Seguimiento de la ejecución de tareas del agente de IA en un pequeño equipo de desarrollo

He estado explorando cómo los equipos pequeños pueden mantener visible el trabajo de los agentes de IA sin crear otro flujo de trabajo desconectado.

Imagina esta configuración:

  • Un desarrollador crea una tarea.

  • Un agente de codificación de IA recibe la asignación.

  • El agente ejecuta la tarea utilizando su Runtime de codificación conectado.

  • El progreso, los obstáculos y los resultados se registran.

  • Un humano revisa el resultado antes de aceptarlo.

El desafío no es solo activar un agente. Se trata de mantener el contexto de la tarea y el estado de ejecución visible para todos.

Sharkly.ai aborda esto a través de un espacio de trabajo de tareas compartido donde tanto personas como agentes pueden ser asignados. Se puede utilizar junto con herramientas de automatización, aunque no estoy afirmando una integración nativa con n8n.

Un posible flujo de trabajo de n8n sería recibir eventos de estado de tareas a través de un webhook, registrarlos en una base de datos o hoja de cálculo, y notificar a un canal del equipo cuando un agente esté bloqueado.

Para equipos pequeños, Sharkly actualmente ofrece su producto completo de forma gratuita para hasta cinco personas. La ejecución del modelo sigue utilizando el plan de codificación conectado o la cuenta de API del equipo.

¿Cómo estás rastreando actualmente las ejecuciones y fallos de agentes en flujos de trabajo de n8n?

Hi @Herve_Kom1, good framing — the hard part really is visibility, not just triggering the run.

The pattern I use in n8n is to treat every agent run as a first-class record, not as a log line buried inside an execution:

  1. One webhook per status event — started, progress, blocked, failed, completed — carrying task_id, run_id, agent, status, and a short error or blocker note. Each event appends to a table (a spreadsheet works fine for a small team), and a second view shows only the latest status per task_id, so the team always sees the current state without digging through executions.
  2. A heartbeat / stale-run check — a scheduled workflow that flags any run still showing as “running” past its expected window. That catches the silent failures that never send a “failed” event, which in my experience are the ones that actually slip through.
  3. A human review gate before “accepted” — the agent’s output lands as “ready for review”, and only a human approval moves it to accepted. That keeps the audit trail clean: attempted, reviewed, and accepted are three different states, not one vague “done”.

For a small team, I would keep it boring on purpose: one table, one status webhook, and one daily digest of blocked and stale runs to the team channel. The fancy dashboard can wait until the statuses themselves are reliable.

Curious — are your agents reporting back over HTTP today, or would that status webhook be a new piece to add?