -> ParameterValue:
"""
Assess whether a parameter value is verified or generated.
Returns the ParameterValue with source assessment.
"""
# Try exact match first
key = f"{parameter_name}:{str(value)[:50]}"
if key in self._retrieved_values:
return self._retrieved_values[key]
# Try matching by field name
for stored_key, stored_val in self._retrieved_values.items():
if stored_key.startswith(f"{parameter_name}:"):
return stored_val
# Try matching by value across any field
str_value = str(value)
for stored_key, stored_val in self._retrieved_values.items():
if str(stored_val.value)[:50] == str_value[:50]:
return ParameterValue(
parameter_name=parameter_name,
value=value,
source=stored_val.source,
source_detail=f"Matched by value to: {stored_val.source_detail}"
)
# Not found — mark as generated
log.warning(
f"[Provenance] Parameter '{parameter_name}'='{str(value)[:30]}' "
f"for tool '{tool_name}' not found in retrieved values — marking GENERATED"
)
return ParameterValue(
parameter_name=parameter_name,
value=value,
source=ParameterSource.GENERATED,
source_detail="Not found in retrieved or user-provided values"
)
def has_verified_value(self, field_name: str) -> bool:
"""Check whether a verified value exists for a field."""
return any(
key.startswith(f"{field_name}:")
for key in self._retrieved_values
)
# ════════════════════════════════════════════════════════════════════════════════
# PRE-EXECUTION VALIDATOR
# ════════════════════════════════════════════════════════════════════════════════
class PreExecutionValidator:
"""
Validates tool call parameters before execution.
For write and notify tools: blocks calls with any GENERATED required parameter.
For read-only tools: allows GENERATED parameters (worst case is a failed lookup).
"""
def __init__(self, config: AgentToolConfig):
self.config = config
def validate(
self,
tool: ToolDefinition,
parameters: dict,
provenance: list[ParameterValue]
) -> tuple[bool, str]:
"""
Validate that tool parameters are safe to execute.
Returns (is_valid, reason) tuple.
"""
if not self.config.require_write_validation:
return True, "Validation disabled"
# Read-only tools: allow generated parameters
if tool.category == ToolCategory.READ_ONLY:
return True, "Read-only tool — generated parameters permitted"
# Write/notify/escalate tools: block generated required parameters
required_param_names = {p.name for p in tool.parameters if p.required}
provenance_map = {pv.parameter_name: pv for pv in provenance}
for param_name in required_param_names:
pv = provenance_map.get(param_name)
if pv and pv.source == ParameterSource.GENERATED:
return False, (
f"Required parameter '{param_name}' for {tool.category.value} tool "
f"'{tool.name}' has GENERATED source. "
f"Retrieve '{param_name}' before calling this tool."
)
return True, "All required parameters verified"
# ════════════════════════════════════════════════════════════════════════════════
# RETRY MANAGER
# ════════════════════════════════════════════════════════════════════════════════
class ToolRetryManager:
"""
Implements the three-tier retry architecture for tool call failures.
Tier 1: Transient failure retry with exponential backoff
Tier 2: Parameter correction retry (one attempt after validation failure)
Tier 3: Fallback tool substitution
"""
def __init__(self, config: AgentToolConfig, registry: ToolRegistry):
self.config = config
self.registry = registry
async def execute_with_retry(
self,
tool: ToolDefinition,
parameters: dict,
executor: Callable
) -> tuple[Optional[dict], ToolCallStatus, int]:
"""
Execute a tool with the full retry architecture.
Returns (result, status, retry_count).
"""
retry_count = 0
# Tier 1: Transient failure retry
for attempt in range(self.config.max_retries_transient + 1):
try:
result = await asyncio.wait_for(
executor(parameters),
timeout=tool.timeout_ms / 1000
)
return result, ToolCallStatus.SUCCESS, retry_count
except asyncio.TimeoutError:
retry_count += 1
log.warning(
f"[Retry] {tool.name} timeout (attempt {attempt + 1}/"
f"{self.config.max_retries_transient + 1})"
)
if attempt < self.config.max_retries_transient:
backoff = self.config.backoff_base_ms * (2 ** attempt) / 1000
await asyncio.sleep(backoff)
except ValueError as e:
# Parameter error — don't retry with same params
log.warning(f"[Retry] {tool.name} parameter error: {e}")
return None, ToolCallStatus.PARAMETER_ERROR, retry_count
except Exception as e:
error_str = str(e).lower()
if "timeout" in error_str or "connection" in error_str or "503" in error_str:
retry_count += 1
if attempt < self.config.max_retries_transient:
backoff = self.config.backoff_base_ms * (2 ** attempt) / 1000
log.warning(
f"[Retry] {tool.name} transient error: {e} | "
f"Retrying in {backoff:.0f}ms"
)
await asyncio.sleep(backoff)
continue
else:
log.error(f"[Retry] {tool.name} non-retryable error: {e}")
return None, ToolCallStatus.TRANSIENT_FAILURE, retry_count
# Tier 3: Fallback tool
if tool.fallback_tool:
fallback_def = self.registry.get(tool.fallback_tool)
if fallback_def and fallback_def.executor:
log.info(
f"[Retry] Falling back to {tool.fallback_tool} "
f"for failed {tool.name}"
)
try:
fallback_result = await asyncio.wait_for(
fallback_def.executor(parameters),
timeout=fallback_def.timeout_ms / 1000
)
return fallback_result, ToolCallStatus.FALLBACK_USED, retry_count
except Exception as e:
log.error(f"[Retry] Fallback {tool.fallback_tool} also failed: {e}")
return None, ToolCallStatus.ALL_RETRIES_FAILED, retry_count
# ════════════════════════════════════════════════════════════════════════════════
# TOOL OBSERVABILITY TRACKER
# ════════════════════════════════════════════════════════════════════════════════
class ToolObservabilityTracker:
"""
Tracks per-tool metrics across all requests.
Provides call rate, error rate, latency, and cost analytics.
"""
def __init__(self):
self._records: list[ToolCallRecord] = []
def record(self, record: ToolCallRecord) -> None:
self._records.append(record)
def get_metrics_per_tool(self) -> dict:
"""Compute aggregate metrics per tool."""
if not self._records:
return {}
tool_data: dict[str, list[ToolCallRecord]] = {}
for r in self._records:
tool_data.setdefault(r.tool_name, []).append(r)
metrics = {}
total_queries = max(
len(set(r.call_id.split("_")[0] for r in self._records)), 1
)
for tool_name, records in tool_data.items():
total_calls = len(records)
success = sum(1 for r in records if r.status == ToolCallStatus.SUCCESS)
errors = sum(1 for r in records if r.status in (
ToolCallStatus.TRANSIENT_FAILURE,
ToolCallStatus.ALL_RETRIES_FAILED,
ToolCallStatus.PARAMETER_ERROR
))
blocked = sum(1 for r in records if r.status == ToolCallStatus.VALIDATION_BLOCKED)
total_cost = sum(r.cost_incurred for r in records)
avg_latency = sum(r.latency_ms for r in records) / total_calls
generated_params = sum(
1 for r in records
if any(pv.source == ParameterSource.GENERATED for pv in r.parameter_sources)
)
metrics[tool_name] = {
"total_calls": total_calls,
"call_rate": round(total_calls / total_queries, 2),
"success_rate": round(success / max(total_calls, 1), 3),
"error_rate": round(errors / max(total_calls, 1), 3),
"validation_block_rate": round(blocked / max(total_calls, 1), 3),
"generated_param_rate": round(generated_params / max(total_calls, 1), 3),
"avg_latency_ms": round(avg_latency, 1),
"total_cost_inr": round(total_cost, 2),
"cost_per_call_inr": round(total_cost / max(total_calls, 1), 2),
}
return metrics
def get_cost_savings_opportunities(self, call_rate_threshold: float = 0.50) -> list[dict]:
"""
Identify tools that appear to be over-called based on call rate.
Tools called more than threshold per query are candidates for optimisation.
"""
metrics = self.get_metrics_per_tool()
opportunities = []
for tool_name, m in metrics.items():
if m["call_rate"] > call_rate_threshold:
opportunities.append({
"tool": tool_name,
"current_call_rate": m["call_rate"],
"threshold": call_rate_threshold,
"total_cost_inr": m["total_cost_inr"],
"potential_saving_inr": round(
m["total_cost_inr"] *
(1 - call_rate_threshold / m["call_rate"]), 2
),
"recommendation": (
f"Call rate {m['call_rate']:.0%} exceeds threshold {call_rate_threshold:.0%}. "
f"Review tool selection justification for unnecessary calls."
)
})
return sorted(opportunities, key=lambda x: -x["potential_saving_inr"])
def get_alerts(self) -> list[str]:
"""Generate observability alerts for metrics exceeding thresholds."""
metrics = self.get_metrics_per_tool()
alerts = []
for tool_name, m in metrics.items():
if m["call_rate"] > 0.70:
alerts.append(
f"⚠️ {tool_name}: Call rate {m['call_rate']:.0%} — "
f"possible over-calling"
)
if m["error_rate"] > 0.10:
alerts.append(
f"🔴 {tool_name}: Error rate {m['error_rate']:.0%} — "
f"tool reliability issue"
)
if m["generated_param_rate"] > 0.05:
alerts.append(
f"🔴 {tool_name}: {m['generated_param_rate']:.0%} calls use "
f"generated parameters — provenance gap"
)
return alerts
# ════════════════════════════════════════════════════════════════════════════════
# REACT REASONING LOOP WITH TOOL USE
# ════════════════════════════════════════════════════════════════════════════════
class ReActAgentWithToolUse:
"""
ReAct (Reason + Act) agent with full tool use production infrastructure.
Each iteration:
1. Reason: LLM determines next action with justification
2. Plan: validate tool selection against minimum tool set principle
3. Validate: check parameter provenance for write/notify tools
4. Execute: call tool with retry architecture
5. Observe: record result and update provenance tracker
6. Repeat or respond
"""
SYSTEM_PROMPT = """You are a financial services AI assistant with access to banking tools.
When using tools:
1. Only call a tool when you genuinely NEED information it provides
2. Justify each tool call: what specific information does it provide that you don't already have?
3. Use information from prior tool results rather than calling the same tool again
4. Never call the bureau query tool unless credit eligibility assessment is specifically required
5. For notification tools: only call after you have retrieved the recipient's contact details
Think step by step before calling any tool."""
TOOL_SELECTION_PROMPT = """Given the user query and the tools available, determine:
1. Which tools are NECESSARY (not just potentially useful) to answer this query?
2. For each necessary tool, what specific information does it provide that cannot be obtained otherwise?
Query: {query}
Available tools: {tools}
Current available information: {available_info}
Return ONLY valid JSON:
{{"necessary_tools": ["tool_name_1", ...],
"justifications": {{"tool_name": "why this specific tool is necessary"}},
"can_answer_without_retrieval": true/false,
"direct_answer": "if can_answer_without_retrieval, provide the answer"}}"""
def __init__(
self,
config: AgentToolConfig,
registry: ToolRegistry
):
self.config = config
self.client = AzureOpenAI(
azure_endpoint=config.azure_openai_endpoint,
api_key=config.azure_openai_key,
api_version=config.api_version
)
self.registry = registry
self.validator = PreExecutionValidator(config)
self.retry_mgr = ToolRetryManager(config, registry)
self.obs_tracker = ToolObservabilityTracker()
self.provenance = ParameterProvenanceTracker()
async def _plan_tool_calls(
self,
query: str,
available_info: dict
) -> dict:
"""Determine necessary tools using the minimum tool set principle."""
tool_descriptions = "\n".join([
f"- {t.name}: {t.description} [category: {t.category.value}, cost: ₹{t.cost_per_call}]"
for t in self.registry.get_all()
])
available_str = json.dumps({k: v for k, v in available_info.items() if v is not None})
try:
response = self.client.chat.completions.create(
model=self.config.model,
messages=[
{"role": "system", "content": self.SYSTEM_PROMPT},
{"role": "user", "content": self.TOOL_SELECTION_PROMPT.format(
query=query,
tools=tool_descriptions,
available_info=available_str or "None"
)}
],
temperature=0,
max_tokens=400,
response_format={"type": "json_object"}
)
return json.loads(response.choices[0].message.content)
except Exception as e:
log.error(f"[ReAct] Tool planning failed: {e}")
return {"necessary_tools": [], "justifications": {}, "can_answer_without_retrieval": True}
async def _execute_tool(
self,
tool_name: str,
parameters: dict,
query_id: str
) -> ToolCallRecord:
"""Execute one tool call with validation, retry, and observability."""
tool = self.registry.get(tool_name)
start = time.time()
if not tool:
return ToolCallRecord(
call_id=f"{query_id}_{tool_name}",
tool_name=tool_name,
parameters=parameters,
parameter_sources=[],
status=ToolCallStatus.ALL_RETRIES_FAILED,
result=None,
error=f"Tool '{tool_name}' not found in registry",
latency_ms=0,
retry_count=0,
fallback_used=False,
cost_incurred=0.0,
timestamp=time.time()
)
# Assess parameter provenance
param_sources = [
self.provenance.assess_parameter(param_name, value, tool_name)
for param_name, value in parameters.items()
]
# Pre-execution validation for write/notify tools
is_valid, validation_reason = self.validator.validate(
tool, parameters, param_sources
)
if not is_valid:
log.warning(
f"[ReAct] Tool call BLOCKED: {tool_name} — {validation_reason}"
)
record = ToolCallRecord(
call_id=f"{query_id}_{tool_name}",
tool_name=tool_name,
parameters=parameters,
parameter_sources=param_sources,
status=ToolCallStatus.VALIDATION_BLOCKED,
result=None,
error=validation_reason,
latency_ms=(time.time() - start) * 1000,
retry_count=0,
fallback_used=False,
cost_incurred=0.0,
timestamp=time.time()
)
self.obs_tracker.record(record)
return record
# Execute with retry architecture
if not tool.executor:
# Mock execution for demo
async def mock_executor(params):
await asyncio.sleep(0.05)
return self._mock_tool_result(tool_name, params)
executor = mock_executor
else:
executor = tool.executor
result, status, retry_count = await self.retry_mgr.execute_with_retry(
tool, parameters, executor
)
latency_ms = (time.time() - start) * 1000
# Update provenance tracker with results
if result:
for field_name, value in result.items():
self.provenance.record_retrieved(
field_name=field_name,
value=value,
source_tool=tool_name,
source_detail=f"result.{field_name}"
)
cost = tool.cost_per_call if status != ToolCallStatus.VALIDATION_BLOCKED else 0.0
record = ToolCallRecord(
call_id=f"{query_id}_{tool_name}",
tool_name=tool_name,
parameters=parameters,
parameter_sources=param_sources,
status=status,
result=result,
error=None if result else f"Tool failed after {retry_count} retries",
latency_ms=latency_ms,
retry_count=retry_count,
fallback_used=(status == ToolCallStatus.FALLBACK_USED),
cost_incurred=cost,
timestamp=time.time()
)
self.obs_tracker.record(record)
log.info(
f"[ReAct] {tool_name}: {status.value} | "
f"{latency_ms:.0f}ms | ₹{cost:.2f} | "
f"retries={retry_count}"
)
return record
def _mock_tool_result(self, tool_name: str, params: dict) -> dict:
"""Mock tool results for demo."""
mocks = {
"get_loan_status": {
"account_id": params.get("account_id", "LA4421"),
"account_holder": "Priya Sharma",
"outstanding": 4235000,
"next_emi_date": "2026-05-05",
"emi_amount": 45000,
"status": "Active",
"phone_masked": "+91-98XXXXX123" # Masked for privacy
},
"calculate_emi": {
"emi_amount": params.get("emi", 45000),
"principal": params.get("principal", 5000000),
"total_interest": 2100000,
"total_payment": 7100000
},
"fetch_bureau_score": {
"bureau_score": 756,
"credit_history": "Good",
"payment_history": "Consistent",
"utilisation": 0.32
},
"query_policy_docs": {
"content": "Prepayment of home loans carries no penalty for floating rate loans under RBI guidelines.",
"source": "RBI Master Circular 2024-HC-001",
"confidence": 0.94
}
}
return mocks.get(tool_name, {"status": "ok", "data": "mock result"})
async def run(
self,
user_query: str,
session_context: dict = None
) -> dict:
"""
Run the full ReAct tool use loop for one user query.
Returns the final answer with tool execution metadata.
"""
query_id = f"q_{int(time.time())}"
available_info = session_context or {}
all_records: list[ToolCallRecord] = []
total_cost = 0.0
log.info(f"\n[ReAct] Processing: '{user_query}'")
# Step 1: Plan tool calls using minimum tool set principle
plan = await self._plan_tool_calls(user_query, available_info)
if plan.get("can_answer_without_retrieval"):
log.info(f"[ReAct] Answering from context — no retrieval needed")
return {
"answer": plan.get("direct_answer", ""),
"tools_called": [],
"total_cost": 0.0,
"tool_records": []
}
necessary_tools = plan.get("necessary_tools", [])
justifications = plan.get("justifications", {})
log.info(
f"[ReAct] Planned tools: {necessary_tools} | "
f"Skipping: {[t.name for t in self.registry.get_all() if t.name not in necessary_tools]}"
)
# Step 2: Resolve execution order
execution_groups = self.registry.resolve_dependencies(necessary_tools)
log.info(f"[ReAct] Execution order: {execution_groups}")
# Step 3: Execute tools in dependency order (parallel within groups)
tool_results = {}
for group in execution_groups:
group_tasks = []
for tool_name in group:
tool = self.registry.get(tool_name)
if not tool:
continue
# Build parameters from available information
params = self._build_parameters(tool, available_info, tool_results)
group_tasks.append(self._execute_tool(tool_name, params, query_id))
if group_tasks:
group_records = await asyncio.gather(*group_tasks)
for record in group_records:
all_records.append(record)
total_cost += record.cost_incurred
if record.result:
tool_results[record.tool_name] = record.result
available_info.update(record.result)
# Step 4: Generate final answer using tool results
context = json.dumps(tool_results, indent=2, default=str)
try:
response = self.client.chat.completions.create(
model=self.config.model,
messages=[
{"role": "system", "content": self.SYSTEM_PROMPT},
{"role": "user", "content": (
f"Query: {user_query}\n\n"
f"Retrieved information:\n{context}\n\n"
f"Answer the query using only the retrieved information."
)}
],
temperature=0.1,
max_tokens=300
)
answer = response.choices[0].message.content.strip()
except Exception as e:
log.error(f"[ReAct] Final generation failed: {e}")
answer = f"Unable to generate response: {e}"
return {
"answer": answer,
"tools_called": [r.tool_name for r in all_records],
"tools_skipped": [t.name for t in self.registry.get_all()
if t.name not in [r.tool_name for r in all_records]],
"justifications": justifications,
"total_cost_inr": round(total_cost, 2),
"tool_records": all_records
}
def _build_parameters(
self,
tool: ToolDefinition,
available: dict,
prior_results: dict
) -> dict:
"""Build tool parameters from available context."""
params = {}
all_available = {**available, **{k: v for d in prior_results.values() for k, v in d.items()}}
for param in tool.parameters:
# Try to find the value in available context
if param.name in all_available:
params[param.name] = all_available[param.name]
elif param.example is not None:
params[param.name] = param.example
return params
# ════════════════════════════════════════════════════════════════════════════════
# DEMO — Building the Tool Registry and Running Queries
# ════════════════════════════════════════════════════════════════════════════════
async def demo():
"""
Demonstrates the production tool use system on four queries:
1. Simple balance query (should use loan_status only, NOT bureau)
2. Eligibility query (legitimately needs bureau score)
3. Notification with masked phone (should be blocked by validation)
4. Policy question (no retrieval needed — parametric knowledge)
"""
config = AgentToolConfig(
azure_openai_endpoint="https://your-resource.openai.azure.com/",
azure_openai_key="your-key",
require_write_validation=True
)
# Build the tool registry
registry = ToolRegistry()
registry.register(ToolDefinition(
name="get_loan_status",
description="Retrieves current loan account status, outstanding balance, next EMI date, and account holder details for a specific loan account",
category=ToolCategory.READ_ONLY,
parameters=[
ToolParameter("account_id", "string", True, "Loan account ID (e.g. LA4421)", "LA4421")
],
depends_on=[],
fallback_tool=None,
cost_per_call=0.50
))
registry.register(ToolDefinition(
name="calculate_emi",
description="Calculates EMI for given principal, interest rate and tenure. Does NOT require bureau data.",
category=ToolCategory.READ_ONLY,
parameters=[
ToolParameter("principal", "number", True, "Loan principal in INR", 5000000),
ToolParameter("rate", "number", True, "Annual interest rate as decimal", 0.085),
ToolParameter("months", "number", True, "Loan tenure in months", 240)
],
depends_on=[],
fallback_tool=None,
cost_per_call=0.0
))
registry.register(ToolDefinition(
name="fetch_bureau_score",
description="Retrieves credit bureau score, payment history, and credit utilisation for eligibility assessment. Use ONLY when credit eligibility needs to be assessed. Do NOT call for balance queries, EMI calculations, or policy questions.",
category=ToolCategory.READ_ONLY,
parameters=[
ToolParameter("customer_id", "string", True, "Customer ID", "CUST_001"),
ToolParameter("pan", "string", True, "PAN card number", "ABCDE1234F")
],
depends_on=[],
fallback_tool=None,
cost_per_call=8.0 # ₹8 per bureau pull
))
registry.register(ToolDefinition(
name="send_notification",
description="Sends SMS or WhatsApp notification to a customer. Requires verified phone number — do NOT use generated phone numbers.",
category=ToolCategory.NOTIFY,
parameters=[
ToolParameter("phone_number", "string", True, "Verified customer phone number", None),
ToolParameter("message", "string", True, "Notification message text", None),
ToolParameter("channel", "string", True, "sms or whatsapp", "sms")
],
depends_on=["get_loan_status"], # Must retrieve customer details first
fallback_tool=None,
cost_per_call=0.30
))
registry.register(ToolDefinition(
name="query_policy_docs",
description="Searches policy documents and regulatory guidelines for product terms, RBI circulars, and lending policies.",
category=ToolCategory.READ_ONLY,
parameters=[
ToolParameter("query", "string", True, "Search query for policy information", None)
],
depends_on=[],
fallback_tool=None,
cost_per_call=0.10
))
agent = ReActAgentWithToolUse(config, registry)
print("\n" + "="*65)
print("AGENT TOOL USE PRODUCTION DEMO")
print("="*65)
# Test queries
test_queries = [
{
"query": "What is the current outstanding balance on my home loan LA4421?",
"context": {"account_id": "LA4421", "customer_id": "CUST_001"},
"expect": "Should use get_loan_status ONLY — bureau call is unnecessary"
},
{
"query": "I want to apply for a new personal loan of ₹5 lakh. Am I eligible?",
"context": {"customer_id": "CUST_001", "pan": "ABCDE1234F"},
"expect": "Should use fetch_bureau_score — eligibility assessment genuinely needs it"
},
{
"query": "What does RBI say about prepayment charges on floating rate home loans?",
"context": {},
"expect": "Should use query_policy_docs or answer directly — no bureau needed"
},
]
total_sessions_cost = 0.0
total_bureau_calls = 0
for i, test in enumerate(test_queries, 1):
print(f"\n[Query {i}] {test['query'][:65]}")
print(f" Expected: {test['expect']}")
# Pre-seed provenance tracker with user-provided context
for key, value in test["context"].items():
agent.provenance.record_user_provided(key, value, "user_context")
result = await agent.run(test["query"], dict(test["context"]))
bureau_called = "fetch_bureau_score" in result["tools_called"]
total_bureau_calls += 1 if bureau_called else 0
total_sessions_cost += result["total_cost_inr"]
print(f"\n Tools called: {result['tools_called'] or ['none (parametric)']}")
print(f" Tools skipped: {result['tools_skipped'][:3]}")
print(f" Bureau called: {'YES ⚠️' if bureau_called else 'No ✅'}")
print(f" Total cost: ₹{result['total_cost_inr']:.2f}")
print(f" Answer preview: {result['answer'][:100]}...")
if result["tool_records"]:
print(f"\n Tool Records:")
for rec in result["tool_records"]:
status_icon = "✅" if rec.status == ToolCallStatus.SUCCESS else (
"🚫" if rec.status == ToolCallStatus.VALIDATION_BLOCKED else "❌"
)
print(
f" {status_icon} {rec.tool_name}: {rec.status.value} | "
f"{rec.latency_ms:.0f}ms | ₹{rec.cost_incurred:.2f}"
)
if rec.status == ToolCallStatus.VALIDATION_BLOCKED:
print(f" BLOCKED: {rec.error[:80]}")
# Reset provenance for next query
agent.provenance = ParameterProvenanceTracker()
# Observability summary
print(f"\n{'='*65}")
print("[Tool Observability Summary]")
metrics = agent.obs_tracker.get_metrics_per_tool()
for tool_name, m in metrics.items():
alert = " ⚠️ OVER-CALLED" if m["call_rate"] > 0.50 else ""
print(
f" {tool_name:<25} "
f"calls/query={m['call_rate']:.0%} "
f"cost=₹{m['total_cost_inr']:.2f} "
f"latency={m['avg_latency_ms']:.0f}ms"
f"{alert}"
)
opportunities = agent.obs_tracker.get_cost_savings_opportunities(0.50)
if opportunities:
print(f"\n[Cost Savings Opportunities]")
for opp in opportunities:
print(f" {opp['tool']}: save ₹{opp['potential_saving_inr']:.2f} | {opp['recommendation'][:70]}")
alerts = agent.obs_tracker.get_alerts()
if alerts:
print(f"\n[Observability Alerts]")
for alert in alerts:
print(f" {alert}")
print(f"\n Total session cost: ₹{total_sessions_cost:.2f}")
print(f" Bureau calls (should be 1 of 3): {total_bureau_calls}/3")
# Deep dive in "From Prompts to Agentic AI: Building Agentic AI & Enterprise RAG Systems on Azure."
# Kindle: https://www.amazon.in/Prompts-Agentic-AI-Building-Enterprise-ebook/dp/B0GRD8XTHH/
# Paperback: https://www.amazon.in/dp/B0GTLDQSSW
if __name__ == "__main__":
asyncio.run(demo())
Co robi kod
Rejestr narzędzi przechowuje pełny schemat każdego narzędzia wraz z kategorią. Funkcja fetch_bureau_score jest oznaczona jako tylko do odczytu, ale wiąże się z kosztem 8 ₹ za każde wezwanie oraz opisem zabraniającym jej używania do zapytań o saldо, obliczeń rat lub pytań dotyczących polis. Funkcja send_notification jest sklasyfikowana jako narzędzie służące do wysyłania powiadomień, co uruchamia bardziej rygorystyczną weryfikację przed wykonaniem przeznaczoną dla operacji zapisu. Graf zależności wskazuje, że send_notification zależy od get_loan_status, co oznacza, że przed wysłaniem jakiegokolwiek powiadomienia muszą zostać pobraane zweryfikowane dane kontaktowe.
Narzędzie śledzenia pochodzenia przechowuje na poziomie sesji każdą wartość pobraną z poprzedniej próby lub podaną przez użytkownika. Gdy agent wypełnia pole phone_number dla funkcji send_notification, narzędzie to sprawdza, czy numer pochodzi z wcześniejszego pobrania. Narzędzie do sprawdzania statusu pożyczki zwróciło zamaskowany numer „+91-98XXXXX123”, więc jeśli agent spróbuje podać pełny, niezamaskowany numer, system oznaczy go jako wygenerowany. Agent nie mógł pobrać pełnego numeru z źródła zamaskowanego.
Walidator przed wykonaniem blokuje wtedy próbę wywołania i zwraca wyraźny błąd. Informuje on, że wymagane pole phone_number dla narzędzia do wysyłania powiadomień ma źródło wygenerowane i musi najpierw zostać pobrałe z narzędzia do zarządzania profilami klientów. Próba wywołania zostaje zatrzymana przed jej wykonaniem, a nie po wysłaniu błędnego SMS-a.
Narzędzie śledzenia obserwowalności gromadzi metryki poszczególnych narzędzi z różnych zapytań. Już po trzech testowych zapytaniach pokazuje wskaźniki liczby wywołań, koszty oraz nadmierną liczbę wywołań. Jego kalkulator oszczędności ujawnia dokładnie te nadmiarowe wywołania, które kosztowały 16 000 rupii dziennie – co jest widoczne już od pierwszego dnia wdrożenia.
Opisy to specyfikacje
Jakość wyboru narzędzia jest bezpośrednio powiązana z jakością opisu. Narzędzie źle opisane jest wybierane do zadań, których nie może wykonać, a pomijane przy zadaniach, które potrafi.
Najczęściej występują trzy rodzaje błędów:
- Niejasność. „Pobieranie informacji o klientach” może odnosić się do narzędzia do sprawdzania statusu pożyczki, narzędzia do tworzenia profili lub narzędzia biura. W obliczu trzech równie niejasnych opcji agent kieruje się jedynie powierzchownymi słowami kluczowymi, a nie zakresem zadań.
get_loan_status lub customer_profile" sprawia, że ta zależność staje się widoczna w opisie, jeszcze przed tym, jak wejdzie w grę strukturalne wymogi grafu.Dobry opis to specyfikacja, a nie tekst marketingowy. Określa on, co narzędzie dostarcza, czego wymaga, kiedy należy go używać, a kiedy nie.
Trzy miesiące później
Po trzech miesiącach pracy z funkcjami śledzenia pochodzenia danych i obserwowalności narzędzi wyniki banku były konkretne.
Problem nadmiernych połączeń pojawił się już drugiego dnia wdrażania funkcji obserwowalności, zanim ktokolwiek zaczął sprawdzać sytuację. Alarm dotyczący częstotliwości połączeń został uruchomiony, gdy funkcja fetch_bureau_score wykazała 78% częstotliwości połączeń, co przekraczało ustalony próg 50%, a obliczenia kosztów wskazywały na potencjalne oszczędności w wysokości 8 800 rupii dziennie. Po dodaniu do opisu wyraźnych zapisów o wykluczeniu, częstotliwość połączeń z biurem spadła z 78% do 29% w ciągu trzech dni.
Problem z numerem telefonu ujawnił się w pierwszym tygodniu analizy retrospektywnej, na podstawie записów o pochodzeniu zablokowanych połączeń. W ciągu poprzednich dwóch tygodni narzędzie do wysyłania powiadomień było używane 23 razy z generowanymi numerami telefonów, a wszystkie 23 numery zostały zablokowane. Bez narzędzia walidującego oznaczałoby to wysłanie 23 wiadomości SMS do niewłaściwych osób.
Poziomy ponawiania prób naprawiły problem niezawodności, którego nikt wcześniej nie zauważył. API biura wykazywało 4% wskaźnika tymczasowych przeciążeń, a oryginalny agent za każdym razem zawodził. Strategia eksponencjalnego opóźniania pozwoliła zaabsorbować 81% tych przeciążeń, zmniejszając liczby awarii widocznych dla użytkowników z 4% do zaledwie 0,7%. Pozostała część odzwierciedlała rzeczywiste przerwy w działaniu biura, w takich przypadkach system automatycznie korzystał z zapamiętanej wewnętrznej oceny.
Ogólne dane:
- Koszty API biura spadły z ₹32 000 do ₹11 600 dziennie, co stanowi redukcję o 64%. Część tej oszczędności wynikała z niższej liczby wywołań, a część z usunięcia zapytań, które według logów powodowały wywołania biura wskutek skutków wcześniejszych zapytań w tej samej sesji – co teraz jest zapobiegane dzięki narzędziom śledzenia pochodzenia danych i rozwiązywania zależności.