Las aplicaciones web modernas a menudo sufren de errores que son difíciles de resolver para los agentes automatizados porque estos carecen de un contexto profundo. Cuando se le asigna a un agente de IA la tarea de corregir un error basándose únicamente en observaciones superficiales —como una grabación de pantalla, un registro de red o un error de consola—, a menudo debe adivinar la causa subyacente. Si la suposición es incorrecta, el agente puede entrar en un ciclo de reparaciones fallidas, lo que potencialmente empeora el problema. Replay, una empresa centrada en la observabilidad, sostiene que el ingrediente que falta para una corrección de errores automatizada fiable es la "observabilidad perfecta": una forma de que los agentes vean cada sentencia ejecutada, cada cambio de estado y cada dependencia de datos sin pérdida de detalle.
Para proporcionar este contexto, Replay utiliza un depurador de viaje en el tiempo para Chromium y Node.js. Esta tecnología captura entradas no deterministas con una sobrecarga baja, lo que permite que el entorno de ejecución se reproduzca de forma determinista. Al grabar estas interacciones, el sistema puede desglosar la ejecución en una base de datos donde cada punto del comportamiento de la aplicación puede ser consultado. Esto permite que un agente de IA trabaje hacia atrás desde un fallo hasta la causa raíz exacta. Por ejemplo, mientras que una herramienta de QA estándar podría identificar un "botón muerto" y proporcionar un script de reproducción, Replay QA puede identificar el manejador `onClick` específico que falta en un componente de React y proporcionar la evidencia necesaria para que un agente verifique y corrija el código directamente.
En un experimento reciente, Replay QA se ejecutó en 40 aplicaciones promovidas por herramientas importantes de creación de aplicaciones, lo que resultó en la identificación de más de 900 errores. El sistema maneja problemas complejos como los cambios de diseño proporcionando informes que incluyen factores contribuyentes como commits específicos de React, solicitudes de red y valores de variables en funciones de renderizado. Sin embargo, aunque Replay QA proporciona el "qué" y el "porqué" de un error, la reparación real todavía es realizada por un agente o una "fábrica de software" que convierte los problemas detectados en casos de prueba duraderos. Además, algunos desarrolladores argumentan que los registros existentes y los pasos de reproducción ya pueden proporcionar contexto suficiente para agentes capaces, sugiriendo que la necesidad de un depurador de viaje en el tiempo completo depende de la sofisticación del agente que se esté utilizando.
Esta imagen sirve como el recurso visual principal para la publicación de blog de Replay QA que analiza su metodología para la corrección automatizada de errores.