Agents that επιβιώνουν production.

Οκτώ έως δεκατέσσερις εβδομάδες από το kick-off μέχρι το rollout στην παραγωγή. Το discovery περιλαμβάνεται αν το κάνουμε μαζί· αλλιώς δουλεύουμε από το υπάρχον spec σας.

Σε εσάς. Το repo ζει στην org σας από την πρώτη μέρα. Εμείς κάνουμε commit εκεί. Δεν τρέχουμε τίποτα proprietary που δεν μπορείτε να αναπαράγετε.

Κάθε release περνά από eval gates: ντετερμινιστικοί έλεγχοι (schema, latency, cost), κάλυψη tool-call και spot checks LLM-judge. Το deploy σταματά αν κάποιο regression περάσει.

Budgets ανά κλήση και ανά ημέρα. Cap-άρουμε το context με retrieval-truncation, δρομολογούμε σε φθηνότερα μοντέλα όπου το επιτρέπουν τα evals και πέφτουμε σε ντετερμινιστικά paths υπό πίεση κόστους.

Κάθε path έχει fallback. Ντετερμινιστική λογική πιάνει τις συχνές περιπτώσεις· το path του agent κάθεται από πάνω. Το rollback είναι αλλαγή route μιας γραμμής πίσω από feature flag.

Δύο εβδομάδες shadowing στη ράμπα, runbook + eval suite παραδίδονται στο repo σας, επικάλυψη on-call για το πρώτο incident. Μετά είναι δικό σας.

Faithfulness (η απάντηση πηγάζει από τα έγγραφα που αναφέρονται;), grounding (οι αναφορές είναι πραγματικές;) και recall (βρήκαμε τα σωστά έγγραφα;). Κάθε release τρέχει το suite.

Ναι. Η durable execution καταγράφει inputs σε κάθε βήμα. Replay σε γνωστό-κακό input αναπαράγει την αποτυχία ακριβώς, συμπεριλαμβανομένων μη-ντετερμινιστικών LLM κλήσεων όταν το μοντέλο είναι seedable.

Κάθε agent έχει τυπωμένη ταυτότητα + mTLS by default. Χρησιμοποιούμε scoped tokens με σύντομη ζωή· οι κλήσεις μεταξύ agents φέρουν trace IDs ώστε ο auditor να ανακατασκευάσει τη ροή.

Μόνο additive by default, με πεδίο `version` σε κάθε envelope και deprecation policy που ελέγχεται στο CI. Οι breaking changes περνούν από παράθυρο παράλληλων εκδόσεων.