Das Paradigma der Software verschiebt sich von der direkten Manipulation zur zielgerichteten Delegierung. An der Spitze dieser Transformation stehen AI-Agenten – autonome, intelligente Einheiten, die in der Lage sind, Benutzer zu verstehen, zu begründen und im Namen der Benutzer zu handeln. Dieses Whitepaper bietet eine technische Erkundung der primären Typen von AI-Agenten: "Unterhaltung", "Proaktiv", "Umgebung", "Autonom" und "Gemeinschaftlich". Sie definiert jeden Typ, stellt spezifische Kundenbeziehungsverwaltungs-Anwendungsfälle (CRM) vor und bietet eine architektonische Blaupause für die Erstellung dieser Agenten auf der Salesforce Agentforce Platform mit technischen Beispielen für die Kommunikation mit Flow, Apex, Data 360, Agent2Agent (A2A) und die Interoperabilität des Modellkontextprotokolls (MCP).

Ein AI-Agent ist ein System, das seine Umgebung wahrnimmt und Maßnahmen zum Erreichen bestimmter Ziele ergreift. Das Konzept ist zwar nicht neu, aber die leistungsstarken Large Language Models (LLMs) haben ihre Funktionen verbessert. Agenten können anhand ihrer primären Funktionsweise und Interaktion kategorisiert werden.

Definition: Unterhaltungsagenten sind der vertrauteste Agententyp. Sie arbeiten auf eine reaktive Weise mit Anforderungen und Antworten, hauptsächlich über natürliche Sprachschnittstellen (Text oder Sprache). Ihre Kernfunktion besteht darin, den Benutzer-Intent zu verstehen und eine relevante Antwort bereitzustellen, unabhängig davon, ob es sich um die Beantwortung einer Frage, das Abrufen von Informationen oder die Ausführung eines einfachen Befehls handelt.

Wichtigkeit: Unterhaltungsagenten sind die digitalen Türen zu einer Organisation. Sie zeichnen sich durch die Bearbeitung klar definierter, sich wiederholender Aufgaben aus und setzen so Personal frei. Ihre Effektivität wird an ihrer Fähigkeit gemessen, Benutzerabsichten schnell und genau zu lösen und Aktionen im Namen von Benutzern zu ergreifen.

Definition: Im Gegensatz zu Unterhaltungsagenten, die auf eine Aufforderung warten, agieren proaktive Agenten als wachsame Beobachter. Sie werden durch bestimmte Ereignisse, Datenänderungen oder vordefinierte Bedingungen innerhalb eines Systems ausgelöst. Wenn sie ausgelöst werden, führen sie eine Aufgabe aus oder initiieren einen Workflow, ohne dass eine direkte Benutzerinteraktion erforderlich ist.

Wichtigkeit: Proaktive Agenten wandeln ein System von einem passiven Datenspeicher in einen aktiven Teilnehmer an Geschäftsprozessen um. Sie identifizieren Opportunities und Risiken, sobald sie entstehen, und ermöglichen es Unternehmen, auf wichtige Signale in Echtzeit zu reagieren.

Definition: Umgebungsagenten sind ein bestimmter Typ proaktiver Agenten, die kontinuierlich im Hintergrund des Workflows eines Benutzers arbeiten, ohne explizite Befehle zu benötigen. Benutzer profitieren oft von ihren Aktionen, ohne sich ihrer Funktionsweise bewusst zu sein, da sie die menschlichen Fähigkeiten erweitern und gleichzeitig unauffällig bleiben.

Wichtigkeit: Das Ziel eines Umgebungsagenten besteht darin, die kognitive Belastung für Benutzer zu reduzieren, indem die alltägliche "Arbeit über Arbeit" automatisiert wird. Sie verbessern Prozesse, indem sie nahtlos in die Tools integriert werden, die Mitarbeiter täglich verwenden, und erfassen und strukturieren Informationen automatisch.

Definition: Autonome Agenten stellen einen erheblichen Komplexitätssprung dar. Sie erhalten ein übergeordnetes Ziel und sind in der Lage, eine Sequenz von Schritten zur Erreichung dieses Ziels eigenständig zu planen und auszuführen. Sie können Überlegungen anstellen, Entscheidungen treffen und sogar aus ihren Aktionen lernen, um die Leistung im Laufe der Zeit zu verbessern.

Wichtigkeit: Das ist das, was wir einem echten digitalen Mitarbeiter am nächsten kommen. Autonomen Agenten kann ein komplexes, aus mehreren Schritten bestehendes Ziel wie "Generieren von 50 neuen qualifizierten Leads im Fertigungssektor in diesem Quartal" delegiert werden. Zudem kann darauf vertraut werden, dass sie einen Plan zur Erreichung dieses Ziels formulieren und ausführen.

Definition: "Gemeinschaftliche Agenten", oft auch "Agentenbearbeitung" genannt, sind eine Sammlung spezialisierter Agenten, die zusammenarbeiten, um ein Problem zu lösen, das für einen einzelnen Agenten zu komplex ist. Ein "Orchestrator" oder "Master"-Agent zerlegt oft eine große Aufgabe, delegiert Teilaufgaben an die entsprechenden spezialisierten Agenten und synthetisiert dann ihre Ausgaben. Ein zuverlässiges Agent2Agent-Kommunikationsprotokoll (A2A) erreicht dies.

Wichtigkeit: Dieser Ansatz spiegelt ein menschliches Team wider. Indem jeder spezialisierte Agent ein komplexes Problem aufschlüsselt, kann er seine einzigartigen Fähigkeiten einbringen: einer ist auf Datenanalysen spezialisiert, ein anderer auf Kundenkommunikation und ein dritter auf Systemintegration, was zu einer robusteren und umfassenderen Lösung führt.

Nachdem wir die Taxonomie von AI-Agenten untersucht haben, bleibt eine entscheidende Frage: Wie kombinieren wir diese Elemente, um reale Geschäftsprobleme effizient und zuverlässig zu lösen? In diesem Kapitel wird diese Frage beantwortet, indem ein Repository mit gängigen Agenten-Designmustern bereitgestellt wird. Jedes Muster ist eine bewährte Lösung für eine wiederkehrende Herausforderung und bietet eine Blaupause für alles – von einfachen Einzweckagenten bis hin zu komplexen gemeinschaftlichen Agentenbearbeitungen.

Unterhaltungsagenten sind oft die Eingangstür zu den AI-Funktionen einer Organisation. Sie zeichnen sich durch ihre Fähigkeit aus, in einem Dialog mit mehreren Runden zu interagieren, der als primäre Oberfläche fungiert, über die Benutzer Aufgaben ausführen und Informationen mithilfe natürlicher Sprache abrufen können. In diesem Abschnitt werden zwei wichtige Rezepte für die Erstellung von Unterhaltungsagenten vorgestellt, die jeweils auf einen bestimmten Kanal zugeschnitten sind: eines für den schnellen interaktiven Austausch von Messaging-Clients und eines für die strukturierte, asynchrone Natur von E-Mails.

Die Intelligenz eines Unterhaltungsagenten leitet sich von seiner Fähigkeit ab, zur richtigen Zeit auf die richtigen Daten zuzugreifen und sie zu begründen. Dieses Muster basiert auf einer komplexen Datengrundlage, die eine Verbindung mit Kundendatensätzen, Knowledge-Artikeln und Geschäftsanalysen herstellt. Die vollständigen wiederverwendbaren Rezepte für diese Integrationen sind in Kapitel 4 verfügbar: Integrationsmuster.

Problem

Kunden interagieren über viele digitale Kanäle hinweg und erwarten sofortige, kontextbezogene und intelligente Antworten. Herkömmliche Chatbots sind entweder skriptbasiert oder datenblind, was zu schlechter Personalisierung, frühzeitiger Eskalation für Menschen und hohen Servicekosten führt.

Context

• Ihre Organisation verfügt über digitales Engagement mit mehreren Kanälen (WhatsApp, SMS, Slack und Salesforce Experience Cloud).
• Die Kunden Ihrer Organisation interagieren in mehreren Sprachen mit Ihrer Organisation.
• Ihre Organisation muss Service- und Vertriebs-Workflows um Agenten erweitern, die:
  • Abrufen von vertrauenswürdigen Kundendaten in Echtzeit
  • Berücksichtigen von Leitplanken und Compliance-Anforderungen
  • Eskalieren an menschliche Agenten nur bei Bedarf

Schlüsselkomponenten

• Kanalabstraktion: Mit dem erweiterten Service Cloud-Chat (ehemals "Messaging in der Anwendung und online") kann der Agent über mehrere Kanäle hinweg über eine einzige Erfahrung kommunizieren.
• Agentforce Serviceagent: Das Verhalten und der Zweck des Agenten werden durch die folgenden Komponenten definiert.
  • Themen und Anweisungen: Definiert die Persona und den Unterhaltungszweck des Agenten für die direkte Benutzerinteraktion. Dazu gehören die Kernaufgabe (z. B. "Sie sind Experte beim Lösen von Kundensupportproblemen"), Anweisungen zur Beibehaltung eines einfühlsamen und professionellen Tons und klare Leitplanken zum Umfang der Anfragen, zu deren Bearbeitung er berechtigt ist.
  • Aktionen: Serviceorientierte Aktionen, bei denen es sich um Tools handelt, die der Agent verwendet, um Kundenprobleme in Echtzeit zu diagnostizieren und zu lösen. Diese Tools wurden entwickelt, um Aufgaben wie die Überprüfung des Status eines Auftrags, die Suche in einer Knowledge Base nach Lösungen oder die Erstellung eines neuen Support-Kundenvorgangs direkt über die Unterhaltungsoberfläche auszuführen.
  • Guardrails: Leitplanken fungieren als eine Reihe konfigurierbarer Regeln und Laufzeitüberprüfungen, die das Verhalten des Agenten einschränken. Dient als Sicherheitsebene, die Aufforderungen abfangen, die vorgeschlagenen Aktionen des Agenten validieren und seine endgültige Antwort filtern kann, um schädliche Inhalte zu verhindern, Geschäftsregeln durchzusetzen und sicherzustellen, dass der Agent innerhalb seines angegebenen Umfangs arbeitet.
  • Aufforderungsvorlagen: Wiederverwendbare Vorlagen, die über Briefvorlagenfelder oder semantische Daten aus Data 360 RAG Retrievers dynamisch mit Live-CRM-Daten ausgefüllt werden. Mit diesen Vorlagen können Agenten kontextbezogenen markenspezifischen Inhalt generieren, während die Einstein Trust Layer vertrauliche Informationen sicher maskiert, bevor die Anweisungen an die LLM gesendet werden.
• Daten 360
  • Data 360-Komponenten, einschließlich DLOs, DMOs, Vektorspeichern und RAG-Abrufern, bieten dem Agenten eine einheitliche Ansicht aller relevanten Unternehmensdaten – von strukturierten Kundendatensätzen bis hin zu unstrukturierten Knowledge Artikeln. So wird sichergestellt, dass die Antworten genau und kontextbasiert sind.
• Service Cloud
  • CRM-Daten: Verbindet den Agenten mit dem vollständigen Kundenvorgangsverlauf und bietet entscheidenden Kontext zu Accountdetails, Kontaktdatensätzen und Ansprüchen
  • Live Agent-Warteschlange: Unterstützung für Eskalation und Weiterleitung an einen Mitarbeiter des menschlichen Service mit dem gesamten Unterhaltungskontext

Interaktionen

1. Der Kunde Ihrer Organisation initiiert die Unterhaltung über einen Kanal.
2. Die Nachricht wird an Agentforce weitergeleitet, das den Umfang (Themen) bestimmt und Leitplanken anwendet.
3. AI verfasst Antworten mithilfe von Aufforderungsvorlagen, während Flow oder Apex möglicherweise eine Backend-Logik auslösen.
4. Der Kontext wird über den RAG-Retriever aus Data 360-Objekten, Vektorspeichern und CRM abgerufen.
5. AI gibt eine kontextbezogene Antwort zurück.
6. Wenn die AI nicht aufgelöst werden kann, eskaliert die Unterhaltung zum Service Cloud Live Agent.

Trade-Offs

Verwandte Muster

Grüßeres Muster: Ein einfaches und einfach zu implementierendes Muster, das die natürliche Sprache verwendet, um die Absicht des Benutzers zu verstehen, und den Benutzer dann an den entsprechenden Servicemitarbeiter weiterleitet

Operatormuster: Basiert auf der Begrüßung, um Anforderungen an den entsprechenden AI-Spezialisten oder Mitarbeiter des menschlichen Service weiterzuleiten und bei Bedarf über den Intent zu verhandeln

Orchestratormuster: Verwaltet die Bearbeitung als AI-Agent. Er empfängt eine Benutzeranforderung, bestimmt den Intent, erstellt einen Plan, übergibt die erforderlichen Daten an einen oder mehrere Fachagenten und aggregiert dann die Antworten für den Benutzer. Im Gegensatz zum Operator bleibt er der erste Kontaktpunkt.

Problem

Ihre Kunden verwenden weitgehend E-Mail-basierte asynchrone Unterhaltungen und dies ist weiterhin die beste Möglichkeit, Kontakt aufzunehmen. Ihre Organisation muss diese Kunden per E-Mail erreichen. Ihre Vertriebsmitarbeiter können jedoch nicht auf eingehende E-Mails innerhalb des SLA antworten, was zu Leadverlust führt. Darüber hinaus verwendet Ihre Belegschaft Zeit für nicht qualifizierte Leads.

Context

• Ihre Organisation verfügt über E-Mails als primären Lead-Engagementkanal.
• Ihr SDR verfügt nur über begrenzte Kapazitäten, um Leads im richtigen Maßstab zu qualifizieren.
• Ihr Vertriebsprozess verfügt über eine Multi-Touch-Leadpflege, bevor er sich mit SDRs oder Geschäftsentwicklungsbeauftragten trifft.
• Ihre Organisation muss Service und Vertrieb mit Agenten erweitern, die:
  • Abrufen von Echtzeit-Vertriebsaktivierungs- und Vertriebsprodukt- und Marketingdaten
  • Respektieren von Leitplanken und Compliance
  • Planen von Besprechungen anhand von Lead-Qualifikationskriterien

Schlüsselkomponenten

• E-Mail-Kanal: Verarbeitet die Erfassung eingehender Nachrichten, das Analysieren ihrer Inhalte und Anhänge und die Aufrechterhaltung der Thread-Kontinuität, um asynchrone Unterhaltungen zu ermöglichen.
• Agentforce SDR Agent: Das Verhalten und der Zweck des Agenten werden durch die folgenden Komponenten definiert.
  • Themen und Anweisungen: Definiert die Mission des Agenten, eingehende Leads durch Unterhaltung zu interagieren und zu qualifizieren. Dies beinhaltet Anweisungen zum Verständnis der Anforderungen potenzieller Kunden, zum Erfassen wichtiger Qualifikationsdaten (z. B. Budget, Autorität und Zeitachse) und zum Leiten der Unterhaltung hin zu einem klaren nächsten Schritt, beispielsweise der Planung einer Besprechung mit einem Kundenbeauftragten.
  • Aktionen: Spezialisierte Vertriebsaktionen, mit denen der Agent den Leadlebenszyklus verwalten kann. Diese Tools wurden entwickelt, um zentrale SDR-Aufgaben auszuführen, beispielsweise das Anreichern von Leaddaten, das Senden von Folge-E-Mails mit Vorlagen oder die Integration in Kalendersysteme zum Buchen von Discovery-Anrufen.
  • Guardrails: Leitplanken fungieren als eine Reihe konfigurierbarer Regeln und Laufzeitüberprüfungen, die das Verhalten des Agenten einschränken. Dient als Sicherheitsebene, die Aufforderungen abfangen, die vorgeschlagenen Aktionen des Agenten validieren und seine endgültige Antwort filtern kann, um schädliche Inhalte zu verhindern, Geschäftsregeln durchzusetzen und sicherzustellen, dass der Agent innerhalb seines angegebenen Umfangs arbeitet.
  • Aufforderungsvorlagen: Wiederverwendbare Vorlagen, die über Briefvorlagenfelder oder semantische Daten aus Data 360 RAG Retrievers dynamisch mit Live-CRM-Daten ausgefüllt werden. Mit diesen Vorlagen können Agenten kontextbezogenen markenspezifischen Inhalt generieren, während die Einstein Trust Layer vertrauliche Informationen sicher maskiert, bevor die Anweisungen an die LLM gesendet werden.
• Daten 360
  • Data 360-Komponenten, einschließlich DLOs, DMOs, Vektorspeichern und RAG-Abrufern, bieten dem Agenten eine einheitliche Ansicht aller relevanten Unternehmensdaten – von strukturierten Kundendatensätzen bis hin zu unstrukturierten Knowledge Artikeln. So wird sichergestellt, dass die Antworten genau und kontextbasiert sind.
• Sales Cloud
  • CRM-Daten: Verbindet den Agenten mit dem vollständigen Kundenvorgangsverlauf und bietet entscheidenden Kontext zu Accountdetails, Kontaktdatensätzen und Ansprüchen
  • Terminbesprechung zwischen Kunde und SDR: Die SDR Live Agent-Übergabe kann so konfiguriert werden, dass eine Live-Besprechung mithilfe der Aufgaben- und Besprechungsplanung (Nächste Aktionen) eingerichtet wird.
  • Aktivitätsprotokollierung: Erfassen Sie Ereignisse, Aufgaben und E-Mail-Aktivitäten und verknüpfen Sie sie mit Leads, Accounts und Opportunities infolge von SDR-Agenteninteraktionen.

Interaktionen

1. Der Kunde sendet und empfängt E-Mails über den Kanal, der an Agentforce weitergeleitet wird.
2. Agentforce wendet Themen, Aktionen und Leitplanken zum Analysieren von Intents an.
3. Agentforce entwirft kontextbezogene Antworten mithilfe von Aufforderungsvorlagen, die mit CRM- und Data 360-Kontext angereichert sind.
4. Eine mehrfache E-Mail-Unterhaltung wird bis zur Lösung oder Richtlinien fortgesetzt.
5. Agentforce plant für qualifizierte Leads eine Besprechung und aktualisiert CRM.
6. Wenn der Intent den AI-Geltungsbereich überschreitet, eskaliert Agentforce zu Sales Cloud SDR für eine Antwort von Mitarbeitern des menschlichen Service.

Trade-Offs

Verwandte Muster

Antwort-Bot-Muster: Ein effektives Self-Service-Muster, das die generative AI verwendet, um die natürliche Sprache für Knowledge Retrieval zu verstehen und nicht nur Stichwörter.

Während die Unterhaltungsagenten im vorigen Abschnitt hervorragend auf Benutzerbefehle reagieren, stellen proaktive Agenten einen Paradigmenwechsel dar: Sie handeln unaufgefordert. In diesem Abschnitt werden die Architekturmuster für Bauagenten beschrieben, die Daten und Ereignisse, die außerhalb und innerhalb von Salesforce stammen, autonom überwachen.

Problem

Ihre Organisation generiert wichtige Geschäftsereignisse innerhalb und außerhalb von Salesforce. Es gibt Probleme, sie in zeitnahe Kontextaktionen zu übersetzen, da sie über Anwendungen und Abteilungen verstreut sind.

Context

• Ihre Geschäftsprozesse erstrecken sich über mehrere Systeme für CRM, Zahlungsabwicklung, Versand, Marketingautomatisierung, Telemetrie und CDP.
• Ihre Organisationsereignisse finden rund um die Uhr statt, die Verfügbarkeit Ihrer Belegschaft ist jedoch außerhalb der Geschäftszeiten begrenzt. Systeme sind immer an, Menschen aber nicht.
• Den Ereignissen fehlt das Kontextbewusstsein, da sie den in Salesforce verfügbaren Kundenkontext vermissen und das Zusammenführen von Informationen in mehreren Schritten erzwingen. Heute liegt die Implementierung entweder als diskrete komplexe Automatisierung vor oder wird manuell ausgeführt.
• Menschen fungieren als Compiler, um die Daten (in unterschiedlichen Formaten) zu erfassen und intelligent auf unzusammenhängende Ereignisse zu reagieren.
• Ihre Zielaktionen werden auf mehrere Systeme angewendet.

Schlüsselkomponenten

• Ereignisquelle
  • Durch Datenaktion ausgelöste Ereignisse, nachdem externe Daten in Data 360 aufgenommen wurden
  • MCP-Server von Drittanbietern oder Salesforce Heroku, die Ereignisse über die Salesforce Pub/Sub-API an Salesforce senden können
  • Externe Anwendung, die Ereignisbenachrichtigungen über die Salesforce Pub/Sub-API senden kann
• Optionale Middleware: MuleSoft oder Data 360 für Transformationen
• Agentforce Agent: Das Verhalten und der Zweck des Agenten werden durch die folgenden Komponenten definiert.
  • Themen und Anweisungen: Gibt die Kernaufgabe des Agenten und seine Auslöser an, einschließlich der Definition seines primären Ziels (z. B. "Überwachen Sie alle Kundenvorgänge mit hoher Priorität und verhindern Sie SLA-Verstöße"). Enthält die spezifischen Ereignisse oder Datenbedingungen, auf die der Agent achten sollte, um seine Aufgaben zu initiieren
  • Aktionen: Durch Ereignisse ausgelöste und geplante Aktionen, die auf externe Ereignisse reagieren sollen. Diese Aktionen funktionieren zwar autonom für Routineaufgaben, beinhalten jedoch oft die Möglichkeit, Workflows zu orchestrieren, die menschliche Eingriffe beinhalten, und sie an Benutzer weiterzuleiten, um Szenarien zu überprüfen, zu genehmigen oder zu bearbeiten, die menschliches Urteilsvermögen erfordern.
  • Guardrails: Leitplanken fungieren als eine Reihe konfigurierbarer Regeln und Laufzeitüberprüfungen, die das Verhalten des Agenten einschränken. Dient als Sicherheitsebene, die Aufforderungen abfangen, die vorgeschlagenen Aktionen des Agenten validieren und seine endgültige Antwort filtern kann, um schädliche Inhalte zu verhindern, Geschäftsregeln durchzusetzen und sicherzustellen, dass der Agent innerhalb seines angegebenen Umfangs arbeitet.
  • Aufforderungsvorlagen: Wiederverwendbare Vorlagen, die über Briefvorlagenfelder oder semantische Daten aus Data 360 RAG Retrievers dynamisch mit Live-CRM-Daten ausgefüllt werden. Mit diesen Vorlagen können Agenten kontextbezogenen markenspezifischen Inhalt generieren, während die Einstein Trust Layer vertrauliche Informationen sicher maskiert, bevor die Anweisungen an die LLM gesendet werden.
• Daten 360
  • Data 360-Komponenten, einschließlich DLOs und DMOs, die von externen Systemen generierte Ereignisdaten speichern und Streaming- oder Echtzeitstatistiken umwandeln und erstellen
  • Berechnete, Streaming- und Echtzeitstatistiken stellen Agenten sofortige relevante Daten zu Kunden bereit. Dadurch wird eine präventive Problemlösung ermöglicht, wodurch die Eskalation abgemildert wird. Datendiagramme zeigen proaktiv Beziehungen und Statistiken aus unterschiedlichen Datenquellen an, wodurch Muster oder Anomalien, die für das Kundenengagement, die Aktivität und das Profil relevant sind, frühzeitig erkannt werden können.
  • Der Data 360-Vektorspeicher und RAG-Abrufer bieten dem Agenten eine einheitliche Ansicht aller relevanten Unternehmensdaten und unstrukturierten Knowledge-Artikel, wodurch sichergestellt wird, dass die Antworten genau und kontextbasiert sind.
• Ereignisziele
  • Mitarbeiter proaktiv benachrichtigen oder Kunden kontaktieren
  • Erweiterbar auf Agenten (siehe Muster für Umgebungsagenten und autonome Agenten)

Interaktionen

1. Im externen System findet eine erhebliche Änderung statt.
2. Das externe System sendet ein Ereignis aus und veröffentlicht es über die API (erstellt ein Plattformereignis) oder die Pub/Sub-API im Salesforce-Ereignis-Bus oder Ereignisdaten werden an Data 360 gestreamt.
3. Abonnenten des Ereignisses werden ausgelöst. Ein Flow wird ausgelöst.
4. Der Flow ruft die Agentenaktion mit den Ereignisdaten auf. Der Agent bestimmt die richtige Vorgehensweise und führt sie aus.
5. Das Ergebnis ist, dass eine Benachrichtigung oder ein Workflow ausgelöst wird. Benachrichtigungen werden einem Benutzer in einem Tool für die Zusammenarbeit (z. B. Slack) zugestellt. Aufgaben oder Ereignisse werden ebenfalls generiert. Außerdem können Aktionen externe Systeme aufrufen. Die Ereignisse gehen daher nicht verloren, sondern werden proaktiv ausgeführt, signalisiert und umgesetzt, wodurch menschlicher Aufwand oder komplexe Automatisierungen zum Erkennen der Ereignisse entfallen.

Trade-Offs

Verwandte Muster

Urteil & Jurymuster: Kann in Verbindung mit diesem Muster verwendet werden, um die Genauigkeit und Zuverlässigkeit von AI-gestützten Entscheidungen zu gewährleisten, indem mehrere "Juror"-Agenten und ein "Richter"-Agent für die Kongruenzbewertung verwendet werden

Modell des Modellmusters: Dieses Muster umfasst verschiedene Ansichten von mehreren Expertenagenten, um umfassendere Statistiken zu generieren, die die intelligenten Antworten der proaktiven AI ergänzen können.

Problem

Das Salesforce-Ökosystem Ihrer Organisation generiert einen ständigen Signalstrom, hat jedoch Probleme, diese in zeitnahe Kontextaktionen umzusetzen, da sie Geschäftslogik, Unternehmensführung und Menschen zum Triagieren und Handeln benötigen. Oft gehen die Signale verloren, ohne dass eine Aktion zu einer verlorenen Opportunity führt.

Context

• Ihre Organisation verwendet eine oder mehrere Salesforce Clouds: Vertrieb, Service, Marketing, Commerce, Gesundheit, Fertigung und andere.
• Sie benötigen eine intelligente Triaging-Erfahrung, die über die einfache Weiterleitung oder die regelbasierte Triaging hinausgeht. Ihre Organisation verwaltet Hunderte komplexer Geschäftsregeln.
• Sie benötigen Echtzeit- oder nahezu Echtzeitantworten auf Ereignisse.
• Gelegentlich werden Ihre privilegiertesten Administratoren zum schwächsten Glied in der Kette, da sie die Signale nicht sehen.

Schlüsselkomponenten

• Ereignisquellebene
  • CRM-Daten, Plattformereignisse, CDC-Daten (Change Datenerfassung) und RTEM-Daten (Real-Time Event Monitoring) aus Plattformaktivitäten auf niedriger Ebene
• Daten 360
  • Data 360-Komponenten, einschließlich DLOs und DMOs, die durch CRM- oder Plattformereignisse generierte Ereignisdaten speichern und Streaming- oder Echtzeitstatistiken umwandeln und erstellen
  • Berechnete, Streaming- und Echtzeitstatistiken stellen Agenten sofortige relevante Daten zu Kunden-, Mitarbeiteraktivitäts- oder Metadatenänderungen im System bereit. Dadurch wird eine präventive Problemlösung ermöglicht, wodurch die Eskalation abgemildert wird. Durch diese Echtzeit-Situationsbewusstsein können Agenten zeitnahe Interventionen für die Verwaltung und den operativen Compliance-Durchsatz bereitstellen.
  • Datendiagramme zeigen proaktiv Beziehungen und Statistiken aus unterschiedlichen Datenquellen an, wodurch Muster oder Anomalien, die für das Kundenengagement, die Aktivität und das Profil relevant sind, frühzeitig erkannt werden können.
  • Der Data 360-Vektorspeicher und RAG-Abrufer bieten dem Agenten eine einheitliche Ansicht aller relevanten Unternehmensdaten und unstrukturierten Knowledge-Artikel, wodurch sichergestellt wird, dass die Antworten genau und kontextbasiert sind.
• Agentforce Agent: Das Verhalten und der Zweck des Agenten werden durch die folgenden Komponenten definiert.
  • Themen und Anweisungen: Gibt die Mission des Agenten an, Geschäftsregeln durchzusetzen und Prozesse anhand von Datenänderungen in Salesforce zu automatisieren. Sie definiert das Ziel des Agenten (z. B. "Sicherstellen, dass alle Opportunities mit einem primären Kontakt aktualisiert werden, bevor die Verhandlungsphase erreicht wird") und die spezifischen Datensatzerstellungen, Feldaktualisierungen usw., die den Agenten auslösen.
  • Aktionen: Durch Ereignisse ausgelöste und geplante Aktionen, die auf interne Salesforce-Ereignisse reagieren sollen. Diese Aktionen funktionieren zwar autonom für Routineaufgaben, beinhalten jedoch oft die Möglichkeit, Workflows zu orchestrieren, die menschliche Eingriffe beinhalten, und sie an Benutzer weiterzuleiten, um Szenarien zu überprüfen, zu genehmigen oder zu bearbeiten, die menschliches Urteilsvermögen erfordern.
  • Guardrails: Leitplanken fungieren als eine Reihe konfigurierbarer Regeln und Laufzeitüberprüfungen, die das Verhalten des Agenten einschränken. Dient als Sicherheitsebene, die Aufforderungen abfangen, die vorgeschlagenen Aktionen des Agenten validieren und seine endgültige Antwort filtern kann, um schädliche Inhalte zu verhindern, Geschäftsregeln durchzusetzen und sicherzustellen, dass der Agent innerhalb seines angegebenen Umfangs arbeitet.
  • Aufforderungsvorlagen: Wiederverwendbare Vorlagen, die über Briefvorlagenfelder oder semantische Daten aus Data 360 RAG Retrievers dynamisch mit Live-CRM-Daten ausgefüllt werden. Mit diesen Vorlagen können Agenten kontextbezogenen markenspezifischen Inhalt generieren, während die Einstein Trust Layer vertrauliche Informationen sicher maskiert, bevor die Anweisungen an die LLM gesendet werden.
• Ereignisziele
  • Benachrichtigen Sie Mitarbeiter proaktiv oder kontaktieren Sie Kunden.
  • Erweiterbar auf Anrufe anderer Agenten (siehe Muster der Umgebungs-AI und der autonomen AI)

Interaktionen

1. Im internen System findet eine erhebliche Änderung statt, beispielsweise eine Aktualisierung eines CRM-Datensatzes, eine Metadatenänderung oder eine über Data 360 ausgelöste Datenaktion.
2. Das interne System sendet ein Ereignis aus und veröffentlicht es über die API (erstellt ein Plattformereignis) oder die Pub/Sub-API im Salesforce-Ereignis-Bus. Alternativ werden Ereignisdaten an Data 360 übertragen.
3. Abonnenten des Ereignisses werden ausgelöst und aktivieren einen Flow oder Apex.
4. Der aktivierte Flow oder Apex ruft die Agentenaktion auf.
5. Das Ergebnis ist, dass eine Benachrichtigung oder ein Workflow ausgelöst wird. Benachrichtigungen werden einem Benutzer in einem Tool für die Zusammenarbeit (z. B. Slack) zugestellt. Aufgaben oder Ereignisse werden ebenfalls generiert. Außerdem können Aktionen externe Systeme aufrufen.
6. Die Ereignisse gehen daher nicht verloren, sondern werden proaktiv ausgeführt, signalisiert und umgesetzt, wodurch menschlicher Aufwand oder komplexe Automatisierungen zum Erkennen der Ereignisse entfallen.

Trade-Offs

Verwandte Muster

Listener/Feed-Muster: Kann mit dem Listener-Muster kombiniert werden, um proaktive Aktionen basierend auf internen Salesforce-Ereignissen auszulösen

Datenweiterleitungsmuster: Proaktive AI kann Datenverwalter verwenden, um die Datenqualität und Konsistenz beim Reagieren auf interne Ereignisse zu gewährleisten

Zen Data Gardener-Muster: Für geplante, proaktive Datenpflege und Standardisierung, die durch interne Ereignisse oder in regelmäßigen Abständen ausgelöst werden

Zunächst wurden Agenten verwendet, die interaktiv in einem Unterhaltungskanal antworten, und dann wurden Agenten, die auf bestimmte Ereignisse reagieren, hinzugefügt. Über das ereignisgesteuerte Modell proaktiver Agenten hinaus stellen Umgebungsagenten einen Paradigmenwechsel von der direkten Interaktion zur proaktiven Hintergrundunterstützung dar. Hierbei handelt es sich um Headless-Agenten, die die digitale Umgebung im Hintergrund beobachten. Sie fungieren als „Augen und Ohren“ des Systems, nehmen Kontext aus Benutzeraktivitäten oder Datenströmen wahr und koordinieren sich dann mit anderen Agenten oder Menschen, um Aufgaben zu erledigen, Statistiken anzuzeigen oder Anleitungen bereitzustellen.

Problem

Die Geschäftsaktivitäten Ihrer Organisation generieren kontinuierliche Ströme wertvoller Informationen (Anrufe, Besprechungen, Chats, Sensordaten usw.), die jedoch ohne Erfassung oder Analyse in Echtzeit ausgeblendet werden. Wenn Menschen diese Interaktionen manuell dokumentieren, gehen wichtige Erkenntnisse verloren und der Moment für eine zeitnahe Intervention ist verstrichen. Organisationen verpassen den Großteil der in Echtzeit benötigten und in vorübergehenden Streams vergrabenen handlungsrelevanten Informationen, was zu Lücken, verlorenen Coaching-Opportunities und Entscheidungen ohne vollständigen Kontext führt.

Context

• Ihre Geschäftsaktivitäten generieren kontinuierliche Streams aus verschiedenen Quellen, einschließlich Sprach- und Videobesprechungen, Live-Chats, Sensortelemetrie, Bildschirmaktivität und Transaktionsdaten.
• Sie benötigen Statistiken in Echtzeit oder nahezu in Echtzeit (innerhalb von Sekunden oder Minuten und nicht Stunden oder Tagen), um effektiv auf diese Streams zu reagieren und darauf zu reagieren.
• Manuelle Dokumentationsprozesse schlagen fehl. Sie zeichnen sich durch niedrige Compliance- und Aktualisierungsraten, hohe kognitive Belastung für Mitarbeiter und unvollständige Erfassung wichtiger Informationen aus.
• Sie benötigen ein multimodales Verständnis, das Daten aus Audio, Video, Bildschirmfreigabe, Chat und anderen Metadaten kombiniert, um einen vollständigen und genauen Kontext von Interaktionen und Ereignissen zu erstellen.
• Sie benötigen sowohl sofortige Analysen für Echtzeit-Coachings und -Benachrichtigungen als auch historische Analysen für Zusammenfassungen nach der Interaktion und die Identifizierung langfristiger Trends.
• Der zeitliche Kontext (episodisches Gedächtnis) ist entscheidend für Ihre Analyse, einschließlich des Verständnisses der Reihenfolge, des Zeitpunkts, der Übergänge und Muster in verschiedenen Zeitfenstern in Ihren Datenströmen.

Schlüsselkomponenten

• Stream-Quelle
  • Voice und Video: Videokonferenztools (wie Slack Huddle, Zoom, Google Meet und Microsoft Teams) und Telefonsysteme
  • Tools für die Zusammenarbeit: Slack, Teams und andere
• Stromerfassungs-Konnektoren
  • Natives SDK: Vom Anbieter bereitgestelltes SDK zum Abrufen von Abschriften oder Nachrichten, die Echtzeit-Stream-Segmente oder -Abschriften unterstützen
• (Optional) Stream-Verarbeitungsebene
  • Wenn für Audio-Streams keine Abschriften in Echtzeit verfügbar sind, eine Sprach-zu-Text-Funktion, die Audio in Text übersetzt. Sie können auch einen verwalteten Anbieter wie Amazon Transcribe verwenden.
  • Bei anderen Datenströmen optional ein Stream-Verarbeitungsmodul wie Data 360 oder Apache Flink
• Daten 360
  • Data 360-Komponenten, einschließlich DLOs und DMOs, die Ereignisdaten speichern, Streaming- oder Echtzeitstatistiken umwandeln und erstellen
  • Berechnete, Streaming- und Echtzeitstatistiken bieten Agenten sofortige relevante Daten zu Kunden, deren Aktivität und wichtigen Statistiken. Dadurch wird eine präventive Problemlösung ermöglicht, wodurch die Eskalation abgemildert wird. Durch diese Echtzeit-Situationswahrnehmung können Agenten zeitnahe Interventionen und personalisierten Support für Mitarbeiter bereitstellen und so die Kundenzufriedenheit und den betrieblichen Durchsatz optimieren.
  • Data 360-Komponenten, einschließlich DLOs und DMOs, in denen Kundendaten gespeichert und Echtzeitstatistiken umgewandelt und erstellt werden
  • Der Data 360-Vektorspeicher und RAG-Abrufer bieten dem Agenten eine einheitliche Ansicht aller relevanten Unternehmensdaten und unstrukturierten Knowledge-Artikel, wodurch sichergestellt wird, dass die Antworten genau und kontextbasiert sind.
• Agentforce Agents. Dieses Muster konzentriert sich auf einen Umgebungsagenten, der einen kontinuierlichen Datenstrom beobachtet, beispielsweise eine Live-Anrufabschrift oder einen Videofeed. Er fungiert als Echtzeit-Listener und interpretiert unstrukturierte Daten. Beispielsweise kann ein Agent, der einen Live-Anruf anhört, einen Data Discovery-Agenten aufrufen, um den Datensatz eines Leads auf der Grundlage des neuen in der Unterhaltung freigegebenen Kontexts anzureichern. Hier ein Beispiel für einen solchen Headless-Agenten:
  • Feedbackagent. Das Verhalten und der Zweck des Agenten werden durch die folgenden Komponenten definiert.
    • Themen und Anweisungen: Definiert die primäre Aufgabe des Agenten, Unterhaltungsströme zu analysieren und strukturiertes Feedback und Leistungskennzahlen zu extrahieren. Dies beinhaltet Anweisungen zum Überwachen der Kundenstimmung, zum Identifizieren von Erwähnungen wichtiger Produkte oder Mitbewerber und zum Bewerten, ob der menschliche Agent die bewährten Vorgehensweisen des Unternehmens oder ein Vertriebs-Playbook einhält.
    • Aktionen: Aktionen zum Umwandeln unstrukturierter Unterhaltungsdaten in handlungsrelevante Business Intelligence. Mit diesen Aktionen kann der Agent einen Datensatz vom Typ "Feedback-Zusammenfassung" erstellen, Produktfunktionsanforderungen protokollieren, Anrufe zur Managerüberprüfung mit negativer Stimmung kennzeichnen und ein Dashboard aktualisieren, um die Gesamtleistung des Agenten anhand wichtiger Kennzahlen zu verfolgen.
    • Guardrails: Leitplanken fungieren als eine Reihe konfigurierbarer Regeln und Laufzeitüberprüfungen, die das Verhalten des Agenten einschränken. Dient als Sicherheitsebene, die Aufforderungen abfangen, die vorgeschlagenen Aktionen des Agenten validieren und seine endgültige Antwort filtern kann, um schädliche Inhalte zu verhindern, Geschäftsregeln durchzusetzen und sicherzustellen, dass der Agent innerhalb seines angegebenen Umfangs arbeitet.
    • Aufforderungsvorlagen: Strukturierte LLM-Anweisungen mit Vorlage, die Eingaben empfangen und eine LLM-generierte Ausgabe bereitstellen können
• Umgebungsziele
  • Benachrichtigen von Benutzern an der Oberfläche, an der sich Agent und Benutzer befinden, beispielsweise in einem Videoanruf oder einer Desktop-Anwendung

Interaktionen

1. Wenn ein Stream aktiviert wird (z. B. wenn ein Benutzer dem Videoanruf beitritt), fügt sich der Agent selbst als Beobachter hinzu.
2. Der Agent empfängt Stream-Daten, erkennt inkrementell Intents, trifft Entscheidungen und ruft Aktionen auf.
3. Der Agent kontextualisiert anhand von Intent und ruft zusätzliche Daten (strukturiert oder unstrukturiert) ab.
4. Der Agent stellt Just-in-Time-Echtzeitantworten bereit, ohne dass der Benutzer dazu aufgefordert wird: Er kann einen Widerspruch in einem Vertriebsanruf erkennen und wichtige Informationen zur Bearbeitung des Widerspruchs bereitstellen.
5. Agenten können eine konsolidierte Zusammenfassung und Aktionen zusammenstellen und sie für andere Agenten und Benutzer freigeben.

Trade-Offs

Verwandte Muster

Listener/Feed-Muster: Kann mit dem Listener-Muster kombiniert werden, um Echtzeitströme von Unterhaltungs- und Benutzerinteraktionsdaten zu verarbeiten und relevante Kontexte und Statistiken anzuzeigen

Abfragemuster: Kann in Verbindung mit diesem Muster verwendet werden, um Kontext aus mehreren Quellen im Stream zusammenzustellen und Fragen zu beantworten

Problem

Ihre Mitarbeiter führen täglich Hunderte von geschäftskritischen Aktivitäten über E-Mails, Kalender, Anrufe und Anwendungen hinweg aus. Diese Aktivitäten bleiben jedoch für Organisationssysteme unsichtbar, bis sie manuell protokolliert werden – was selten vorkommt. Diese Aktivitätsblindheit bedeutet, dass CRM-Daten unvollständig sind, AI-Modellen die Signale fehlen, die für intelligente Empfehlungen erforderlich sind, und Manager keine Echtzeit-Sicht auf das Kundenengagement haben. Bei der manuellen Aktivitätsprotokollierung wird eine Produktivitätssteuer berechnet, während der Großteil der tatsächlichen Arbeit noch fehlt.

Context

Genau wie der Stream-Beobachter ist dies ein Daten- und Inhaltsbeobachter, der handlungsrelevante Aufgaben bereitstellt oder Aktionen im Namen des Benutzers ausführt.

Schlüsselkomponenten

• Datenebene
  • CRM-Daten: In CRM verfügbare Kundendaten, die dem Agenten Kontext bereitstellen (wenn sich der Benutzer beispielsweise auf einer Opportunity-Seite befindet, kann der Agent Informationen über die Opportunity und den zugehörigen Account aus CRM abrufen).
  • Data 360-Komponenten, einschließlich DLOs und DMOs, die relevante Kundendaten speichern, die aus verschiedenen Quellen aufgenommen wurden
  • Berechnete, Streaming- und Echtzeitstatistiken bieten Agenten sofortige relevante Daten zu Kunden, deren Aktivität und wichtigen Statistiken. Dadurch wird eine präventive Problemlösung ermöglicht, wodurch die Eskalation abgemildert wird.
  • Data 360-Vektorspeicher und RAG-Abrufer bieten dem Agenten eine einheitliche Ansicht aller relevanten Unternehmensdaten und unstrukturierten Knowledge.
• Agentforce Agent: Dieses Muster konzentriert sich auf einen Umgebungsagenten, der die Aktionen eines Benutzers direkt auf der Benutzeroberfläche beobachtet. Er fungiert als Echtzeitassistent und versteht den Kontext des Workflows des Benutzers, um Hilfestellung zu geben. Beispielsweise kann ein Agent einen Servicemitarbeiter überwachen, der einen Kundenvorgangsdatensatz ausfüllt, und proaktiv einen relevanten Knowledge Artikel anzeigen. Hier ein Beispiel für einen solchen Headless-Agenten:
  • Feedbackagent. Das Verhalten und der Zweck des Agenten werden durch die folgenden Komponenten definiert.
    • Themen und Anweisungen: Definiert die Mission des Agenten, die Aktionen eines Benutzers auf der Benutzeroberfläche zu überwachen und kontextbezogene Unterstützung bereitzustellen. Dazu zählen das Ziel (z. B. "Servicemitarbeiter durch den Lösungsprozess für Kundenvorgänge führen") und die spezifischen Benutzeroberflächenereignisse oder Dateneingabemuster, auf die er achten sollte, um proaktiv Hilfe anzubieten.
    • Aktionen: Mit Apex oder Flow erstellte Aktionen, um relevante Informationen und Next Best Actions direkt im Workflow des Benutzers anzuzeigen. Mit diesen Aktionen kann der Agent einen relevanten Knowledge Artikel abrufen und anzeigen, einen gültigen nächsten Schritt in einem Prozess vorschlagen oder ein Dateneingabefeld kennzeichnen, das möglicherweise gegen eine Geschäftsregel verstößt – und das alles als Reaktion auf die Echtzeitaktivität des Benutzers.
    • Guardrails: Leitplanken fungieren als eine Reihe konfigurierbarer Regeln und Laufzeitüberprüfungen, die das Verhalten des Agenten einschränken. Dient als Sicherheitsebene, die Aufforderungen abfangen, die vorgeschlagenen Aktionen des Agenten validieren und seine endgültige Antwort filtern kann, um schädliche Inhalte zu verhindern, Geschäftsregeln durchzusetzen und sicherzustellen, dass der Agent innerhalb seines angegebenen Umfangs arbeitet.
    • Aufforderungsvorlagen: Wiederverwendbare Vorlagen, die über Briefvorlagenfelder oder semantische Daten aus Data 360 RAG Retrievers dynamisch mit Live-CRM-Daten ausgefüllt werden. Mit diesen Vorlagen können Agenten kontextbezogenen markenspezifischen Inhalt generieren, während die Einstein Trust Layer vertrauliche Informationen sicher maskiert, bevor die Anweisungen an die LLM gesendet werden.
• Umgebungsziele
  • Benachrichtigen von Benutzern auf der Oberfläche, auf der sich Agent und Benutzer befinden, beispielsweise auf einer Webseite oder einer Administratorseite

Interaktionen

1. Wenn ein Benutzer eine Seite oder Anwendung besucht, fügt sich der Agent selbst als Beobachter hinzu.
2. Der Agent beginnt mit der Untersuchung von Daten und Aktionen, erkennt inkrementell Intents, trifft Entscheidungen und ruft Aktionen auf.
3. Der Agent kontextualisiert anhand von Intent und ruft zusätzliche Daten (strukturiert oder unstrukturiert) ab.
4. Der Agent stellt Just-in-Time-Echtzeitantworten ohne Benutzeraufforderung bereit und kann Next Best Actions vorschlagen oder anbieten, sie im Namen des Benutzers auszuführen.
5. Agenten können dies nahtlos für andere Agenten und Benutzer freigeben.

Trade-Offs

Verwandte Muster

Listener/Feed-Muster: Kann mit dem Listener-Muster kombiniert werden, um proaktive Aktionen basierend auf beobachteten Aktivitäten auszulösen

Datenweiterleitungsmuster: Die AI zum Abfangen von Aktivitäten kann Datenverwalter verwenden, um die Datenqualität und Konsistenz bei der Protokollierung abgefangener Aktivitäten sicherzustellen.

Generatormuster: Kann zum automatischen Generieren von Aktivitätszusammenfassungen oder Folgeaufgaben auf der Grundlage abgefangener Aktivitäten verwendet werden

In diesem Abschnitt werden Muster für gemeinschaftliche Agenten beschrieben, bei denen ein oder mehrere Agenten gemeinsam mit einem menschlichen Benutzer daran arbeiten, ein gemeinsames Ziel zu erreichen. Diese Rezepte konzentrieren sich auf die Schaffung einer nahtlosen Partnerschaft: Agenten kümmern sich um die komplexe Datenerfassung und Aufgabenausführung, während sie den Menschen bei Entscheidungen, Genehmigungen und strategischen Anleitungen auf dem Laufenden halten.

In diesem Modell verarbeiten Agenten die automatisierbaren Teile eines Workflows. Der Prozess wird zu einer dynamischen Feedbackschleife.

• Eine Person initiiert eine Aufgabe möglicherweise über einen Unterhaltungsagenten, wodurch ein proaktiver Agent die Backend-Schritte verwaltet.
• Gleichzeitig kann ein Umgebungsagent seine Aktionen beobachten, um eine Echtzeitanleitung bereitzustellen.

Dieser Prozess schafft eine nahtlose Verschmelzung von menschlicher und digitaler Arbeit. Anhand dieses Musters wird veranschaulicht, wie Agentforce ein System mit mehreren Agenten ermöglicht, um komplexe Aufträge anzugehen, die kein einzelner Agent – oder Mensch – alleine bewältigen könnte.

Problem

Ihre Geschäftsprozesse erfordern die Zusammenarbeit zwischen Mitarbeitern verschiedener Organisationen – sowohl interner als auch externer Organisationen – mit jeweils unterschiedlichen Aufgaben, die unterschiedliche Fertigkeiten und Prioritäten aufweisen. Prozessengpässe können jederzeit und überall aufgrund von Ressourcenkapazität, Fertigkeitseinschränkungen oder der Menge der ausgetauschten Informationen auftreten.

Context

• Prozesse erstrecken sich über mehrere Teams hinweg und erfordern die Zusammenarbeit mehrerer Teammitglieder für ein erfolgreiches Ergebnis.
• Agentenassistenten helfen Ihrer Belegschaft bereits in 1:1-Szenarien als Unterhaltungs-, Proaktiv- und Umgebungsagenten.
• Prozesse verwenden Agenten in entsprechenden Segmenten Ihrer Geschäftsprozesse. Prozesse erfordern jedoch auch die Zusammenarbeit zwischen Mensch und Agent. Diese Zusammenarbeit kann von Mensch zu Mensch mit Unterstützung durch Agenten oder menschliche Zusammenarbeit umfassen.
• Fertigkeitslücken werden von Agenten ausgefüllt.
• Agenten helfen bei der Verbesserung der Zusammenarbeit, indem sie den menschlichen Aufwand bei Aufgaben wie Folgemaßnahmen reduzieren und wichtige Informationen austauschen, um die Entscheidungsfindung zu erleichtern.
• Agenten können auch anhand von Richtlinien und Richtlinien zusammenarbeiten und delegieren.

Schlüsselkomponenten

• Zusammenarbeitsfläche
  Für die Zusammenarbeit mit Agenten ist ein gemeinsamer Bereich erforderlich, in dem alle Beteiligten – sowohl Menschen als auch Agenten – interagieren können. Diese Zusammenarbeitsoberflächen sind keine statischen Umgebungen mehr, die nur auf Menschen beschränkt sind. Stattdessen sind sie Kanäle, über die Agenten eingeladen werden können, sich anzumelden, beizutragen und sogar Unterhaltungen zu initiieren, was die Art der Teamarbeit grundlegend verändert. Beispielsweise kann ein Agent eine Kundenvorgangsbearbeitung in Slack erstellen und initiieren, indem er Experten für menschliche Themen und andere Agenten zur Zusammenarbeit am Kundenvorgang einlädt.

• Agentforce Agents
  Dieses Muster geht über einzelne Agentenmuster hinaus, um zu zeigen, wie sie in einem Modell für gemeinschaftliche Agenten konvergieren und komplexe Prozesse orchestrieren, die die menschlichen Fähigkeiten intelligent erweitern. Die vorangestellten Muster – "Unterhaltung" (2.1), "Proaktiv" (2.2) und "Umgebung" (2.3) – definieren die Richtung "Agentforce Agent Components.c". Ein Unterhaltungsagent fungiert als primäre Schnittstelle, arbeitet an der Seite des Menschen und fungiert als Schnittstelle zwischen Menschen und allen an der Zusammenarbeit beteiligten Agenten. Wenn eine Aufgabe zu facettenreich ist, initiiert der Unterhaltungsagent eine gemeinschaftliche Sitzung, in der die menschlichen Benutzer und die erforderlichen Headless-Agenten gleichzeitig an dem Problem arbeiten. Der Prozess wird zu einer dynamischen Feedbackschleife, in der ein Mensch eine Aufgabe initiieren kann, die dann einen proaktiven Agenten auslöst, um die Backend-Schritte zu verwalten, während ein Ambient-Agent beobachtet, wie er eine Echtzeit-Anleitung bereitstellt, wodurch eine nahtlose Verbindung zwischen menschlicher und digitaler Arbeit entsteht.

• Datenebene
  Im Modell für gemeinschaftliche Agenten übernimmt die Datenebene eine dynamischere Rolle als das bloße Bereitstellen von Informationen. Sie wird zum persistenten Speicher und zur freigegebenen Arbeitsumgebung für das gesamte Human-Agent-Team. Während jeder beteiligte Agent seine eigenen spezifischen Datenanforderungen hat, die in seinem jeweiligen Muster definiert sind, hängt die Zusammenarbeit an einer komplexen Aufgabe von einer gemeinsamen Datengrundlage ab, die den Status des Gesamtauftrags verfolgt.

  Dieser freigegebene Status ist entscheidend. Wenn eine Aufgabe von einem Unterhaltungsagenten an einen proaktiven Agenten und dann zur Genehmigung an eine Person übergeben wird, muss die Datenebene den Fortschritt, Kontext und die Entscheidungen verfolgen, die bei jedem Schritt getroffen wurden. Dadurch wird sichergestellt, dass jeder Teilnehmer eine einheitliche und aktuelle Ansicht der Episode hat.

Interaktionen

1. Menschen initiieren eine gemeinschaftliche Sitzung mit anderen Menschen und Agenten.
2. Kontext, Ziele, Aufträge und Ergebnisse werden definiert.
3. Der Agent bereichert den Kontext, indem er zusätzliche Informationen hinzufügt, und plant proaktiv die zum Erledigen des Auftrags erforderlichen Schritte zusammen mit Inhabern, bei denen es sich um Personen oder Agenten handelt.
4. Der Fortschritt wird beobachtet, der Kontext aktualisiert und Aktionen werden ausgeführt.
5. An den Stellen, an denen Agenten die Aufgabe ausführen, stellt der Agent detaillierte Informationen bereit, damit menschliche Beteiligte die Argumentation verstehen, Feedback geben und Abhörvorgänge zulassen können.
6. Agenten erledigen die Arbeit mit vollständiger Transparenz und Compliance.

Trade-Offs

Verwandte Muster

Operatormuster: Gemeinschaftliche Agenten fungieren häufig als Operatoren, leiten Anforderungen an die entsprechenden AI-Spezialisten oder Mitarbeiter des menschlichen Service weiter und verhandeln über den Intent.

Orchestratormuster: In Szenarien mit Zusammenarbeit verwaltet ein Orchestrierungsagent eine Gruppe von AI-Agenten und aggregiert ihre Antworten für eine nahtlose Benutzererfahrung.

Arbeitsumgebungsmuster (Radar O'Reilly): Agenten für die Zusammenarbeit verwenden dieses Muster, um eine anpassungsfähige Einzelperson zu verwalten und relevante Inhalte in einem Unterhaltungs-Flow in Echtzeit zu aktualisieren.

Im Gegensatz zu gemeinschaftlichen Mustern, die einen Benutzer unterstützen, sind autonome Agenten auf eine vollständige Delegierung ausgelegt. In diesem Abschnitt finden Sie die architektonischen Blaupausen für Agenten, die komplexe, aus mehreren Schritten bestehende Aufgaben unabhängig planen und ausführen können, um ein übergeordnetes Ziel zu erreichen, ohne dass ein menschliches Eingreifen erforderlich ist. Der Fokus liegt dabei auf der Erstellung eines Systems, das Sie mit einem Ziel und Trust von Anfang bis Ende ausführen können.

Problem

Ihre Organisation realisiert Mehrwert durch eine hochkomplexe Reihe von Prozessen, die jeweils unterschiedliche richtliniengesteuerte Aufträge, Playbooks und spezifische Fertigkeiten aufweisen, die für die Ausführung erforderlich sind. Dies sind oft Programme, die erhebliche Investitionen in Zeit und Ressourcen erfordern.

Das Einrichten eines neuen Programms hat einen hohen Aufwand und kann Monate dauern, bis ein Wert realisiert wird. Das Implementieren von Feedback und Verbesserungen erfordert oft zusätzlichen Zeitaufwand. Die Komplexität wird in erster Linie durch die Struktur Ihrer Organisation bestimmt, bei der verteilte Anwendungen und Prozesse Abhängigkeiten verursachen können, die von Menschen zur Verwaltung des Programms benötigt werden.

Context

• Agenten können von Anfang bis Ende unabhängig arbeiten. Agenten werden so konzipiert und konfiguriert, dass Ziel, Plan und Strategie vorab festgelegt sind.
• Agenten können alle Entscheidungen treffen, ohne die Genehmigung durch Menschen einzuholen. Agenten werden Richtlinien und Compliance-Richtlinien bereitgestellt.
• Agenten können auf den erforderlichen Kontext und die benötigten Daten zugreifen und die erforderlichen Aktionen ausführen, ohne dass sie Personen benötigen.
• Menschen werden benachrichtigt, sind aber nicht "auf dem Laufenden".

Schlüsselkomponenten

• Ebene 'Ziel- und Strategiedefinition'
  • Wiedergabebücher verarbeiten: Detaillierte Beschreibungen der autonomen Ausführung mit deterministischen Regeln, die Agenten befolgen müssen
  • Autonome Entscheidungskriterien: Regeln, die es Agenten ermöglichen, Entscheidungen zu treffen, ohne dass eine menschliche Genehmigung erforderlich ist
  • Ausweichregeln: Vordefinierte Aktionen für die Verarbeitung von Standard- oder Ausnahmeszenarien, wenn der primäre Prozess eines Agenten fehlschlägt
  • Geltungsbereiche: Klar definierte Grenzen, die darlegen, was Agenten tun können und was nicht, einschließlich der Handhabung von Situationen außerhalb des Geltungsbereichs
  • Erfolgskriterien und Definition von "Fertig": Die Kennzahlen und Bedingungen, die bestimmen, wann die Aufgabe eines Agenten erfolgreich abgeschlossen wird
• Agentforce Agents
  • Agent Orchestrator oder Choreograf: Der Hauptagent, dem das Ziel, die Gründe und die Ausführung der Pläne gehören
    • Themen und Anweisungen: Sobald ein Ziel definiert ist, übernimmt der Orchestrierer oder Choreografenagent die Führung bei der Aufschlüsselung dieses übergeordneten Ziels in kleinere, verwaltbare Aufträge oder Teilaufgaben. Sie erstellt einen umfassenden Plan, in dem die Reihenfolge der Aufträge beschrieben und die für die einzelnen Schritte erforderlichen Agenten oder Tools identifiziert werden. Schließlich gewährleistet der Orchestriereragent die nahtlose Ausführung des Plans, überwacht den Fortschritt, verwaltet Abhängigkeiten und nimmt bei Bedarf Anpassungen vor, um das Ziel effizient und effektiv zu erreichen. Im Falle eines Choreografenagenten werden Kontext und Status an die nachgelagerten Agenten weitergegeben, um den Auftrag bis zum Abschluss auszuführen.
    • Aktionen: Aktionen rufen Tools zum Ausführen einer Funktion, zum Abrufen von Daten oder zum Delegieren an andere Headless-Agenten auf, wodurch ein breiterer Funktionsumfang und komplexere Workflows ermöglicht werden.
    • Guardrails: Leitplanken fungieren als eine Reihe konfigurierbarer Regeln und Laufzeitüberprüfungen, die das Verhalten des Agenten einschränken. Dient als Sicherheitsebene, die Aufforderungen abfangen, die vorgeschlagenen Aktionen des Agenten validieren und seine endgültige Antwort filtern kann, um schädliche Inhalte zu verhindern, Geschäftsregeln durchzusetzen und sicherzustellen, dass der Agent innerhalb seines angegebenen Umfangs arbeitet.
• Datenebene
  • CRM Data: In CRM verfügbare Kundendaten, die einem oder mehreren Agenten Kontext bieten
  • Data 360-Komponenten, einschließlich DLOs und DMOs, die relevante Kundendaten speichern, die aus verschiedenen Quellen aufgenommen wurden
  • Berechnete, Streaming- und Echtzeitstatistiken bieten Agenten sofortige relevante Daten zu Kunden, deren Aktivität und wichtigen Statistiken. Dadurch wird eine präventive Problemlösung (z. B. die Verarbeitung von E-Mail-Bounces) ermöglicht, wodurch die Eskalation abgemildert wird.
  • Data 360-Vektorspeicher und RAG-Abrufer bieten dem Agenten eine einheitliche Ansicht aller relevanten Unternehmensdaten und unstrukturierten Knowledge
  • Slack-Kanalnachrichten oder Unterhaltungsdaten wie Kundenvorgangsverlauf und Unterhaltungsagentverlauf, die Unterhaltungskontext bereitstellen
• Überwachung und Aufsicht
  • Überwachung des Fortschritts des Agentenziels: Verfolgt den Fortschritt von Sitzungen autonomer Agenten, um Ergebnisse zu messen und die Ausrichtung auf Ziele sicherzustellen
  • Überwachung der Agentenvorgänge: Verfolgt den Echtzeitstatus autonomer Agenten zur Intervention und Fehlerbehebung und gewährleistet so einen reibungslosen Betrieb
  • Überwachung der Agentenführung: Verfolgt Verfolgungs- und Überwachungsprotokolle, um sicherzustellen, dass autonome Agenten vordefinierte Ziele, Ziele und ethische Richtlinien einhalten

Interaktionen

1. Der Auftrag wird mit eindeutigen Ergebnissen definiert.
2. Der Auftrag wird über eine der folgenden Methoden initiiert:
   • Ein Agent wird beauftragt.
   • Ein Agent wählt den Auftrag proaktiv anhand von Qualifikationen aus.
   • Ein Agent führt den Auftrag im Hintergrund aus.
3. Der Agent legt die Erwartungen klar fest und informiert die Mitarbeiter, wobei er das Ziel, den Plan und die Strategie angibt. Der Plan enthält schrittweise Prozesse, verwendete Agenten, verwendete Daten, Umfang, Agentenevaluierungsplan und Prüfpunkte, an denen Mitarbeiter den Fortschritt, die Vorgänge und die Unternehmensführung überwachen können.
4. Der Agent beginnt mit der Ausführung. Bei jedem Meilenstein werden der Status und der Fortschritt aktualisiert. Menschen können Feedback geben oder Agenten bei Bedarf abfangen.
5. Der Agent führt den Auftrag aus. Das Ergebnis und die Ergebnisse sind im Überwachungs-Dashboard verfügbar.

Trade-Offs

Verwandte Muster

Projekt-Manager-Muster: Autonome Agenten verkörpern dieses Muster oft und überwachen langfristige Prozesse mit mehreren Schritten von der Initiierung bis zum Abschluss mit minimalem menschlichen Eingreifen.

Konfiguratormuster: Autonome Agenten können dieses Muster verwenden, um Konfigurationen automatisch zu generieren und zu validieren, die auf Anforderungen natürlicher Sprache oder vordefinierten Richtlinien basieren, wodurch die Compliance und Genauigkeit ohne manuelle Überwachung gewährleistet wird.

Zen Data Gardener-Muster: Dieses Muster kann von autonomen Agenten für die geplante Pflege und Standardisierung von Hintergrunddaten verwendet werden, um die Datenqualität und -konsistenz im Laufe der Zeit zu gewährleisten und eine genaue Entscheidungsfindung der Agenten zu unterstützen.

Nun werden die Agententaxonomie und Agentenmuster lebendig, indem wir erkunden, wie sie auf Salesforce Platform implementiert werden. Für diejenigen, die mit den Kernkomponenten von Agentforce nicht vertraut sind, bietet der Anhang eine hilfreiche Auffrischung der Schlüsseltechnologien, auf die in diesem und im nächsten Kapitel verwiesen wird.

In diesem Abschnitt wird die Taxonomie der Agenten erläutert und jeder mit einem gemeinsamen Anwendungsfall veranschaulicht, um zu zeigen, wie sie in realen Anwendungen verwendet werden.

Eine Kundin, Jane, besucht die Website eines Unternehmens, um den Status ihrer letzten Bestellung zu überprüfen.

• Interaktion: Jane öffnet das Chat-Fenster (den Agentforce Chat Client).
• Agentenaktion: Der Unterhaltungsagent begrüßt sie und fragt, wie sie helfen kann. Jane fragt: "Wo ist meine letzte Bestellung?"
• Prozess:
  1. Der Agent identifiziert anhand der Kundeninformationen von Jane aus Salesforce ihren letzten Auftrag.
  2. Er fragt das Versandsystem (über einen MuleSoft-Konnektor) nach den neuesten Verfolgungsinformationen ab und stellt Jane eine Echtzeitaktualisierung und einen Verfolgungslink bereit.
  3. Anschließend wird in der Richtlinie nachgeschlagen und automatisch auf den beschleunigten Versand aktualisiert.
  4. Wenn Jane eine komplexe Frage stellt, die der Agent nicht bearbeiten kann, wird der Chat nahtlos an einen menschlichen Serviceagenten eskaliert und die vollständige Abschrift für den Kontext bereitgestellt.

Rezept

Verwendete Muster: Unterhaltungs-AI-Muster, Integration von Transaktionsdaten in Agenten

Designzeit

1. Richten Sie einen Unterhaltungsagenten ein.

   Einrichten des erweiterten Chats	→	Serviceagenten erstellen	→	Thema 'Supportaufträge definieren'	→	Aktion "Auftrag abrufen" erstellen
   						↓
   Hinzufügen eines ausgehenden Omnikanal-Flows zur Eskalation	←	Thema "Eskalation erstellen"	←	Hinzufügen von Aktionen zu Themen	←	Aktion 'Status abrufen' erstellen
   ↓
   Veröffentlichen des Agenten

2. Setzen Sie "Erweiterter Chat" als Chat-Eintrittspunkt für Jane ein, damit sie das Agentforce-Fenster auf der Webseite öffnen kann.
3. Aktivieren Sie Agentforce und erstellen Sie einen Serviceagenten im Agentforce Builder, um Unterhaltungen zu verarbeiten und benutzerdefinierte Aktionen auszulösen.
4. Definieren Sie ein Thema vom Typ "Supportaufträge" mit einer Beschreibung und Anweisungen, damit der Agent "Wo ist mein letzter Auftrag?" natürlich erkennt.
   1. Erstellen von benutzerdefinierten Agentenaktionen:
      1. Aktion 'Aktuellen Auftrag für Kontakt abrufen' zum Abrufen des neuesten Auftrags von Jane
      2. Abrufen des Versandstatus nach Auftrags-ID-Aktion zum Abrufen von Verfolgungsinformationen über MuleSoft
      3. Orchestrieren Sie optional beide Aktionen im Flow – Abrufen des neuesten Auftrags und Aufrufen von MuleSoft – mit externen Serviceaktionen.
      4. Fügen Sie beide Aktionen dem Serviceagenten im Generator hinzu, verknüpfen Sie sie mit dem Thema "Aufträge und Verfolgung" und veröffentlichen Sie sie.
5. Definieren Sie ein Eskalationsthema mit einer Beschreibung, die einem Servicemitarbeiter eskaliert werden soll.
   • Erstellen und aktivieren Sie einen ausgehenden Omnikanal-Flow.
   • Fügen Sie sie der Registerkarte "Verbindungen" im Generator für die Eskalation mit einer Eskalationsmeldung hinzu.
6. Richten Sie Omnikanal ein.

   Konfigurieren von Omnikanal

   →

   Definieren von Eskalationsregeln in Anweisungen

   →

   Festlegen von Prioritäten und Kapazitäten

   →

   Testen und validieren

7. Aktivieren Sie die nahtlose Eskalation für menschliche Serviceagenten, wenn der AI-Agent die Abfrage nicht auflösen kann. Konfigurieren Sie die Omnikanal-Weiterleitung, um Servicemitarbeitern Chats zuzuweisen und die vollständige Abschrift für den Kontext zu übertragen.
8. Integrieren Sie Eskalationslogik in die Anweisungen von Agentforce und eine Eskalationsaktion, damit der Agent weiß, wann komplexe Kundenvorgänge übertragen werden müssen. Verwalten Sie Weiterleitungsprioritäten und -kapazitäten über den Omni-Supervisor.
9. Testen Sie die vollständige Erfahrung: Jane öffnet den Chat und der Agent begrüßt sie, identifiziert ihre Bestellung, ruft Versanddaten ab und eskaliert nahtlos, wenn ein menschliches Eingreifen erforderlich ist (siehe auch Erweiterte Ereignisprotokolle aktivieren).
10. Richten Sie die Datenintegration ein.

    Zuordnen von Kontextdaten

    →

    Erstellen von MuleSoft-API-Anmeldeinformationen

    →

    Registrieren des externen MuleSoft-Service

11. Verknüpfen Sie den Agenten mit Janes Salesforce-Kontext, indem Sie ihre Kontakt- und Auftragsdatensätze über authentifizierte Chat- oder Vor-Chat-Formulare zuordnen.
12. Stellen Sie eine sichere Verbindung zwischen Salesforce und der MuleSoft-Versand-API her, indem Sie zur Authentifizierung externe Anmeldeinformationen und Anmeldeinformationen mit Namen verwenden.
13. Wenn MuleSoft eine OpenAPI-Spezifikation bereitstellt, registrieren Sie sie als externen Service, damit Flow und der Agent sie deklarativ aufrufen können.
14. Richten Sie die unstrukturierte Datenintegration ein.
    1. Erstellen Sie eine neue Datenbibliothek unter "Setup". Geben Sie ihm den Namen "Auftrags- und Versandrichtlinie".
    2. Fügen Sie die PDFs der Policendokumente hinzu, die die Ausnahmen von den Versandrichtlinien enthalten.
    3. Im Hintergrund werden die Dokumente automatisch in Gruppen unterteilt, indiziert und einsatzbereit gemacht.

Prozess-Flow für die Agentenlaufzeit

Sobald der Agent eingerichtet und bereitgestellt wurde, erfolgt zur Laufzeit die folgende Schrittfolge.

1. Chat-Start: Jane öffnet den Agentforce Chat (integrierter Service). Sitzungs- und Kontaktkontext wird geladen, nachdem Jane angemeldet wurde.

2. Begrüßung und Intent: Der Agent begrüßt Jane. Jane fragt nach dem Status eines Auftrags und die Intent-Erkennung ordnet dem Thema "Aufträge und Verfolgung" "aktueller Auftrag" zu.

3. CRM-Nachschlagevorgang: Der Agent löst die Aktion "Aktuellen Auftrag abrufen" aus und fragt Salesforce (Auftragszusammenfassung/Aufträge) nach dem neuesten Datensatz von Jane ab.

4. Versandabfrage: Der Agent ruft die MuleSoft-API über Anmeldeinformationen mit Namen auf und /shipping/status/{orderId} gibt einen Echtzeitstatus und einen Verfolgungs-URL zurück.

5. Antwortzusammensetzung: Agentforce führt Ergebnisse zusammen und erstellt eine Antwort: "Ihre Bestellung [OrderID], die über [Carrier] versendet wird und morgen ankommt – [Track Here]."

6. Fallbacks: Wenn keine Übereinstimmung oder ein API-Fehler vorliegt, entschuldigt sich der Agent und bietet an, erneut zu versuchen, Datenprobleme zu beheben.

7. Eskalation: Komplexe oder emotionale Abfragen werden automatisch über Omnikanal an eine Person übertragen und geben den vollständigen Chat und Kontext weiter.

8. Protokollierung: Alle Intents, Aktionen und Ergebnisse werden in Interaktionsprotokollen gespeichert. Die API-Latenz wird in der Anypoint-Überwachung überwacht.

9. Kontinuierliche Verbesserung: Eskalationen führen zu einer erneuten Schulung von Agentforce. Allgemeine Flows werden in der nachfolgenden Version optimiert.

Ein Kunde mit hohem Wert, John, hat seinem Online-Einkaufswagen Produkte im Wert von über 1.000 EUR hinzugefügt, schließt den Kauf jedoch nicht innerhalb von 60 Minuten ab.

• Trigger: Ein Salesforce Platform-Ereignis "Cart_Abandoned__e" wird aus dem E-Commerce-System ausgelöst, das die Kontakt-ID von John und den Einkaufswagenwert enthält.
• Agentenaktion: Ein proaktiver Agent, der dieses Ereignis abonniert hat, wird sofort aktiv.
• Prozess:
  1. Der Agent überprüft Johns Datensatz in Salesforce und sieht, dass er ein VIP-Kunde ist.
  2. Sie erstellt eine Aufgabe mit hoher Priorität für Johns Account-Managerin Sarah mit allen Details des verlassenen Einkaufswagens.
  3. Es sendet Sarah über Slack eine Benachrichtigung, in der sie aufgefordert wird, nachzufassen.
  4. Gleichzeitig wird John für eine gezielte Marketing Cloud-Journey registriert, die eine Erinnerungs-E-Mail mit einem befristeten Rabattcode von 10 % sendet, um ihn zum Abschluss des Kaufs zu ermutigen.

Rezept

In diesem Rezept wird die Implementierung eines proaktiven AI-Agenten auf der Salesforce Platform beschrieben, um das Verwerfen von Einkaufswagen durch VIP-Kunden mit hohem Wert anzugehen. Die Lösung nutzt Salesforce Platform-Ereignisse, Data 360 für Knowledge Retrieval und Agentforce, um zeitnahe und intelligente Folgeaktionen zu orchestrieren und so passive Daten in ein aktives Geschäftsengagement umzuwandeln.

Designzeit

1. Richten Sie ein verlassenes Einkaufswagenereignis ein, das ausgelöst wird, wenn John, ein VIP-Kunde, den Einkaufswagen verlässt.

   Benutzerdefiniertes Kontaktfeld erstellen

   →

   Definieren eines neuen Plattformereignisses

   1. Erstellen Sie ein Plattformereignis vom Typ Cart_Abandoned__e mit den Feldern "Kontakt-ID", "Einkaufswagenwert", "Datum/Uhrzeit der letzten Aktualisierung des Einkaufswagens" und "Einkaufswagendetails".
   2. Konfigurieren des Verwerfensereignisses: Erstellen Sie ein Plattformereignis für Checkout Ereignisbenachrichtigungen mithilfe von Commerce Cloud. Der Abbruch wird erkannt, wenn sich der Status der Einkaufswagen Checkout Sitzung in einem Zwischenzustand befindet und die Sitzung nach einem Schwellenwert eine Zeitüberschreitung aufweist. Wenn es sich bei Ihrem E-Commerce um ein externes System handelt, können Sie das Ereignis alternativ mit einer der folgenden Methoden in Salesforce veröffentlichen: Flows, Apex, Salesforce-APIs oder Pub/Sub-API.
   3. Erstellen Sie im Kontaktobjekt ein neues Feld Customer_Tier__c mit den Auswahllistenwerten Standard, Premium und VIP.
2. Einrichten der unstrukturierten Datenaufnahme in Data 360: Fügen Sie Data 360 über Amazon S3 ein aus einem Dokument-Repository bezogenes Rabattrichtliniendokument hinzu.

   Erstellen von AWS S3-Anmeldeinformationen	→	Erstellen eines neuen S3-Datenstroms	→	Konfigurieren und Bereitstellen des Streams	→	Suchindex erstellen
   						↓
   				Testabruffunktion	←	Konfigurieren und Bereitstellen des Index

   1. Erstellen Sie externe Anmeldeinformationen für den Zugriff auf S3: Erstellen Sie einen neuen Satz an Zugriffsschlüsseln und -geheimnissen für einen IAM-Benutzer oder IAM Amazon Resource Name (ARN) für einen IdP.
   2. Erstellen Sie einen neuen S3-Datenstrom: Erstellen Sie auf der Registerkarte "Datenströme" den Datenstrom "Policy Documents Stream", wählen Sie die S3-Quelle aus, wählen Sie den PDF-Dateityp aus, legen Sie die Aktualisierungshäufigkeit fest, ordnen Sie die Metadatenfelder (Dateiname und -größe) zu und stellen Sie sie dann bereit.
   3. Erstellen Sie nach Abschluss des Datenstroms einen Suchindex: Verwenden Sie die Passagenextraktion für die Blockierung, das E5-Large-v2-Einbettungsmodell und den hybriden Suchtyp und stellen Sie den Index dann bereit.
   4. Testen Sie die erstellte Abruffunktion.
3. Richten Sie den Agenten für die VIP-Einkaufswagenwiederherstellung ein.

   Agent aus Vorlage erstellen	→	Hinzufügen des Themas "VIP-Einkaufswagen wiederherstellen"	→	Hinzufügen von Themenanweisungen	→	Aktion 'Slack-Benachrichtigung erstellen'
   						↓
   Hinzufügen von Aktionen zum Thema	←	Journey-Registrierungsaktion erstellen	←	Aktion "Rabattangebot erstellen"	←	Aufgabe "Einkaufswagenwiederherstellung erstellen"

   1. Erstellen Sie einen Agenten anhand der Agentforce Employee Agent-Vorlage.
   2. Fügen Sie ein neues Thema "VIP-Einkaufswagen wiederherstellen" mit der Beschreibung hinzu, dass dieser Agent die Aufgabe von Einkaufswagen mit hohem Wert für VIP-Kunden verarbeitet.
   3. Fügen Sie Themenanweisungen hinzu, um den VIP-Status zu validieren, den Einkaufswagen zu qualifizieren, den Account-Manager in Slack zu benachrichtigen, ein Rabattangebot zu empfehlen und den Kunden für die E-Mail-Journey zur Einkaufswagenrückforderung zu registrieren.
   4. Erstellen Sie Aktionen und eine Aufgabe.
      • Aktion "Account-Manager benachrichtigen": Sendet eine proaktive Slack-Benachrichtigung
      • Aufgabe "Verworfenen Einkaufswagen wiederherstellen", die dem Manager mit Einkaufswagendetails zugewiesen ist
      • Aktion "Rabattangebot abrufen": Analysiert Police und vorherigen Kaufverlauf. Erstellen Sie eine Aufforderungsvorlage mit Kontextbildung, verweisen Sie auf die Abruffunktion in der Aufforderungsvorlage und verwenden Sie die Daten.
      • Aktion "Registrieren bei Wiederherstellungs-Journey": Registriert sich über die API bei der Marketing Cloud-Wiederherstellungs-Journey und erfasst alle Abonnentendaten und die vom Agenten generierte E-Mail-Nachricht mit Rabattangeboten.
   5. Fügen Sie dem Thema die Aktionen hinzu.
   6. Erstellen Sie mit Vorlagen in Marketing Cloud eine VIP-Journey zur Kundenwagenrückgewinnung oder eine neue Journey.
4. Verdrahten Sie ein Plattformereignis, um den Agenten anzurufen.

   Durch Ereignisse ausgelösten Flow erstellen

   →

   Plattformereignis abonnieren

   →

   Aufrufbare Agentenaktion hinzufügen

   →

   Übergeben von Ereignisdaten an Agenten

   1. Erstellen Sie einen neuen durch ein Plattformereignis ausgelösten Flow, die VIP Cart Abandonment Recovery.
   2. Wählen Sie das Ereignis "Einkaufswagen aufgegeben" aus, das der Flow abonnieren soll.
   3. Setzen Sie eine aufrufbare Aktion für benutzerdefinierte Agenten in Flow Builder ein und wählen Sie den Agenten "VIP-Einkaufswagenwiederherstellung" aus. Senden Sie die Anforderung, eine Wiederherstellung des aufgegebenen VIP-Einkaufswagens für den Kunden zu initiieren, und senden Sie die Plattformereignisnutzlast.

Prozess-Flow für die Agentenlaufzeit

Sobald der Agent eingerichtet und bereitgestellt wurde, erfolgt zur Laufzeit die folgende Schrittfolge.

1. Erkennung von Karrenabbrüchen: John fügt seinem Einkaufswagen 1.200 EUR hinzu. Kein Checkout oder Phasenfortschritt nach 60 Minuten löst einen Abbruch aus.
2. Plattformereignisveröffentlichung: Commerce Cloud veröffentlicht das Ereignis "Cart_Abandoned__e" mit der Kontakt-ID von John, dem Einkaufswagenwert von 1.200 EUR, dem Änderungsdatum des Einkaufswagens und anderen Details.
3. Flow-Initialisierung: Das Plattformereignis löst den Flow zur Wiederherstellung der VIP-Einkaufswagenaufgabe aus.
4. Aktivierung des Mitarbeiteragenten: Wenn der Flow ausgeführt wird, wird der Agent für die VIP-Einkaufswagenwiederherstellung aufgerufen.
5. Themenausführung: Der Agent löst sich zum Thema "VIP-Einkaufswagen wiederherstellen" auf und führt die Anweisungen aus.
6. Benachrichtigungserstellung: Der Agent benachrichtigt Johns Account-Managerin Sarah in Slack.
7. Aufgabenerstellung: Der Agent erstellt eine Aufgabe für Sarah und berät sie über die Folgevorgänge, die sie ausführen wird.
8. Rabattanalyse: Der Agent führt die Rabattanalyse aus, indem er die Data 360-Abruffunktion aufruft, um basierend auf dem Einkaufswagenwert, der Kundenstufe und dem Kaufverlauf nach "maximal zulässigen Rabatten" zu fragen. In diesem Fall empfiehlt die Funktion ein Rabattangebot von 10 %.
9. E-Mail-Vorbereitung und Journey-Registrierung: Der Agent bereitet eine Rabattangebots-E-Mail vor und registriert John für die Marketing Cloud Journey VIP Customer Cart Recovery mit dem neuen Einkaufswagenpreis.
10. Protokollierung und Attribution: John löst das Angebot ein, wodurch eine Protokollattribution und Konvertierungskennzahlen erstellt werden.
11. Feedback-Analyse: Das Ergebnis wird analysiert, um Angebote, die Zeit bis zur Wiederherstellung und andere Optimierungsfaktoren weiter zu bestimmen.

Ein Vertriebsmitarbeiter, David, führt einen Erkundungsanruf mit einem neuen potenziellen Kunden durch. Ein intelligenter Agent überwacht den Anruf aktiv in Echtzeit und bietet David sofortige Unterstützung, indem er die Fragen des potenziellen Kunden beantwortet.

Beispiel: Wenn sich der potenzielle Kunde nach einer bestimmten Produktspezifikation erkundigt, ruft der Agent die relevanten Details automatisch ab und stellt sie David über Slack oder eine private Nachricht zu.

• Trigger: Ein potenzieller Kunde stellt während eines Discovery-Anrufs mit einem Vertriebsmitarbeiter (David) eine Frage, die spezifische Produktinformationen erfordert.
• Agentenaktion: Der Umgebungsagent analysiert kontinuierlich Anrufprotokolle und -meldungen und identifiziert und ruft erforderliche Informationen intelligent ab.
• Prozess:
  1. Der Agent analysiert die Anrufabschrift in Echtzeit.
  2. Sie identifiziert automatisch wichtige Aktionselemente und ruft relevante Informationen ab.
  3. In diesem Fall ruft der Agent Produktinformationen direkt von Salesforce ab.
  4. Anschließend werden die abgerufenen Informationen David automatisch über Slack oder eine private Nachricht angezeigt.

Rezept

In diesem Rezept gibt es Voraussetzungen, die Echtzeit-Sprach-zu-Text-Funktionen erfordern, und es wird davon ausgegangen, dass sie über Ihren Kommunikationsanbieter verfügbar sind. Hier ein Rezept zum Integrieren von Zoom-Aufrufen.

Voraussetzung: Beispiel einer Echtzeit-Abschrift eines Zoom-Anrufs:

• Erstellen Sie eine Zoom-Anwendung auf der Zoom Developer Platform mit den erforderlichen Umfängen für das Lesen der Aufzeichnung, das Senden von Webhooks und den Besprechungs-Stream. Aktivieren Sie erforderliche Produktfunktionen wie Realtime Media Streams (RTMS).
• Richten Sie einen Zwischensignalisierungsserver (Zoom RTMS-Beispiel) ein, der den Audio-Stream empfängt, ihn an den Amazon Transcribe-Service weiterleitet und den abgeschriebenen Text zurückerhält. Die Abschriften werden dann als Plattformereignis in Salesforce veröffentlicht.

Designzeit

1. Richten Sie einen Agenten für Echtzeitreaktionen bei Vertriebsanrufen ein.

   Agent aus Vorlage erstellen	→	Thema 'Assistentenanruf hinzufügen'	→	Hinzufügen von Themenanweisungen	→	Aktion 'Abschriftsanalyse erstellen'
   						↓
   		Hinzufügen von Aktionen zum Thema	←	Aktion zum Erstellen von Slack-Statistiken	←	Aktion "Produktspezifikation erstellen"

   1. Erstellen Sie einen Agenten anhand der Agentforce Employee Agent-Vorlage.
   2. Fügen Sie das neue Thema "Assistentenanruf" hinzu, das beschreibt, dass dieser Agent Live-Abschriften anhört, den Intent versteht und bei Produktdaten hilft.
   3. Fügen Sie Themenanweisungen hinzu, um Abschriften zu analysieren, Produktspezifikationen abzurufen und Slack-Nachrichten zu senden.
   4. Erstellen Sie Aktionen.
      • Aktion "Analyze Call Transcript" (Anrufabschrift analysieren): Analysiert die empfangenen Anrufabschriftsdaten in Echtzeit und extrahiert wichtige Fragen oder Aktionen
      • Aktion "Produktspezifikation abrufen": Abfragen von Knowledge-Artikeln für Produkte
      • Senden von Slack-Statistiken an den "internen" Benutzer
   5. Fügen Sie dem Thema die Aktionen hinzu.
2. Richten Sie eine Product Knowledge-Datenbibliothek ein.

   Neue Datenbibliothek erstellen

   →

   Knowledge Artikel hinzufügen

   →

   Systemblöcke und -indizes

   →

   Bodenbibliothek in Aktion

   1. Erstellen Sie eine neue Datenbibliothek unter "Setup". Geben Sie ihm den Namen "Product Knowledge".
   2. Fügen Sie die Knowledge-Artikel hinzu, die die Produktinformationen enthalten.
   3. Im Hintergrund werden die Dokumente automatisch in Gruppen unterteilt, indiziert und einsatzbereit gemacht.
   4. Verwenden Sie die Kontextbildung in der Aktion "Produktspezifikation abrufen".
3. Veröffentlichen Sie die Echtzeit-Abschrift über die Pub/Sub-API in Salesforce.

   Server empfängt Audioabschrift

   →

   Server veröffentlicht Plattformereignis

   1. Erstellen Sie ein Plattformereignis, Transcript_Segment__e, mit den Feldern Anruf-ID, Sequenz, Referenten, Segmentstartzeit, Segmentendzeit, Dauer und Abschriftsdaten.
   2. Veröffentlichen Sie die Daten sofort über das Ereignis Transcript_Segment__e auf Ihrem Signalisierungsserver (siehe Abschnitt mit den Voraussetzungen), sobald Sie den transkribierten Text aus Audio erhalten haben. Sie können das Ereignis mit einer der folgenden Methoden in Salesforce veröffentlichen: Flows, Apex, Salesforce-APIs oder Pub/Sub-API.
4. Draht-Flow zum Abonnieren des veröffentlichten Ereignisses Transcript_Segment__e.

   Durch Ereignisse ausgelösten Flow erstellen	→	Abonnieren des Abschriftsereignisses	→	Aufrufbare Agentenaktion hinzufügen	→	Nutzlast an Agent senden
   						↓
   						Agent sendet Slack DM

   1. Erstellen Sie einen neuen durch ein Plattformereignis ausgelösten Flow, Discovery Call Insights (Erkenntnisse zu Discovery-Anrufen).
   2. Wählen Sie das Ereignis Transcript_Segment__e aus, das der Flow abonnieren soll.
   3. Setzen Sie eine aufrufbare Aktion für benutzerdefinierte Agenten in Flow Builder ein und wählen Sie den Agenten "Realtime Response" (Antwort in Echtzeit für Vertriebsanrufe) aus. Senden Sie die Ereignisnutzlast, um sie zum Thema "Assistentenanruf" weiterzuleiten. Nachdem die Frage aus dem Thema abgeleitet wurde, wird die Frage zur Beantwortung an die Aktion "Produktspezifikation abrufen" gesendet.
   4. Die endgültige Antwort wird kompiliert und sofort über eine Slack DM an den Benutzer gesendet.

Prozess-Flow für die Agentenlaufzeit

Sobald der Agent eingerichtet und bereitgestellt wurde, erfolgt zur Laufzeit die folgende Schrittfolge.

1. Anrufinitiierung: David startet einen Entdeckungsanruf mit einem potenziellen Kunden in einem Zoom-Anruf. Zoom RTMS überträgt das Live-Audio an den Endpunkt der Signalisierungsserver-Abschrift.
2. Echtzeit-Abschrift: Der Signalisierungsserver empfängt das Audio, transkribiert das Audio in Text und veröffentlicht ein Plattformereignis vom Typ "Abschriftssegment" in Salesforce Platform.
3. Agentenzuhören und Kontextklassifizierung: Salesforce empfängt das Plattformereignis und löst den Flow für Statistiken zu Discovery-Anrufen aus.
4. Der Flow initiiert den Agenten "Realtime Response" für Vertriebsanrufe, der das Segment empfängt, identifiziert Fragen (z. B. "Ist der Toaster 2XP in Mobilgeräte integriert?") und klassifiziert sie unter "Thema 'Anruf unterstützen'".
5. Knowledge Retrieval: Der Agent löst die Aktion "Produktspezifikation abrufen" aus und fragt die Knowledge Daten nach übereinstimmenden Antworten ab.
6. Private Slack DM senden: Der Agent führt "Slack-Statistik senden" aus und postet in Davids Slack DM: "Product Toaster 2XP kann in Apple- und Android-Geräte integriert und über Bluetooth verbunden werden. Nachdem die Anwendung installiert wurde, verbinden Sie sich einfach über Bluetooth und bedienen Sie den Toaster. Hier ist der Link zum Handbuch."
7. Echtzeitfortsetzung: Der Agent erhält weiterhin Abschriftstext. Wenn mehrere Statistiken auftauchen, werden kontextbezogene Slack-Antworten in Threads eingefügt, ohne den Anruf-Flow zu unterbrechen.
8. Zusammenfassung nach dem Anruf: Am Ende der Sitzung erstellt der Agent automatisch eine Zusammenfassung: wichtige Fragen, ausgeführte Aktionen und referenzierte Produkte.
9. Kontinuierliche Verbesserung: Agentforce Analytics wertet die Latenz von Abschriften und Antworten, die Genauigkeit der Produktübereinstimmung und die Vertriebsergebnisse aus, um Themenanweisungen im Laufe der Zeit zu optimieren.

Ein Vertriebsleiter, Bob, beauftragt einen autonomen Agenten mit dem Ziel: "Erhöhen Sie unsere Vertriebs-Pipeline im kalifornischen Fertigungssektor in den nächsten 60 Tagen um 5 Millionen US-Dollar."

• Trigger: Der Manager weist das Ziel über einen Befehl in Slack zu.
• Agentenaktion: Der autonome Agent beginnt mit der Planungs- und Ausführungsschleife.
• Prozess:
  1. Forschung: Der Agent fragt Salesforce Data 360 und externe Datenquellen (über MuleSoft) ab, um Unternehmen im kalifornischen Fertigungssektor zu identifizieren, die keine aktuellen Kunden sind.
  2. Qualify: Sie analysiert diese Unternehmen und sucht nach Kaufsignalen wie kürzlichen Finanzierungsrunden, neuen Führungskräften oder relevanten Stellenangeboten. Es bewertet und priorisiert die besten 20 potenziellen Kunden.
  3. Kontakte identifizieren: Sie findet wichtige Kontakte (z. B. Betriebsleiter und Betriebsleiter) in diesen Unternehmen.
  4. Kontaktaufnahme: Sie entwirft personalisierte E-Mails zur Kontaktaufnahme für jeden Kontakt und verweist auf bestimmte Unternehmensnachrichten oder -probleme. Sie plant, dass diese E-Mails in der nächsten Woche gesendet werden.
  5. Follow-up: Sie verfolgt E-Mail-Öffnungen und -Antworten. Eine positive Antwort eines potenziellen Kunden löst eine Analyse seines Kalenders aus, um Besprechungszeiten vorzuschlagen, wodurch nach der Bestätigung automatisch ein Salesforce-Ereignis und eine neue Opportunity generiert werden.
  6. Bericht: Sie stellt dem Vertriebsleiter in Slack wöchentliche Fortschrittsberichte bereit.

Rezept

Hierbei handelt es sich um ein Szenario mit mehreren Agenten, bei dem jeder Agent eine bestimmte Aufgabe ausführt und den Kontext, die Daten und das Steuerelement an den nächsten Agenten übergibt. Für die Recherche und Qualifizierung werden einige benutzerdefinierte Headless-Agenten und für die Kontaktaufnahme und Überwachung potenzieller Kunden der vorkonfigurierte Sales Development Rep-Agent (SDR) verwendet. Wir werden auch davon ausgehen, dass Bobs Unternehmen ZoomInfo für seine Marktforschung verwendet. Das Unternehmen erhält zudem Lieferantennetzwerkdaten, die in einer Datenbank gespeichert werden und wertvolle Informationen über die Unternehmen enthalten, mit denen es eine Partnerschaft eingeht.

Designzeit

1. Richten Sie die Architektur für mehrere Agenten ein.

   Research Agent sammelt Informationen

   →

   Qualifikationsagent bewertet Lead

   →

   SDR-Agent beginnt mit der Kontaktaufnahme

   1. Forschungsagent: Abfragen von Data 360 und externen Quellen über MuleSoft
   2. Qualifikationsagent: Priorisiert, bewertet und bereichert Leads
   3. SDR-Agent: Ruft Leadzuweisungen ab, führt Kontaktaufnahmen aus, verfolgt Folgemaßnahmen und plant Besprechungen. Überwachen Sie die Aktivität und den Fortschritt von SDR-Agenten mit dem Agentforce Analytics für SDR.
2. Entdecken und erfassen Sie neue Unternehmensdaten.

   Erstellen eines neuen Datenbereichs

   →

   Aufnehmen von Salesforce CRM-Daten

   →

   Ingest ZoomInfo data

   →

   Aufnehmen von Lieferantendatenbankdaten

   1. Richten Sie einen neuen Datenbereich mit dem Namen "Vertrieb und Marketing" ein. Dieser neue Datenbereich enthält alle Daten, die für autonome Agenten erforderlich sind.
   2. Verwenden Sie Salesforce-Konnektoren, um die Lead-, Account-, Kontakt- und Opportunity-CRM-Daten in den Datenbereich zu übertragen.
   3. Konfigurieren Sie einen Data 360-Konnektor für ZoomInfo. Führen Sie die Daten in den Data 360-Datenbereich für Vertrieb und Marketing ein.
   4. Konfigurieren Sie den Anypoint Salesforce Data 360-Konnektor, um eine Verbindung mit der Lieferantendatenbank herzustellen und die Daten in Data 360 aufzunehmen.
3. Richten Sie ein Plattformereignis ein, um den Agenten für die Headless-Forschung und -Qualifikation zu initiieren.

   Erstellen eines neuen Plattformereignisses

   1. Erstellen Sie ein neues Plattformereignis AgentGoal__e mit dem Field Goal, das das übergeordnete Ziel des menschlichen Benutzers erfasst.
4. Richten Sie einen Zielorchestrierer-Agenten ein, einen Agenten mit Unterhaltungs-AI, der das Ziel des Benutzers empfängt und es anderen Agenten orchestriert.

   Agent aus Vorlage erstellen	→	Thema 'Parse-Ziel hinzufügen'	→	Hinzufügen von Themenanweisungen	→	Aktion 'Zielereignis erstellen'
   						↓
   						Aktion zum Thema hinzufügen

   1. Erstellen Sie einen Agenten anhand der Agentforce Employee Agent-Vorlage.
   2. Fügen Sie ein neues Thema hinzu, "Ziel analysieren", mit der Beschreibung, dass dieser Agent den Ziel-Intent versteht und bei Bedarf weitere Agenten anrufen kann.
      • Fügen Sie Themenanweisungen hinzu, um das Ziel zu analysieren und Ereignisse für andere Agenten auszulösen.
   3. Erstellen Sie ein Zielereignis, AgentGoal__e.
5. Richten Sie einen Agenten für Leadforschung und -qualifizierung ein, der durch einen Orchestrierungsagenten ausgelöst wird.

   Forschungsthema erstellen	→	Deduplizierungsaktion erstellen	→	Aktion "Lead-Anreicherung erstellen"	→	Aktion "Leadbewertung erstellen"
   						↓
   				Hinzufügen von Aktionen zum Thema	←	Aktion 'Leadqualifizierung erstellen'

   1. Erstellen Sie ein Thema für die Interessentensuche mit der Beschreibung "Neue Leads in einer Region oder einem Bundesland recherchieren".
   2. Erstellen Sie Aktionen.
      • Aktion 'Duplizieren von Lead-Apex': Überprüfen und Validieren neuer Leads gegenüber Bestandskunden
      • Aktion "Apex für Leads anreichern", die eine Aufforderungsvorlage verwendet: Untersucht die unstrukturierten Marketingstatistiken und Lieferantendatenbankdaten zum Anreichern von Leaddaten
      • Aktion 'Lead bewerten': Proaktives Bewerten eines Leads mit aktualisierten Leaddaten
      • Aktion "Lead für Agenten qualifizieren": Zuweisen von Parametern, die den Lead für einen SDR-Agenten qualifizieren, anhand der Bewertung
6. Richten Sie einen Agentforce SDR-Agenten ein, um Kontaktaufnahme, Leadpflege und Besprechungsplanung durchzuführen.

   Erstellen von SDR-Agenten aus Vorlage	→	Knowledge Base für Agenten konfigurieren	→	Konfigurieren von Agenten-E-Mail-Einstellungen	→	Festlegen von Leadzuweisungsregeln
   						↓
   						Definieren von qualifizierenden Leadkriterien

   1. Erstellen Sie auf der Setup-Seite mithilfe der vorkonfigurierten Vorlage "Lead Nurture Agent" (Leadpflegeagent) einen neuen SDR-Agenten. Konfigurieren Sie die E-Mail-Einstellungen und Leadzuweisungsregeln, wählen Sie das Objekt "Lead" oder "Kontakt" aus und definieren Sie die Qualifizierungskriterien (Leadschwellenwert und neuer Lead) für Zuweisungsregeln.
   2. Setzen Sie Agentforce Lead Nurturing ein, indem Sie den Agenten konfigurieren, Berechtigungen zuweisen und den Rhythmus und die Zuweisungsregeln einrichten.
   3. Konfigurieren Sie erforderliches Knowledge, damit der SDR-Agent Fragen beantworten kann.
7. Richten Sie einen neuen Flow ein, um das veröffentlichte Ereignis AgentGoal__e zu abonnieren.

   Durch Ereignisse ausgelösten Flow erstellen

   →

   Ereignis "Agentenziel abonnieren"

   →

   Aufrufbare Agentenaktion hinzufügen

   1. Erstellen Sie einen neuen durch ein Plattformereignis ausgelösten Flow mit dem Namen Ziele an Agenten weiterleiten.
   2. Wählen Sie das Ereignis "Agentenziel" aus, das der Flow abonnieren soll.
   3. Setzen Sie eine aufrufbare Aktion für benutzerdefinierte Agenten in Flow Builder ein und wählen Sie den Agenten für Lead-Forschung und -Qualifikation aus.

Prozess-Flow für die Agentenlaufzeit

Sobald der Agent eingerichtet und bereitgestellt wurde, erfolgt zur Laufzeit die folgende Schrittfolge.

• Zielzuweisung: Bob beauftragt einen autonomen Agenten, "die Pipeline in Kalifornien in 60 Tagen um 5 Millionen Dollar zu erhöhen".
• Zielorchestrierung: Der autonome Zielorchestrierer-Agent empfängt das Ziel, analysiert den Intent und erstellt ein Plattformereignis, AgentGoal__e. Der Zielorchestrierer-Agent wurde entwickelt, um seine Funktionen für die Verarbeitung mehrerer Ziele kontinuierlich zu erweitern. Sie können sie erweitern, um zusätzliche Orchestrierungsfunktionen hinzuzufügen, oder den Benutzer um Klarstellung bitten, um den Intent besser zu verstehen und das Ziel zu initiieren.
• Weiterleitung: Der Flow "Ziele an Agenten weiterleiten" wird ausgelöst und ruft den Agenten für Leadforschung und -qualifizierung auf.
• Forschung: Der Agent für Leadforschung und -qualifizierung fragt Data 360 nach neuen Leadinformationen ab, dupliziert bestehende Kunden, ruft zusätzliche Marktforschungsdaten aus Data 360 ab und reichert den Lead an. Er bewertet den Lead weiter, identifiziert wichtige Kontakte und qualifiziert den Lead.
• Kontaktaufnahme: Sobald der Lead qualifiziert ist, wird der Lead über die Leadzuweisungsregeln für den SDR-Agenten berechtigt. Der SDR-Agent nimmt die erste Kontaktaufnahme vor und unterhält sich mit dem Kontakt, indem er Fragen zum Produkt beantwortet.
• Follow-up: Am Ende des Rhythmus oder auf Anforderung des Leads fordert der Agent einen Besprechungsplan auf, wenn der Lead für das Engagement von Servicemitarbeitern qualifiziert ist. Anschließend wird die Besprechung geplant und der Flow wird beendet.
• Agent Analytics: Das Dashboard SDR Agent Analytics bietet Statistiken zur Effektivität des Agenten.

Ein langjähriger Kunde hat ein facettenreiches Problem: Er wurde überberechnet, das erhaltene Ersatzteil war falsch und sein Service ist nun getrennt.

• Trigger: Der Kunde initiiert einen Chat und der anfängliche Unterhaltungsagent erkennt die Komplexität schnell und eskaliert zur Bearbeitung als Agent.
• Agentenaktion: Ein Orchestriereragent übernimmt die Leitung.
• Prozess:
  1. Orchestrator: Verwaltet die Unterhaltung mit dem Kunden und stellt Aktualisierungen bereit
  2. Orchestratordelegierte: Mithilfe der A2A-Protokollimplementierung erkennt der Orchestrator "Zugehörige Agenten" (Abrechnung, Logistik und Bereitstellung) mit den erforderlichen Funktionen und Disponentenaufgaben.
     • An Abrechnungsagent: "Untersuchen Sie die Rechnung #INV-7890 für Kunde X. Gibt es Diskrepanzen?"
     • An Logistikagent: "Überprüfen Sie die Verfolgungsnummer #TN-12345 für Kunde X. Bestätigen Sie die gelieferte Teilenummer und das aktuelle Inventar für das richtige Teil."
     • Bereitstellungsagent: "Überprüfen Sie den Servicestatus für Account #ACC-5678. Was ist der Grundcode, wenn die Verbindung getrennt ist?"
  3. Spezialisierte Agenten führen Folgendes aus: Jeder Agent erhält die A2A-Anforderung, fragt sein entsprechendes System ab und formuliert eine Antwort.
  4. Synthesis: Die Agenten melden ihre Ergebnisse über A2A-Antworten an den Orchestrator zurück. Der Orchestrator synthetisiert die folgenden Informationen: "Der Kunde wurde tatsächlich um 50 $ überberechnet. Das falsche Teil wurde aufgrund eines Lagerfehlers versendet. Der Service wurde aufgrund des Abrechnungsproblems automatisch getrennt."
  5. Bestätigung: Der Orchestrierer informiert den Kunden über das Problem und bietet einem Mitarbeiter des menschlichen Service an, das Problem mit einer klaren Anleitung zu den nächsten Schritten zu eskalieren.
  6. Auflösung: Anschließend wird dem Servicemitarbeiter eine Komplettlösung zur Genehmigung vorgeschlagen. Der Servicemitarbeiter schließt sich der Unterhaltung an. Der Servicemitarbeiter sieht sich schnell alle für das Problem relevanten Daten an, einschließlich der vom Agenten empfohlenen Lösung: "Erstellen Sie einen neuen Versandauftrag für das richtige Teil mit beschleunigtem Versand. Initiieren Sie eine Rückgabe für das falsche Teil. Genehmigen Sie 10 % Rabatt auf den neuen Auftrag und verkaufen Sie das Teil mit der neuesten verbesserten Version. Aktualisieren Sie die Zahlungsinformationen und bieten Sie an, eine wiederkehrende Abrechnungsvereinbarung einzurichten."

Rezept

In diesem Rezept wird die Implementierung eines Systems für gemeinschaftliche Agenten beschrieben, mit dem komplexe Kundendienstprobleme in mehreren Bereichen angegangen werden sollen. Durch die Verwendung eines Orchestrierungsagenten, der Aufgaben über ein A2A-Protokoll an spezialisierte Agenten (Abrechnung, Logistik und Bereitstellung) delegiert und deren Ergebnisse anschließend synthetisiert, bietet das System umfassende Lösungen und integriert Servicemitarbeiter nahtlos für die endgültige Genehmigung und Kundeninteraktion.

Designzeit

1. Setzen Sie "Erweiterter Chat" als Chat-Eintrittspunkt des Kunden ein, damit er das Agentforce-Fenster auf der Webseite öffnen kann.
2. Richten Sie einen Agentforce Billing Agenten ein, einen spezialisierten Agenten ohne Kopf, der einen Auftrag oder eine Rechnung entgegennehmen und eine Abrechnungsanfrage ausführen kann.

   Agent aus Vorlage erstellen

   →

   Definieren des Themas "Abrechnungsanfrage"

   →

   Benutzerdefinierte Flow-Aktion erstellen

   →

   Aktion zum Thema hinzufügen

   1. Aktivieren Sie Agentforce und erstellen Sie einen Mitarbeiteragenten anhand der Vorlage Agentforce Employee Agent.
   2. Definieren Sie ein Thema "Rechnungsanschrift" mit der Beschreibung "Untersuchen Sie Rechnungsabweichungen, Zahlungsprobleme und Abrechnungsfehler".
      1. Fügen Sie eine benutzerdefinierte Flow-Aktion "Rechnungsabweichung überprüfen" mit einer Eingabe von "Rechnungsnummer", "Kunden-ID" und "Datumsbereich" und einer Ausgabe von "Diskrepanzbetrag", "Ursache" und "Betroffene Transaktionen" hinzu.
3. Richten Sie einen Agentforce Logistics Agent ein, einen spezialisierten Agenten ohne Kopf, der Sendungen überprüfen, den Versand verfolgen und das Inventar überprüfen kann.

   Agent aus Vorlage erstellen

   →

   Thema 'Versandüberprüfung definieren'

   →

   Benutzerdefinierte Flow-Aktion erstellen

   →

   Aktion zum Thema hinzufügen

   1. Aktivieren Sie Agentforce und erstellen Sie einen Mitarbeiteragenten anhand der Vorlage Agentforce Employee Agent.
   2. Definieren eines Themas: Versandüberprüfung mit einer Beschreibung zum Überprüfen des Versands auf Rechnung.
      1. Fügen Sie die benutzerdefinierte Flow-Aktion "Versanddetails überprüfen" hinzu. Geben Sie dazu Rechnungsnummer, Kunden-ID und Datumsbereich sowie Versandteil, Datum und Inventarstatus ein.
4. Richten Sie einen Agentforce Provisioning Agent ein, einen spezialisierten Agenten ohne Kopf, der die Bereitstellung und den Servicestatus überprüfen kann.

   Agent aus Vorlage erstellen

   →

   Thema "Serviceprüfung definieren"

   →

   Benutzerdefinierte Flow-Aktion erstellen

   →

   Aktion zum Thema hinzufügen

   1. Aktivieren Sie Agentforce und erstellen Sie einen Mitarbeiteragenten anhand der Vorlage Agentforce Employee Agent.
   2. Definieren Sie das Thema "Serviceüberprüfung" mit einer Beschreibung, um die Servicekonnektivität und den Accountstatus zu überprüfen.
      1. Fügen Sie die benutzerdefinierte Flow-Aktion "Service überprüfen" mit einer Eingabe von "Kunden-ID" und "Vermögenswert-ID" und einer Ausgabe von "Servicestatus" und "Serviceausnahmegrund" hinzu.
5. Stellen Sie Rechnungsstellungs-, Logistik- und Bereitstellungsagenten als A2A-Server bereit und registrieren Sie sie im Agentenregister.

   Anzeigen von Agenten über MuleSoft

   →

   Registrieren von Agenten in der Registrierung

   1. Wenn Agentforce Agents keine direkte A2A-Unterstützung bietet, können MuleSoft-Konnektoren zum Bereitstellen von Agenten-APIs als A2A-Server verwendet werden.
   2. Registrieren Sie diese A2A-Server in der Agentenregistrierung.
   3. Verwenden Sie Anypoint Agent Fabric für die Orchestrierung von Agenten.
      1. MuleSoft Agent Broker kann Ihnen bei der plattformübergreifenden Orchestrierung von Agenten auf der Grundlage der auf den Agentenkarten genannten Agentenfunktionen helfen.
6. Richten Sie einen Agentforce Help Agent ein, der mit Kunden interagiert, die Komplexität bewertet und sich mit mehreren spezialisierten Agenten abstimmt, um das Problem zu beheben.

   Serviceagenten erstellen	→	Untersuchungsthema definieren	→	Benachrichtigungsaktion erstellen	→	Orchestrierungsthema definieren
   						↓
   Thema 'Eskalation definieren'	←	Aktion "Kundenvorgang erstellen"	←	Aktion "Anrufagent erstellen"	←	Agentenorchestrierungs-Flow erstellen
   ↓
   Omnikanal-Flow erstellen	→	Connect-Flow für Eskalation

   1. Aktivieren Sie Agentforce und erstellen Sie einen Serviceagenten im Agentforce Builder, um Unterhaltungen zu verarbeiten und benutzerdefinierte Aktionen auszulösen.
   2. Definieren Sie ein Thema "Serviceuntersuchung" mit einer Beschreibung und Anweisungen, damit der Agent ein komplexes Thema mit in der Regel mehreren gleichzeitigen Problemen auf natürliche Weise erkennt.
      1. Erstellen Sie benutzerdefinierte Agentenaktionen.
         • Aktion 'Statusbenachrichtigung' zum Bestätigen des Problems und Bereitstellen von Fortschrittsaktualisierungen
   3. Definieren Sie ein Orchestrierungsthema, das andere Agenten über Aktionen aufrufen kann.
      1. Erstellen Sie eine Call Agent-Aktion, die eine Flow-Aktion aufruft. Die Flow-Aktion weist mehrere Agentenaktionen auf und kann jeden der Headless-Agenten initiieren: den Abrechnungsagenten, den Logistikagenten und den Bereitstellungsagenten.
      2. Erstellen Sie eine Aktion vom Typ "Kundenvorgang erstellen", die einen Kundenvorgang erstellt, Details hinzufügt und den Status festlegt.
   4. Definieren Sie ein Eskalationsthema mit einer Beschreibung, die einem Servicemitarbeiter eskaliert werden soll.
   5. Erstellen und aktivieren Sie einen ausgehenden Omnikanal-Flow.
      • Fügen Sie sie der Registerkarte "Verbindungen" im Agenten für Eskalation mit einer Eskalationsmeldung hinzu.

Prozess-Flow für die Agentenorchestrierung

Der Anypoint-Codegenerator unterstützt nun Makler für Bauagenten. Ein Agentenmakler ist eine intelligente Weiterleitungs- und Orchestrierungsebene, die Agenten domänenübergreifend verbindet und die am besten geeigneten Agenten und Tools einbindet. MuleSoft Dev Agent generiert den Code zum Einrichten einer Grundlage für den Makler.

Basierend auf den Agentenfunktionen, die auf den Agentenkarten (A2A-Servern) erwähnt werden, die zuvor bei der Agentenregistrierung registriert waren, werden weitere Konfigurationen automatisch vom Anypoint Code Builder vorgenommen. Schließlich können wir diesen Agentenbroker in der Cloud bereitstellen.

Sobald der Agentenmakler für die Nutzung verfügbar ist, werden diese Anforderungen an die richtigen Agenten weitergeleitet. Ein Makler erhält eine Aufforderung und verwendet die LLM, um sie in Aufgaben zu unterteilen und zu bestimmen, welcher Agent zuerst angerufen werden soll. In jeder iterativen Schleife wird ermittelt, ob die ursprüngliche Aufforderung erfolgreich bearbeitet wurde oder ob sie mit zusätzlichen Agenten zusammenarbeiten muss, um den Auftrag abzuschließen.

Prozess-Flow für die Agentenlaufzeit

Sobald der Agent eingerichtet und bereitgestellt wurde, erfolgt zur Laufzeit die folgende Schrittfolge.

1. Chat-Start: Ein Kunde öffnet den Agentforce Chat (integrierter Service). Sitzungs- und Kontaktkontext werden geladen, nachdem der Kunde angemeldet wurde.
2. Begrüßung und Intent: Der Agent begrüßt den Kunden. Der Kunde benachrichtigt deutlich frustriert über Überlastungen, das falsche Teil und den getrennten Service.
3. CRM-Nachschlagevorgang: Der Agent löst die Aktion "Aktuellen Auftrag abrufen" aus und fragt Salesforce (Auftragszusammenfassung/Aufträge) nach dem neuesten Datensatz des Kunden ab. Anschließend bestätigt der Agent den Auftrag im Kontext und benachrichtigt den Kunden, dass er ihn untersuchen wird. Außerdem werden die Rechnungs-ID, die der Rechnung zugeordnete Verfolgungsnummer und die Vermögenswert-ID des Service nachgeschlagen.
4. Orchestratoraktivierung: Der Orchestriereragent erhält die Eskalations- und Auftrags-ID und erstellt dann einen Kundenvorgang. Sie übergibt die Kontextdaten an drei Agenten und kommuniziert mit ihnen: den Abrechnungsagenten, den Logistikagenten und den Bereitstellungsagenten.
5. Antwort des Abrechnungsagenten: Der Abrechnungsagent gibt Details zum Teil, den Stückkosten und den Gesamtkosten zurück. Außerdem wird eine Diskrepanz zwischen dem Teil im Auftrag und dem Teil in der Rechnung festgestellt. Der Abrechnungsagent schlägt den Preis für das Teil im Auftrag und die Gründe für die Übergebühr nach.
6. Antwort des Logistikagenten: Der Logistikagent gibt Details zum versendeten Teil und die vom Logistiksystem erstellten Ausnahmehinweise zurück, in denen angegeben wird, dass das falsche Teil aufgrund von Tagging-Problemen gesendet worden sein könnte. Der Logistikagent überprüft auch, ob das Problem nun behoben ist und das richtige Teil in der Originalversion und in neueren Versionen verfügbar ist.
7. Antwort des Bereitstellungsagenten: Der Bereitstellungsagent gibt Details zur Servicetrennung und zum Problem mit den abgelaufenen Zahlungsinformationen zurück. Außerdem werden die gesendeten Benachrichtigungen bereitgestellt, um den Kunden zu informieren, die Zahlungsinformationen zu aktualisieren.
8. Orchestratorsynthese: Der Orchestriereragent stellt die Antworten all dieser Agenten zusammen und erstellt eine Lösung, indem er Knowledge-Artikel für jedes der Probleme anschaut. Zunächst werden Informationen zum falschen Teil nachgeschlagen und eine Rückgabe initiiert. Zweitens bietet es einen Rabatt für das Problem basierend auf den Lösungsrichtliniendokumenten und empfiehlt auch ein Upgrade auf eine neuere Version, die der Kunde kaufen kann (es gibt jedoch einen Preisunterschied). Drittens benötigt sie neue Zahlungsinformationen vom Kunden, sodass sie an das Service-Repository eskaliert wird, um die Lösung mitzuteilen.
9. Eskalation: Der Orchestriereragent eskaliert zum Servicemitarbeiter und stellt alle erforderlichen Kontext-, Untersuchungs- und Lösungsempfehlungen sowie die erforderlichen Genehmigungen bereit. Anschließend wird der Servicemitarbeiter in den Anruf einbezogen.
10. Mensch in der Schleife: Der Servicemitarbeiter dankt dem Kunden für seine Geduld, entschuldigt sich für die Mühe und erklärt das Problem. Der Servicemitarbeiter bietet dann als Ausgleich einen Rabatt von 10 % für das Teil an und informiert den Kunden auch über ein neues aktualisiertes Teil und dessen Vorteile. Schließlich erklären sie die Verbindung, rufen die neuen Zahlungsinformationen ab und aktualisieren das System.
11. Proaktive Wiederherstellung: Der AI-Agent beobachtet die Unterhaltung und handelt proaktiv bei der Wiederherstellung des Service, der Bestellung des aktualisierten Teils und der Erstellung einer neuen Rechnung mit dem Rabatt und dem angepassten Preis.
12. Kundenvorgangsabschluss: Schließlich wird die Zusammenfassung kompiliert, der Kundenvorgang aktualisiert und der Kundenvorgang geschlossen.

Damit ein Agent effektiv ist, muss er in eine Vielzahl von Unternehmensdaten und -tools integriert werden können. Dies bietet den wesentlichen Kontext, den ein Agent benötigt, um sein konfiguriertes Ziel zu erreichen. Das Agentforce Framework bietet eine komplexe Integrationsarchitektur, die Salesforce-interne und Salesforce-externe Daten integriert.

In diesem Abschnitt werden die Muster für die Verbindung von Agenten mit diesen Ressourcen erläutert. Diese Muster basieren auf zwei grundlegenden Integrationsansätzen.

• Interne Integration (Datenzugriff und Toolzugriff): Für Ressourcen im Salesforce-Ökosystem hat ein Agent zwei Möglichkeiten.
  • Datenzugriff: Die zentrale Agentforce-Laufzeit ist tief in Data 360 integriert, sodass interne Datenservices direkt abgefragt werden können. Sie kann nativ Abfragen anhand von Datendiagrammen formulieren und ausführen, um eine 360-Grad-Ansicht des Kunden zu erhalten, semantische Suchen über RAG ausführen, um unstrukturiertes Knowledge nachzuvollziehen, und auf Masseninformationen zugreifen über die Data 360-Abfrage-API. Dieser direkte Pfad ist für Geschwindigkeit und Flexibilität beim Abrufen von Daten optimiert.
  • Toolzugriff: Wenn eine Aufgabe komplexe Geschäftslogik oder Prozesse aus mehreren Schritten umfasst oder eine strenge Governance erfordert, werden ihre Funktionen in Aktionen eingeschlossen. Diese mit Apex oder Flow erstellten Aktionen bieten dem Agenten eine sichere und wiederverwendbare Oberfläche, die mehr als nur das Lesen von Daten ermöglicht. Sie ermöglichen es ihm, Datensätze zu aktualisieren, Plattformereignisse auszulösen oder einen bestehenden Geschäftsprozess auszuführen.
• Externe Integration (MCP/A2A): Wenn ein Agent Informationen außerhalb von Salesforce benötigt (beispielsweise von einer externen Anwendung, einem Microservice oder einem anderen Agenten), verwendet er das Modellkontextprotokoll. Dieser offene Standard bietet eine gemeinsame Sprache für die Interoperabilität. MCP-Server können über AgentExchange hinzugefügt werden oder ein Administrator kann dem MCP-Server in der Agentenregistrierung oder einen Apex-Callout hinzufügen. Anschließend initiiert die Aktion die Anforderung an einen externen MCP-Server und verbindet die interne und externe Welt auf strukturierte Weise. Wenn ein Agent mit einem anderen Agenten kommunizieren muss, erleichtert das Protokoll Agent2Agent (A2A) diese Interaktion. Dadurch können komplexe Systeme mit mehreren Agenten erstellt werden, in denen spezialisierte Agenten zusammenarbeiten können, um komplizierte Probleme zu lösen, wodurch Modularität und Wiederverwendbarkeit gefördert werden.

Die folgenden Muster sind nach den spezifischen Datenintegrationsthemen organisiert, die Agenten benötigen. Es wird gezeigt, wie diese Muster angewendet werden, um unterschiedliche Datenherausforderungen zu lösen – von der Verbindung mit externen Anwendungen mithilfe von MCP bis hin zum Zugriff auf Massendaten mit hohem Volumen in Data 360, Echtzeit-Transaktionsdatensätzen und unstrukturierten Inhalten mithilfe der leistungsstarken Kombination aus direktem Zugriff und formalen Aktionen in Data 360.

Problem

Die Effektivität eines Agenten hängt von seiner Fähigkeit ab, externe Tools zu verwenden. Diese Tools – von veralteten ERPs bis hin zu modernen SaaS-Anwendungen – verfügen jedoch nicht über eine gemeinsame Sprache. Jede verfügt über eine eindeutige API, ein Authentifizierungsmodell und ein Datenformat. Dies zwingt Entwickler zu einem brüchigen und nicht skalierbaren Zyklus von benutzerdefinierten Punkt-zu-Punkt-Integrationen für jedes neue Tool, das der Agent verwenden muss.

Context

Stellen Sie sich einen Agenten vor, der mit der Lösung eines beschädigten Versandvorgangs beauftragt ist. Damit dies gelingt, muss sie mit drei verschiedenen externen Systemen interagieren: Sie muss die API eines Lieferanten abfragen, um nach Ersatzinventar zu suchen, den Service eines Logistikpartners aufrufen, um eine neue Lieferung zu organisieren, und auf ein Finanzsystem zugreifen, um eine Gutschrift zu verarbeiten. Ohne ein gemeinsames Protokoll würde der Agent drei separate, maßgeschneiderte Integrationen benötigen, von denen jede einen potenziellen Fehlerpunkt darstellt. MCP bietet eine standardisierte Kommunikationsebene, um diese Interaktionen nahtlos und zuverlässig zu gestalten.

Im Folgenden finden Sie Rezepte zur Integration externer Services, die über MCP für Ihren Agenten verfügbar sind.

Rezept 1: Aktivieren externer Tools mit MCP

Problem

Organisationen werden mit einer Kombination aus veralteten ERPs und modernem SaaS ausgeführt. Die Integration in einen Agenten ist jedoch schwierig, da es kein gemeinsames Protokoll gibt. Jedes Tool verfügt über seine eigenen APIs, Authentifizierung und Datenmodelle. Entwickler entwickeln und warten schließlich benutzerdefinierte Punkt-zu-Punkt-Konnektoren für jedes Tool, was zu empfindlichen, nicht skalierbaren und kostspieligen Integrationen führt.

Muster

Der Agent ruft über eine strukturierte Aktion ein externes Tool auf (das über MCP bereitgestellt wird), wodurch er spezielle Tools über die Salesforce Platform hinaus verwenden kann.

Context

• Der Agent fungiert als Proxy für eine Reihe von Tools, die außerhalb der Salesforce Platform vorhanden sind.
• Diese externen Tools können verschiedene APIs, Authentifizierungsmechanismen und Datenformate aufweisen.
• Für die nahtlose Interaktion zwischen dem Agenten und diesen externen Tools ist ein standardisiertes Kommunikationsprotokoll erforderlich.
• Die Wiederverwendbarkeit ist ein wichtiges Anliegen, da dieselben externen Tools von mehreren Agenten für unterschiedliche Zwecke verwendet werden können.

Interaktionen

1. Trigger: Für eine Benutzeranforderung oder ein internes Ereignis in Agentforce muss ein externes Tool verwendet werden.
2. Handlungsabsicht: Der Agentforce Agent identifiziert den Intent und bestimmt, dass ein externes MCP-basiertes Tool erforderlich ist.
3. Planer (intern): Der Planer des Agentforce Agenten wählt das entsprechende MCP-Tool oder die entsprechende MCP-Aktion anhand der konfigurierten Anweisungen und verfügbaren Tools aus.
4. Ausführung: Der Agentforce Agent sendet eine MCP-konforme Anforderung an den externen MCP-Server (beispielsweise über einen Apex Callout an einen MuleSoft-Endpunkt, der dann an den externen MCP-Server weitergeleitet wird).
5. Externe Verarbeitung: Der externe MCP-Server verarbeitet die Anforderung, interagiert mit der zugrunde liegenden externen Anwendung und bereitet eine MCP-konforme Antwort vor.
6. Ergebnis: Der externe MCP-Server gibt die Antwort an den Agentforce Agent zurück.
7. Follow-up: Der Agentforce Agent verarbeitet die Antwort, aktualisiert seinen internen Status und setzt seine Aufgabe fort oder gibt dem Benutzer Feedback.

Trade-Offs

Die Entscheidungslogik eines Agenten ist nur so solide wie die zugrunde liegenden Daten. Damit ein Agent intelligent handeln kann, muss er über ein umfassendes Echtzeitverständnis der Welt verfügen. Ohne eine definierte Architektur zur Datenaufnahme kann der Agent nicht auf die Informationen mit hohem Volumen in Echtzeit zugreifen oder sie verarbeiten, die für das Funktionieren wichtig sind.

Integrieren von Transaktionsdaten in Agenten

Problem

Agenten müssen häufig Lese-/Schreibvorgänge mit geringer Latenz für einzelne Datensätze ausführen, die sich in Datensatzsystemen befinden (beispielsweise das Aktualisieren eines Kundenvorgangs oder das Abrufen eines Auftragsstatus). Diese Aktionen erfordern Datenintegrität und Zuverlässigkeit, um die Konsistenz des zugrunde liegenden Datenmodells zu gewährleisten. Die zentrale architektonische Herausforderung besteht darin, ein sicheres, skalierbares Muster für diesen transaktionalen Datenzugriff bereitzustellen, ohne spröde Punkt-zu-Punkt-Integrationen zu erstellen.

Context

Zum erfolgreichen Verbinden eines Agenten mit diesen Datensätzen ist eine robuste Architektur aus mehreren Kernkomponenten erforderlich.

• Transaktionssysteme: Hierbei handelt es sich um die maßgeblichen Datenquellen, beispielsweise Datensatzsysteme wie Salesforce, Workday oder SAP oder Services, die auf Plattformen wie AWS gehostet werden
• Integrationsebene: Eine leistungsfähige Integrationsebene, die in der Regel von MuleSoft verarbeitet wird, ist entscheidend für die sichere Verbindung mit diesen verschiedenen Systemen, die Transformation von Daten und deren Offenlegung auf der Agentforce Platform.
• MCP-Server: Agenten kommunizieren mit diesen externen Systemen mithilfe des MCP-Standards, um die Interoperabilität zu gewährleisten. Die Integrationsebene kann eine Verbindung zu verschiedenen MuleSoft-, Heroku- oder Drittanbieter-MCP-Servern herstellen, die die externen Services oder Agenten hosten.
• Agentenaustausch: Diese Komponente fungiert als Verzeichnis oder Switch, wodurch der Salesforce-Agent den richtigen externen Service oder Agenten ermitteln und sicher eine Verbindung herstellen kann, um seine Aufgabe zu erledigen.

Rezept 1: Direkte Datensatzvorgänge über MCP

Muster

Der Agent verwendet MCP, um eine Verbindung mit einem Transaktionsdatensystem herzustellen, und führt Stateful-CRUD-Vorgänge für bestimmte identifizierte Datensätze mit sofortigen Konsistenzanforderungen aus.

Context

• Gemeinsame Agenten für Unterhaltungen müssen Daten vom Typ "System of Record" (Datensatzsystem) im Arbeitsfluss transagieren.
• Das Datensatzsystem ist ein externes System.
• Transaktionen müssen idempotent sein.

Schlüsselkomponenten

• Agentforce Agent: Mit Themen und Anweisungen zum Vornehmen einer Transaktionsaktualisierung. Aktionen ruft einen externen MCP-Server oder einen Agentforce Exchange-registrierten MCP-Server auf.
• MCP-Server: Der MCP-Server, der die Transaktionsdaten und die Funktion bereitstellt (z. B. tool=billing.update_record mit Eingabedaten)
• Externes Datensatzsystem: Das System, in dem die Statusänderung erfolgt

Interaktionen

1. Trigger: Ein Befehl oder ein Ereignis tritt auf, der bzw. das eine Transaktion für einen Datensatz erfordert.
2. Handlungsabsicht: Ein Agentforce Agent identifiziert einen Statusänderungs-Intent.
3. Planer (intern): Der Planer wählt ein MCP-Tool aus.
4. Ausführen: Das Tool wird ausgeführt, nachdem die Zugriffsprüfungen auf Richtlinien-, Datensatz- und Feldebene bestanden wurden.
5. Ergebnis: Der MCP-Server gibt eine Antwort zurück
6. Follow-up: Der Agentforce Agent verarbeitet die Antwort.

Trade-Offs

Rezept 2: Komplexe Orchestrierung über die MuleSoft-API

Muster

Der Agent nutzt die MuleSoft-API für komplexe, aus mehreren Schritten bestehende atomare Transaktionen. Dadurch wird ein zentraler, geregelter Endpunkt bereitgestellt, der eine zuverlässige durchgängige Verarbeitung gewährleistet und Konsistenz, Zuverlässigkeit, Latenz und Datenprobleme bei direkten Aufrufen einzelner Systeme vermeidet.

Context

• Unterhaltungs- und autonome Agenten müssen oft mehrere Vorgänge zuverlässig ausführen.
• Es gibt mehrere Transaktionssysteme und Vorgänge in einer Transaktion.
• Workflows erfordern Transaktionen/Rollbacks, Wiederholungen und die Durchsetzung von Richtlinien.
• Transaktionsanforderungen sind in Echtzeit, idempotent, beobachtbar und konform.

Interaktionen

1. Trigger: Es tritt ein Befehl oder Ereignis auf, bei dem eine komplexe Transaktion abgeschlossen werden muss.
2. Handlungsabsicht: Der Agentforce Agent identifiziert den Intent.
3. Planer (intern): Der Planer wählt eine aufrufbare Aktion für die API- oder API-Aktion aus.
4. Ausführung: Die API wird ausgeführt und eine Antwort zurückgegeben.
5. Follow-up: Der Agentforce Agent verarbeitet die Antwort.

Trade-Offs

Integrieren von Analysedaten in Agenten

Problem

Unternehmen haben massiv in die Analyseinfrastruktur investiert – Data Warehouses und Lakes, Echtzeit-Analysesysteme und Business Intelligence-Plattformen –, AI-Agenten sind jedoch weiterhin von diesen Systemen getrennt. Dadurch entsteht eine Lücke in der Fähigkeit eines Agenten, einen erweiterten Kontext zu erhalten (beispielsweise, dass ein Kunde Teile im letzten Quartal dreimal zurückgegeben hat), um bessere Entscheidungen zu treffen (in diesem Fall Eskalation).

Context

Die operative Intelligenz eines Agenten basiert auf seiner Fähigkeit, Informationen aus grundlegend unterschiedlichen Datenformaten und -quellen zu synthetisieren. Dieses Architekturmuster ist daher nicht für einen einzelnen Anwendungsfall konzipiert, sondern als grundlegendes Framework zur Datenaufnahme. Ein effektiver Agent muss in der Lage sein, strukturierte Quellen zu verarbeiten, um logische, datengesteuerte Analysen durchzuführen. Ein Agent benötigt Zugriff auf strukturierte Feeds mit hohem Volumen. Dazu zählen die Integration in Enterprise-Data-Lakes (über Zero-Copy-Integration in Data 360), die Verarbeitung von Middleware-transformierten Datenströmen oder die Aufnahme von Batch-Dateien wie CSVs.

Rezept 1: Data Lakes-Integration über Data 360 Zero-Copy

Problem

Unternehmen müssen mit hohen Kosten rechnen, wenn sie herkömmliche Datenpipelines zum Kopieren, Verwalten und Umwandeln von in Data Lakes gespeicherten Analysedaten (z. B. Snowflake) verwenden. Analysen waren bisher weitgehend offline, was zu verpassten Opportunities für zeitnahe Maßnahmen führte.

Muster

Der Agent fragt Nullkopiedaten (und berechnete Statistiken) ab, die in Data 360 verfügbar sind, statt externe Data Warehouses nach wichtigen Statistiken abzufragen. Dadurch können Agenten Transaktions- und Analysedaten für eine bessere Entscheidungsfindung erstellen.

Context

• Ihre Organisation speichert Kunden- und Betriebsdaten in Data Warehouses und Lakes.
• Ihre Agenten benötigen Zugriff auf aggregierte Kennzahlen, historische Trends und analytische Statistiken.
• Für den Kontext Ihres Agenten sind sowohl transaktionale als auch analytische Daten erforderlich (berücksichtigen Sie den Bedarf eines Forschungsagenten an historischen Trenddaten).

Interaktionen

1. Trigger: Ein Agent erhält eine Abfrage zu einer Statistik, die Zugriff auf Analysedaten oder eine berechnete Statistik erfordert.
2. Ausführung: Der Agent führt eine Aktion aus, die berechnete Statistiken zu Data 360 über die Abfrage-API aufruft, und die berechnete Statistik wird zurückgegeben.
3. Follow-up: Der Agentforce Agent verarbeitet die Antwort.

Trade-Offs

Rezept 2: Auslösen von Aktionen aus Datenströmen

Problem

Organisationen generieren kontinuierlich wertvolle Informationen aus Geschäftsaktivitäten wie Website-Besuchen, Anrufen, Besprechungen, Chats und Sensordaten. Wenn diese Interaktionen jedoch verfügbar sind oder aus Data Warehouses abgerufen werden, gehen wichtige Statistiken verloren und die Gelegenheit für eine zeitnahe Intervention ist verstrichen. Folglich verpassen Organisationen den Großteil der in Echtzeit benötigten handlungsrelevanten Intelligenz, die oft in diesen vorübergehenden Streams vergraben ist. Dies führt zu Lücken, verpassten Coaching-Opportunities und Entscheidungen, die ohne vollständigen Kontext getroffen werden.

Muster

Der Agent erhält über eine Datenaktion Echtzeit- oder nahezu Echtzeitstatistiken aus Streaming-Statistiken oder eine Echtzeitstatistik in Data 360. Alternativ greift der Agent in Echtzeit auf eine Streaming-Statistik zu, indem er einen MCP-Server abfragt, der mit einem Echtzeitverarbeitungsmodul wie Apache Flink verbunden ist.

Context

• Streaming-Systeme wie Plattformereignisse, die Pub/Sub-API und RTEM generieren enorme Mengen an Stream-Daten.
• Stream-Verarbeitungssysteme wie Data 360 und Apache Flink verarbeiten diese einzelnen Ereignisse bei ihrer Ankunft.
• Agentforce muss die Stream-Systeme abfragen (z. B. die letzte 30-Sekunden-Abschrift für die Live-Besprechung mit zusätzlichem Kontext) oder wird durch eine Datenaktion ausgelöst (z. B. Betrugserkennung).
• Maßnahmen mit geringer Latenz sind nahezu in Echtzeit erforderlich.

Interaktionen

1. Stream senden: Das Quellsystem sendet einen kontinuierlichen Datenstrom aus.
2. Stream-Verarbeitung: Stream-Verarbeitungsmodule wie Data 360 oder Apache Flink verarbeiten die Informationen.
3. Umwandeln: Statistiken werden in Middleware (für komplexe Transformationen) oder Data 360 aggregiert, umgewandelt und in agentenspezifische Daten synthetisiert.
4. Stream-Statistikereignis: Eine Data 360-Datenaktion wird für synthetisierte Daten ausgelöst (beispielsweise eine Abschrift eines 30-sekündigen Audiostroms).
5. Anreichern: Ein Agent fügt Kontext hinzu und erkennt Intent.
6. Ausführen: Der Agent führt die Aktion aus.
7. Follow-up: Der Agent wartet auf die nächste Streaming-Statistik.

Trade-Offs

Integrieren von semantischen Daten in Agenten

Organisationen verfügen über Geschäftsartefakte in unterschiedlichen Formaten und Formen – Kataloge, Handbücher, Richtlinien, Knowledge Diagramme und Beziehungskarten. Agenten müssen in der Lage sein, diese Daten dort zu verstehen, wo das meiste menschliche Knowledge gespeichert ist, um über die einfache Aufgabenausführung hinauszugehen und komplexe Überlegungen anzustellen.

Rezept 1: RAG: Nutzen der Leistungsfähigkeit unstrukturierter Daten für Agenten

Problem

Organisationen verfügen häufig über nicht durchsuchbare Informationen, die Agenten daran hindern, sicher darauf zuzugreifen. Dieser Mangel führt häufig zu unvollständigen Antworten von Agenten, denen die erforderliche Kontexttiefe und überprüfbare Zitate fehlen, um Trust aufzubauen. Daher besteht ein klarer Bedarf an einer standardisierten Methode, mit der Agenten semantisch relevante und genaue Inhalte konsistent abrufen können.

Muster

Dieses Muster bietet die Architektur, mit der Agenten eine Vielzahl unstrukturierter Informationen aufnehmen und interpretieren können, von internen Dokumenten bis hin zu öffentlichen Webinhalten. Wenn Sie einem Agenten Zugriff auf diese Daten erteilen, ist dies der Schlüssel zur Erschließung erweiterter Funktionen wie Marktstimmungsanalysen, Dokumentzusammenfassungen und Mitbewerberrecherchen.

Context

• Knowledge liegt in Dateien in unterschiedlichen Formaten und Formen vor.
• Redundante Inhalte sind in diesen Dokumenten weit verbreitet.
• Ein Agent benötigt genaue Informationen, die zitiert werden können.
• Knowledge ändert sich häufig, sodass Dateien aktualisiert und neu indiziert werden müssen.

Interaktionen

Der Inhalt kann vom Agenten weder aufgenommen noch verwendet werden. Der Inhalt muss in Gruppen unterteilt, eingebettet, in einer Vektordatenbank gespeichert und indiziert werden, bevor er von Agenten abgerufen und verwendet werden kann.

Aufnahme und Zubereitung

1. Crawling- und Aufnahmequellen: Quellen können auf zwei Arten identifiziert werden: manuell, beispielsweise durch Hochladen einer PDF-Datei, oder anhand ihres Speicherorts, beispielsweise AWS S3.
2. Chunking: Der aufgenommene Inhalt ist in kleinere, verwaltbare Blöcke unterteilt, um eine effiziente Verarbeitung und Abrufbarkeit zu ermöglichen. Dies ist ein wichtiger Schritt für die RAG, da sichergestellt wird, dass nur die relevantesten Informationen abgerufen werden und nicht ganze Dokumente.
3. Einbettung: Jeder Blöcke wird dann mithilfe eines speziellen Sprachmodells in eine numerische Darstellung umgewandelt, die als Einbettung bezeichnet wird. Diese Einbettungen erfassen die semantische Bedeutung des Texts und ermöglichen ähnlichkeitsbasierte Suchen.
4. Vektorspeicher: Die Einbettungen werden in einem Data 360-Vektorspeicher gespeichert, einer speziellen Datenbank, die für die Suche nach Ähnlichkeiten mit hoher Leistung optimiert ist. Dadurch kann der Agent schnell verwandte Inhalte finden.
5. Indexing: Der Inhalt und seine Einbettungen werden im Vektorspeicher indiziert, sodass sie leicht abgerufen werden können.

Data 360-Abruffunktionen

• Inhalt abrufen: Diese Funktion verwendet eine Abfrage als Eingabe und führt eine semantische Suche anhand des Data 360-Vektorspeichers aus, um die relevantesten Inhaltsblöcke zu finden.
• Filterinhalt: Mit dieser Funktion können abgerufene Inhalte anhand von Metadaten wie Dokumenttyp, Autor oder Datum gefiltert werden, um die Ergebnisse weiter einzugrenzen.
• Ranginhalt: Diese Funktion ordnet die abgerufenen Inhaltsblöcke anhand ihrer Ähnlichkeitsbewertung (Vektorsuche), der Stichwortbewertung oder einer Kombination aus beidem (Hybridsuche) ein.

Abrufen und Generieren

• Abfrage: Wenn ein Agent Informationen benötigt, formuliert er eine Abfrage, die ebenfalls in einen Vektor eingebettet ist.
• Semantische Suche: Der Agent führt eine semantische Suche anhand des Data 360-Vektorspeichers durch und vergleicht die Einbettung der Abfrage mit den Einbettungen der gespeicherten Inhaltsblöcke. Dadurch werden die semantisch relevantesten Blöcke basierend auf der Vektorbewertung oder der Hybridbewertung (Vektor und Stichwort kombiniert) abgerufen.
• Abruferweiterte Generierung (RAG): Die abgerufenen Inhaltsblöcke werden dann zusammen mit der ursprünglichen Abfrage als Kontext für Agentforce Agents bereitgestellt. Der LLM verwendet diesen Kontext, um eine präzise, genaue und zitierbare Antwort zu generieren.
• Antwort und Zitat: Der Agent präsentiert die generierte Antwort, häufig mit Zitaten auf die ursprünglichen Quelldokumente oder Weblinks, um Trust aufzubauen und die Überprüfung zu ermöglichen.

Trade-Offs

Rezept 2: Datendiagramme: Vorkuratierte strukturierte Diagrammdaten für Agenten

Problem

Organisationen verfügen häufig über isolierte Beziehungsdaten, die den Agenten daran hindern, sie abzurufen. Dieses Problem führt häufig dazu, dass Agenten unvollständige Antworten bereitstellen, bei denen es nicht an ausreichenden Kontextdetails fehlt, um Trust darüber aufzubauen, wie unterschiedliche Einheiten verbunden sind, oder es kommt zu Verzögerungen, wenn Agenten Informationen aus mehreren Datenbanken abrufen müssen.

Muster

Mit diesem Muster können Agenten eine Vielzahl strukturierter und halbstrukturierter Beziehungsinformationen aufnehmen und interpretieren – von internen CRM-Daten bis hin zu externen Knowledge Diagrammen. Wenn Sie einem Agenten Zugriff auf diese Daten erteilen möchten, sind erweiterte Funktionen wie Customer 360-Ansichten, komplexe Abhängigkeitsanalysen und dynamische Kontexterstellung entscheidend.

Context

1. Beziehungsdaten sind über verschiedene Systeme und Formate verstreut.
2. Agenten müssen die Verbindungen zwischen Entitäten (z. B. einem Kunden, seinen Kundenvorgängen, seinen Aufträgen und zugehörigen Produkten) verstehen.
3. Knowledge-Diagramme und verbundene Datenmodelle sind für das Verständnis komplexer Beziehungen unerlässlich.
4. Der Agent benötigt genaue Informationen zu Einheitenbeziehungen, die zitiert werden können.

Interaktionen

Die relationalen Daten müssen harmonisiert und in einer Diagrammstruktur dargestellt werden, bevor sie von Agenten effektiv abgefragt und verwendet werden können.

Aufnahme und Zubereitung

1. Crawland-Aufnahmequellen: Datenquellen (z. B. CRM-Systeme, ERPs, externe APIs und CSVs) werden identifiziert und in Data 360 aufgenommen.
2. Harmonisierung der Daten: Rohdaten werden Datenmodellobjekten (DMOs) in Data 360 zugeordnet, wodurch ihre Struktur standardisiert und eine einheitliche Ansicht erstellt wird.
3. Identitätsbestimmung: Doppelte Kundenprofile werden konsolidiert und verwandte Datensätze verknüpft, um eine einzelne, genaue Ansicht jedes Kunden zu erstellen.
4. Datendiagrammerstellung: DMOs werden zu einem Datendiagramm verbunden, das Beziehungen zwischen verschiedenen Einheiten darstellt (beispielsweise ist ein Kunden-DMO mit einem Kundenvorgangs-DMO verbunden, das mit einem Produkt-DMO verbunden ist). Dieses Diagramm ermöglicht eine effiziente Traversierung von Beziehungen.
5. Berechnete Statistiken: Aggregierte Kennzahlen und abgeleitete Attribute (z. B. der Gesamtkaufverlauf eines Kunden) werden berechnet und dem Datendiagramm hinzugefügt, um den Kontext zu erweitern.

Abrufen und Generieren

1. Abfrage: Wenn ein Agent Informationen zu Beziehungen zwischen Entitäten benötigt, formuliert er eine Abfrage anhand des Datendiagramms (beispielsweise "Was sind alle offenen Kundenvorgänge für diesen Kunden und welche Produkte sind mit ihnen verknüpft?").
2. Diagrammtraversierung und Abfrage-API: Der Agent verwendet die Data 360-Abfrage-API, um das Datendiagramm zu traversieren und verbundene Datensätze, berechnete Statistiken und relevante Attribute basierend auf der Abfrage abzurufen.
3. Kontextgenerierung: Die abgerufenen beziehungsbezogenen Daten werden dann zusammen mit der ursprünglichen Abfrage als Kontext für Agentforce Agents bereitgestellt. Der LLM verwendet diesen angereicherten Kontext, um eine präzise, genaue und zitierbare Antwort zu generieren, die die Verbundenheit der Daten widerspiegelt.
4. Antwort und Zitat: Der Agent präsentiert die generierte Antwort, häufig mit Verweisen auf die spezifischen Datensätze oder Beziehungen im Datendiagramm, die die Antwort informiert haben, um Trust aufzubauen und eine Überprüfung zu ermöglichen.

Trade-Offs

Das Unternehmen steht an der Spitze einer neuen Ära der Automatisierung und Intelligenz, angeführt von AI-Agenten. Vom Verarbeiten einfacher Kundenanfragen bis hin zum autonomen Ausführen komplexer Geschäftsstrategien versprechen Agenten, Produktivität und Kundenengagement neu zu definieren. Die Salesforce Agentforce Platform bietet die Grundlage für diese Transformation. Agentforce bietet eine umfassende und vertrauenswürdige Grundlage für die Erstellung jedes Agententyps, da es über eine zuverlässige Suite von deklarativen und Pro-Code-Tools, eine einheitliche Datenplattform und offene Standards über A2A und MCP verfügt. Diese Architektur ermöglicht es Organisationen, intelligente, zielorientierte Agenten bereitzustellen, die als verbundene Partner fungieren und nicht isoliert, um den Geschäftserfolg zu messen.

Salesforce bietet einen leistungsstarken, integrierten Satz an Tools, die durch die Agentforce Platform vereinheitlicht werden und als Grundlage für die Erstellung komplexer Agenten dienen. In den Rezepten und Beispielen in diesem Dokument wird davon ausgegangen, dass die Funktionen der Agentforce Platform und die Interaktion von Agenten vertraut sind. In diesem Abschnitt finden Sie eine Auffrischung der wichtigsten Komponenten, die Sie verstehen müssen, um die Rezepte und Muster in diesem Dokument optimal nutzen zu können.

In diesem Abschnitt werden die grundlegenden Plattformfunktionen beschrieben, die für Architekten und Entwickler, die Agenten in Agentforce erstellen, unerlässlich sind.

• Salesforce-Flow: Das primäre Tool zum Definieren der Agentenlogik. Die deklarative visuelle Oberfläche ist ideal für die Orchestrierung der Schritte, die ein Agent ausführen wird.
• Apex: Bietet die Leistung für komplexe benutzerdefinierte Logik, die Statusverwaltung für autonome Agenten und komplexe Integrationen
• Plattformereignisse: Das Nervensystem für proaktive und gemeinschaftliche Agenten, das als Transportebene für das A2A-Protokoll dient.
• Data 360: Der zusammengeführte Langzeitspeicher des Agenten. Sie bietet den für intelligentes Handeln erforderlichen Kontext und ist die Grundlage für die abruferweiterte Generierung (RAG).
• MuleSoft: Die Brücke des Agenten zur Außenwelt, die sowohl die Systemintegration als auch die plattformübergreifende Agentenkommunikation über MCP ermöglicht.
• Slack: Eine primäre Oberfläche für die Interaktion zwischen Mensch und Agent, einschließlich Aufgaben, Benachrichtigungen und Genehmigungen
• Agentforce Chat-Client: Das anpassbare, einbettbare Front-End für kundenorientierte Unterhaltungsagenten

Damit Agenten wirklich effektiv sind, können sie nicht in einem Silo vorhanden sein. Agentforce umfasst zwei zentrale Interoperabilitätsmuster:

• Kommunikation mit Agent2Agent (A2A): Dieses Protokoll regelt, wie Agenten im Salesforce-Ökosystem miteinander kommunizieren. Die Agentforce Platform fungiert sowohl als A2A-Client als auch als Server, der Anforderungen sendet bzw. abhört, was für die Bearbeitung durch gemeinschaftliche Agenten entscheidend ist. Agenten können mit zugehörigen Agenten konfiguriert werden, um andere Agenten mit bestimmten Fertigkeiten zu entdecken und aufzurufen, wodurch ein dynamisches und erweiterbares System entsteht. Plattformereignisse dienen als dauerhafter, asynchroner Transportmechanismus für diese A2A-Nachrichten.

• Model Context Protocol (MCP): Dieser Standard stellt sicher, dass Agenten nicht auf einer einzigen Plattform gesperrt sind. MCP definiert ein allgemeines Nachrichtenformat, mit dem Agenten, die auf verschiedenen Frameworks basieren, kommunizieren können. Agentforce fungiert in diesem Modell als MCP-Client. Beispielsweise könnte ein Salesforce-Agent einen externen Agenten abfragen, der auf komplexe Logistikberechnungen spezialisiert ist, indem er ihm eine MCP-konforme Anforderung sendet. MuleSoft fungiert als Gateway und wandelt die interne A2A-Anforderung in einen externen API-Aufruf im MCP-Format um, wodurch eine nahtlose Interoperabilität im gesamten Unternehmen gewährleistet wird.