Enterprise Agentic Architecture and Design Patterns bringer struktur til mulighederne i multi-agent-arkitekturer og identificerer og fremhæver, hvordan funktioner, der er nye for AI-agenter, kan kombineres for at levere pålidelige, gentagelige, skalerbare og administrerbare agentiske løsninger. Inspireret af "Design Patterns" for objektoriteret programmering, angiver vi mønstre, der kan kombineres og udvides for at løse de mange spændende udfordringer, der før agentteknologier lå uden for omfanget af forretningssystemer, der bygger på traditionelle deterministiske teknologier.

Efter diskussion af grundlaget for flere agentarkitekturer introducerer vi adskillige agentiske mønstre, fra enkle mønstre, der anvender naturlig sprogbehandling til at bestemme brugerhensigt, til mønstre med flere agenter, der giver adskillelse af bekymringer mellem agenter, til UX-agentiske mønstre, der bringer agentisk argumentation til præsentationen og interaktionen med systemer, oplysninger og indhold.

Først og fremmest får du en ny måde at tænke på agenter - agenter som komponenter, agenter som oprettere, agenter som aktører, agenter som samarbejdspartnere og vigtigst af alt agenter i en større arkitektur, der handler med hensigt og handler inden for deres individuelle omfang af bekymringer.

Du får de point, du har brug for for at forestille dig avancerede agentløsninger, der strækker sig over brugerrejser og informerer om betydelige agentoplevelser, oplevelser, der aldrig har været mulige før.

De indledende afsnit i dette dokument giver grundlaget for muti-agentarkitekturer. Læs disse for at få en bedre forståelse af de udfordringer og salgsmuligheder, som arkitekturer med flere agenter præsenterer.

Følgende er definitioner og beskrivelser af agentmønstre, fra enkle til komplekse, der dækker mønstre, der understøtter interaktioner, mønstre for specialagenter, mønstre for baggrundshandlinger og mønstre med lang kørsel. Hvert mønster inkluderer et diagram over de nøglekomponenter, der realiserer mønsteret, plus anbefalinger til anvendelse og repræsentative anvendelsessituationer.

Endelig indeholder tilføjelsen eksempler på, hvordan disse mønstre kombineres i holistiske agentiske løsninger, der understøtter en større agentisk oplevelse, f.eks. for at understøtte Kundeservice eller Brokeret salg. Se i dette afsnit, hvordan en avanceret agentoplevelse anvender nedbrydning og adskillelse af bekymringer på agent- og handlingsniveau for at fremme genbrug på interaktionsniveau med delte agenter, der understøtter både interne og eksterne komponenter, i både støttende og autonome tilstande.

Når virksomhedsarkitekter integrerer genererende AI i deres økosystemer, skal de håndtere et fælles sæt designspørgsmål:

• Hvor mange agenter er der påkrævet?
• Hvordan skal agenter interagere?
• Hvad er arbejdsopdelingen mellem agenter og mennesker?
• Hvordan er disse komponenter samlet i et sammenhængende system?

Dette dokument præsenterer en mønsterbaseret metodologi til design og opbygning af agentiske løsninger.

Monolithic agenter er udgangspunktet for de fleste agentiske løsninger. Agenter – og mere specifikt Agentforce agenter – er dygtige agenter på tværs af en række emner. For almindelige anvendelsessituationer skal du starte med en enkelt agent.

Efterhånden som din organisation vokser, er flere agentarkitekturer den foretrukne tilgang. Multi-agent-arkitekturen giver mulighed for større skalering, kontrol og fleksibilitet sammenlignet med monolitiske enkeltagent-systemer.

Flere agentarkitektur giver disse nøglefordele:

• Øget ydeevne og opdeling af kompleksitet: Et system med flere specialiserede agenter giver øgede funktioner og forenkler instruktionsoverholdelse.
• Modularitet & Extensibility: Individuelle agenter kan tilføjes, erstattes, ændres og testes med større lethed, hvilket fremmer smidighed.
• Resilience & Fejltolerance: Fejlen af en enkelt komponent kompromitterer ikke hele systemet, hvilket fører til bedre generel fleksibilitet.
• Decentraliseret ledelse: Fejlfinding og administration kan isoleres til specifikke agenter og deres tilsvarende applikationer, hvilket forenkler vedligeholdelse og tilsyn.

Rationalisering af en fleragentarkitektur starter med at projicere kernearkitektoniske principper på agenternes funktioner og struktur. De resulterende multiagentarkitekturer er derefter en manifestation af kernesystemdesign og systemarkitekturprincipper, der er i overensstemmelse med det unikke "korn" i AI-teknologier.

Nøgleprincipper, der styrer denne arkitektur, omfatter:

• Administrer kompleksitet gennem opdeling
• Gør fleksibilitet bedre og reducer skrøbelighed gennem afkobling
• Gør pålideligheden og effektiviteten bedre gennem genbrug af kode
• Gør agentens pålidelighed bedre ved at begrænse en agents omfang af bekymringer
• Gør systemvedligeholdelse og -udvikling bedre gennem modularitet og udvidelighed
• Gør agentadministration og ansvarlighed enkel ved specialisering

I modsætning til mere primitive agentiske arkitekturer (f.eks. dem, der fokuserer på LLM'er som kernearkitektonisk konstruktion), var Agentforce designet til multiagent orkestrering fra starten. Orkestrering med flere agenter ligger til grund for Atlas-sætningssystemet og agentmæssig logik for at oprette dynamiske, effektive programmeringsstier i et agentmæssigt svar for dramatisk at udvide muligheden for at levere en bred, dyb agentmæssig udvidelse til brugeroplevelsen (UX).

I Agentforce er denne type koordinering muliggjort af disse nøgle åbne, interoperable protokoller og Salesforce-produkter:

• Agentforce leverer et agentundersystem til at indkapsle alle vigtige elementer i en agent: emner, instruktioner, handlinger, vagter, kontekst, kald, output, kørselsdetaljer, logfiler osv.
• Handlinger: Angiv kroge til at få adgang til data, kalde forløb, kalde eksterne systemer og kalde andre agenter.
• Data 360: leverer et datavirtualiseringslag til at bringe specifik, individualiseret kontekst til agenten (udnytte Data 360's forenede profil og nøglekæde til at hente specifikke oplysninger fra hele virksomheden).

Og for agenter på tværs af virksomheden eller for at få adgang til agenter eller ressourcer, understøtter vi:

• Model Context Protocol (MCP): er et sikkert kommunikationslag, der forbinder agenter med virksomhedsværktøjer, data og Knowledge for at sikre kontekstnøjagtighed.
• Agent-til-agent-protokollen (A2A): er et standardiseret håndtryk for interagent-delegering, der muliggør sikker, styret koordinering på tværs af systemer, organisationer og leverandører.

Disse principper udgør grundlaget for opbygning af et skalerbart, styrbart system af orkestreret intelligens.

Robuste agentløsninger kræver tydelige tilgange til de ikke-funktionelle krav, der understøtter effektiv teknologilevering:

• Sikkerhed og styring (Identitets- og adgangsstyring, Datafortrolighed, Datasikkerhed og Trusselsmodellering).
• Observation og overvågning (distribueret sporing, centraliseret logføring, metrikker og dashboards).
• Operationalisering og livscyklusstyring (specifikation, testsagsgenerering, test, feedback, kontinuerlig læring, udfasning).

Dette er nøglearkitektoniske overvejelser for opbygning af Enterprise Agentic-løsninger, der ikke er dækket i dette whitepaper. Men de vil blive håndteret i fremtidige udgivelser.

Hvis du vil administrere et agentlandskab for hele virksomheden, skal arkitekter klassificere agenter gennem to komplementære linser: teknisk funktion og forretningspåvirkning.

Denne taksonomi kategoriserer de funktionelle roller, som agenter kan påtage sig i en arkitektur.

• Channel/UX-roller: Definer modaliteten af interaktion (f.eks. Headless, Meddelelser, Chats og Meddelelser eller AI-administrerede arbejdsområder).
• Spesialistroller: Indkapsl dybdomæne Knowledge (f.eks. Domæneekspert, Knowledge Minion, Assistent eller Planlægger).
• Roller til hjælpeprogrammet: Udfør diskrete transaktionsmæssige opgaver (f.eks. Generering, Sammendrag, Transformation eller Konfiguration).
• Vedligeholdelse og proaktive serviceroller: Fokuser på datatilstand og -kvalitet (f.eks. Organiserings, Konformation, Datakvalitet eller Databerigelse).
• Lange roller: Administrer processer over udvidede tidsperioder (f.eks. Concierge, Project Manager, Nurturer eller Watcher/Alarter).

For at lette klar design og kommunikation er agentkortet standardskabelonen til at beskrive agentiske løsninger. Den definerer nøglenheder, systemer og interaktioner i et specifikt designmønster.

Her er komponenterne for agentkortskabelon:

• Brugerlag definerer de menneskelige aktører i systemet (f.eks. Kunder, Godkendte medarbejdere (SF-brugere) og Ikke-godkendte medarbejdere).
• Agentlag beskriver påkrævede agenter, viste mønstre, relationer med hinanden og instruktioner, der bruges til at realisere specifikke mønstre.
• Kontekst/Handlinger er de ressourcer, funktioner eller handlinger, som agenten administrerer eller får adgang til.
• Kilder er de underliggende data, applikationer, Knowledge-baser og andre systemer, som agenterne opretter forbindelse til.

Tillæg A og B illustrerer agentmønstre på systemniveau ved at demonstrere deres sammensætning i agentkortskabelonens swimlanes.

I Salesforce bruger vi et bibliotek af agentmønstre til at organisere og levere pålidelige, forudsigelige agentløsninger. Disse mønstre er vores udgangspunkt for at løse almindelige arkitektoniske problemer.

De er grupperet i fire primære kategorier:

• Interaktionsmønstre: Fokuser på agentengagement og brugeroplevelse (UX).
• Specialist/Arbejdsmønstre: Indkapsl dyb Knowledge eller specifikke færdigheder inden for et bestemt domæne.
• Hjælpeprogrammer og datastyringsmønstre: Udføre specifikke, ofte gentagne opgaver, der understøtter andre agenter eller processer.
• Lange kørselsmønstre: Administrer processer og arbejdsflows, der forekommer over udvidede perioder, der involverer flere trin.

Følgende afsnit viser nøglemønstre fra hver kategori. Hver mønsterbeskrivelse indeholder en oversigt, outputtype, mønsteranvisningen, repræsentative anvendelsessituationer og et løsningsdiagram samt tilknytning til Salesforce Agent Maturity Rubric.

Interaktionsmønstre er grundlæggende design, der fokuserer på agentisk engagement og brugeroplevelse.

• Oversigt: Greeter-mønsteret er et enkelt, nemt at implementere mønster, der bruger naturligt sprog til at bestemme brugerhensigt. Derefter distribuerer det brugeren til den relevante menneskelige agent.

• Outputtype: Håndter/Eskaler til den næste ressource.

• Business Value: Gør det nemmere at få en problemfri, effektiv første kontakt for kunder, mens du maksimerer hensigtsløsning og kontekstsamling for serviceudbydere.

• Mønsteranvendelsesvejledning: Konfigurer agenten som den primære engagementsressource for brandkanaler. Angiv instruktioner om brand, produkter og tjenester, der er parret med distributionsinstruktioner baseret på brugerhensigt. Agenten indsamler og opsummerer hensigten om at levere en varm afvisning.

• Repræsentantens anvendelsessituation: Forestil dig en webside, der bruger en chatbot til at præsentere en menu med indstillinger, hvor brugere skal klikke gennem alle indstillingerne, før de distribueres til et menneske. For at forbedre back-office-produktivitet og -effektivitet bruger chatbots ofte komplekse, komplicerede arbejdsstier og interaktioner. Dette fører til et "udfyld, vælg og klik" træthedsscenarie for kunder, der ofte resulterer i frustration, hvis deres kontekst ligger uden for de tilgængelige menuindstillinger. Ved at erstatte traditionelle chatbots med Agent Front Door – som bruger naturlige sproginteraktioner – letter det byrden og giver en menneskelig interaktion.

• Agentforce-opskrift:

  • Agentforce Serviceagent: Opbyg en serviceagent
    • Den pakkede serviceagent har konfigurerbare overførselsfunktioner, der understøtter overførsel:
      • Til menneskelige agenter
      • Til AI-agenter
      • Til eksterne agenter
  • Branchespecifikke mønstre, der indeholder kodeeksempler

• Diagram:

• Salesforce Agent Maturity: Niveau 1 (eller Niveau 0 hvis du bruger Serviceagent, der er klar til brug, med indbygget overførsel og eskalering)

• Oversigt: Operator-mønsteret bygger på Greeter-mønsteret ved at distribuere anmodninger til den relevante specialiserede agent eller menneskelig og forhandlerhensigt (hvis det er nødvendigt).

• Outputtype: Aflever/overfør til den næste ressource.

• Mønsteranvendelsesvejledning: Par brand- og servicespecifikke instruktioner med instruktioner om, hvor brugeren skal sendes baseret på hensigt. Definer eskaleringsressourcer, som kan være mennesker eller andre agenter.

• Repræsentantens anvendelsessituation: Brug Agent Front Door til scenarier, hvor der er en høj grad af specialisering blandt menneskelige eller AI-repræsentanter.

• Diagram:

• Salesforce Agent Maturity: Niveau 2

• Oversigt: Orchestrator-mønsteret administrerer en AI-agent "Swarm". Når den modtager en brugeranmodning, videregiver den erklæringen til en eller flere specialiserede agenter og aggregerer derefter svarene for brugeren. I modsætning til operatørmønsteret forbliver det første kontaktpunkt (POC).

• Outputtype: Saml og forbered svar fra medarbejderagenter.

• Mønsteranvendelsesvejledning: Konfigureret som den primære engager. Angiv instruktioner for hver supportagent (f.eks. en Prioritizer- eller Domæne-SME), der tillader orkestrator at videresende erklæringer til dem.

• Repræsentantens anvendelsessituation: Brug Orchestrator-mønsteret til at hjælpe kunder, der har brug for at diskutere flere emner pr. samtale, hvilket kræver løsninger med flere agenter og ensartede interaktioner. I en multisystemarkitektur kan du overveje Orchestrator-mønsteret til at koordinere reaktioner på tværs af systemer og med samarbejde fra eksterne agenter.

• Diagram:

• Salesforce Agent Maturity: Niveau 3

• Oversigt: Listener/Feed-mønsteret viser kontekst og indsigter under en samtales forløb. Lytteren udløses under hver samtale for at finde og vise relevante oplysninger for en medarbejder.

• Outputtype: Angiv relevant kontekst baseret på samtale, som kan formateres til effekt (f.eks. at foretage sammenligninger eller fremhæve nøglepunkter).

• Mønsteranvendelsesvejledning: Vedhæft Lytteren til en turn-based kanal (f.eks. chat, voice eller sms). Definer emner for hvert emneområde. Agenten forbruger afskriften, identificerer emner og kalder handlinger for at søge efter og sende relevant indhold til et kørende feed for medarbejderen.

• Repræsentantens anvendelsessituation: Brug den universelle assistent til at hjælpe kundeservice- eller salgsrepræsentanter.

• Diagram:

• Salesforce Agent Maturity: Niveau 3

• Oversigt: Arbejdsområdet (Radar O’Reilly)-mønsteret administrerer et responsivt enkelt-glas-UX i en samtales forløb. Den behandler hver erklæring for at opdatere dele af brugergrænsefladen med relevant indhold.

• Outputtype: Angiv relevant kontekst, der er placeret i en portlet i en større visning med enkelt glasrude.

• Mønsteranvendelsesvejledning: En agent for en orkestrator videregiver erklæringer til en række emneagenter. Hver emneagent vurderer erklæringen for at bestemme, om en UX-opdatering er nødvendig. Hvis det er tilfældet, overfører det dynamiske opdateringer til den tilsvarende LWC.

• Repræsentantens anvendelsessituation: Dette fungerer som en avanceret agentdør.

• Diagram:

• Salesforce Agent Maturity: Niveau 3

Specialmønstre indkapsler dyb Knowledge eller færdigheder inden for et bestemt domæne, og de er typisk orkestreret af interaktionsmønstre.

• Oversigt: Answerbot-mønsteret er et effektivt mønster for selvbetjening, der bruger GenAI til at bestemme naturligt sprog til Knowledge hentning, ikke kun søgeord.

• Outputtype: Opsummeret Knowledge og referencer/citationer til støttemateriale.

• Mønsteranvendelsesvejledning: Organiser og overfør pålidelige kildematerialer (f.eks. Knowledge Stores eller Ofte stillede spørgsmål) for at konfigurere agenten. Placer agenten på virksomhedswebsites eller i interne portaler. Overvåg spørgsmål for at identificere og håndtere Knowledge.

• Repræsentantens anvendelsessituation: Gør det nemmere at foretage naturlige sprogsøgninger på et virksomhedswebsite, interagere med en bot med HR-fordele og levere selvbetjeningskomponenter til alle komponenter.

• Diagram:

• Salesforce Agent Maturity: Niveau 1

• Oversigt: Domæne SMV-mønsteret er et grundlæggende mønster, der giver en naturlig sprogfront end for et forretningsdomæne (f.eks. Bestillinger eller Fordringer).

• Outputtype: Angiv relevant indhold, emner, data og formaterede oplysninger om domænet.

• Mønsteranvendelsesvejledning: Brug dette mønster til at indkapsle et emne eller et forretningsdomæne. Konfigurer agenten med mulighed for at udføre relevante CRUD-handlinger. Gør disse agenter tilgængelige gennem interaktionsmønstre (f.eks. - Orkestrator eller Listener).

• Repræsentantens anvendelsessituation: Gatekeeping af et forretningsdatadomæne, angivelse af en "bestillingsagent" eller "lageragent", og angivelse af en agentgrænseflade for et forretningsdomæne.

• Diagram:

• Salesforce Agent Maturity: Niveau 2

• Oversigt: Forespørgselsmønsteret er en SMV-agent, der kan forespørges på et emne for at samle kontekst fra flere kilder for at besvare spørgsmål. Den nøgleagentfunktion, der bruges, er muligheden for at hente kontekst og forbinde koncepter på tværs af en brødtekst af indhold på den måde, som et menneske ville efter at have læst og internaliseret indholdet. Dette mønster reducerer behovet for "drejesælsintegration".

• Outputtype: Angiv svar på spørgsmål.

• Mønsteranvendelsesvejledning: Den konfigureres ofte som en konsolwidget, der er tilsluttet brugerens aktuelle kontekst, så de kan stille spørgsmål direkte. Det bruges også sammen med Knowledge som ofte stillede spørgsmål, politikker og produktkataloger. Par forespørgselsmønsteret med standardmeddelelser for at skalere almindelige svar på almindelige spørgsmål.

• Repræsentantens anvendelsessituation: Bruges som en kontraktassistentagent. Fordelsforespørgselsassistent eller specialmedarbejderagent i mønstre med flere agenter (f.eks. Listener eller Workspace).

• Diagram:

• Salesforce Agent Maturity: Niveau 2

• Oversigt: Prioritizer-mønsteret bruges til at arrangere et sæt opgaver eller arbejdsobjekter baseret på en defineret målsætning. Den anvender GenAI til kvalitative analyser, ustrukturerede dataanalyser eller integrative analyser på tværs af flere dataområder.

• Outputtype: Angiv generative indsigter.

• Mønsteranvendelsesvejledning: Brug naturligt sprog til at beskrive de ønskede kvaliteter for prioritering. Juster agenten ved brug af et sæt indstillinger, der kan vælges. Kombiner med Listener-mønsteret for at oprette en responsiv "Next Best Action" i arbejdsflowet.

• Repræsentantens anvendelsessituation: Bruges som en Next Best Action generator eller en specialiseret medarbejder i langvarige eller multi-agent mønstre.

• Diagram:

• Salesforce Agent Maturity: Niveau 2

Hjælpeprogrammets mønstre udfører specifikke, gentagne opgaver, der understøtter andre agenter eller processer.

• Oversigt: Generator-mønsteret er et grundlæggende mønster til oprettelse af nyt indhold (f.eks. sagssammendrag eller mailkladder) fra eksisterende input og standarder. Det implementeres ofte som en meddelelse og kan integreres i andre agenter.

• Outputtype: Angiv genereret indhold, der overholder det ønskede format og den ønskede hensigt.

• Mønsteranvendelsesvejledning: Generatormønsteret kan bruges i de fleste andre mønstre eller som en enkeltstående. Kontekst kan angives gennem anmodningen, hydrering under kørsel eller yderligere berigelsestrin.

• Repræsentantens anvendelsessituation: Angiv sagssammendrag, mailkladder, Knowledge eller forslag/svar til QBR'er.

• Diagram:

• Salesforce Agent Maturity: Niveau 1

• Oversigt: Data Steward-mønsteret er et autonomt baggrundsmønster, der introducerer et agentisk trin i datahandlinger for at sikre ensartet datakvalitet, overensstemmelse og berigelse.

• Outputtype: Angiv opdaterede registrerings- og datafelter, før du gemmer.

• Mønsteranvendelsesvejledning: Integrer datakvalitet på tidspunktet for dataoprettelse ved at tilføje dataforvaltere, der udløser registreringsforløb, før de gemmer data. Hjælper med at sikre ensartet anvendelse af kategoriserings-, sammendrags- og statsdata.

• Repræsentantens anvendelsessituation: Sikring af ensartede "Pizza-Tracker"-typografiopdateringer, berigelse af kontodata og eliminering af ikke-matchede postnumre og adresser.

• Diagram:

• Salesforce Agent Maturity: Niveau 2

• Oversigt: Zen Data Gardener-mønsteret er et planlagt baggrundsmønster, der bruges til at finjustere og standardisere data ved at udnytte lavprismønster til at validere, berige og overholde data på tværs af ellers ikke-tilsluttede data domæner.

• Outputtype: Angiv opdaterede registreringer og/eller dataadministrationsopgaver.

• Mønsteranvendelsesvejledning: Brug mønsteret til at aktivere regelmæssig periodisk datagennemgang og validering. For data, der ændres langsomt, skal du planlægge agenten på en langsom kadence (f.eks. månedlig). Kombiner med Dataforvaltningsmønsteret for at levere potentielle og retrospektive datakvalitetshandlinger.

• Repræsentantens anvendelsessituation: Sørge for justering mellem solgte fordele og skadessystemet samt regelmæssig validering af mæglerlicenser op mod nationale registreringer.

• Diagram:

• Salesforce Agent Maturity: Niveau 4

• Oversigt: Konfigurationsmønsteret genererer konfigurationsartefakter (f.eks. SQL/SOQL, JSON og CSV'er) fra naturlige sprogkrav. Den kan også køre omvendt for at validere en eksisterende konfiguration op mod krav.

• Outputtype: Angiv opdaterede registreringer, dataadministrationsopgaver, eller opbyg problemer/fejl til rettelser.

• Mønsteranvendelsesvejledning: Juster agenten ved brug af specifikke standarder, retningslinjer eller eksempler. Konfigurer opbygningskrav ved brug af kilder som kontrakter eller produktspecifikationer. Tilslut konfigurationsmønsteret til målsystemet for at overføre den genererede konfiguration.

• Repræsentantens anvendelsessituation: Generering af produktkonfigurationsregistreringer for behandlingsforsikringsprodukter og validering af kontrakt-/betalingsbetingelser for behandlingsudbydere.

• Diagram:

• Salesforce Agent Maturity: Niveau 4

• Oversigt: Dommer & Jury-mønsteret er designet til at minimere hallucinationer ved at bruge et ensemble af "juror"-agenter og en "judge"-agent, der vurderer sammenhængen af svar for at sikre, at de er materielt ensartede og grundlagde.

  • Ensemble-metoden er indbygget i Agentforce og Atlas Reasoning-systemet for at håndtere svarets sandfærdighed og relevans. Dommer- og jurymønsteret bygger på denne evne, når der er brug for høje nøjagtighedsniveauer.
  • Kombinationen af Data Landing (f.eks. "find dit svar i disse registreringer/dokumenter") og Prompt Engineering (f.eks. "kun returner et svar, hvis det findes i disse registreringer" eller "valider dit svar mod denne eksterne kilde") er også effektive måder at minimere hallucinationer.

• Outputtype: Angiv generative indsigter.

• Mønsteranvendelsesvejledning: Bruges, når der er et stærkt behov for ensartede og baserede generative resultater. En dommeragent udarbejder en grundlagt meddelelse og videregiver den til to eller flere juroragenter, hvorefter dommeren vurderer svarene. Du opnår de bedste resultater ved at bruge forskellige modeller (f.eks. en fra OpenAI og en anden fra Anthropic) for hver juror-agent.

• Repræsentantens anvendelsessituation: Angiv svar med høj troværdighed, baseret på fakta for at minimere hallucinationer.

• Diagram:

• Salesforce Agent Maturity: Niveau 2

• Oversigt: Modellen af modeller bruger flere eksperter til at generere en bred vifte af perspektiver, og derefter udtrækker den konsensus. I modsætning til dommer- og jurymønsteret omfatter dette mønster flere synspunkter for at forbedre rigdommen.

  • Dette mønster kan også kaldes Panel of Experts-mønsteret, når der er ekspertmodeller med forskellige POV'er (Point of View), som det kan være nyttigt at trykke på.
  • I modsætning til dommer- og jurymønsteret, hvor hensigten er at sikre, at det agentiske svar konvergerer på en almindeligt tilgængelig "sandhed", udvider Models-mønsteret omfanget af svaret ved at udnytte mangfoldigheden i det agentiske miljø.
  • Dette mønster forudsætter, at der er yderligere agenter, der har en særskilt POV. I f.eks. et miljø med flere organisationer, flere agenter eller et miljø med flere leverandørleverede agenter på tværs af tech-stakker, giver Model of Models-mønsteret en struktur til integrering af flere POV'er.
  • Når du overvejer dette mønster, skal du også overveje andre, ofte mere lette tilgange:
    • I stedet for at definere flere ekspertagenter, skal du angive flere meddelelser og få systemet til at fungere som et sæt af meddelelser.
    • Anvend "grundlægning" gennem handlinger, der får adgang til kontekstmæssigt relevante data.

• Outputtype: Angiv generative indsigter.

• Mønsteranvendelsesvejledning: En aggregeringsagents rolle er at danne og returnere en rig POV baseret på de nøglekoncepter, som modelagenterne returnerede. Modelagenter bestemmer et svar baseret på deres entydige POV.

• Repræsentantens anvendelsessituation: Bruges i situationer, der kan drage fordel af at samle uensartede synspunkter for at øge kvaliteten af svarene. F.eks. et multiesystemagentmiljø, hvor privilegerede agenter (f.eks. en ERP-agent) kan have en POV, der er værdifuld og ellers utilgængelig.

• Diagram:

• Salesforce Agent Maturity: Niveau 2

Langvarige procesmønstre håndterer processer, der forekommer over længere perioder og involverer flere trin og aktører.

• Oversigt: Project Manager-mønsteret er et komplekst mønster, der overvåger et langsigtet projekt. Den koordinerer aktiviteter, sporer fuldførelse, adviserer brugere og repræsenterer projektstatus for interessenter.

• Outputtype: Der er flere output (f.eks. sager, opgaver, statusopdateringer og adviseringer).

• Mønsteranvendelsesvejledning: Bruges som et paraplymønster til at understøtte almindelige, gentagne, flertrinsaktiviteter. Projektmanager-mønsteret tager en inputskabelon/skabelon for et projekt – herunderopgaver, roller og afhængigheder – og opretter derefter sager og aktiviteter og tildeler dem til brugere.

• Repræsentantens anvendelsessituation: Bruges til kontoinstallationsstyring og virksomhedssalgsengagement.

• Diagram:

• Salesforce Agent Maturity: Niveau 4

Mens mønstre beskriver agentroller, definerer orkestreringsarketyper systemplaner for, hvordan en gruppe af agenter samarbejder. Disse arketyper præciserer rollen for Agentforce som orkestreringshjernen og MuleSoft som den universelle forbindelse og adapter.

Arketype 1: SOMA (Enkel organisation, flere agenter)

• Definition: Flere agenter samarbejder i en Salesforce-organisation, der bruger delt styring og data.
• Arkitektonisk forløb: I Agentforce fungerer en supervisoragent som en enkelt dør og distribuerer anmodninger til specialagenter i organisationen. Til ekstern funktionalitet bruger agenter Agentforce MCP Client med MuleSoft, der fungerer som en MCP-wrapper for ikke-MCP-aktiverede API'er.
• Nøgleovervejelser: Dette mønster centraliserer orkestreringslogikken i Salesforce (i lighed med CRM-kontekst og Data 360) for at bevare forenet ledelse, identitet, tilladelser og observabilitet.

Arketype 2: MOMA (flere organisationer, flere agenter)

• Definition: Agenter samarbejder på tværs af flere Salesforce-organisationer, hvilket kræver sikker koordinering på tværs af data- og tilladelsesgrænser.
• Arkitektonisk forløb: En supervisoragent i en organisation uddelegerer en opgave til en agent i en anden organisation via den standardiserede agent-til-agent-protokollen (A2A). Dette håndtryk sikrer Trust på organisationsniveau, brugeridentitetsforløb og delt samtalekontekst.
• Nøgleovervejelser: Dette mønster bevarer organisationens autonomi, mens det aktiverer arbejdsflows for hele virksomheden, hvilket giver et grundlag for sammenhængende agentmæssige handlinger i komplekse, multi-organisationslokaliteter.

Arketype 3: Multi-Vendor A2A (Salesforce-ledet orkestrering)

• Definition: En supervisoragent i Salesforce koordinerer arbejdet på tværs af en blanding af Salesforce-indbyggede agenter og agenter fra andre leverandører (f.eks. Google/Vertex eller LangGraph) via A2A-protokollen.
• Arkitektonisk forløb: Supervisoragenten behandler anmodningen og orkestrerer en plan ved at kalde interne og eksterne leverandøragenter via A2A-protokollen. For eksterne systemer, der ikke er A2A-kompatible, kan MuleSoft vise en "letvægts agentfacade", der omslutter det eksisterende værktøj og kommunikerer med A2A.
• Nøgleovervejelser: Denne arketype holder orkestreringshjernen tæt på CRM og Data 360 ved at bruge A2A til at oprette en ren, administrerbar sammensætning uden et separat orkestreringsniveau.

Arketype 4: Multi-Vendor A2A (MuleSoft-ledet orkestrering)

• Definition: Orkestrering startes fra et ikke-Salesforce-indgangspunkt, hvilket kræver, at en neutral ekstern orkestrator udfører argumentation og distribution.
• Arkitektonisk forløb: En UI-agent i et eksternt system videresender anmodningen til en orkestreringstjeneste (konceptualiseret som MuleSoft Conductor), som fortolker hensigten og planlægger opgaven. Dirigenten bruger derefter A2A til at distribuere opkald til leverandøragenter, herunder Agentforce til CRM- eller servicehandlinger.
• Nøgleovervejelser: Dette mønster er for ikke-Salesforce-indgangspunkter, hvor en neutral orkestrator er arkitektonisk foretrukket. Den bevarer brugergrænsefladen i domænesystemet, mens den centraliserer argumentation, styring, politik og observation i MuleSoft.

Disse individuelle mønstre og orkestreringsarketyper er arkitektoniske byggeblokke, der er designet til at blive sammensat til end-to-end-løsninger. Agentløsningskortet bruges til at visualisere, hvordan disse komponenter er sammenkoblet.

• En medlemsserviceløsning for en sundhedsudbyder er en standardimplementering af SOMA-arketypen. Den bruger en Answerbot til anonyme brugere, en Orchestrator til godkendte medlemmer og flere domæne SMV-agenter (f.eks. Sag, Skader og Fordele) til at håndtere specifikke anmodninger.
• En B2C Broker Portal er en kompleks sammensætning, der bruger en Portal Orchestrator agent til at kalde en længe kørende Project Manager agent for en RFP proces, som igen bruger Headless, Data Steward og Interrogator agenter til back-office-datahandlinger.

En agentmæssig designmønstermetodologi leverer den arkitektoniske disciplin, der kræves for at opbygge robuste, skalerbare og vedligeholdelige virksomheds-AI-systemer. Ved at nedbryde kompleksitet og fremme modularitet gør disse mønstre det muligt for arkitekter at levere pålidelige, forudsigelige agentiske løsninger.

Valget af orkestreringsarketype er en strategisk beslutning baseret på, hvor brugere arbejder, hvor konteksten findes, og hvordan virksomheden styrer interaktionen mellem mennesker, agenter og systemer. Ved at forstå forskellen mellem at opbygge agenter og orkestrerer dem – og ved at udnytte åbne protokoller som MCP og A2A – kan arkitekter gå videre end at skabe isolerede bots til at udvikle et sammenhængende, styret og distribueret virksomhedsarrangeringssystem. Denne tilgang leverer et fælles sprog og et sæt genanvendelige udkast til at opbygge en bæredygtig agentarkitektur.

Denne tilføjelse indeholder konkrete eksempler på, hvordan agentmønstre sammensættes til løsninger på systemniveau.

Dette diagram illustrerer, hvordan fem grundlæggende mønstre kan forbindes for at oprette et fælles kundeservicearbejdsflow.

1. Answerbot: En anonym bruger stiller et spørgsmål, som håndteres af en Knowledge agent.
2. Operator: En medarbejders spørgsmål sorteres af en operator, som felter samtalen og overfører den til en mere specialiseret agent.
3. Orkestrator: En godkendt bruger (SF-bruger) interagerer med en orkestrator, der koordinerer flere agenter for at håndtere en potentielt flersidet forespørgsel.
4. Domæne SMV: Specialiserede agenter (f.eks. HR-agenter eller Fordel-agenter) kaldes af orkestreringen til at foretage emneopdateringer og hente specifikke data.
5. Generator: Hjælpeprogramagenter bruges til at opsummere kontodetaljer eller afslutte en sag, når interaktionen er fuldført.

Dette løsningskort viser en agentarkitektur for en anvendelsessituation for medlemstjenester og viser sammensætningen af flere mønstre.

• Brugerprofiler: Løsningen viser tre forskellige brugertyper: Anonym bruger, godkendt medlem og SF-bruger (f.eks. en menneskelig kundeservicerepræsentant).
• Interaktionsmønstre: En Answerbot håndterer anonyme "Find-A-Doc"-forespørgsler, mens en Orkestrator (Agent Front Door) håndterer godkendte brugerforespørgsler. Et Listener/Feed-mønster hjælper SF-brugeren.
• Genbrug af domæneagent: Specialiserede SME-agenter (f.eks. sagsagent, skadesagent eller fordelsagent) genbruges på tværs af forskellige interaktionsforløb.
• Automatisk & Assistive: Systemet kombinerer autonome agenter (for at dirigere brugerinteraktion) og assistent-agenter (for at øge menneskelige CSR'er).
• Datakilder: Arkitekturen integrerer en blanding af offentlige og virksomhedsdatakilder med omfattende brug af Data 360 og MuleSoft til tilslutning.

Dette diagram illustrerer en logisk arkitektur for en hjælpende AI-løsning i et kontaktcenter, organiseret i funktionelle lag.

• Orchestrator Agenter: Administrer brugeroplevelser for forskellige personaer (f.eks. Anonym, Eksternt medlem eller Kundeservicerepræsentant), og orkestrer det generelle interaktionsforløb.
• Arbejdsagenter: Mange SMV-agenter er fokuseret på kerneforretningsdomæner som Knowledge, Case/Claims/Benefits og Provider Directory. En agent til Next Best Action er også inkluderet.
• Hjælpeprogrammedarbejdere: Udfør specifikke genanvendelige opgaver, f.eks. Oversættelse, Sagsafslutning og Opkaldssammendrag. Integration og kernesystemer: Hele agent-systemet er forbundet via et tværgående platformsintegrationslag til ustrukturerede datakilder, strukturerede datakilder og kerneforretningssystemer.
• Styring: Et styringslag giver observation, evaluering og administration for de LLM'er/SLM'er, der bruges af agenterne.

Dette løsningskort viser en kompleks, langsigtet agentinteraktion for en B2B-sygesikringsmæglerportal. Modellen omfatter en portalagent (Orchestrator), der letter mæglerens rejse gennem flere trin (f.eks. indsendelse af en RFP og modtagelse af et forslag). Denne orkestrator kalder en agent for en projektleder, som til gengæld koordinerer flere headless-agenter for back-office-datakvalitet og -transformationer, f.eks. en RFP-udtrækker, en optællingstransformation og en Data Steward.

Dette diagram viser en logisk arkitektur for en B2C Broker-løsning, som viser en tilsvarende lagdelt tilgang til kontaktcenteret. Det omfatter Orchestrator-agenter til forskellige brugerpersonaer, genanvendelige arbejdsagenter til nøgledomæner (f.eks. Knowledge, medlemstjenester eller kommissioner) og funktionsagenter til specifikke funktioner som oversættelse og opsummering.

Dette diagram viser en logisk arkitektur for en udbyderkontraktløsning. Orchestrator-_agenter administrerer komplette interaktioner, _arbejdsagenter administrerer specifikke hensigter inden for et domæne (f.eks. en kontraktansat SMV-agent), og Udstyrsagenter udfører diskrete opgaver som at sammenligne kontrakter eller generere indsigter.

Følgende tabel opsummerer flere nøgleinteraktionsmønstre, typiske brugeroplevelser og primære arkitektoniske formål.

David Harshbarger er en succesfuld iværksætter og teknologileder, der har arbejdet for mange førende softwarefirmaer, og som har designet løsninger, der justerer detaljerne i arkitekturen med detaljerne i forretningen, så teknologer arbejder med, ikke imod, deres aktiverende teknologi. I dag arbejder David som hovedvirksomhedsarkitekt i Salesforce og understøtter Health & Life Sciences.

Chacha Choudhury er en højt opnået og visionær it-CTO/Chief Architect med årtier af erfaring, der i øjeblikket fungerer som en hovedvirksomhedsarkitekt, der fører Salesforce Architecture-programmet og det globale fællesskab af arkitekter. Han er anerkendt for sin ekspertise inden for angivelse af teknologistrategi for hele virksomheden, fremme af arkitektonisk modernisering og banebrydende innovative løsninger, herunder genererende AI- og agent-AI-applikationer.