抢先看，Salesforce 的 Agentforce 是如何工作的？

2024-10-14

Agentforce允许组织为不同业务部门的任务构建和管理自主代理，事实上，“每个应用程序中都有一个Agentforce”。有可能建立销售代理、服务代理、营销代理、商务代理和平台代理。

但是，这一切是如何运作的呢?我们将使用哪些构建块来配置代理?Salesforce主张通过点击即可轻松构建代理，而无需编写代码。这得到了许多访问Dreamforce“Agentforce Launchpad”部分的与会者的支持，他们说Agentforce确实“有效”，就像Salesforce所说的那样具有声明性。

那么，构建代理的过程实际上是如何运作的呢？我们将介绍代理功能的主要组成部分，并从 Dreamforce '24 主题演示中获得见解，其中 Saks 的服务代理 Sophie在演示中 接受了测试。

Agent描述：

在 Agent Builder（Agentforce Studio 的一部分）中构建代理。代理的配置是关键的起点。这是用自然语言完成的（即你与另一个人对话的方式），正如 Salesforce 所说，“如果你能描述它，Agentforce 就能做到”。下面显示了界面、其中设置了角色、代理名称和描述。

渠道是人类和代理相互沟通的方式，例如电子邮件、语音、WhatsApp等。

请注意，Agent Builder 界面有四个部分：

• 左侧边栏，用于在代理设置之间导航（我们将在本指南中详细介绍）。
• 左侧面板，显示您当前所在的设置页面。
• 右侧面板，允许您启动对话来测试您的代理。
• 中间面板，将显示试驾输出。

注意：有一些开箱即用的代理可以在引导设置中启用，例如Sales agents。

Agent主题：

主题是代理的基本构建块，决定了他们可以执行的操作范围。考虑主题的另一种方法是信息的类别，例如，订单管理主题可以使代理访问订单历史记录数据并更改产品规格。请参阅下图中的“此代理的主题”。

在 Dreamforce '24 主题演讲演示中，代理能够为客户的一些疑问提供答案/结果；然而有些问题无法解决，因为代理没有分配这些主题。这是护栏概念的一部分（代理不能做的事情）。

检查主题的配置，查看主题的描述和范围。

Topic操作：

除了主题之外，操作是代理的另一个构建块。操作与主题紧密相连。下面，看看代理已分配的一些操作（即他们可以做什么）。这些实际上是流。

从 Salesforce 设置中查看 Agentforce 操作，并从主题中查看子选项卡中分配的操作：

分配主题操作：

分配组织中可用的其他操作就像从弹出窗口中显示的列表中勾选操作一样简单。

创建新主题操作：

弹出屏幕要求添加引用操作类型（Apex、Flow、提示或 Mulesoft API）。然后，参考已经创建的流程/API 库。

在此示例中，新的Agentforce操作需要通过MuleSoft调用（因为此数据源没有直接集成）。选择MuleSoft API和数据源API。值得注意的是，现在这个代理查询可以像人类用户一样与这些API进行交互。

添加 API 后，就有机会编辑输入和输出。

Atlas推理引擎（测试您的代理）：

返回 Agentforce Builder，您可以利用中间和右侧面板来测试您的代理。这让 Atlas 推理引擎走出阴影，进入用户界面。

给出提示后，按照代理的推理一步一步地进行：

• 确定相关主题。
• 查看正在发生的操作（通过flow查询 CRM 数据库）。
• 返回正确的记录。
• 原因（即确认回复是准确的，换句话说就是 “有根据的”）。

部署此代理后，它将能够使用代理描述中列出的通道运行，您无需对每个通道重复此过程。

Omni主管：

您可能已经熟悉 Omni Supervisor，它最初是一个与 Service Cloud 绑定的功能，用于管理人员监督客户服务代理团队。现在，Omni Supervisor 正被重新用于代理。

实时查看整体趋势和座席工作情况（前几次交互如下图所示）。您甚至可以监听正在进行的或最近关闭的对话，这些对话在表格中标有摘要列。

Agentforce和 Data Cloud如何协同工作：

现在我们进入为 Agentforce 提供动力的真正“具体细节”：数据。可用于培训座席的数据可以是结构化的（例如 Salesforce 记录）或非结构化的（例如电子邮件、语音备忘录）。Data Cloud 中的矢量数据库使处理非结构化数据成为可能。

数据云已成为 Salesforce 平台的基础，简单来说，它让数据在各种 Salesforce 应用程序（“云”产品）之间流动。Agentforce 是这些应用程序之上的一层，可满足这些应用程序支持的用例。

检索增强生成（RAG）：

大型语言模型 （LLM） 可以通过提示来介绍您的组织，提示是发送给 LLM 的一组指令来教授它。

Salesforce使用一种称为检索增强生成（RAG）的技术，该技术位于Atlas推理引擎中，并与Data Cloud一起产生反馈循环。一旦Data Cloud和RAG协同工作，用户或代理发出的请求（提示）就会变成“增强提示”（即更符合上下文、更相关）。

通过搜索data Cloud排序的所有数据，提示的输出会得到改善，反过来，AI（LLM）会更多地了解您的业务。

新的数据流：

正如我们在 Agentforce 演示中看到的那样，高度上下文响应所需的数据可能不会直接驻留（存储）在 Salesforce 中。关于如何将这些数据导入 Agentforce 以使其可用，有几个选项：

• Data Cloud 摄取：设置新的数据源，按计划将数据导入 Data Cloud。

• 零拷贝：建立一个新的数据源来“虚拟化”记录数据（即你不需要将数据从源系统移动和存储到 Salesforce 平台上）。

• MuleSoft API（如本指南前面所示）。

示例：您希望连接驻留在Snowflake内部的订单管理系统数据，而Snowflake恰好是Salesforce提供的一个开箱即用的连接器。

数据图表：

数据图使您能够可视化数据模型对象 （DMO） 之间的关系，甚至可以深入到多个层次。这有助于您在编写提示/指示 Agentforce 代理时调查是否有正确的数据可用，这将是生成最佳和准确输出所必需的。

实时数据图根据摄取的数据执行更快的身份解析、细分和操作，以确保数据可供Agentforce使用。

数据图显示了每个触摸点数据是如何连接的。

内部提示生成器：

在后台，操作（正如我们之前看到的）来自提示。您可以创建新的或编辑现有的提示，使其更“智能”。选择您选择的模型 （LLM），该模型将在提示符下运行（请参阅右侧面板中的内容）。Salesforce 中的提示工程是低代码的，这要归功于简洁的用户界面，可指导您完成预览和反馈毒性评级。

搜索索引：

检索增强生成 （RAG） 是 Altas 推理引擎的“推理”部分，换句话说，它是 Agentforce 背后的“大脑”。

为了改进从Data Cloud 中的大量数据中检索到的结果，您可以设置一个搜索检索器。这将从连接的数据流中检索正确的数据，然后用这些丰富的数据作为提示的基础。在提示中分配搜索参数。您可以选择三种类型的设置：“简易设置”、“高级设置”或“从 数据工具包”（可以安装到 Data Cloud 中的元数据和数据关系包）。

- end - 

 关于翼攀

上海翼攀信息科技有限公司简称“翼攀”（slipstream），是一家基于Salesforce.com，为企业提供按需定制的CRM（客户关系管理）软件服务供应商，提供专业的Salesforce咨询、实施、培训、运维等服务。