Enterprise Agentic Architecture and Design Patterns (Enterprise Agentische Architektur und Designmuster) bringt Struktur in die Möglichkeiten von Architekturen mit mehreren Agenten, indem sie identifiziert und hervorhebt, wie für AI-Agenten neuartige Funktionen kombiniert werden können, um zuverlässige, wiederholbare, skalierbare und verwaltbare agentische Lösungen bereitzustellen. In Anlehnung an "Design Patterns" (Designmuster) für die objektorientierte Programmierung erstellen wir Muster, die kombiniert und erweitert werden können, um die vielen spannenden Herausforderungen zu lösen, die vor der Verwendung von Agententechnologien außerhalb des Bereichs von Geschäftssystemen liegen, die auf traditionellen deterministischen Technologien basieren.

Im Anschluss an die Diskussion der Gründe für Architekturen mit mehreren Agenten werden zahlreiche Agentenmuster vorgestellt. Dazu zählen einfache Muster, die die Verarbeitung natürlicher Sprache nutzen, um den Benutzer-Intent zu bestimmen, Muster mit mehreren Agenten, die eine Trennung von Bedenken zwischen Agenten ermöglichen, sowie UX-Agentenmuster, die die Darstellung und Interaktion mit Systemen, Informationen und Inhalten durch agentische Argumente unterstützen.

In erster Linie erhalten Sie eine neue Denkweise über Agenten – Agenten als Komponenten, Agenten als Composer, Agenten als Schauspieler, Agenten als Mitarbeiter und vor allem Agenten innerhalb einer größeren Architektur, die mit Absicht handeln und innerhalb ihres individuellen Geltungsbereichs agieren.

Sie erhalten die Tipps, die Sie benötigen, um umfassende agentische Lösungen zu entwickeln, die sich auf Benutzer-Journeys erstrecken und wichtige Erfahrungen mit Agenten vermitteln, die noch nie zuvor möglich waren.

In den ersten Abschnitten dieses Dokuments finden Sie die Grundlagen für Muti-Agent-Architekturen. Lesen Sie diese, um die Herausforderungen und Opportunities, die Architekturen mit mehreren Agenten bieten, besser zu verstehen.

Im Folgenden finden Sie Definitionen und Beschreibungen von Agentenmustern – von einfachen bis hin zu komplexen Mustern, die Interaktionen unterstützen, Muster für spezialisierte Agenten, Muster für Hintergrundvorgänge und langfristige Muster. Jedes Muster enthält ein Diagramm der wichtigsten Komponenten, die das Muster realisieren, sowie Empfehlungen für die Verwendung und repräsentative Anwendungsfälle.

Schließlich enthält der Anhang Beispiele dafür, wie diese Muster zu ganzheitlichen Agentenlösungen kombiniert werden, die eine größere Agentenerfahrung unterstützen, beispielsweise zur Unterstützung des Kundendiensts oder des vermittelten Vertriebs. In diesem Abschnitt erfahren Sie, wie eine umfassende Agentenerfahrung die Aufschlüsselung und Trennung von Bedenken auf Agenten- und Aktionsebene nutzt, um die Wiederverwendung auf Interaktionsebene voranzutreiben, wobei freigegebene Agenten sowohl interne als auch externe Zugehörige im unterstützenden und autonomen Modus unterstützen.

Da Unternehmensarchitekten die generative AI in ihre Ökosysteme integrieren, müssen sie sich mit einer Reihe gemeinsamer Designfragen befassen:

• Wie viele Agenten sind erforderlich?
• Wie werden Agenten interagieren?
• Wie sieht die Arbeitsteilung zwischen Agenten und Menschen aus?
• Wie werden diese Komponenten zu einem kohärenten System zusammengestellt?

In diesem Dokument wird eine musterbasierte Methodik zum Entwerfen und Erstellen von Agentenlösungen vorgestellt.

Monolithische Agentien sind der Ausgangspunkt für die meisten Agentenlösungen. Agenten, insbesondere Agentforce-Agenten, sind kompetente Leistungsträger für eine Vielzahl von Themen. Beginnen Sie bei häufigen Anwendungsfällen mit einem einzelnen Agenten.

Wenn Ihre Organisation wächst, sind Architekturen mit mehreren Agenten der bevorzugte Ansatz. Die Multiagentenarchitektur ermöglicht im Vergleich zu monolithischen Einzelagentensystemen mehr Skalierbarkeit, Kontrolle und Flexibilität.

Die Architektur mit mehreren Agenten bietet die folgenden wichtigen Vorteile:

• Erhöhte Leistung und Komplexitätsaufschlüsselung: Ein System aus mehreren spezialisierten Agenten bietet erweiterte Funktionen und vereinfacht die Einhaltung von Anweisungen.
• Modularität und Erweiterbarkeit: Einzelne Agenten können einfacher hinzugefügt, ersetzt, geändert und getestet werden, was die Agilität fördert.
• Resilienz und Fehlertoleranz: Der Ausfall einer einzelnen Komponente beeinträchtigt nicht das gesamte System, was zu einer besseren Gesamtresilienz führt.
• Dezentrale Unternehmensführung: Fehlerbehebung und -verwaltung können für bestimmte Agenten und ihre entsprechenden Anwendungen isoliert werden, was die Wartung und Übersicht vereinfacht.

Die Rationalisierung einer Architektur mit mehreren Agenten beginnt mit der Projektion zentraler Architekturprinzipien auf die Fähigkeiten und die Struktur von Agenten. Die daraus resultierenden Multi-Agent-Architekturen sind dann eine Manifestation des zentralen Systemdesigns und der Systemarchitekturprinzipien, die auf das einzigartige „Granulat“ der AI-Technologien abgestimmt sind.

Zu den wichtigsten Prinzipien, die diese Architektur steuern, zählen:

• Verwalten von Komplexität durch Aufschlüsselung
• Verbessern der Elastizität und Reduzieren der Sprödigkeit durch Entkopplung
• Verbessern der Zuverlässigkeit und Effizienz durch Wiederverwendung von Code
• Verbessern der Agentenzuverlässigkeit durch Einschränken der Bedenken eines Agenten
• Verbessern der Systemwartung und -entwicklung durch Modularität und Erweiterbarkeit
• Vereinfachen der Agentenverwaltung und der Rechenschaftspflicht durch Spezialisierung

Im Gegensatz zu primitiveren agentischen Architekturen (beispielsweise solchen, die sich auf LLMs als zentrales Architekturkonstrukt konzentrieren) war Agentforce von Anfang an für die Orchestrierung von mehreren Agenten konzipiert. Die Multi-Agenten-Orchestrierung basiert auf dem Atlas Reasoning-Modul und der agentischen Argumentation, um dynamische, effektive Programmierpfade innerhalb einer agentischen Antwort zu erstellen und die Fähigkeit zur Bereitstellung einer umfassenden, tiefgreifenden Erweiterung der Benutzererfahrung (UX) drastisch zu erweitern.

Innerhalb von Agentforce wird diese Art der Koordinierung durch die folgenden offenen, interoperablen Schlüsselprotokolle und Salesforce-Produkte aktiviert:

• Agentforce stellt ein Agenten-Untersystem bereit, um alle wichtigen Elemente eines Agenten zu kapseln: Themen, Anweisungen, Aktionen, Leitplanken, Kontext, Aufrufe, Ausgaben, Ausführungsdetails, Protokolle usw.
• Aktionen: Stellen Sie Hooks für den Zugriff auf Daten bereit, rufen Sie Flows auf, rufen Sie externe Systeme auf und rufen Sie andere Agenten an.
• Data 360: Bietet eine Datenvirtualisierungsebene, um dem Agenten einen spezifischen, individuellen Kontext bereitzustellen (mithilfe des einheitlichen Profils und der Schlüsselkette von Data 360, um spezifische Informationen aus dem gesamten Unternehmen abzurufen).

Für Agenten im gesamten Unternehmen oder für den Zugriff auf Agenten oder Ressourcen wird Folgendes unterstützt:

• Model Context Protocol (MCP): ist eine sichere Kommunikationsebene, die Agenten mit Unternehmenstools, -daten und Knowledge verbindet, um die Kontextgenauigkeit zu gewährleisten.
• Agent-zu-Agent (A2A) Protokoll: ist ein standardisierter Handshake für die Agentendelegierung, der eine sichere, regulierte Koordination zwischen Systemen, Organisationen und Anbietern ermöglicht.

Diese Prinzipien bilden die Grundlage für den Aufbau eines skalierbaren, regelbaren Systems orchestrierter Intelligenz.

Zuverlässige agentische Lösungen erfordern klare Ansätze für die nicht funktionalen Anforderungen, die eine effektive Technologiebereitstellung unterstützen:

• Sicherheit und Governance (Identitäts- und Zugriffsverwaltung, Datenschutz, Datensicherheit und Bedrohungsmodellierung).
• Beobachtbarkeit und Überwachung (Verteilte Verfolgung, zentralisierte Protokollierung, Kennzahlen und Dashboards).
• Operationalisierung und Lebenszyklusverwaltung (Spezifikation, Generierung von Testfällen, Tests, Feedback, kontinuierliches Lernen, Einstellung).

Dies sind wichtige architektonische Überlegungen zum Erstellen von Enterprise Agentic-Lösungen, die in diesem Whitepaper nicht behandelt werden. Sie werden jedoch in künftigen Veröffentlichungen behandelt.

Zum Verwalten einer unternehmensweiten Agentenlandschaft müssen Architekten Agenten anhand von zwei sich ergänzenden Linsen klassifizieren: der technischen Funktion und der Geschäftsauswirkung.

Diese Taxonomie kategorisiert die Funktionsrollen, die Agenten in einer Architektur übernehmen können.

• Kanal-/UX-Rollen: Definieren Sie die Modalität der Interaktion (z. B. Headless, Aufforderung, Chats und Nachrichten oder AI-verwaltete Arbeitsumgebungen).
• Spezialistenrollen: Verkapseln Sie Deep Domain Knowledge (z. B. Domänenexperte, Knowledge Minion, Assistent oder Planer).
• Dienstprogramm-Servicerollen: Führen Sie diskrete transaktionale Aufgaben aus (z. B. Generierung, Zusammenfassung, Transformation oder Konfiguration).
• Wartung und proaktive Servicerollen: Konzentrieren Sie sich auf die Integrität und Qualität der Daten (z. B. Kuratierung, Anpassung, Datenqualität oder Datenanreicherung).
• Langfristige Rollen: Verwalten Sie Prozesse über einen längeren Zeitraum (z. B. Concierge, Projektmanager, Pflegefachkraft oder Watcher/Alerter).

Die Agentenkarte ist die Standardvorlage zum Beschreiben von Agentenlösungen, um eine klare Gestaltung und Kommunikation zu ermöglichen. Sie definiert wichtige Entitäten, Systeme und Interaktionen innerhalb eines bestimmten Designmusters.

Im Folgenden finden Sie die Komponenten der Vorlage "Agentenkarte":

• Benutzerebenen definieren die menschlichen Akteure im System (z. B. Kunden, authentifizierte Mitarbeiter (SF-Benutzer) und nicht authentifizierte Mitarbeiter).
• Agentenebenen beschreiben erforderliche Agenten, angezeigte Muster, Beziehungen zueinander und Anweisungen, die zum Aktualisieren bestimmter Muster verwendet werden.
• Kontext/Aktionen sind die Ressourcen, Funktionen oder Aktionen, die der Agent verwaltet oder auf die er zugreift.
• Quellen sind die zugrunde liegenden Daten, Anwendungen, Knowledge Bases und anderen Systeme, mit denen die Agenten eine Verbindung herstellen.

In den Anhängen A und B werden Agentenmuster auf Systemebene veranschaulicht, indem ihre Zusammensetzung in den Schwimmbädern für Agentenkartenvorlagen demonstriert wird.

Salesforce verwendet eine Bibliothek von Agentenmustern, um zuverlässige, vorhersehbare Agentenlösungen zu organisieren und bereitzustellen. Diese Muster sind unsere Blaupausen zur Lösung allgemeiner architektonischer Probleme.

Sie werden in vier primäre Kategorien gruppiert:

• Interaktionsmuster: Konzentrieren Sie sich auf das Agentenengagement und die Benutzererfahrung.
• Spezialisten-/Mitarbeitermuster: Kapseln Sie Deep Knowledge oder bestimmte Fertigkeiten in einer bestimmten Domäne.
• Versorgungs- und Datenverwaltungsmuster: Führen Sie bestimmte, oft wiederholbare Aufgaben aus, die andere Agenten oder Prozesse unterstützen.
• Langfristige Muster: Verwalten Sie Prozesse und Workflows, die über längere Zeiträume hinweg auftreten und mehrere Schritte umfassen.

In den folgenden Abschnitten werden wichtige Muster aus jeder Kategorie beschrieben. Jede Musterbeschreibung enthält eine Übersicht, einen Ausgabetyp, eine Anleitung zur Musternutzung, repräsentative Anwendungsfälle und ein Lösungsdiagramm sowie eine Zuordnung zur Salesforce-Reifenreiferubrik.

Bei Interaktionsmustern handelt es sich um grundlegende Designs, die sich auf das Agentenengagement und die Benutzererfahrung konzentrieren.

• Übersicht: Bei dem Begrüßungsmuster handelt es sich um ein einfaches, einfach zu implementierendes Muster, das die Benutzerabsichten in natürlicher Sprache bestimmt. Anschließend wird der Benutzer an den entsprechenden menschlichen Agenten weitergeleitet.

• Ausgabetyp: Übergabe/Eskalierung an die nächste Ressource.

• Geschäftswert: Ermöglichen Sie einen nahtlosen, effizienten Erstkontakt für Kunden und maximieren Sie gleichzeitig die Intent-Lösung und die Kontexterfassung für Serviceanbieter.

• Anleitung zur Musternutzung: Konfigurieren Sie den Agenten als primäre Engagementressource für Markenkanäle. Stellen Sie Anweisungen zu Marke, Produkten und Services bereit, die mit Weiterleitungsanweisungen auf der Grundlage des Benutzer-Intents verknüpft sind. Der Agent erfasst und fasst den Intent für eine warme Übergabe zusammen.

• Repräsentativer Anwendungsfall: Stellen Sie sich eine Webseite vor, die einen Chat-Bot verwendet, um ein Menü mit Optionen anzuzeigen, auf dem Benutzer sich durch alle Optionen klicken müssen, bevor sie an einen Menschen weitergeleitet werden. Chatbots verwenden oft komplexe, komplizierte Arbeitspfade und Interaktionen, um die Produktivität und Effizienz im Back-Office zu verbessern. Dies führt bei Kunden zu einem Ermüdungsszenario vom Typ "Ausfüllen, Auswählen und Klicken", das oft zu Frustration führt, wenn ihr Kontext außerhalb der verfügbaren Menüoptionen liegt. Durch das Ersetzen herkömmlicher Chatbots durch die Agentische Eingangstür, die Interaktionen mit natürlicher Sprache verwendet, wird die Arbeit erleichtert und eine menschenähnliche Interaktion ermöglicht.

• Agentforce Rezept:

  • Agentforce Service Agent: Erstellen eines Serviceagenten
    • Der im Paket enthaltene Serviceagent verfügt über konfigurierbare Übertragungsfunktionen, die die Übertragung unterstützen:
      • An menschliche Agenten
      • An AI-Agenten
      • An externe Agenten
  • Branchenspezifische Muster, die Codebeispiele enthalten

• Diagramm:

• Reifegrad für Salesforce-Agenten: Stufe 1 (oder Stufe 0, wenn Sie den vorkonfigurierten Serviceagenten mit integrierter Übertragung und Eskalation verwenden)

• Übersicht: Das Bedienermuster baut auf dem Begrüßungsmuster auf, indem Anforderungen an den entsprechenden Fachagenten oder an den entsprechenden Mitarbeiter weitergeleitet werden und (sofern erforderlich) verhandelt wird.

• Ausgabetyp: Übergabe/Übertragung an die nächste Ressource.

• Anleitung zur Musternutzung: Kombinieren Sie marken- und servicespezifische Anweisungen mit Anweisungen dazu, wohin der Benutzer basierend auf dem Intent geleitet werden soll. Definieren Sie Eskalationsressourcen, bei denen es sich um Menschen oder andere Agenten handeln kann.

• Repräsentativer Anwendungsfall: Verwenden Sie die Agentic Front Door für Szenarien, in denen ein hoher Grad an Spezialisierung unter menschlichen oder AI-Mitarbeitern besteht.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 2

• Übersicht: Das Orchestrator-Muster verwaltet den AI-Agenten "Swarm". Wenn eine Benutzeranforderung eingeht, wird die Äußerung an einen oder mehrere Fachagenten weitergegeben und die Antworten werden dann für den Benutzer aggregiert. Im Gegensatz zum Operatormuster bleibt er der erste Kontaktpunkt.

• Ausgabetyp: Sammeln und bereiten Sie Antworten von Mitarbeiteragenten vor.

• Anleitung zur Musternutzung: Konfiguriert als primärer Engagierer. Stellen Sie Anweisungen für jeden unterstützenden Mitarbeiteragenten bereit (z. B. einen Priorizer oder ein Domänen-KMU), mit denen der Orchestrierer Äußerungen an ihn weiterleiten kann.

• Repräsentativer Anwendungsfall: Verwenden Sie das Orchestrator Pattern als agentische Eingangstür, um Kunden zu unterstützen, die möglicherweise mehrere Themen pro Unterhaltung besprechen müssen, was Lösungen für mehrere Agenten und konsistente Interaktionen erfordert. In einer Architektur mit mehreren Systemen sollten Sie das Orchestratormuster berücksichtigen, um Antworten systemübergreifend und unter Mitwirkung externer Agenten zu koordinieren.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 3

• Übersicht: Das Listener/Feed-Muster zeigt Kontext und Statistiken während des Flows einer Unterhaltung an. Der Listener wird während jeder Unterhaltungsrunde ausgelöst, um relevante Informationen für einen Mitarbeiter zu finden und anzuzeigen.

• Ausgabetyp: Stellen Sie relevanten Kontext auf der Grundlage von Unterhaltungen bereit, die entsprechend formatiert werden können (z. B. Vergleiche anstellen oder wichtige Punkte hervorheben).

• Anleitung zur Musternutzung: Hängen Sie den Listener an einen rundenbasierten Kanal an (z. B. Chat, Voice oder SMS). Definieren Sie Themen für jeden Themenbereich. Der Agent verwendet die Abschrift, identifiziert Themen und ruft Aktionen auf, um relevante Inhalte zu suchen und in einem aktuellen Feed für den Mitarbeiter zu posten.

• Repräsentativer Anwendungsfall: Verwenden Sie den Universal-Assistenten, um den Kundendienst oder Vertriebsmitarbeiter zu unterstützen.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 3

• Übersicht: Mit dem Muster "Arbeitsumgebung (Radar O'Reilly)" wird eine reaktionsschnelle Einzelscheibe im Flow einer Unterhaltung verwaltet. Sie verarbeitet jede Äußerung, um Teile des UX mit relevantem Inhalt zu aktualisieren.

• Ausgabetyp: Stellen Sie einen relevanten Kontext bereit, der sich in einem Portlet in einer größeren Einzelglasansicht befindet.

• Anleitung zur Musternutzung: Ein Orchestrator-_Agent übergibt Äußerungen an eine Suite von _Themenagenten. Jeder Themenagent bewertet die Anweisung, um festzustellen, ob eine UX-Aktualisierung erforderlich ist. In diesem Fall werden dynamische Aktualisierungen an die entsprechende LWC übertragen.

• Repräsentativer Anwendungsfall: Dies funktioniert wie eine erweiterte Haustür für Agenten.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 3

Spezielle Muster fassen tiefes Knowledge oder Fertigkeiten in einer bestimmten Domäne zusammen und werden in der Regel durch Interaktionsmuster orchestriert.

• Übersicht: Das Antwortbot-Muster ist ein effektives Muster für Self-Service, bei dem GenAI verwendet wird, um die natürliche Sprache für Knowledge Retrieval zu bestimmen, nicht nur Stichwörter.

• Ausgabetyp: Zusammengefasstes Knowledge und Verweise/Zitate auf unterstützende Materialien.

• Anleitung zur Musternutzung: Organisieren und erfassen Sie zuverlässige Quellmaterialien (z. B. Knowledge Stores oder häufig gestellte Fragen), um den Agenten zu konfigurieren. Positionieren Sie den Agenten auf Unternehmenswebsites oder in internen Portalen. Überwachen Sie Fragen, um Knowledge Lücken zu identifizieren und zu schließen.

• Repräsentativer Anwendungsfall: Erleichtern der Suche mit natürlicher Sprache auf einer Unternehmenswebsite, Interagieren mit einem Bot für HR-Vorteile und Bereitstellen von Self-Service-Komponenten für alle Zugehörigen.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 1

• Übersicht: Bei dem Muster "Domäne – KMU" handelt es sich um ein grundlegendes Muster, das ein Front-End mit natürlicher Sprache für eine Geschäftsdomäne (z. B. Aufträge oder Ansprüche) bereitstellt.

• Ausgabetyp: Stellen Sie relevante Inhalte, Themen, Daten und formatierte Informationen zur Domäne bereit.

• Anleitung zur Musternutzung: Verwenden Sie dieses Muster, um einen Betreff oder eine Geschäftsdomäne zu verkapseln. Konfigurieren Sie den Agenten mit der Möglichkeit, geeignete CRUD-Vorgänge auszuführen. Stellen Sie diese Agenten über Interaktionsmuster zur Verfügung (z. B. Orchestrierer oder Listener).

• Repräsentativer Anwendungsfall: Gatekeeping einer Geschäftsdatendomäne, Bereitstellen eines "Auftragsagenten" oder "Inventaragenten" und Bereitstellen einer Agentenschnittstelle für eine Geschäftsdomäne.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 2

• Übersicht: Das Abfragemuster ist ein KMU-Agent, der zu einem Thema abgefragt werden kann, um Kontext aus mehreren Quellen zusammenzustellen und Fragen zu beantworten. Die Schlüsselfunktionen der Agenten sind die Möglichkeit, Kontext abzurufen und Konzepte über einen Inhaltskörper hinweg zu verbinden, wie es ein Mensch nach dem Lesen und Internalisieren des Inhalts tun würde. Dieses Muster mindert die Notwendigkeit der "Drehstuhlintegration".

• Ausgabetyp: Stellen Sie Antworten auf Fragen bereit.

• Anleitung zur Musternutzung: Es wird häufig als Konsolen-Widget konfiguriert, das mit dem aktuellen Kontext des Benutzers verbunden ist, sodass er direkt Fragen stellen kann. Sie wird auch in Verbindung mit Knowledge-Ressourcen wie häufig gestellten Fragen, Richtlinien und Produktkatalogen verwendet. Kombinieren Sie das Abfragemuster mit Standardaufforderungen, um allgemeine Antworten auf allgemeine Fragen zu skalieren.

• Repräsentativer Anwendungsfall: Als Vertragsassistent, Assistent für Vorteilsanfragen oder Facharbeiteragent in Mustern mit mehreren Agenten (z. B. Listener oder Arbeitsumgebung) verwenden.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 2

• Übersicht: Das Priorizer-Muster wird verwendet, um eine Reihe von Aufgaben oder Arbeitsobjekten anhand einer definierten Zielsetzung anzuordnen. Sie nutzt GenAI für qualitative Analysen, unstrukturierte Datenanalysen oder integrative Analysen über mehrere Datendomänen hinweg.

• Ausgabetyp: Stellen Sie generative Statistiken bereit.

• Anleitung zur Musternutzung: Verwenden Sie natürliche Sprache, um die gewünschten Qualitäten für die Priorisierung zu beschreiben. Hausarrest für den Agenten mithilfe einer Reihe auswählbarer Optionen. Kombinieren Sie sie mit dem Listener-Muster, um eine anpassungsfähige "Next Best Action" im Arbeitsablauf zu erstellen.

• Repräsentativer Anwendungsfall: Verwenden Sie sie als Generator für Next Best Action oder als spezialisierten Mitarbeiteragenten in langfristigen Mustern oder Mustern mit mehreren Agenten.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 2

Dienstprogrammmuster führen bestimmte, wiederholbare Aufgaben aus, die andere Agenten oder Prozesse unterstützen.

• Übersicht: Das Generatormuster ist ein grundlegendes Muster zum Erstellen neuer Inhalte (z. B. Kundenvorgangszusammenfassungen oder E-Mail-Entwürfe) aus vorhandenen Eingaben und Standards. Sie wird oft als Aufforderung implementiert und kann in andere Agenten eingebettet werden.

• Ausgabetyp: Stellen Sie generierten Inhalt bereit, der dem angeforderten Format und Intent entspricht.

• Anleitung zur Musternutzung: Das Generatormuster kann in den meisten anderen Mustern oder als eigenständiges Muster verwendet werden. Kontext kann über die Anforderung, die Hydration während der Ausführung oder zusätzliche Anreicherungsschritte bereitgestellt werden.

• Repräsentativer Anwendungsfall: Stellen Sie QBRs Kundenvorgangszusammenfassungen, E-Mail-Entwürfe, Knowledge-Artikel oder Vorschläge/Antworten bereit.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 1

• Übersicht: Bei dem Muster "Datenweiterleitung" handelt es sich um ein autonomes Hintergrundmuster, das einen agentenbasierten Schritt in Datenvorgänge einführt, um eine konsistente Datenqualität, Konformität und Anreicherung zu gewährleisten.

• Ausgabetyp: Geben Sie vor dem Speichern aktualisierte Datensatz- und Datenfelder an.

• Anleitung zur Musternutzung: Betten Sie die Datenqualität zum Zeitpunkt der Datenerstellung ein, indem Sie Datenverwalter hinzufügen, die Flows vor dem Speichern von Daten auslösen. Hilft, die konsistente Anwendung von Kategorisierungs-, Zusammenfassungs- und Statusdaten sicherzustellen.

• Repräsentativer Anwendungsfall: Gewährleistung konsistenter Aktualisierungen des Pizza-Tracker-Stils, Anreicherung von Accountdaten und Beseitigung nicht übereinstimmender Postleitzahlen und Adressen.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 2

• Übersicht: Bei dem Zen Data Gardener-Muster handelt es sich um ein geplantes Hintergrundmuster, das zum Pflegen und Standardisieren von Daten verwendet wird und kostengünstige Argumente nutzt, um Daten in anderen nicht verbundenen Datendomänen zu validieren, anzureichern und zu konformisieren.

• Ausgabetyp: Stellen Sie aktualisierte Datensätze und/oder Datenverwaltungsaufgaben bereit.

• Anleitung zur Musternutzung: Verwenden Sie das Muster, um eine regelmäßige, regelmäßige Datenüberprüfung und -validierung zu ermöglichen. Planen Sie den Agenten bei sich langsam ändernden Daten in einem langsamen Rhythmus (beispielsweise monatlich). Kombinieren Sie sie mit dem Datenverwaltungsmuster, um Vorgänge zur Datenqualität in Zukunft und im Nachhinein bereitzustellen.

• Repräsentativer Anwendungsfall: Sicherstellung der Abstimmung zwischen verkauften Vorteilen und dem Anspruchssystem sowie regelmäßige Validierung von Maklerlizenzen für nationale Register.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 4

• Übersicht: Das Konfiguratormuster generiert Konfigurationsartefakte (z. B. SQL/SOQL, JSON und CSVs) aus den Anforderungen der natürlichen Sprache. Sie kann auch umgekehrt ausgeführt werden, um eine vorhandene Konfiguration anhand von Anforderungen zu validieren.

• Ausgabetyp: Stellen Sie aktualisierte Datensätze, Datenverwaltungsaufgaben oder Erstellungsprobleme/Fehler für Korrekturen bereit.

• Anleitung zur Musternutzung: Verwenden Sie bestimmte Standards, Richtlinien oder Beispiele für den Agenten. Konfigurieren Sie Erstellungsanforderungen mithilfe von Quellen wie Verträgen oder Produktspezifikationen. Verbinden Sie das Konfiguratormuster mit dem Zielsystem, um die generierte Konfiguration zu übertragen.

• Repräsentativer Anwendungsfall: Generieren von Produktkonfigurationsdatensätzen für Krankenversicherungsprodukte und Validieren von Vertrags-/Zahlungsbedingungen für Gesundheitsanbieter.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 4

• Übersicht: Das Muster "Richter und Jury" wurde entwickelt, um Halluzinationen zu minimieren, indem ein Ensemble von "Juror"-Agenten und ein "Richter"-Agent verwendet wird, die die Kongruenz der Antworten bewerten, um sicherzustellen, dass sie materiell konsistent und fundiert sind.

  • Der Ensemble-Ansatz ist in Agentforce und das Atlas Reasoning-Modul eingebettet, um die Richtigkeit und Relevanz von Antworten zu ermitteln. Das Muster "Richter und Jury" baut auf dieser Fähigkeit auf, wenn es auf eine hohe Genauigkeit ankommt.
  • Die Kombination aus Datengrundlage (z. B. "Ihre Antwort in diesen Datensätzen/Dokumenten finden") und Aufforderungstechnik (z. B. "Antwort nur zurückgeben, wenn sie in diesen Datensätzen gefunden wird" oder "Antwort anhand dieser externen Quelle validieren") sind ebenfalls effektive Möglichkeiten, Halluzinationen zu minimieren.

• Ausgabetyp: Stellen Sie generative Statistiken bereit.

• Anleitung zur Musternutzung: Wird verwendet, wenn ein starker Bedarf an konsistenten und fundierten generativen Ausgaben besteht. Ein Richteragent stellt eine begründete Aufforderung zusammen und übergibt sie an zwei oder mehr Juroragenten. Anschließend bewertet der Richter die Antworten. Verwenden Sie für optimale Ergebnisse für jeden Juroragenten unterschiedliche Modelle (beispielsweise eines von OpenAI und ein anderes von Anthropic).

• Repräsentativer Anwendungsfall: Stellen Sie faktenbasierte Antworten mit hoher Genauigkeit bereit, um Halluzinationen zu minimieren.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 2

• Übersicht: Das Muster "Modell von Modellen" nutzt mehrere Expertenagenten, um eine Vielzahl von Perspektiven zu generieren, und extrahiert dann den Konsens. Im Gegensatz zum Muster "Richter & Jury" umfasst dieses Muster mehrere Standpunkte, um den Reichtum zu steigern.

  • Dieses Muster kann auch als Expertenpanel-Muster bezeichnet werden, wenn Expertenmodelle mit unterschiedlichen Standpunkten (Points of View, POV) vorhanden sind, auf die möglicherweise getippt werden kann.
  • Im Gegensatz zum Muster "Richter und Jury", bei dem sichergestellt werden soll, dass die Agentenantwort auf einer allgemein zugänglichen "Wahrheit" konvergiert, erweitert das Modellmuster den Umfang der Antwort, indem die Vielfalt in der Agentenumgebung genutzt wird.
  • Bei diesem Muster wird davon ausgegangen, dass es zusätzliche Agenten mit einem unterschiedlichen POV gibt. In einer Umgebung mit mehreren Organisationen, mehreren Agenten oder einer Umgebung mit mehreren vom Anbieter bereitgestellten Agenten über mehrere Tech-Stacks hinweg bietet das Modellmuster beispielsweise eine Struktur für die Integration mehrerer POVs.
  • Berücksichtigen Sie bei der Betrachtung dieses Musters auch andere, oft leichtere Ansätze:
    • Statt mehrere Expertenagenten zu definieren, geben Sie mehrere Eingabeaufforderungen an und lassen Sie das System als Ensemble von Eingabeaufforderungen arbeiten.
    • Nutzen Sie die Kontextbildung durch Aktionen, die auf kontextabhängige Daten zugreifen.

• Ausgabetyp: Stellen Sie generative Statistiken bereit.

• Anleitung zur Musternutzung: Die Rolle eines _Aggregator-_Agenten besteht darin, ein umfangreiches POV zu erstellen und zurückzugeben, das auf den Schlüsselkonzepten basiert, die die Modellagenten zurückgegeben haben. Modellagenten bestimmen eine Antwort anhand ihres eindeutigen POV.

• Repräsentativer Anwendungsfall: Wird in Situationen verwendet, in denen die Kombination unterschiedlicher Standpunkte von Vorteil sein kann, um die Qualität der Antworten zu verbessern. Beispielsweise kann eine agentische Umgebung mit mehreren Systemen, in der privilegierte Agenten (beispielsweise ein ERP-Agent) über ein wertvolles und anderweitig nicht zugängliches POV verfügen.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 2

Mit langfristigen Prozessmustern werden Prozesse verwaltet, die über einen längeren Zeitraum auftreten und mehrere Schritte und Akteure umfassen.

• Übersicht: Das Projekt-Manager-Muster ist ein komplexes Muster, das ein langfristiges Projekt überwacht. Sie koordiniert Aktivitäten, verfolgt den Abschluss, benachrichtigt Benutzer und stellt den Projektstatus für Beteiligte dar.

• Ausgabetyp: Es gibt mehrere Ausgaben (z. B. Kundenvorgänge, Aufgaben, Statusaktualisierungen und Benachrichtigungen).

• Anleitung zur Musternutzung: Als Schirmmuster zur Unterstützung regelmäßiger, wiederholter Aktivitäten in mehreren Schritten. Das Projekt-Manager-Muster verwendet eine Eingabevorlage/-skizze eines Projekts, einschließlich Aufgaben, Rollen und Abhängigkeiten. Anschließend werden Kundenvorgänge und Aktivitäten instanziiert und Benutzern zugewiesen.

• Repräsentativer Anwendungsfall: Zur Verwendung für die Accountinstallationsverwaltung und das Engagement im Unternehmensvertrieb.

• Diagramm:

• Reifegrad für Salesforce-Agenten: Level 4

Während Muster Agentenrollen beschreiben, definieren Orchestrierungsarchetypen die Blaupausen auf Systemebene für die Zusammenarbeit einer Agentenflotte. Diese Archetypen verdeutlichen die Rolle von Agentforce als Orchestrierungshirn und MuleSoft als universeller Konnektor und Adapter.

Archetyp 1: SOMA (Single Org, Multiple Agents)

• Definition: Mehrere Agenten arbeiten in einer Salesforce-Organisation zusammen, die freigegebene Governance und Daten verwendet.
• Architektur-Flow: In Agentforce fungiert ein Supervisor-Agent als zentrale Tür und leitet Anforderungen an Fachagenten in der Organisation weiter. Für externe Funktionen verwenden Agenten den Agentforce MCP Client, wobei MuleSoft als MCP-Wrapper für nicht MCP-fähige APIs fungiert.
• Wichtige Überlegungen: Dieses Muster zentralisiert die Orchestrierungslogik in Salesforce (ähnlich wie im CRM-Kontext und in Data 360), um die einheitliche Verwaltung, Identität, Berechtigungen und Beobachtbarkeit beizubehalten.

Archetyp 2: MOMA (Multi-Org, Multiple Agents)

• Definition: Agenten arbeiten über mehrere Salesforce-Organisationen hinweg zusammen, was eine sichere Koordination über Daten- und Berechtigungsgrenzen hinweg erfordert.
• Architektur-Flow: Ein Supervisor-Agent in einer Organisation delegiert eine Aufgabe über das standardisierte Agent-zu-Agent-Protokoll an einen Agenten in einer anderen Organisation. Durch diesen Handshake werden Trust auf Organisationsebene, der Benutzeridentitäts-Flow und der freigegebene Unterhaltungskontext sichergestellt.
• Wichtige Überlegungen: Durch dieses Muster wird die Organisationsautonomie gewahrt und gleichzeitig unternehmensweite Workflows ermöglicht, was eine Grundlage für kohärente Agentenvorgänge in komplexen Anwesen mit mehreren Organisationen bietet.

Archetyp 3: Multi-Vendor A2A (Salesforce-geführte Orchestrierung)

• Definition: Ein Supervisor-Agent in Salesforce koordiniert über das A2A-Protokoll eine Mischung aus Salesforce-nativen Agenten und Agenten anderer Anbieter (z. B. Google/Vertex oder LangGraph).
• Architektur-Flow: Der Supervisor-Agent verarbeitet die Anforderung und orchestriert einen Plan, wobei interne und externe Anbieteragenten über das A2A-Protokoll aufgerufen werden. Bei externen Systemen, die nicht A2A-fähig sind, kann MuleSoft eine "leichte Agentenfassade" freilegen, die das vorhandene Tool umschließt und mit dem A2A kommuniziert.
• Wichtige Überlegungen: Durch diesen Archetyp bleibt das Orchestrierungshirn in der Nähe von CRM und Data 360, indem A2A verwendet wird, um saubere, regelbare Kompositionen ohne separate Orchestrierungsstufe zu erstellen.

Archetyp 4: Multi-Vendor A2A (MuleSoft-geführte Orchestrierung)

• Definition: Die Orchestrierung wird über einen Nicht-Salesforce-Eingangspunkt initiiert, für den ein neutraler externer Orchestrierer die Argumentation und Weiterleitung ausführen muss.
• Architektur-Flow: Ein Benutzeroberflächenagent in einem externen System leitet die Anforderung an einen Orchestrierungsservice (konzipiert als MuleSoft Conductor) weiter, der den Intent interpretiert und die Aufgabe plant. Anschließend leitet der Leiter Anrufe mithilfe von A2A an Anbieteragenten weiter, einschließlich Agentforce Agenten für CRM- oder Serviceaktionen.
• Wichtige Überlegungen: Dieses Muster gilt für Nicht-Salesforce-Eintrittspunkte, bei denen ein neutraler Orchestrierer architektonisch vorzuziehen ist. Sie behält die Benutzeroberfläche im Domänensystem bei und zentralisiert gleichzeitig Argumentation, Governance, Richtlinie und Beobachtbarkeit in MuleSoft.

Diese individuellen Muster und Orchestrierungsarchetypen sind architektonische Bausteine, die zu durchgängigen Lösungen zusammengesetzt werden sollen. Die Karte der Agentenlösung dient zur Visualisierung der Verdrahtung dieser Komponenten.

• Eine Mitgliederservicelösung für einen Gesundheitsanbieter ist eine Standardimplementierung des SOMA-Archetyps. Es verwendet einen Answerbot für anonyme Benutzer, einen Orchestrator für authentifizierte Mitglieder und mehrere Domänen-KMU-Agenten (z. B. Kundenvorgang, Ansprüche und Vorteile), um bestimmte Anforderungen zu bearbeiten.
• Bei einem B2C-Brokerportal handelt es sich um eine komplexe Zusammensetzung, die einen Portal-Orchestrator-_Agenten verwendet, um einen langfristigen _Projektmanager-Agenten für einen RFP-Prozess aufzurufen, der wiederum Headless-, Datenweiterleitungs- und Abfrageagenten für Back-Office-Datenvorgänge verwendet.

Eine Methode für agentische Designmuster bietet die Architekturdisziplin, die zum Erstellen robuster, skalierbarer und wartungsfreundlicher Enterprise AI-Systeme erforderlich ist. Durch die Aufschlüsselung der Komplexität und die Förderung der Modularität ermöglichen diese Muster es Architekten, zuverlässige, vorhersehbare agentische Lösungen bereitzustellen.

Die Auswahl des Orchestrierungsarchetyps ist eine strategische Entscheidung, die darauf basiert, wo Benutzer arbeiten, wo sich der Kontext befindet und wie das Unternehmen die Interaktion zwischen Menschen, Agenten und Systemen steuert. Indem Architekten die Unterscheidung zwischen der Erstellung von Agenten und deren Orchestrierung verstehen und offene Protokolle wie MCP und A2A nutzen, können sie nicht mehr nur isolierte Bots erstellen, sondern auch ein kohärentes, gesteuertes und verteiltes unternehmensorientiertes System entwickeln. Dieser Ansatz bietet eine gemeinsame Sprache und eine Reihe wiederverwendbarer Blaupausen zum Erstellen einer nachhaltigen Agentenarchitektur.

Dieser Anhang enthält konkrete Beispiele dafür, wie Agentenmuster zu Lösungen auf Systemebene zusammengesetzt werden.

In diesem Diagramm wird veranschaulicht, wie fünf grundlegende Muster miteinander verdrahtet werden können, um einen gemeinsamen Kundendienst-Workflow zu erstellen.

1. Answerbot: Ein anonymer Benutzer stellt eine Frage, die von einem Knowledge-basierten Agenten bearbeitet wird.
2. Operator: Die Frage eines Mitarbeiters wird von einem Operator geprüft, der die Unterhaltung ausfüllt und sie an einen spezialisierteren Agenten übergibt.
3. Orchestrator: Ein authentifizierter Benutzer (SF-Benutzer) interagiert mit einem Orchestrierer, der mehrere Agenten koordiniert, um eine Anfrage zu bearbeiten, die potenziell vielfältig ist.
4. Domänen-KMU: Fachagenten (z. B. HR-Agenten oder Vorteilsagenten) werden vom Orchestrierer aufgerufen, Themenaktualisierungen durchzuführen und bestimmte Daten abzurufen.
5. Generator: Dienstprogrammagenten werden verwendet, um Accountdetails zusammenzufassen oder einen Kundenvorgang nach Abschluss der Interaktion abzuschließen.

Diese Lösungszuordnung enthält Details zu einer Agentenarchitektur für einen Mitgliedsserviceanwendungsfall, die die Zusammensetzung mehrerer Muster veranschaulicht.

• Benutzerprofile: Die Lösung bietet drei verschiedene Benutzertypen: Anonymer Benutzer, authentifiziertes Mitglied und SF-Benutzer (beispielsweise ein menschlicher Kundendienstmitarbeiter).
• Interaktionsmuster: Ein Antwortbot verarbeitet anonyme "Find-A-Doc"-Abfragen, während ein Orchestrator (Agentic Front Door) authentifizierte Benutzeranfragen verwaltet. Ein Listener/Feed-Muster unterstützt den SF-Benutzer.
• Wiederverwendung von Domänenagenten: Spezialisierte KMU-Agenten für Domänen (z. B. Kundenvorgangsagent, Anspruchsagent oder Vorteilsagent) werden in verschiedenen Interaktions-Flows wiederverwendet.
• Autonom und unterstützend: Das System kombiniert autonome Agenten (zur direkten Benutzerinteraktion) und assistierende Agenten (zur Erweiterung der menschlichen Kundendienstanforderungen).
• Datenquellen: Die Architektur integriert eine Mischung aus öffentlichen und Unternehmensdatenquellen, wobei Data 360 und MuleSoft für die Konnektivität umfassend verwendet werden.

In diesem Diagramm wird eine logische Architektur für eine Lösung mit assistierender AI in einem Kontaktcenter veranschaulicht, die in Funktionsebenen organisiert ist.

• Orchestratoragenten: Verwalten Sie Benutzererfahrungen für verschiedene Personas (z. B. Anonym, Externes Mitglied oder Kundendienstmitarbeiter) und orchestrieren Sie den gesamten Interaktions-Flow.
• Mitarbeiteragenten: Mehrere KMU-Agenten konzentrieren sich auf Kerngeschäftsdomänen wie Knowledge, Kundenvorgang/Ansprüche/Leistungen und Anbieterverzeichnis. Ein Next Best Action-Agent ist ebenfalls enthalten.
• Dienstprogrammagenten: Führen Sie bestimmte wiederverwendbare Aufgaben wie "Übersetzung", "Kundenvorgangsnachbearbeitung" und "Anrufzusammenfassung" aus. Integrations- und Kernsysteme: Das gesamte Agentensystem ist über eine plattformübergreifende Integrationsebene mit unstrukturierten Datenressourcen, strukturierten Datenressourcen und zentralen Unternehmenssystemen verbunden.
• Governance: Eine Governance-Ebene bietet die Beobachtbarkeit, Auswertung und Verwaltung der von den Agenten verwendeten LLMs/SLMs.

Diese Lösungskarte enthält Details zu einer komplexen, langfristigen Agenteninteraktion für ein Portal für B2B-Krankenversicherungsmakler. Das Modell enthält einen Portalagenten (Orchestrator), der dem Makler den Weg durch mehrere Schritte erleichtert (z. B. das Senden eines Angebots und das Empfangen eines Angebots). Dieser Orchestrierer ruft einen _Projektmanager-_Agenten auf, der wiederum mehrere Headless-Agenten für die Back-Office-Datenqualität und -Transformationen koordiniert, beispielsweise einen RFP-Extraktor, eine Zensustransformation und eine Datenweiterleitung.

Dieses Diagramm zeigt eine logische Architektur für eine B2C Broker-Lösung, die einen ähnlichen mehrschichtigen Ansatz wie das Kontaktcenter zeigt. Sie umfasst Orchestrator-Agenten für unterschiedliche Benutzer-Personas, wiederverwendbare Mitarbeiter-Agenten für wichtige Domänen (z. B. Knowledge, Mitgliederservices oder Provisionen) und Dienstprogramm-Agenten für bestimmte Funktionen wie Übersetzung und Zusammenfassung.

Dieses Diagramm zeigt eine logische Architektur für eine Lösung vom Typ "Anbietervertrag". Orchestrator-_Agenten verwalten vollständige Interaktionen, _Mitarbeiter-Agenten verwalten bestimmte Intents in einer Domäne (beispielsweise einen Agenten für KMU im Vertragswesen) und _Dienstprogramm-_Agenten erledigen diskrete Aufgaben wie das Vergleichen von Verträgen oder das Generieren von Statistiken.

In der folgenden Tabelle sind verschiedene wichtige Interaktionsmuster, typische Benutzererfahrungen und primäre Architekturzwecke zusammengefasst.

David Harshbarger ist ein erfolgreicher Unternehmer und Technologieführer, der für viele führende Software-Unternehmen gearbeitet hat und Lösungen entwickelt hat, die die Details der Architektur mit den Details des Unternehmens in Einklang bringen, sodass Technologen mit ihrer Enable-Technologie arbeiten, nicht gegen sie. Heute arbeitet David als Principal Enterprise Architect bei Salesforce und unterstützt Health & Life Sciences.

Chacha Choudhury ist ein hochqualifizierter und visionärer IT-CTO/Chief Architect mit jahrzehntelanger Erfahrung, der derzeit als Principal Enterprise Architect das Salesforce Architecture Program und die Global Community of Architects leitet. Er ist für seine Expertise bei der Festlegung unternehmensweiter Technologiestrategien, der Förderung der Architekturmodernisierung und der Pionierarbeit bei innovativen Lösungen, einschließlich generativer AI und Anwendungen mit Agenten-AI, bekannt.