ഇത് എങ്ങനെ ശ്രദ്ധിക്കപ്പെടാതെ പോകുന്നു
ബിൽഡ് പരാജയപ്പെട്ടു, പക്ഷേ ഏജന്റ് ഒരു സംഗ്രഹം എഴുതാൻ നേരത്തേ തന്നെ നീങ്ങി. അത് വീണ്ടെടുത്തോ, അതോ ഒരു പ്രധാന പരാജയം രണ്ട് ഘട്ടങ്ങൾക്കിടയിൽ അദൃശ്യമായോ? അടുത്ത ആക്ഷൻ പലപ്പോഴും ഒരു ഉപകാരപ്രദമായ അവലോകനം ആരംഭിക്കേണ്ടിടമാണ്.
തിരക്കേറിയ ഒരു സെഷനിൽ, ഒരു വ്യത്യസ്ത ടൂൾ കോളിനു തൊട്ടുമുമ്പ് ഒരു പിശക് കടന്നു പോകാം. ഏജന്റിന് സാധുവായ ഒരു വീണ്ടെടുക്കൽ തന്ത്രം ഉണ്ടാകാം. അല്ലെങ്കിൽ പരാജയം കൈകാര്യം ചെയ്യാതെ അത് മുന്നോട്ടു പോകുന്നുണ്ടാകാം. ഏതു വഴിയായാലും, തീരുമാനിക്കാൻ ചുറ്റുമുള്ള ക്രമം ആവശ്യമാണ്.
ClawMetry എന്ത് detect ചെയ്യുന്നു
ClawMetry ഒരു പരാജയപ്പെട്ട ടൂൾ ഫലത്തിനു ശേഷം അംഗീകൃത പുനശ്ചേഷ്ട അല്ലെങ്കിൽ സ്ഥിരീകരണമില്ലാതെ തുടർ പ്രവർത്തനം ഫ്ലാഗ് ചെയ്യുന്നു. ഇത് ഒരു വിവര ആക്ഷൻ ഡിസ്ക്രിപ്പൻസി കണ്ടെത്തൽ സൃഷ്ടിക്കുന്നു. ആ കുറഞ്ഞ തീവ്രത പ്രധാനമാണ്: ഇത് ഏജന്റ് ഉദ്ദേശ്യത്തെ കുറിച്ചുള്ള ഒരു വിധിയല്ല, മറിച്ച് ട്രാൻസിഷൻ പരിശോധിക്കാനുള്ള ഒരു പ്രേരണയാണ്.
Finding മാറ്റുന്ന വ്യത്യാസം
Trigger ആകുന്ന ഉദാഹരണം
പരാജയം, വ്യത്യസ്ത ടൂൾ
വിവര കണ്ടെത്തൽ
നിശബ്ദ താരതമ്യം
പരാജയം, ഒരേ ടൂളിന്റെ പുനശ്ചേഷ്ട
ഈ detector-ന് finding ഇല്ല.
പരിശോധിച്ച ഉദാഹരണം ഒരു ഷെൽ ബിൽഡ് പരാജയപ്പെടുത്തുകയും പിന്നീട് ഒരു വ്യത്യസ്ത ടൂൾ വിളിക്കുകയും ചെയ്യുന്നു. ഇത് ഒരു വിവര കണ്ടെത്തൽ ഉയർത്തുന്നു. ഒരേ ടൂളിലേക്ക് ഒരു പരാജയം തുടർന്ന് മറ്റൊരു കോൾ ഒരു പുനശ്ചേഷ്ടയായി കണക്കാക്കി ഈ ഡിറ്റക്ടർക്ക് നിശ്ശബ്ദമായി തുടരുന്നു.
Detector result പരിശോധിക്കുക
{
"kind": "action_discrepancy",
"severity": "info",
"evidence": {
"failed_tool": "Bash",
"continued_as": "tool_call"
}
}Inputs-ഉം complete results-ഉം download ചെയ്യുക (JSON)ഉദാഹരണം എങ്ങനെ പരിശോധിച്ചു
ഈ ഉദാഹരണങ്ങൾ authored event data-യോ disposable configuration files-ഓ ഉപയോഗിച്ച് published detector evaluate ചെയ്യുന്നു. Videos ആ behaviors ചിത്രീകരിക്കുന്നു. ഇവ live agents-ന്റെയോ product interface-ന്റെയോ recordings അല്ല. ഉദാഹരണങ്ങളിലെ ഒരു command-ഉം execute ചെയ്തിട്ടില്ല.
Result ഈ inputs-നുള്ള behavior സ്ഥാപിക്കുന്നു. Runtime ingestion, prevention, അല്ലെങ്കിൽ real compromise സ്ഥാപിക്കുന്നില്ല. Pinned source contract പരിശോധിക്കുക.
അടുത്തതായി എന്ത് പരിശോധിക്കണം
പരാജയപ്പെട്ട ഘട്ടം അതിനു ശേഷം എന്തു സംഭവിച്ചുവെന്നതുമായി താരതമ്യം ചെയ്യുക. പുതിയ ആക്ഷൻ ഒരു വീണ്ടെടുക്കൽ പാതയായിരുന്നോ? പിശക് മറ്റെവിടെയെങ്കിലും സ്ഥിരീകരിച്ചോ? ഒരു പൂർത്തീകരണ റിപ്പോർട്ടിൽ ആശ്രയിക്കുന്നതിനു മുമ്പ്, പരാജയപ്പെട്ട ഓപ്പറേഷൻ ഉത്പാദിപ്പിക്കാൻ ഉദ്ദേശിച്ചിരുന്ന അടിസ്ഥാന ഫലം പരിശോധിക്കുക.
- Failed result പരിശോധിക്കുക
- Recovery path പരിശോധിക്കുക
- അവകാശപ്പെട്ട ഫലം പരിശോധിക്കുക
ഈ signal എന്ത് സ്ഥാപിക്കുന്നു
ഡിറ്റക്ടർ അന്തിമ പൂർത്തീകരണ അവകാശവാദം പരിശോധിക്കുന്നില്ല. മറ്റൊരു ടൂളിലൂടെ നിയമസഹിതമായ വീണ്ടെടുക്കലും ഇതുമായി പൊരുത്തപ്പെടാം.