Bestemmelse af agent- og traditionel arbejdsflowautomatisering

Med Agentforce kan virksomheder nu låse op for nye paradigmer for automatiseret arbejde, der ikke let kan reduceres til regler. Disse nye funktioner omfatter løsning af kundehensigt fra ustrukturerede samtaler, koordinering af processer for flere parter på tværs af systemer og besvarelse af driftsbetingelser i realtid. Agentiske arbejdsflows bruger automatisering, der er designet til at argumentere mod resultater i stedet for at udføre foruddefinerede trin. Opfyldelse af dette behov kræver en platform, der fungerer på tværs af det fulde spektrum af automatiseringskompleksitet, og en struktur, der viser, hvor hver funktion passer.

Agentforce kombinerer Einstein Trust Layer, Reasoning Engine, Agent Script, Flow, Apex og Data 360 i en enkelt, forenet platform. Denne kombination håndterer alt fra enkel registreringsudløserautomatisering til kompleks orkestrering med flere agenter på tværs af voice, vision, dokumenter og telemetri i realtid. MuleSoft udvider denne platform med MuleSoft-tekst, styring og krydssystemorkestrering, der er nødvendig for at tilslutte agentarbejdsflows på tværs af en virksomhed. Agentforce Operations (tidligere Agentforce Supply Chain) anvender disse funktioner til de specifikke krav i drifts- og produktionsprocesser.

Denne vejledning introducerer strukturen for orkestreringstæthed og retningslinjer for at træffe informerede beslutninger på tværs af dette produktlandskab. Strukturen giver arkitekter en gentagelig tilgang til at vælge de rigtige værktøjer og mønstre ved brug af tæthedsniveauer for intelligente automatiseringsanvendelsessituationer på Salesforce Platform.

Agentforce repræsenterer en grundlæggende ændring i, hvordan arbejdet udføres på Salesforce Platform, fra regelbaseret automatisering til argumentbaserede arbejdsflows. For at låse dets potentiale op, skal arkitekter træffe bevidste, informerede beslutninger om, hvor agenterne passer, hvordan de er sammensat, og hvad de orkestrerer. Følgende principper giver en retningslinje, der kan gentages, for agentmæssige beslutninger.

• Brug det rigtige værktøj til den rigtige opgave. Brug orkestreringstæthed baseret på kørselssti, modalitetsmiks og målkompleksitet til at bestemme den bedst tilpassede løsning.

  • Brug traditionel automatisering med forløb og Apex til regelbaseret deterministisk arbejde, hvor resultatet kan omfatte og defineres fuldstændigt af et sæt regler. Traditionel automatisering resulterer i en statisk kørselssti, der garanterer forudsigelige og gentagne resultater og er afgørende for revisionsmuligheder. Vælg traditionel automatisering for opgaver, der kræver streng overholdelse og juridisk overholdelse.

  • Brug Agentforce Grid til anvendelsessituationer med masseafledning med lav til medium orkestreringskompleksitet. Dette mønster bruger generative argumenter med en enkelt drejning til at klassificere, score eller opsummere data på tværs af en stor mængde CRM-registreringer, hvilket sikrer kørsel med høj gennemsnit med øjeblikkelig revisionsmulighed.

  • Brug Agentforce med Agent Script til opgaver, der har åbne mål, hvor det ønskede resultat er kendt, men den nøjagtige kørselssti ikke kan angives på designtidspunktet. Anvend dette mønster på krav, der kræver begrundelse via guidet deterministisme for at sikre forudsigelige og sporbare resultater.

  • Brug Agentforce Operations til at strømline og automatisere samarbejdsprocesser med AI-aktiveret administration til arbejdsflows i forsyningskæden.

• Undgå at anvende agentiske arbejdsflows på anvendelsessituationer med lav orkestreringsdensitet. Evaluer afvejninger mellem traditionel og agentautomatisering for funktionelle og ikke-funktionelle krav. Traditionel automatisering kan tilbyde den skalering, pålidelighed og ydeevne, der kræves for din anvendelsessituation.

• Anvend en hybrid tilgang til agentautomatisering, der kombinerer Agentforce og traditionel automatisering med forløb og Apex, når denne synergi giver større værdi end at bruge enten agent- eller traditionel automatisering i isolation.

Salesforce sObject er traditionelt det primære indgangspunkt for registreringsautomatisering. Systemet kører logik baseret på regler, startende umiddelbart efter en DML-begivenhed (Data Manipulation Language), f.eks. indsæt, opdater eller slet. For at bestemme mellem værktøjer til effektiv registreringsudløst automatisering introducerede vi Automation Density som et middel til at måle systemets kompleksitet under hensyntagen til automatiseringsmængde, registreringsvolumen og afhængighedsudbredelse. Traditionel automatisering er begrænset af det omfattende forarbejde, der kræves for at bringe data ind i en struktureret, skemakompatibel og regelbaseret konstruktion.

Agentisk automatisering opgraderer traditionel automatisering ved brug af brugerhensigt eller ustrukturerede data som det input, hvor der kan anvendes argumentation for at nå et ønsket resultat. Arkitekter skal beslutte, hvornår de skal anvende sandsynlighedsmæssig resonans for multi-modale ustrukturerede data, og hvornår de skal håndhæve guidede, deterministiske arbejdsflows for at reducere risikoen for uforudsigelige resultater.

Når kravet skifter fra at køre regelbaserede trin til at argumentere mod resultater, skal arkitekter have en standardiseret struktur til at evaluere grundlæggende dybde og målkompleksitet for den foreslåede løsning.

Orkestreringstæthed er målet på kompleksitet i et agentarbejdsflow. Tre faktorer bestemmer orkestreringstæthed: kørselssti, målkompleksitet og modalitetsmix. Mens automatiseringstæthed måler den fysiske kompleksitet af systemets regler og mængde, måler orkestreringstæthed argumenteringskompleksiteten af agentens sti mod et mål. Brug den sammensatte orkestreringstæthed til at evaluere dine designkrav og tilknytte til den arkitektoniske standard.

• Kørselssti: Den grad, hvormed arbejdsflow kan være fuldt omfanget og angivet på designtidspunktet. Et fuldt angivet arbejdsflow betyder, at arbejdsflowet definerer hver forgrening og hvert resultat, der resulterer i en foruddefineret kørselssti. Et ikke-specificerbart arbejdsflow har en sti, der kan vises under kørsel gennem argumentation mod kontekstdata og instruktioner.
• Målkompleksitet: Antallet af særskilte resultater, beslutningspunkter og stivariationer, som arbejdsflowet skal løse på kørselstidspunktet. Et arbejdsflow med lav kompleksitet håndterer en enkelt indeholdt opgave med et foruddefineret resultat, mens et mål med høj kompleksitet strækker sig over flere faser med konkurrerende eller konfliktende mål med kantsager, der ikke kan forudsiges på designtidspunktet.
• Modalitetsmix: Området af inputtyper, som et arbejdsflow skal behandle, og de outputformularer, det skal oprette. En lav modaldialogboks læser CRM-standardfelter og opretter registreringsopdateringer. En medium-modalitet forbruger en blanding af strukturerede CRM-felter og statiske, ustrukturerede data, f.eks. mailbrødtekster eller sagsafskrifter, til at oprette registreringsopdateringer. En høj modalitetsmix forbruger dynamiske streams i realtid, f.eks. live-lyd eller telemetri og opretter multi-modale output på tværs af flere eksterne systemer.

Bestemmelse af det relevante orkestreringstæthedsniveau kræver sekventiel evaluering af kørselsstien, målkompleksitet og modalitetsmiks. Undersøg kørselsstien først. Hvis en sti er fuldt angivet, kan du starte med traditionel automatisering. Brug af en agentløsning til kun at orkestrere og eksekvere en deterministisk sti uden noget argumenteringskrav er et anti-mønster. Det fører til agentudvidelse (overdreven, ikke-administreret udbredelse af AI-agent) og agentskråning (lav kvalitet, unødvendigt AI-genereret output), hvilket resulterer i dårlige værdiafkast.

For delvise eller ikke-specificerbare stier skal du fortsætte med at evaluere målkompleksitet. Hvis målkompleksiteten er veldefineret, men visse noder langs stien har brug for sandsynlighedsevalueringer, kan du overveje at kalde agenter fra Forløb eller Apex for at opfylde det specifikke lokaliserede behov. Hvis trinene i kørselsstien i stedet kræver et eller flere AI-styrede krav på tværs af et stort sæt registreringer, kan du overveje Agentforce Grid. Gitter understøtter flertrinsarkbaserede arbejdsflows gennem flere AI- eller agentkolonner. Det er bedst egnet til masseorienteret rækkeudførelse. Denne tilgang sikrer, at arbejdsflowet forbliver yderst effektivt og kan revideres, og kalder kun sandsynlighedsmæssig begrundelse, hvor stien ikke kan defineres på forhånd.

Efterhånden som målkompleksiteten øges med konkurrerende dimensioner (f.eks. fastsættelse af udbetaling af forsikringskrav sammen med svigregistrering, overholdelse af policer og kundetilfredshed) og ikke-specificerbare kørselsstier, kan du overveje Agentforce med Agent Script for guidet determinisme i din automatisering. For anvendelsessituationer på tværs af virksomheder, der involverer Salesforce og tredjepartssystemer, skal du bruge MuleSoft Fabric og Agent Broker.

Endelig skal du evaluere modalitetsmikset for at identificere de nødvendige tekniske funktioner, f.eks. multimodal forbindelse eller specialiseret integration. Modalitetsmiks fungerer som en funktionsvælger, ikke som en tæthedsberegner. Det hjælper med at bestemme den infrastruktur, der er påkrævet for at håndtere input- og outputformen af løsningen, uden at ændre dens grundlæggende orkestreringslogik.

Brug denne matrix til at bestemme den arkitektoniske standard for din agentautomatisering. Afbalancer traditionel og agentautomatisering ved at vælge den tilgang, der løser dit automatiseringsproblem.

• Traditionel automatisering (lav orkestreringsfylde): Brug traditionel automatisering, når processen udløses af en registreringsændring, dataene er struktureret, logikken er regelbaseret og foruddefineret, og resultatet skal være forudsigeligt (f.eks. standardprisberegninger eller oprettelse af automatisk opgave).
• Agentforce-gitter (lav til medium orkestreringsfylde): Brug Agentforce Grid, når der skal behandles masse-AI-opgaver på tværs af eksisterende registreringer (f.eks. opsummer de sidste 50 sager for hver konto på denne liste, beregn sentimentscoren og fasthold scoren i sagsfeltet).
• Hybrid orkestrering (High-Order Augmented Automation): Brug hybrid orkestrering, når du automatiserer en kompleks end-to-end forretningsproces (f.eks. skadesbehandling eller introduktion), der kræver planlægningsfunktionerne i AI, men transaktionsintegriteten i Flow og Apex.
• Agentforce-script (Høj hensigtskompleksitet): Brug agentscript, når indgangspunktet er ustruktureret (f.eks. chat, mail og voice), og løsningen kræver en samtale eller muligheden for at håndtere tvetydige brugeranmodninger.

Denne tabel indeholder generelle anbefalinger, der passer bedst til forskellige anvendelsessituationer.

Varighed

Synkrone registreringsudløste forløb udføres inden for platformstransaktionen og fuldføres i millisekunder. Agentforce er afhængig af Atlas Reasoning Engine og skaleres med grundlæggende dybde og modalitetskompleksitet. Agentforce er ikke egnet til højvolumen, synkron registrering, hvor forsinkelse er en primær begrænsning.

Omkostning

Argumenteringsomkostningerne for et agentarbejdsflow skal justeres i forhold til resultatets forretningsværdi. For opgaver med høj mængde og lav orkestreringstæthed, hvor der findes en deterministisk sti, kan traditionel automatisering eller Agentforce Grid være mere økonomisk end et end-to-end agentisk arbejdsflow. Sørg for, at designet tager højde for det rigtige prøvemønster med eksplicitte grænser for maksimalt antal forsøg og afbrydere. Denne guardrail begrænser den sammensatte risiko for omkostningsoverløb, der er knyttet til massebehandling.

Governor Limits

Evaluer højvolumen agentiske arbejdsflows op mod daglige platformsbegrænsninger for asynkron kørsel. Agentforce Grid-batchdriften følger standardgrænserne for platformstransaktioner. For automatisering, der involverer Salesforce-objekter, skal du overveje det samlede daglige antal DML-handlinger, da Salesforce håndhæver både delt ressourceadministration i et miljø med flere lejere og administrationsbegrænsninger for at forhindre, at løbende automatiseringer monopoliserer delte ressourcer.

Revidering og overensstemmelse

Traditionel automatisering producerer fuldt reviderbare kørselsspor gennem Flow Trigger Explorer og Apex logfiler. Agentforce end-to-end- eller hybridmønstre opretter logfiler, der giver gennemsigtighed i agentbeslutningstagning, men de kræver ekspertise til at fortolke. Guidet deterministisme via agentscript er det anbefalede mønster for regulerede brancher, hvor fuld kørselsrevisibilitet er et overensstemmelseskrav.

Eskalering

Agentarbejdsflows, der fungerer ved høj tæthed, skal indarbejde eksplicit menneskelig godkendelse eller eskaleringsgateways for handlinger med uoprettelige konsekvenser, f.eks. finansielle transaktioner, regulerende indsendelser eller leverandørforpligtelser. Agentscriptbetingede kontroller giver mekanismen til at håndhæve disse porte deterministisk i et ellers agentisk arbejdsflow.

Prioriter enkelhed i dit orkestreringsdesign. Start på det mindste orkestreringsniveau, der kan nå målet, valider det under real indlæsning og gentag. Hver yderligere agent, afvisning eller afhængighed i din kæde introducerer en ny visning, der kan oprette inkonsekvent adfærd.

I din kørselssti, der kan angives, i noder, hvor der kræves grundlæggende rådgivning, kan du begynde at integrere en agent. Følg de bedste fremgangsmåder for opbygning af agenter i Agentforce. Undgå at pakke utallige underagenter (tidligere "emner") og aldrig udløse instruktioner. Agenter, der er implementeret i automatiseringsanvendelsessituationer, har råd til at være smalle, da de ikke er den eneste grænseflade. Vælg den rigtige primitive til kæde. Et orkestreringsmønster (delegation) har tættere kontrol over kørselssekvensen og kan uddelegere underopgaver til specialister. Undgå koreografiske (handoff) mønstre. Hvis du skal implementere et overførselsdesign, skal du give den modtagende agent mål, kontekst og tilstand, så den kan optimere globalt snarere end lokale målsætninger.

Undgå handlinger eller udvidelse af værktøjer. Handlinger er de steder, hvor agentarrangering realiseres, og deres design bestemmer, om de opretter pålidelige resultater eller fejl. Hver handling skal returnere et struktureret, observerbart svar, som AI-agenten kan bruge til at planlægge den næste drejning af samtalen.

Hvis du har mere end en handling (og forskellige outputkonstruktioner) til at udføre den samme opgave, nedsættes agentens mulighed for at begrunde eller vælge det rigtige værktøj til jobbet. Det kan medføre, at agenten går glip af nuancer. Overlappende handlingsdefinitioner risikerer forkert klassificering. Sørg for, at dit handlingsbibliotek er revideret, versioneret og overholder omfanget for underagent (tidligere Emne).

Angiv observable mål. Definer målet som et observerbart resultat, ikke kun en procedure. Et vagt mål inviterer agenten til at flytte. Forøg med en kørselssti, der kan angives. Brug agentdiagram med hybridjustering til at modellere målet som en diagramnode med eksplicit tilstand. Kørselstiden sporer agentens aktuelle position i arbejdsflowet og gendanner den efter tangentielle input. Den vil ikke miste målet, når den modtager yderligere oplysninger i kontekstvinduet.

Test og evaluer. Implementer en robust test- og evalueringsstruktur for at validere argumentationen af sandsynlighedsnoder og outputtet af agentiske automatiseringer. Bekræft kørselsstier op mod en forventet resultatsti for at sikre, at modellen ankommer til det korrekte resultat. Forhindr tavse fejl, hvor en agent falsk rapporterer succes eller går ind i en uendelig løkke eller ikke-genoprettelig løkke ved at hævde resultaterne ved kørselstrin. Brug sessionssporing til at undersøge omdrejningsinteraktioner, begrunde kørsler af motor, handlinger, meddelelses- og gatewayinput/output, fejlmeddelelser og endelige svar.

Om forfatteren

Arvind Palaniswamy er softwareteknikarkitekt på kontorets chefarkitekt, velarkitekt team. Han kan lide at indramme komplekse systemer i deres enkleste former ved brug af første principper. Han forstår teknik, drift og forretning gennem årtier med erfaring og MS/MBA(Kellogg)-uddannelse.