El paradigma del software está cambiando de la manipulación directa a la delegación orientada a objetivos. A la vanguardia de esta transformación están los agentes de IA: entidades autónomas e inteligentes capaces de comprender, razonar y actuar en nombre de los usuarios. Este documento técnico proporciona una exploración técnica de los tipos principales de agentes de IA: Plática, Proactiva, Ambiente, Autónoma y Colaborativa. Define cada tipo, presenta casos de uso específicos de Gestión de las relaciones con los clientes (CRM) y proporciona un plan arquitectónico para la creación de estos agentes en Salesforce Agentforce Platform, junto con ejemplos técnicos que aprovechan la interoperabilidad de Flow, Apex, Data 360, Agent2Agent (A2A) y Model Context Protocol (MCP).

Un agente de IA es un sistema que percibe su entorno y realiza acciones para alcanzar objetivos específicos. Aunque el concepto no es nuevo, la llegada de potentes modelos de lenguaje grande (LLM) ha sobrealimentado sus funciones. Podemos categorizar agentes en base a su modo principal de operación e interacción.

Definición: Los agentes conversacionales son el tipo de agente más familiar. Operan de forma reactiva, solicitud-respuesta, principalmente a través de interfaces de lenguaje natural (texto o voz). Su función principal es comprender la intención del usuario y proporcionar una respuesta relevante, ya sea responder a una pregunta, obtener información o ejecutar un comando sencillo.

Importancia: Los agentes conversacionales son las puertas digitales de una organización. Destacan en la gestión de tareas repetitivas bien definidas, liberando así recursos humanos. Su eficacia se mide por su capacidad para resolver la intención de los usuarios de forma rápida y precisa y para realizar acciones en nombre de los usuarios.

Definición: A diferencia de los agentes conversacionales que esperan una solicitud, los agentes proactivos actúan como observadores vigilantes. Se desencadenan por eventos específicos, cambios de datos o condiciones predefinidas en un sistema. Cuando se desencadenan, ejecutan una tarea o inician un flujo de trabajo sin requerir la interacción directa del usuario.

Importancia: Los agentes proactivos transforman un sistema de un repositorio pasivo de datos en un participante activo en procesos de negocio. Identifican oportunidades y riesgos a medida que emergen, permitiendo a los negocios actuar sobre señales críticas en tiempo real.

Definición: Los agentes ambientales son un tipo específico de agentes proactivos que operan continuamente en segundo plano del flujo de trabajo de un usuario sin requerir comandos explícitos. Los usuarios a menudo se benefician de sus acciones sin ser conscientes de su funcionamiento, porque están diseñados para aumentar las capacidades humanas mientras mantienen un perfil bajo.

Importancia: El objetivo de un agente ambiental es reducir la carga cognitiva sobre los usuarios automatizando el mundano "trabajo sobre trabajo". Hacen que los procesos sean más eficientes integrándose a la perfección en las herramientas que los empleados utilizan a diario, capturando y estructurando información automáticamente.

Definición: Los agentes autónomos representan un salto significativo en la complejidad. Se les asigna un objetivo de alto nivel y son capaces de planificar y ejecutar de forma independiente una secuencia de pasos para alcanzar ese objetivo. Pueden razonar, tomar decisiones e incluso aprender de sus acciones para mejorar el desempeño con el tiempo.

Importancia: Esto es lo más cerca que estamos de un verdadero empleado digital. Se puede delegar en los agentes autónomos un objetivo complejo de varios pasos, como "Generar 50 nuevos prospectos cualificados en el sector manufacturero este trimestre", y se puede confiar en formular y ejecutar un plan para alcanzarlo.

Definición: Los agentes de colaboración, a menudo denominados "enjambres de agentes", son un conjunto de agentes especializados que trabajan juntos para resolver un problema que es demasiado complejo para que lo gestione un único agente. Un "orquestador" o agente "principal" a menudo descompone una tarea grande, delega subtareas a los agentes especializados apropiados y luego sintetiza sus resultados. Un protocolo de comunicación Agent2Agent (A2A) robusto lo logra.

Importancia: Este enfoque refleja un equipo humano. Al desglosar un problema complejo, cada agente especializado puede aportar sus habilidades exclusivas: uno se especializa en análisis de datos, otro en comunicación con el cliente y un tercero en integración del sistema, lo que lleva a una solución más sólida y completa.

Tras explorar la taxonomía de los agentes de IA, queda una pregunta crucial: ¿cómo combinamos estos elementos para resolver problemas de negocio reales de forma eficiente y fiable? Este capítulo responde a esa pregunta proporcionando un repositorio de patrones de diseño de agentes comunes. Cada patrón es una solución probada para un reto recurrente, ofreciendo un plan para todo, desde agentes sencillos y de un solo propósito hasta enjambres de agentes complejos y colaborativos.

Los agentes conversacionales son a menudo la puerta de entrada a las funciones de IA de una organización. Se definen por su capacidad de participar en un diálogo de múltiples turnos con estado, actuando como la interfaz principal a través de la cual los usuarios realizan tareas y recuperan información utilizando lenguaje natural. Esta sección presenta dos recetas esenciales para la creación de agentes conversacionales, cada una adaptada a un canal específico: una para los intercambios rápidos e interactivos de clientes de mensajería y otra para la naturaleza estructurada y asíncrona del email.

La inteligencia de un agente conversacional se deriva de su capacidad de acceder y razonar sobre los datos correctos en el momento correcto. Este patrón se basa en una base de datos sofisticada que conecta con registros de clientes, artículos Knowledge y análisis de negocio. Las recetas completas y reutilizables para estas integraciones están disponibles en el Capítulo 4: Patrones de integración.

Problema

Los clientes se implican en muchos canales digitales y esperan respuestas instantáneas, contextuales e inteligentes. Los chatbots tradicionales tienen secuencias de comandos o datos ciegos, lo que lleva a una personalización deficiente, distribuciones tempranas en humanos y altos costos de servicio.

Context

• Su organización tiene implicación digital de múltiples canales (WhatsApp, SMS, Slack y Salesforce Experience Cloud).
• Los clientes de su organización interactúan con su organización en varios idiomas.
• Su organización necesita aumentar los flujos de trabajo de servicio y ventas con agentes que:
  • Extraer datos de clientes de confianza en tiempo real
  • Respetar barandillas y requisitos de cumplimiento
  • Distribuir a agentes humanos solo cuando sea necesario

Componentes clave

• Abstracción de canal: Chat mejorado de Service Cloud (anteriormente Mensajería para web y en aplicación) permite al agente comunicarse entre múltiples canales a través de una única experiencia.
• Agente de servicio Agentforce: El comportamiento y el propósito del agente se definen por los siguientes componentes.
  • Temas e instrucciones: Define la persona del agente y el propósito conversacional para la interacción directa con el usuario. Esto incluye su misión principal (por ejemplo, "Es un experto en la solución de problemas de asistencia al cliente"), instrucciones sobre el mantenimiento de un tono profesional y empático y barandillas claras sobre el ámbito de consultas que está autorizado a gestionar.
  • Acciones: Acciones orientadas al servicio que son herramientas que el agente utiliza para diagnosticar y resolver problemas de clientes en tiempo real. Estas herramientas están diseñadas para ejecutar tareas como comprobar el estado de un pedido, buscar soluciones en una base de Knowledge o crear un nuevo caso de asistencia directamente desde la interfaz conversacional.
  • Barandillas: Las barandillas actúan como un conjunto de reglas configurables y comprobaciones de tiempo de ejecución que restringen el comportamiento del agente. Actúa como una capa de seguridad que puede interceptar solicitudes, validar las acciones propuestas del agente y filtrar su respuesta final para evitar contenido dañino, aplicar reglas de negocio y garantizar que el agente opera dentro de su ámbito designado.
  • Plantillas de solicitudes: Plantillas reutilizables que se rellenan dinámicamente con datos de CRM en vivo a través de campos de combinación o datos semánticos desde Recuperadores de RAG de Data 360. Estas plantillas permiten a los agentes generar contenido contextual dentro de la marca mientras que Einstein Trust Layer enmascara de forma segura información confidencial antes de que se envíen las instrucciones al LLM.
• Data 360
  • Los componentes de Data 360, incluyendo DLO, DMO, almacenamiento vectorial y recuperadores de RAG, proporcionan al agente una vista unificada de todos los datos de compañía relevantes, desde registros de clientes estructurados a artículos Knowledge no estructurados, garantizando que las respuestas sean precisas y fundamentadas en contexto.
• Service Cloud
  • Datos CRM: Conecta el agente con el historial de casos completo, proporcionando contexto crucial en detalles de cuenta, registros de contacto y asignaciones
  • Cola de Live Agent: Compatibilidad para distribución y enrutamiento a un representante de servicio humano con el contexto de plática completo inyectado

Interacciones

1. El cliente de su organización inicia la plática a través de un canal.
2. El mensaje enruta a Agentforce, que determina el ámbito (temas) y aplica barandillas.
3. La IA redacta respuestas utilizando plantillas de solicitud mientras que Flujo o Apex pueden desencadenar lógica backend.
4. El contexto se recupera de objetos Data 360, establecimiento vectorial y CRM a través de RAG retriever.
5. La IA devuelve una respuesta contextual.
6. Si la IA no puede resolverse, la plática se distribuye al Service Cloud Live Agent.

Trade-offs

Patrones relacionados

Patrón más grande: Un patrón sencillo y fácil de implementar que utiliza lenguaje natural para comprender la intención del usuario y luego enruta al usuario al representante de servicio apropiado

Patrón de operador: Se basa en Greeter para enrutar solicitudes al agente de IA especializado o representante de servicio humano apropiado, negociando la intención si es necesario

Patrón de orquestador: Gestiona un enjambre de agentes de IA. Recibe una solicitud de usuario, determina la intención, crea un plan, pasa los datos necesarios a uno o más agentes especializados y luego agrega las respuestas para el usuario. A diferencia del Operador, sigue siendo el primer punto de contacto.

Problema

Sus clientes utilizan en gran medida pláticas asíncronas basadas en email, y esta sigue siendo la mejor forma de alcance. Su organización necesita hacer contacto con estos clientes por email, pero sus representantes de desarrollo de ventas no pueden responder a emails entrantes dentro del SLA, lo que lleva a la pérdida de prospectos. Además, su plantilla emplea tiempo en prospectos no cualificados.

Context

• Su organización tiene email como canal de implicación de prospectos principal.
• Su DEG tiene capacidad limitada para cualificar prospectos a escala.
• Su proceso de ventas fomenta los prospectos con múltiples contactos antes de reunirse con DEG o representantes de desarrollo de negocio (BDR).
• Su organización necesita aumentar el servicio y las ventas con agentes que:
  • Extraer de la activación de ventas en tiempo real y datos de productos de ventas y marketing
  • Respetar las barandillas y el cumplimiento
  • Programar reuniones basándose en criterios de cualificación de prospectos

Componentes clave

• Canal de email: Gestiona la captura de mensajes entrantes, el análisis de su contenido y archivos adjuntos y el mantenimiento de la continuidad de hilos para permitir pláticas asíncronas.
• Agente de DEG Agentforce: El comportamiento y el propósito del agente se definen por los siguientes componentes.
  • Temas e instrucciones: Define la misión del agente para implicar y cualificar prospectos entrantes a través de la plática. Esto incluye instrucciones para comprender las necesidades de clientes potenciales, recopilar datos de cualificación clave (por ejemplo, presupuesto, autoridad y cronología) y guiar la plática hacia un siguiente paso claro, como programar una reunión con un ejecutivo de cuenta.
  • Acciones: Acciones de ventas especializadas que permiten al agente gestionar el ciclo de vida de prospectos. Estas herramientas están diseñadas para ejecutar tareas de DEG principales, como enriquecer datos de prospectos, enviar emails de seguimiento con plantilla o integrar con sistemas de calendario para reservar llamadas de descubrimiento.
  • Barandillas: Las barandillas actúan como un conjunto de reglas configurables y comprobaciones de tiempo de ejecución que restringen el comportamiento del agente. Actúa como una capa de seguridad que puede interceptar solicitudes, validar las acciones propuestas del agente y filtrar su respuesta final para evitar contenido dañino, aplicar reglas de negocio y garantizar que el agente opera dentro de su ámbito designado.
  • Plantillas de solicitudes: Plantillas reutilizables que se rellenan dinámicamente con datos de CRM en vivo a través de campos de combinación o datos semánticos desde Recuperadores de RAG de Data 360. Estas plantillas permiten a los agentes generar contenido contextual dentro de la marca mientras que Einstein Trust Layer enmascara de forma segura información confidencial antes de que se envíen las instrucciones al LLM.
• Data 360
  • Los componentes de Data 360, incluyendo DLO, DMO, almacenamiento vectorial y recuperadores de RAG, proporcionan al agente una vista unificada de todos los datos de compañía relevantes, desde registros de clientes estructurados a artículos Knowledge no estructurados, garantizando que las respuestas sean precisas y fundamentadas en contexto.
• Sales Cloud
  • Datos CRM: Conecta el agente con el historial de casos completo, proporcionando contexto crucial en detalles de cuenta, registros de contacto y asignaciones
  • Programar una reunión entre el cliente y DEG: La transferencia de SDR Live Agent se puede configurar para configurar una reunión en vivo utilizando Tarea y Programación de reuniones (Próximas acciones).
  • Registro de actividad: Capture eventos, tareas y actividades de email, y relacione esto con prospectos, cuentas y oportunidades como resultado de interacciones de agentes de DEG.

Interacciones

1. El cliente envía y recibe email a través del canal, que enruta a Agentforce.
2. Agentforce aplica temas, acciones y salvaguardas para analizar la intención.
3. Agentforce elabora respuestas contextuales utilizando plantillas de solicitudes enriquecidas con contexto de CRM y Data 360.
4. Una plática de email de varios turnos continúa hasta la resolución o las directrices de política.
5. Para prospectos cualificados, Agentforce programa una reunión y actualiza CRM.
6. Si la intención supera el ámbito de IA, Agentforce escala a Sales Cloud SDR para una respuesta de representante de servicio humano.

Trade-offs

Patrones relacionados

Patrón de bot: de respuesta Un patrón efectivo para el autoservicio que utiliza la IA generativa para comprender el lenguaje natural para la recuperación de Knowledge, y no solo palabras clave

Aunque los agentes conversacionales de la sección anterior destacan en la reacción a comandos de usuario, los agentes proactivos representan un cambio de paradigma: actúan sin que se les pregunte. Esta sección proporciona los patrones arquitectónicos para agentes de construcción que monitorean de forma autónoma datos y eventos originados fuera y dentro de Salesforce.

Problema

Su organización genera eventos de negocio críticos dentro y fuera de Salesforce. Hay problemas para traducirlos en acciones contextuales oportunas porque están dispersos entre solicitudes y departamentos.

Context

• Sus procesos de negocio abarcan varios sistemas para CRM, procesamiento de pagos, envío, automatización de marketing, telemetría y CDP.
• Los eventos de su organización se producen las 24 horas, los 7 días de la semana, pero su disponibilidad de plantilla laboral está limitada fuera del horario laboral. Los sistemas siempre están encendidos, pero los humanos no.
• Los eventos carecen de conocimiento del contexto: pierden contexto de clientes disponible en Salesforce, forzando la unión de información de múltiples pasos. Hoy en día, la implementación existe como automatización compleja discreta o se realiza manualmente.
• Las personas actúan como un compilador para recopilar los datos (en diferentes formatos) y reaccionar de forma inteligente a eventos inconexos.
• Sus acciones de destino se aplican a múltiples sistemas.

Componentes clave

• Origen del evento
  • Eventos desencadenados por acciones de datos después de ingresar datos externos en Data 360
  • Servidores MCP externos o de Salesforce Heroku capaces de enviar eventos a Salesforce a través de la API Pub/Sub de Salesforce
  • Aplicación externa capaz de enviar notificaciones de eventos a través de la API Pub/Sub de Salesforce
• Middleware opcional: MuleSoft o Data 360 para transformaciones
• Agente Agentforce: El comportamiento y el propósito del agente se definen por los siguientes componentes.
  • Temas e instrucciones: Especifica la misión principal del agente y sus desencadenadores, incluyendo la definición de su objetivo principal (por ejemplo, "Monitorear todos los casos de alta prioridad y evitar infracciones de SLA"). Contiene los eventos específicos o condiciones de datos que el agente debe escuchar para iniciar sus tareas
  • Acciones: Acciones programadas y desencadenadas por eventos diseñadas para responder a eventos externos. Aunque estas acciones funcionan de forma autónoma para tareas rutinarias, a menudo incluyen la capacidad de orquestar flujos de trabajo que implican intervención humana, distribuyendo a usuarios para su revisión, aprobación o gestión de escenarios que requieren juicio humano.
  • Barandillas: Las barandillas actúan como un conjunto de reglas configurables y comprobaciones de tiempo de ejecución que restringen el comportamiento del agente. Actúa como una capa de seguridad que puede interceptar solicitudes, validar las acciones propuestas del agente y filtrar su respuesta final para evitar contenido dañino, aplicar reglas de negocio y garantizar que el agente opera dentro de su ámbito designado.
  • Plantillas de solicitudes: Plantillas reutilizables que se rellenan dinámicamente con datos de CRM en vivo a través de campos de combinación o datos semánticos desde Recuperadores de RAG de Data 360. Estas plantillas permiten a los agentes generar contenido contextual dentro de la marca mientras que Einstein Trust Layer enmascara de forma segura información confidencial antes de que se envíen las instrucciones al LLM.
• Data 360
  • Componentes de Data 360, incluyendo DLO y DMO, que almacenan datos de eventos generados por sistemas externos y enviados a salesforce, transformando y creando perspectivas de transmisión o en tiempo real
  • Las perspectivas calculadas, de transmisión y en tiempo real proporcionan a los agentes datos inmediatos y pertinentes sobre los clientes. Esto permite la resolución preventiva de problemas, mitigando la distribución. Gráficos de datos afloran de forma proactiva relaciones y perspectivas desde orígenes de datos dispares, permitiendo la detección temprana de patrones o anomalías relevantes para la implicación, actividad y perfil del cliente.
  • El almacenamiento vectorial de Data 360 y los recuperadores de RAG proporcionan al agente una vista unificada de todos los datos de negocio y artículos Knowledge no estructurados pertinentes, garantizando que las respuestas sean precisas y basadas en el contexto.
• Objetivos de eventos
  • Notificar proactivamente a los empleados o hacer contacto con los clientes
  • Ampliable a agentes (consulte Patrones de agente ambiental y agente autónomo)

Interacciones

1. Se produce un cambio notable en el sistema externo.
2. El sistema externo emite un evento y lo publica en Salesforce Event Bus a través de la API (crea un evento de plataforma) o la API Pub/Sub, o los datos de Eventos se transmiten a Data 360.
3. Los suscriptores del evento se desencadenan. Se desencadena un flujo.
4. El flujo llama Acción de agente con los datos del evento. El agente determina el curso de acción correcto y lo ejecuta.
5. El resultado es una notificación o un flujo de trabajo que se está desencadenando. Las notificaciones se entregan a un usuario en una herramienta de colaboración (como Slack). También se generan tareas o eventos. Además, las acciones pueden llamar a sistemas externos. Los eventos, por lo tanto, no se pierden, pero se ejecutan, se señalan y se realizan acciones de forma proactiva, eliminando la sobrecarga humana o la automatización compleja para descubrirlos.

Trade-offs

Patrones relacionados

Patrón Juez y jurado: Puede utilizarse junto con este patrón para garantizar la precisión y fiabilidad de decisiones con tecnología de IA aprovechando múltiples agentes "jurados" y un agente "juez" para la evaluación de la congruencia

Modelo de patrón Modelos: Este patrón abarca diversos puntos de vista de múltiples agentes expertos para generar perspectivas más enriquecidas, que pueden complementar las respuestas inteligentes de la IA proactiva.

Problema

El ecosistema de Salesforce de su organización genera una transmisión constante de señales pero tiene problemas para traducirlas en acciones contextuales oportunas, ya que requieren lógica de negocio, gobernanza y humanos para procesar y actuar. Muchas veces, las señales se pierden sin ninguna acción que conduzca a la pérdida de oportunidades.

Context

• Su organización utiliza una o más nubes de Salesforce: Ventas, Servicio, Marketing, Comercio, Salud, Manufactura y otros.
• Necesita triaje inteligente más allá del enrutamiento sencillo o el triaje basado en reglas. Su organización mantiene cientos de reglas de negocio complejas.
• Requiere respuesta en tiempo real o casi en tiempo real a eventos.
• Ocasionalmente, sus administradores más privilegiados se convierten en el eslabón más débil de la cadena por no ver las señales.

Componentes clave

• Capa de origen de evento
  • Datos de CRM, Eventos de plataforma, Captura de datos de cambios (CDC) y Monitoreo de eventos en tiempo real (RTEM) desde actividad de plataforma de bajo nivel
• Data 360
  • Componentes de Data 360, incluyendo DLO y DMO, que almacenan datos de eventos generados por CRM o eventos de plataforma, transformando y creando perspectivas de transmisión o en tiempo real
  • Las perspectivas calculadas, de transmisión y en tiempo real proporcionan a los agentes datos inmediatos y pertinentes acerca de los cambios de clientes, actividad de empleados o metadatos en el sistema. Esto permite la resolución preventiva de problemas, mitigando la distribución. Este conocimiento de la situación en tiempo real capacita a los agentes para entregar intervenciones oportunas para el desempeño operativo de gobernanza y cumplimiento.
  • Gráficos de datos afloran de forma proactiva relaciones y perspectivas procedentes de orígenes de datos dispares, permitiendo la detección temprana de patrones o anomalías relevantes para la implicación, actividad y perfil del cliente.
  • El almacenamiento vectorial de Data 360 y los recuperadores de RAG proporcionan al agente una vista unificada de todos los datos de negocio y artículos Knowledge no estructurados pertinentes, garantizando que las respuestas sean precisas y basadas en el contexto.
• Agente Agentforce: El comportamiento y el propósito del agente se definen por los siguientes componentes.
  • Temas e instrucciones: Especifica la misión del agente para aplicar reglas de negocio y automatizar procesos basándose en cambios de datos en Salesforce. Define el objetivo del agente (por ejemplo, "Asegurarse de que todas las oportunidades se actualizan con un contacto principal antes de alcanzar la etapa de negociación") y las creaciones de registros específicas, actualizaciones de campos, etc. que desencadenan el agente.
  • Acciones: Acciones programadas y desencadenadas por eventos diseñadas para responder a eventos internos de Salesforce. Aunque estas acciones funcionan de forma autónoma para tareas rutinarias, a menudo incluyen la capacidad de orquestar flujos de trabajo que implican intervención humana, distribuyendo a usuarios para su revisión, aprobación o gestión de escenarios que requieren juicio humano.
  • Barandillas: Las barandillas actúan como un conjunto de reglas configurables y comprobaciones de tiempo de ejecución que restringen el comportamiento del agente. Actúa como una capa de seguridad que puede interceptar solicitudes, validar las acciones propuestas del agente y filtrar su respuesta final para evitar contenido dañino, aplicar reglas de negocio y garantizar que el agente opera dentro de su ámbito designado.
  • Plantillas de solicitudes: Plantillas reutilizables que se rellenan dinámicamente con datos de CRM en vivo a través de campos de combinación o datos semánticos desde Recuperadores de RAG de Data 360. Estas plantillas permiten a los agentes generar contenido contextual dentro de la marca mientras que Einstein Trust Layer enmascara de forma segura información confidencial antes de que se envíen las instrucciones al LLM.
• Objetivos de eventos
  • Notifique proactivamente a los empleados o haga contacto con los clientes.
  • Ampliable para llamar a otros agentes (consulte Patrones de IA ambiental e IA autónoma)

Interacciones

1. Se produce un cambio notable en el sistema interno, como una actualización en un registro de CRM, una modificación de metadatos o una acción de datos desencadenada desde Data 360.
2. El sistema interno emite un evento y lo publica en Salesforce Event Bus a través de la API (crea un evento de plataforma) o la API Pub/Sub, o los datos del evento se transmiten a Data 360.
3. Los suscriptores del evento se desencadenan y activan un flujo o Apex.
4. El flujo o Apex activado llama Acción de agente.
5. El resultado es una notificación o un flujo de trabajo que se está desencadenando. Las notificaciones se entregan a un usuario en una herramienta de colaboración (como Slack). También se generan tareas o eventos. Además, las acciones pueden llamar a sistemas externos.
6. Los eventos, por lo tanto, no se pierden, pero se ejecutan, se señalan y se realizan acciones de forma proactiva, eliminando la sobrecarga humana o la automatización compleja para descubrirlos.

Trade-offs

Patrones relacionados

Patrón Oyente/Feed: Se puede combinar con el patrón Oyente para desencadenar acciones proactivas basadas en eventos internos de Salesforce

Patrón Administrador de datos: La IA proactiva puede utilizar administradores de datos para garantizar la calidad y la coherencia de los datos al responder a eventos internos

Patrón Zen Data Gardener: Para la preparación y estandarización de datos proactiva programada desencadenada por eventos internos o a intervalos regulares

Comenzamos con agentes que responden de forma interactiva en un canal de plática y luego progresamos a agentes que reaccionan a eventos específicos. Más allá del modelo dirigido por eventos de agentes proactivos, los agentes ambientales representan un cambio de paradigma de interacción directa a asistencia en segundo plano proactiva. Estos son agentes desatendidos que observan el entorno digital en segundo plano. Actúan como los “ojos y oídos” del sistema, percibiendo contexto de la actividad del usuario o transmisiones de datos y luego coordinando con otros agentes o personas para completar tareas, aflorar perspectivas o proporcionar directrices.

Problema

Las actividades de negocio de su organización generan transmisiones continuas de información valiosa (llamadas, reuniones, sesiones de chat, datos de sensores y mucho más), pero estos datos desaparecen en tiempo real sin captura ni análisis. Para cuando los humanos documentan manualmente estas interacciones, se pierden perspectivas críticas y ha pasado el momento de la intervención oportuna. Las organizaciones pierden la mayoría de la inteligencia sobre la que se pueden realizar acciones necesaria en tiempo real y enterrada en transmisiones efímeras, lo que lleva a brechas, oportunidades de apoyo perdidas y decisiones tomadas sin contexto completo.

Context

• Sus actividades de negocio generan transmisiones continuas desde varios orígenes, incluyendo reuniones de voz y video, chats en vivo, telemetría de sensores, actividad de pantalla y datos de transacciones.
• Requiere perspectivas en tiempo real o casi en tiempo real (en cuestión de segundos o minutos, y no horas o días) para responder de forma efectiva y actuar sobre estas transmisiones.
• Los procesos de documentación manuales están fallando, caracterizados por bajos índices de cumplimiento y actualización, alta carga cognitiva en empleados y captura incompleta de información crítica.
• Necesita comprensión multimodal, combinando datos de audio, video, cuota de pantalla, chat y otros metadatos para crear un contexto completo y preciso de interacciones y eventos.
• Requiere análisis inmediatos para apoyo en tiempo real y alertas, así como análisis históricos para resúmenes posteriores a la interacción e identificación de tendencias a largo plazo.
• El contexto temporal (memoria episódica) es crucial para su análisis, incluyendo la comprensión de la secuencia, el tiempo, las transiciones y los patrones entre varios plazos de tiempo en sus transmisiones de datos.

Componentes clave

• Origen de transmisión
  • Voz y video: Herramientas de videoconferencia (como Slack Huddle, Zoom, Google Meet y Microsoft Teams) y sistemas telefónicos
  • Herramientas de colaboración: Slack, Teams y otros
• Conectores de captura de transmisión
  • SDK nativo: SDK proporcionado por el proveedor que ayuda a recuperar transcripciones o mensajes que admiten segmentos de transmisión en tiempo real o transcripciones
• (Opcional) Capa de procesamiento de transmisión
  • Para transmisiones de audio, si las transcripciones no están disponibles en tiempo real, una función de voz a texto que traduce audio a texto. También puede utilizar un proveedor gestionado como Amazon Transcribe.
  • Para otras transmisiones de datos, opcionalmente, un motor de procesamiento de transmisiones como Data 360 o Apache Flink
• Data 360
  • Componentes de Data 360, incluyendo DLO y DMO, que almacenan datos de eventos, transformando y creando perspectivas en tiempo real
  • Las perspectivas calculadas, de transmisión y en tiempo real proporcionan a los agentes datos inmediatos y pertinentes sobre los clientes, su actividad y perspectivas críticas. Esto permite la resolución preventiva de problemas, mitigando la distribución. Este conocimiento de la situación en tiempo real permite a los agentes entregar intervenciones oportunas y asistencia personalizada a los empleados, optimizando así la satisfacción del cliente y el rendimiento operativo.
  • Componentes de Data 360, incluyendo DLO y DMO, que almacenan datos de clientes, transformando y creando perspectivas en tiempo real
  • El almacenamiento vectorial de Data 360 y los recuperadores de RAG proporcionan al agente una vista unificada de todos los datos de negocio y artículos Knowledge no estructurados pertinentes, garantizando que las respuestas sean precisas y basadas en el contexto.
• Agentforce Agents. Este patrón se centra en un agente de entorno que observa una transmisión de datos continua, como una transcripción de llamada en vivo o una noticia en tiempo real de video. Actúa como un oyente en tiempo real, interpretando datos no estructurados a medida que sucede. Por ejemplo, un agente que escucha una llamada en vivo podría invocar a un agente de Descubrimiento de datos para enriquecer el registro de un prospecto en base al nuevo contexto compartido en la plática. Este es un ejemplo de un agente desatendido:
  • Agente de comentarios. El comportamiento y el propósito del agente se definen por los siguientes componentes.
    • Temas e instrucciones: Define la misión principal del agente para analizar transmisiones conversacionales y extraer comentarios estructurados y mediciones de desempeño. Esto incluye instrucciones para monitorear la opinión de los clientes, identificar menciones de productos clave o competidores y evaluar si el agente humano se está adhiriendo a las mejores prácticas de la compañía o un libro de jugadas de ventas.
    • Acciones: Acciones para transformar datos conversacionales no estructurados en inteligencia de negocio con capacidad de acción. Estas acciones permiten al agente crear un registro "Resumen de comentarios", registrar solicitudes de funciones de productos, marcar llamadas con opiniones negativas para la revisión del gestor y actualizar un tablero para realizar un seguimiento del desempeño general del agente con mediciones clave.
    • Barandillas: Las barandillas actúan como un conjunto de reglas configurables y comprobaciones de tiempo de ejecución que restringen el comportamiento del agente. Actúa como una capa de seguridad que puede interceptar solicitudes, validar las acciones propuestas del agente y filtrar su respuesta final para evitar contenido dañino, aplicar reglas de negocio y garantizar que el agente opera dentro de su ámbito designado.
    • Plantillas de solicitudes: Instrucciones LLM estructuradas y con plantilla que pueden recibir entrada y proporcionar una salida generada por LLM
• Objetivos ambientales
  • Notificar a los usuarios en la superficie donde están el agente y el usuario, como en una videollamada o una aplicación de escritorio

Interacciones

1. Cuando se activa una transmisión (como cuando un usuario se une a la videollamada), el agente se adjunta como observador.
2. El agente comienza a recibir datos de transmisión, detecta incrementalmente intenciones, toma decisiones y llama a acciones.
3. El agente contextualiza basándose en la intención y obtiene datos adicionales (estructurados o no estructurados).
4. El agente proporciona respuestas en tiempo real justo a tiempo sin solicitud del usuario: puede detectar una objeción en una llamada de ventas y proporcionar información importante para gestionar la objeción.
5. Los agentes pueden compilar un resumen y acciones consolidados y compartirlos con otros agentes y usuarios.

Trade-offs

Patrones relacionados

Patrón Oyente/Feed: Se puede combinar con el patrón Oyente para procesar transmisiones en tiempo real de datos de pláticas e interacciones de usuarios y aflorar perspectivas y contexto relevantes

Patrón interrogador: Se puede utilizar junto con este patrón para ensamblar contexto desde múltiples orígenes dentro de la transmisión y responder a preguntas

Problema

Sus empleados realizan cientos de actividades críticas de negocio diariamente en emails, calendarios, llamadas y aplicaciones, pero estas actividades permanecen invisibles para los sistemas organizativos hasta que se registran manualmente, lo que rara vez ocurre. Esta ceguera de actividad significa que los datos de CRM están incompletos, los modelos de IA carecen de las señales necesarias para recomendaciones inteligentes y los gestores no tienen visibilidad en tiempo real de la implicación de los clientes. El registro de actividad manual crea un impuesto de productividad mientras que aún le falta la mayor parte del trabajo real.

Context

Al igual que el observador de transmisiones, este es un observador de datos y contenido que proporciona tareas con capacidad de acción o realiza acciones en nombre del usuario.

Componentes clave

• Capa de datos
  • Datos CRM: Datos de clientes disponibles en CRM que proporcionan contexto al agente (por ejemplo, cuando el usuario está en una página Oportunidad, el agente puede recuperar información sobre la oportunidad y la cuenta asociada desde CRM).
  • Componentes de Data 360, incluyendo DLO y DMO, que almacenan datos relevantes de clientes ingresados desde diferentes orígenes
  • Las perspectivas calculadas, de transmisión y en tiempo real proporcionan a los agentes datos inmediatos y pertinentes sobre los clientes, su actividad y perspectivas críticas. Esto permite la resolución preventiva de problemas, mitigando la distribución.
  • El almacenamiento vectorial de Data 360 y los recuperadores de RAG proporcionan al agente una vista unificada de todos los datos de negocio relevantes y Knowledge no estructurado.
• Agente Agentforce: Este patrón se centra en un agente de entorno que observa las acciones de un usuario directamente en la interfaz de usuario. Actúa como un asistente en tiempo real, comprendiendo el contexto del flujo de trabajo del usuario para proporcionar orientación. Por ejemplo, un agente puede monitorear a un representante de servicio rellenando un registro de caso y aflorar de forma proactiva un artículo Knowledge relevante. Este es un ejemplo de un agente desatendido:
  • Agente de comentarios. El comportamiento y el propósito del agente se definen por los siguientes componentes.
    • Temas e instrucciones: Define la misión del agente para monitorear las acciones de un usuario en la interfaz de usuario y proporcionar asistencia contextual. Esto incluye su objetivo (por ejemplo, “Guiar a un representante de servicio por el proceso de resolución de casos”) y los eventos de la interfaz de usuario específicos o los patrones de entrada de datos que debe tener en cuenta para ofrecer ayuda de forma proactiva.
    • Acciones: Acciones, creadas utilizando Apex o Flow, para aflorar información relevante y siguientes mejores acciones directamente dentro del flujo de trabajo del usuario. Estas acciones permiten al agente obtener y mostrar un artículo Knowledge relevante, sugerir un siguiente paso válido en un proceso o marcar un campo de entrada de datos que puede infringir una regla de negocio, todo ello en respuesta a la actividad en tiempo real del usuario.
    • Barandillas: Las barandillas actúan como un conjunto de reglas configurables y comprobaciones de tiempo de ejecución que restringen el comportamiento del agente. Actúa como una capa de seguridad que puede interceptar solicitudes, validar las acciones propuestas del agente y filtrar su respuesta final para evitar contenido dañino, aplicar reglas de negocio y garantizar que el agente opera dentro de su ámbito designado.
    • Plantillas de solicitudes: Plantillas reutilizables que se rellenan dinámicamente con datos de CRM en vivo a través de campos de combinación o datos semánticos desde Recuperadores de RAG de Data 360. Estas plantillas permiten a los agentes generar contenido contextual dentro de la marca mientras que Einstein Trust Layer enmascara de forma segura información confidencial antes de que se envíen las instrucciones al LLM.
• Objetivos ambientales
  • Notificar a los usuarios en la superficie donde están el agente y el usuario, como en una página web o una página de administrador

Interacciones

1. Cuando un usuario visita una página o aplicación, el agente se adjunta como observador.
2. El agente comienza a inspeccionar datos y acciones, detecta incrementalmente intenciones, toma decisiones y llama a acciones.
3. El agente contextualiza basándose en la intención y obtiene datos adicionales (estructurados o no estructurados).
4. El agente proporciona respuestas en tiempo real justo a tiempo sin que el usuario solicite y puede sugerir siguientes mejores acciones u ofrecer realizarlas en nombre del usuario.
5. Los agentes pueden compartir esto sin problemas con otros agentes y usuarios.

Trade-offs

Patrones relacionados

Patrón Oyente/Feed: Se puede combinar con el patrón Oyente para desencadenar acciones proactivas basadas en actividad observada

Patrón Administrador de datos: La IA de interceptación de actividades puede utilizar administradores de datos para garantizar la calidad y la coherencia de los datos al registrar actividades interceptadas.

Patrón de generador: Se puede utilizar para generar automáticamente resúmenes de actividades o tareas de seguimiento basándose en actividades interceptadas

Esta sección detalla patrones para agentes de colaboración, donde uno o más agentes trabajan conjuntamente con un usuario humano para alcanzar un objetivo compartido. Estas recetas se centran en la creación de una asociación transparente: los agentes gestionan la recopilación de datos compleja y la ejecución de tareas mientras mantienen al ser humano informado sobre decisiones, aprobaciones y directrices estratégicas.

En este modelo, los agentes gestionan las partes automatizables de un flujo de trabajo. El proceso se convierte en un bucle de comentarios dinámico.

• Un humano podría iniciar una tarea a través de un Agente conversacional, que desencadena un Agente proactivo para gestionar los pasos del backend.
• Simultáneamente, un Agente ambiental podría observar sus acciones para proporcionar orientación en tiempo real.

Este proceso crea una fusión transparente de trabajo humano y digital. Este patrón muestra cómo Agentforce facilita un sistema multiagente y humano en bucle para abordar trabajos complejos que ningún agente individual (o humano) podría gestionar solo.

Problema

Sus procesos de negocio requieren la colaboración entre trabajadores de diferentes organizaciones, tanto internas como externas, cada una con trabajos diferentes que implican diferentes habilidades y prioridades. Los cuellos de botella de procesos pueden producirse en cualquier momento y lugar debido a la capacidad de recursos, las restricciones de habilidades o debido a la cantidad de información intercambiada.

Context

• Los procesos se extienden entre equipos y necesitan múltiples miembros del equipo para colaborar para un resultado exitoso.
• Los asistentes de agentes ya ayudan a su plantilla laboral en escenarios de uno a uno como agentes conversacionales, proactivos y de entorno.
• Los procesos utilizan agentes en segmentos apropiados de sus procesos de negocio. Sin embargo, los procesos también necesitan la colaboración humano-agente. Esta colaboración puede implicar la colaboración de persona a persona con la asistencia de agentes o la colaboración de persona a agente.
• Los agentes rellenan las brechas de habilidades.
• Los agentes ayudan a mejorar la colaboración reduciendo el esfuerzo humano en tareas como seguimientos e intercambiando información crítica para ayudar en la toma de decisiones.
• Los agentes también pueden colaborar y delegar basándose en políticas y directrices.

Componentes clave

• Superficie de colaboración
  La colaboración de agentes requiere un espacio compartido donde todos los participantes, tanto humanos como agentes, puedan interactuar. Estas superficies de colaboración ya no son entornos estáticos solo humanos. En su lugar, son canales donde se puede invitar a agentes a unirse, contribuir e incluso iniciar pláticas, cambiando fundamentalmente la naturaleza del trabajo en equipo. Por ejemplo, un agente puede crear e iniciar un enjambre de casos en Slack invitando a expertos en la materia humana y otros agentes a colaborar en el caso.

• Agentes Agentforce
  Este patrón va más allá de los patrones de agentes individuales para demostrar cómo convergen en un modelo de Agente de colaboración, orquestando procesos complejos que aumentan de forma inteligente las capacidades humanas. Los patrones anteriores: Conversacional (2.1), Proactivo (2.2) y Ambiente (2.3) definen la dirección components.c de Agentforce Agent. Un agente conversacional actúa como la interfaz principal, trabajando junto con el humano y actúa como la interfaz entre los humanos y todos los agentes implicados en la colaboración. Cuando una tarea es demasiado polifacética, el agente conversacional inicia una sesión de colaboración, reuniendo a los usuarios humanos y los agentes desatendidos necesarios para trabajar en el problema de forma simultánea. El proceso se convierte en un bucle de comentarios dinámico donde un humano podría iniciar una tarea, que luego desencadena un Agente proactivo para gestionar los pasos backend, mientras que un Agente ambiental podría observar para proporcionar orientación en tiempo real, creando una fusión transparente de trabajo humano y digital.

• Capa de datos
  En el modelo de agente de colaboración, la capa de datos cumple una función más dinámica que simplemente proporcionar información; se convierte en la memoria persistente y el espacio de trabajo compartido para todo el equipo humano-agente. Aunque cada agente implicado tiene sus propias necesidades de datos específicas, como se define en su patrón respectivo, su colaboración en una tarea compleja depende de una base de datos compartida que realiza un seguimiento del estado del trabajo general.

  Este estado compartido es crucial. Como una tarea se transfiere de un agente conversacional a un agente proactivo y luego a un humano para su aprobación, la capa de datos debe realizar un seguimiento del progreso, el contexto y las decisiones tomadas en cada paso. Esto garantiza que cada participante tenga una vista coherente y actualizada del episodio.

Interacciones

1. Los humanos inician una sesión de colaboración con otros humanos y agentes.
2. Se definen contexto, objetivos, trabajos y resultados.
3. El agente enriquece el contexto aportando información adicional y planifica de forma proactiva los pasos requeridos para completar el trabajo, junto con propietarios que son humanos o agentes.
4. Se observa el progreso, se actualiza el contexto y se realizan acciones.
5. Donde los agentes realizan el trabajo, el agente proporciona información detallada para ayudar a las partes interesadas humanas a comprender el razonamiento, proporcionar comentarios y permitir interceptaciones.
6. Los agentes completan el trabajo con total transparencia y cumplimiento.

Trade-offs

Patrones relacionados

Patrón de operador: Los agentes de colaboración a menudo actúan como operadores, enrutando solicitudes a los agentes de IA especializados apropiados o representantes de servicio humano e intención de negociación.

Patrón de orquestador: En escenarios que implican colaboración, un agente orquestador gestiona un enjambre de agentes de IA, agregando sus respuestas para una experiencia de usuario transparente.

Patrón Espacio de trabajo (Radar O'Reilly): Los agentes de colaboración utilizan este patrón para gestionar un UX con capacidad de respuesta de un solo panel de vidrio, actualizando contenido relevante en tiempo real en un flujo de plática.

A diferencia de los patrones de colaboración que ayudan a un usuario, los agentes autónomos están diseñados para la delegación completa. Esta sección proporciona los planos arquitectónicos para agentes que pueden planificar y ejecutar de forma independiente tareas complejas de múltiples pasos para alcanzar un objetivo de alto nivel sin requerir intervención humana. El enfoque aquí es en la creación de un sistema que puede realizar tareas con un objetivo y Trust para llevarlo a cabo de principio a fin.

Problema

Su organización obtiene valor a través de un conjunto altamente complejo de procesos, cada uno con distintos trabajos dirigidos por políticas, libros de jugadas y habilidades específicas necesarias para la ejecución. Estos son a menudo programas que requieren una inversión significativa de tiempo y recursos.

La configuración de un nuevo programa tiene altos gastos generales y puede tardar meses en adquirir valor. La implementación de comentarios y mejoras a menudo requiere tiempo y esfuerzo adicionales. La complejidad está dirigida principalmente por la estructura de su organización, donde las aplicaciones y los procesos distribuidos pueden causar dependencias que requieren que los humanos gestionen el programa.

Context

• Los agentes pueden operar de forma independiente de principio a fin. Los agentes están diseñados y configurados de modo que el objetivo, el plan y la estrategia están preestablecidos.
• Los agentes pueden tomar todas las decisiones sin buscar la aprobación humana. Los agentes reciben directrices de cumplimiento y políticas.
• Los agentes pueden acceder al contexto y los datos necesarios que necesitan y pueden realizar las acciones necesarias sin necesitar seres humanos.
• Se notifica a los humanos pero no están "en el bucle".

Componentes clave

• Capa de definición de objetivos y estrategias
  • Libros de jugadas de procesos: Descripciones detalladas de la ejecución autónoma con reglas deterministas que los agentes deben seguir
  • Criterios de decisión autónomos: Reglas que permiten a los agentes tomar decisiones sin requerir la aprobación humana
  • Reglas de reserva: Acciones predefinidas para gestionar escenarios predeterminados o de excepción cuando falla el proceso principal de un agente
  • Ámbitos: Límites claramente definidos que describen lo que los agentes pueden y no pueden hacer, incluyendo cómo se deben gestionar situaciones fuera del ámbito
  • Criterios de éxito y definición de done: Las mediciones y condiciones que determinan cuándo se completa correctamente la tarea de un agente
• Agentes Agentforce
  • Orquestador o coreógrafo agente: El agente principal que posee el objetivo, los motivos y los planes de ejecución
    • Temas e instrucciones: Una vez definido un objetivo, el orquestador o el agente coreógrafo toma la delantera en el desglose de ese objetivo general en trabajos o subtareas más pequeños y gestionables. Establece un plan integral, que describe la secuencia de trabajos e identifica los agentes o herramientas específicos requeridos para cada paso. Finalmente, el agente orquestador garantiza la ejecución sencilla del plan, monitoreando el progreso, gestionando dependencias y realizando ajustes según sea necesario para alcanzar el objetivo de forma eficiente y efectiva. En el caso de un agente coreógrafo, pasa el contexto y el estado a los agentes descendentes para realizar el trabajo hasta su finalización.
    • Acciones: Las acciones llaman a herramientas para realizar una función, recuperar datos o delegar en otros agentes desatendidos, lo que permite una gama más amplia de funciones y flujos de trabajo más complejos.
    • Barandillas: Las barandillas actúan como un conjunto de reglas configurables y comprobaciones de tiempo de ejecución que restringen el comportamiento del agente. Actúa como una capa de seguridad que puede interceptar solicitudes, validar las acciones propuestas del agente y filtrar su respuesta final para evitar contenido dañino, aplicar reglas de negocio y garantizar que el agente opera dentro de su ámbito designado.
• Capa de datos
  • Datos CRM: Datos de clientes disponibles en CRM que proporcionan contexto a uno o más agentes
  • Componentes de Data 360, incluyendo DLO y DMO, que almacenan datos relevantes de clientes ingresados desde diferentes orígenes
  • Las perspectivas calculadas, de transmisión y en tiempo real proporcionan a los agentes datos inmediatos y pertinentes sobre los clientes, su actividad y perspectivas críticas. Esto permite la resolución preventiva de problemas (como la gestión de devoluciones de email), mitigando la distribución.
  • El almacenamiento vectorial de Data 360 y los recuperadores RAG proporcionan al agente una vista unificada de todos los datos de compañía relevantes y Knowledge no estructurado
  • Mensaje de canal de Slack o datos de pláticas como historial de casos e historial de agentes conversacionales que proporcionan contexto conversacional
• Seguimiento y supervisión
  • Monitoreo del progreso de objetivos de agentes: Realiza un seguimiento del progreso de sesiones de agentes autónomas para medir resultados y garantizar la alineación con objetivos
  • Monitoreo de operaciones de agentes: Realiza un seguimiento del estado en tiempo real de agentes autónomos para la intervención y la solución de problemas, garantizando un funcionamiento sin problemas
  • Monitoreo de gobernanza de agentes: Realiza un seguimiento de los registros de rastreo y auditoría para garantizar que los agentes autónomos cumplen con objetivos, metas y directrices éticas predefinidos

Interacciones

1. El trabajo se define con resultados claros.
2. El trabajo se inicia a través de uno de los siguientes métodos:
   • Se asigna una tarea a un agente.
   • Un agente selecciona el trabajo de forma proactiva basándose en cualificaciones.
   • Un agente realiza el trabajo en segundo plano.
3. El agente establece claramente expectativas e informa a los humanos, detallando el objetivo, el plan y la estrategia. El plan detalla procesos paso a paso, agentes utilizados, datos utilizados, ámbito, plan de evaluación de agentes y puntos de control para humanos para monitorear el progreso, las operaciones y la gobernanza.
4. El agente inicia la ejecución. En cada evento clave, actualiza el estado y el progreso. Los humanos tienen la capacidad de proporcionar comentarios o interceptar a los agentes según sea necesario.
5. El agente completa el trabajo. El resultado y los resultados están disponibles en el tablero de monitoreo.

Trade-offs

Patrones relacionados

Patrón Gerente de proyecto: Los agentes autónomos a menudo encarnan este patrón, supervisando procesos de múltiples pasos de larga ejecución desde el inicio hasta la finalización con una intervención humana mínima.

Patrón de configurador: Los agentes autónomos pueden utilizar este patrón para generar y validar automáticamente configuraciones basadas en requisitos de lenguaje natural o políticas predefinidas, garantizando el cumplimiento y la precisión sin supervisión manual.

Patrón Zen Data Gardener: Este patrón puede ser utilizado por agentes autónomos para la preparación y estandarización de datos en segundo plano programados, garantizando la calidad y la coherencia de los datos a lo largo del tiempo para respaldar la toma de decisiones precisa de los agentes.

Ahora, daremos vida a la taxonomía de agentes y los patrones de agentes explorando cómo se implementan en Salesforce Platform. Para quienes no estén familiarizados con los componentes básicos de Agentforce, el apéndice ofrece una actualización útil sobre las tecnologías clave a las que se hace referencia en este capítulo y en el siguiente.

Esta sección toma la taxonomía de los agentes e ilustra cada uno con un caso de uso común para mostrar cómo se utilizan en aplicaciones reales.

Una cliente, Jane, visita el sitio web de una compañía para comprobar el estado de su pedido reciente.

• Interacción: Jane abre la ventana de chat (el cliente de chat Agentforce).
• Acción de agente: El agente conversacional la saluda y le pregunta cómo puede ayudar. Jane pregunta: "¿Dónde está mi último pedido?"
• Proceso:
  1. El agente, basado en la información de clientes de Jane de Salesforce, identifica su pedido más reciente.
  2. Consulta el sistema de envío (a través de un conector MuleSoft) para obtener la información de seguimiento más reciente y proporciona a Jane una actualización en tiempo real y un vínculo de seguimiento.
  3. A continuación busca la política y actualiza automáticamente a envío acelerado.
  4. Cuando Jane formula una pregunta compleja que el agente no puede gestionar, distribuye sin problemas el chat a un Agente de servicio humano, proporcionando la transcripción completa para contexto.

Receta

Patrones utilizados: Patrón de IA conversacional, integración de datos transaccionales a agentes

Tiempo de diseño

1. Configure un agente conversacional.

   Configurar Chat mejorado	→	Crear Agente de servicio	→	Definir tema Pedidos de asistencia	→	Acción Crear Obtener pedido
   						↓
   Agregar flujo de OmniCanal de distribución saliente	←	Crear tema Distribuir	←	Agregar acciones a temas	←	Acción Crear Obtener estado
   ↓
   Publicar el agente

2. Configure Chat mejorado como el punto de entrada de chat de Jane de modo que pueda abrir la ventana Agentforce en la página web.
3. Active Agentforce y cree un Agente de servicio en Agentforce Builder para gestionar pláticas y desencadenar acciones personalizadas.
4. Defina un tema Pedidos de asistencia con una descripción y instrucciones de modo que el agente reconozca de forma natural "¿Dónde está mi último pedido?".
   1. Crear acciones personalizadas:
      1. Acción Obtener pedido más reciente para contacto para recuperar el pedido más reciente de Jane
      2. Obtener estado de envío por acción Id. de pedido para obtener información de seguimiento a través de MuleSoft
      3. Opcionalmente orqueste ambas acciones en Flow (obtener el pedido más reciente y llamar a MuleSoft) utilizando acciones de servicio externo.
      4. Agregue ambas acciones al Agente de servicio en el generador, vincúlelas al tema Pedidos y seguimiento y publique.
5. Defina un tema Distribución con una descripción para distribuir a un representante de servicio.
   • Cree y active un flujo de OmniCanal saliente.
   • Agréguelo a la ficha Conexiones en el generador para distribución con un mensaje de distribución.
6. Configure OmniCanal.

   Configurar OmniCanal

   →

   Definir reglas de distribución en instrucciones

   →

   Establecer prioridades y capacidad

   →

   Probar y validar

7. Active la distribución sencilla a agentes de servicio humano cuando el agente de IA no pueda resolver la consulta. Configure el enrutamiento de OmniCanal para asignar sesiones de chat a representantes de servicio y transferir la transcripción completa para contexto.
8. Integre la lógica de distribución en las instrucciones Agentforce y una acción de distribución de modo que el agente sepa cuándo transferir casos complejos. Gestione las prioridades y capacidad de enrutamiento a través del Supervisor de Omni.
9. Pruebe la experiencia completa: Jane abre el chat y el agente la saluda, identifica su pedido, recupera datos de envío y se distribuye sin problemas cuando se requiere intervención humana (consulte también Activar registros de eventos mejorados).
10. Configure la integración de datos.

    Asignar datos de contexto

    →

    Crear credenciales de API de MuleSoft

    →

    Registrar servicio externo de MuleSoft

11. Fundamente al agente con el contexto de Salesforce de Jane asignando sus registros de pedidos y contactos a través de formularios de chat o previos al chat autenticados.
12. Conecte Salesforce de forma segura con la API de envío de MuleSoft utilizando credenciales externas y credenciales nombradas para la autenticación.
13. Si MuleSoft expone una especificación de OpenAPI, regístrela como un servicio externo de modo que Flujo y el agente puedan llamarla declarativamente.
14. Configure la integración de datos no estructurados.
    1. Cree una nueva biblioteca de datos desde Configuración. Asígnele el nombre "Política de pedidos y envíos".
    2. Agregue los PDF de documentos de política que contienen las excepciones de política de envío.
    3. En segundo plano, los documentos se segmentan, indexan y preparan para su uso automáticamente.

Flujo de proceso de tiempo de ejecución de agente

Una vez configurado e implementado el agente, se produce la siguiente secuencia de pasos en tiempo de ejecución.

1. Inicio de chat: Jane abre el chat Agentforce (servicio integrado). La sesión y el contexto de contacto se cargan después de que Jane inicie sesión.

2. Saludo e intención: El agente saluda a Jane. Jane pregunta por el estado de un pedido y la detección de intenciones asigna "último pedido" al tema Pedidos y seguimiento.

3. Búsqueda CRM: El agente desencadena la acción Obtener último pedido y consulta Salesforce (resumen de pedido/pedidos) para el registro más reciente de Jane.

4. Consulta de envío: El agente llama a la API de MuleSoft a través de una credencial nombrada y /shipping/status/{orderId} devuelve un estado en tiempo real y una URL de seguimiento.

5. Composición de respuesta: Agentforce combina resultados y redacta una respuesta: "Su pedido [OrderID] se envió a través de [Carrier], llegando mañana: [Seguir aquí]".

6. Respaldos: Si no hay coincidencia o un fallo de API, el agente se disculpa y ofrece reintentar solucionar cualquier problema de datos.

7. Distribución: Las consultas complejas o emocionales se transfieren automáticamente a un humano a través de OmniCanal, transmitiendo el chat completo y el contexto.

8. Registro: Todas las intenciones, acciones y resultados se almacenan en registros de interacciones. La latencia de API se monitorea en Anypoint Monitoring.

9. Mejora continua: Las distribuciones alimentan el reciclaje Agentforce; los flujos comunes se afinan en la versión siguiente.

Un cliente de alto valor, John, agregó más de 1.000 USD en productos a su carrito online pero no completó la compra en 60 minutos.

• Desencadenador: Un evento de Salesforce Platform, Cart_Abandoned__e, se desencadena desde el sistema de comercio electrónico, que contiene el Id. de contacto de John y el valor del carrito.
• Acción de agente: Un agente proactivo, suscrito a este evento, entra en acción inmediatamente.
• Proceso:
  1. El agente comprueba el registro de John en Salesforce y ve que es un cliente VIP.
  2. Crea una tarea de alta prioridad para la gestora de cuentas de John, Sarah, con todos los detalles del carrito abandonado.
  3. Envía una notificación a Sarah a través de Slack, instándola a realizar un seguimiento.
  4. Simultáneamente, inscribe a John en una trayectoria de Marketing Cloud dirigida que envía un email de recordatorio con un código de descuento del 10% por tiempo limitado para animarle a completar la compra.

Receta

Esta receta detalla la implementación de un agente de IA proactivo en Salesforce Platform para solucionar el abandono de carritos de alto valor por parte de clientes VIP. La solución aprovecha Salesforce Platform Events, Data 360 para la recuperación de Knowledge y Agentforce para orquestar acciones de seguimiento oportunas e inteligentes, transformando así los datos pasivos en implicación de negocio activa.

Tiempo de diseño

1. Configure un evento de carrito abandonado para que se desencadene cuando John, un cliente VIP, deje el carrito abandonado.

   Campo Crear contacto personalizado

   →

   Definir nuevo evento de plataforma

   1. Cree un evento de plataforma Cart_Abandoned__e con los campos Id. de contacto, Valor de carrito, Fecha y hora de última actualización de carrito y Detalles de carrito.
   2. Configure el evento de abandono: Utilizando Commerce Cloud, cree un evento de plataforma para notificaciones de eventos Checkout. El abandono se detecta cuando el estado de la sesión de Checkout del carrito está en un estado intermedio y el tiempo de espera de la sesión se agota después de un umbral. De manera alternativa, si su comercio electrónico es un sistema externo, publique el evento en Salesforce utilizando cualquiera de estos métodos: Flujos, Apex, API de Salesforce o API Pub/Sub.
   3. En el objeto Contacto, cree un nuevo campo, Customer_Tier__c, con los valores de lista de selección Estándar, Premium y VIP.
2. Configure el ingreso de datos no estructurados en Data 360: Agregue un documento de política de descuentos originado desde un repositorio de documentos a Data 360 a través de Amazon S3.

   Crear credenciales de AWS S3	→	Crear nueva transmisión de datos de S3	→	Configurar e implementar transmisión	→	Crear índice de búsqueda
   						↓
   				Función de recuperación de prueba	←	Configurar e implementar índice

   1. Cree credenciales externas para acceder a S3: Cree un nuevo conjunto de claves y secretos de acceso para un usuario de IAM o Nombre de recurso de Amazon (ARN) de IAM para un IdP.
   2. Cree una nueva transmisión de datos de S3: En la ficha Transmisiones de datos, cree la transmisión de documentos de política de transmisión de datos, seleccione el origen de S3, seleccione el tipo de archivo PDF, establezca la frecuencia de actualización, asigne los campos de metadatos (nombre y tamaño del archivo) y luego implemente.
   3. Tras completar la transmisión de datos, cree un índice de búsqueda: Utilice la extracción de pasajes para la fragmentación, el modelo integrado E5-large-v2 y el tipo de búsqueda híbrida, y luego implemente el índice.
   4. Pruebe la función de recuperación creada.
3. Configure el agente Recuperación de carrito VIP.

   Crear agente desde plantilla	→	Agregar tema Recuperar carrito VIP	→	Agregar instrucciones de tema	→	Acción Crear alerta de Slack
   						↓
   Agregar acciones al tema	←	Acción Crear inscripción de trayectoria	←	Acción Crear oferta de descuento	←	Tarea Crear recuperación de carrito

   1. Cree un agente desde la plantilla Agentforce Employee Agent.
   2. Agregue un nuevo tema, Recuperar carrito VIP, con la descripción de que este agente gestiona el abandono de carrito de alto valor para clientes VIP.
   3. Agregue instrucciones de tema para validar el estado VIP, cualificar el carrito, notificar al gestor de cuentas en Slack, recomendar una oferta de descuento e inscribir al cliente en la trayectoria de email de recuperación del carrito.
   4. Cree acciones y una tarea.
      • Acción Alertar al gestor de cuentas: Envía una notificación proactiva de Slack
      • Tarea Recuperar carrito abandonado, asignada al gestor con detalles de carrito
      • Acción Obtener oferta de descuento: Analiza la política y el historial de compras anteriores. Cree una plantilla de solicitud con fundamentación, haga referencia a la función de recuperación en la plantilla de solicitud y utilice los datos.
      • Inscribirse en la acción Trayectoria de recuperación: Se inscribe en la trayectoria de recuperación de Marketing Cloud a través de la API y toma todos los datos de suscriptor y el mensaje de email de oferta con descuento generado desde el agente.
   5. Agregue las acciones al tema.
   6. Cree una trayectoria de recuperación de carrito de clientes VIP utilizando plantillas en Marketing Cloud, o cree una nueva trayectoria.
4. Conecte un evento de plataforma para llamar al agente.

   Crear flujo desencadenado por evento

   →

   Suscribirse al evento de plataforma

   →

   Agregar acción invocable de agente

   →

   Pasar datos de eventos a agentes

   1. Cree un nuevo flujo desencadenado por evento de plataforma, Recuperación de abandono de carrito VIP.
   2. Seleccione el evento Carrito abandonado al que debe suscribirse el flujo.
   3. Configure una acción invocable de agente personalizada en Flow Builder y seleccione el agente Recuperación de carrito VIP. Envíe la solicitud para iniciar una recuperación de carrito abandonado VIP para el cliente y enviar la carga de evento de plataforma.

Flujo de proceso de tiempo de ejecución de agente

Una vez configurado e implementado el agente, se produce la siguiente secuencia de pasos en tiempo de ejecución.

1. Detección de abandono de carrito: John agrega $1,200 a su carrito, y ningún Checkout o progresión de etapa después de 60 minutos desencadena abandono.
2. Publicación de evento de plataforma: Commerce Cloud publica el evento Cart_Abandoned__e con el Id. de contacto de John, el valor del carrito de 1.200 USD, la fecha de modificación del carrito y otros detalles.
3. Inicialización de flujo: El evento de plataforma desencadena el flujo de recuperación de abandono de carrito VIP.
4. Activación de Agente de empleados: Cuando se ejecuta el flujo, se invoca al agente Recuperación de carrito VIP.
5. Ejecución de tema: El agente resuelve el tema Recuperar carrito VIP y ejecuta las instrucciones.
6. Creación de notificaciones: El agente alerta a la gestora de cuentas de John Sarah en Slack.
7. Creación de tareas: El agente crea una tarea para Sarah, informándole de los seguimientos que realizará.
8. Análisis de descuentos: El agente ejecuta el análisis de descuentos llamando a la función de recuperación de Data 360 para solicitar "descuentos máximos permitidos" basándose en el valor del carrito, el nivel del cliente y el historial de compras. En este caso, la función recomienda una oferta de descuento del 10%.
9. Preparación de email e inscripción de trayectoria: El agente prepara un email de oferta de descuento e inscribe a John en la trayectoria de Marketing Cloud Recuperación de carrito de cliente VIP con el nuevo precio de carrito.
10. Registro y atribución: John canjea la oferta, lo que crea una atribución de registro y mediciones de conversión.
11. Análisis de comentarios: El resultado se analiza para determinar más las ofertas, el tiempo de recuperación y otros factores de optimización.

Un representante de ventas, David, está implicado en una llamada de descubrimiento con un nuevo cliente potencial. Un agente inteligente monitorea activamente la llamada en tiempo real, proporcionando asistencia inmediata a David respondiendo a las preguntas del cliente potencial.

Ejemplo: Si el cliente potencial pregunta sobre una especificación de producto específica, el agente recupera automáticamente los detalles relevantes y los entrega a David a través de Slack o un mensaje privado.

• Desencadenador: Un cliente potencial formula una pregunta que requiere información de producto específica durante una llamada de descubrimiento con un representante de ventas (David).
• Acción de agente: El agente de entorno analiza continuamente los registros de llamadas y los mensajes, identificando de forma inteligente y obteniendo la información requerida.
• Proceso:
  1. El agente analiza la transcripción de la llamada en tiempo real.
  2. Identifica automáticamente elementos de acción clave y recupera información relevante.
  3. En esta instancia, el agente obtiene información de productos directamente desde Salesforce.
  4. A continuación presenta automáticamente la información recuperada a David a través de Slack o un mensaje privado.

Receta

Existen requisitos previos en esta receta que requieren funciones de voz a texto en tiempo real, y asumimos que están disponibles a través de su proveedor de comunicación. Por ejemplo, esta es una receta para integrar llamadas de Zoom.

Requisito previo: Ejemplo de transcripción en tiempo real de una llamada de Zoom:

• Cree una aplicación Zoom en la Plataforma de desarrollador de Zoom con ámbitos requeridos para leer grabaciones, envíos de ganchos web y transmisiones de reuniones. Active funciones de productos requeridas como Transmisiones de medios en tiempo real (RTMS).
• Configure un servidor de señalización intermedio (muestra de Zoom RTMS) que recibe la transmisión de audio, la reenvía al servicio Amazon Transcribe y recupera el texto transcrito. Las transcripciones se publican a continuación en Salesforce como un evento de plataforma.

Tiempo de diseño

1. Configure un agente de Respuesta en tiempo real de llamada de ventas.

   Crear agente desde plantilla	→	Agregar tema de llamada de asistencia	→	Agregar instrucciones de tema	→	Acción Crear análisis de transcripción
   						↓
   		Agregar acciones al tema	←	Acción Crear perspectivas de Slack	←	Acción Crear especificación de producto

   1. Cree un agente desde la plantilla Agentforce Employee Agent.
   2. Agregue un nuevo tema, Asistir llamada, con la descripción de que este agente escucha transcripciones en vivo, comprende la intención y ayuda con datos de productos.
   3. Agregue instrucciones de tema para analizar transcripciones, recuperar especificaciones de productos y enviar mensajes de Slack.
   4. Cree acciones.
      • Acción Analizar transcripción de llamada: Analiza los datos de transcripción de llamadas recibidos en tiempo real y extrae preguntas o acciones clave
      • Acción Obtener especificación de producto: Consultas artículos de product Knowledge
      • Enviar perspectivas de Slack al usuario "interno"
   5. Agregue las acciones al tema.
2. Configure una biblioteca de datos de Product Knowledge.

   Crear nueva biblioteca de datos

   →

   Agregar artículos Knowledge

   →

   Índices y partes del sistema

   →

   Biblioteca terrestre en acción

   1. Cree una nueva biblioteca de datos desde Configuración. Asígnele el nombre "Product Knowledge".
   2. Agregue los artículos Knowledge que contienen la información del producto.
   3. En segundo plano, los documentos se segmentan, indexan y preparan para su uso automáticamente.
   4. Utilice la fundamentación en la acción Obtener especificación de producto.
3. Publique la transcripción en tiempo real en Salesforce a través de la API Pub/Sub.

   El servidor recibe la transcripción de audio

   →

   Evento de plataforma de publicación de servidor

   1. Cree un evento de plataforma, Transcript_Segment__e, con los campos Id. de llamada, Secuencia, Altavoces, Hora de inicio de segmento, Hora de finalización de segmento, Duración y Datos de transcripción.
   2. En su servidor de señalización (consulte la sección de requisitos previos), una vez reciba el texto transcrito desde audio, publique inmediatamente los datos a través del evento Transcript_Segment__e. Puede publicar el evento en Salesforce utilizando cualquiera de estos métodos: Flujos, Apex, API de Salesforce o API Pub/Sub.
4. Flujo de red para suscribirse al evento Transcript_Segment__e publicado.

   Crear flujo desencadenado por evento	→	Suscribirse al evento Transcripción	→	Agregar acción invocable de agente	→	Enviar carga a agente
   						↓
   						El agente envía Slack DM

   1. Cree un nuevo flujo desencadenado por eventos de plataforma, Perspectivas de llamadas de descubrimiento.
   2. Seleccione el evento Transcript_Segment__e al que debe suscribirse el flujo.
   3. Configure una acción invocable de agente personalizada en Flow Builder y seleccione el agente Respuesta en tiempo real de llamada de ventas. Envíe la carga del evento para enrutar al tema Llamada de asistencia. Después de derivar la pregunta del tema, la pregunta se envía a la acción Obtener especificación de producto para obtener una respuesta.
   4. La respuesta final se compila y se envía inmediatamente al usuario a través de un DM de Slack.

Flujo de proceso de tiempo de ejecución de agente

Una vez configurado e implementado el agente, se produce la siguiente secuencia de pasos en tiempo de ejecución.

1. Iniciación de llamada: David inicia una llamada de descubrimiento con un cliente potencial en una llamada de Zoom. Zoom RTMS transmite el audio en vivo al extremo de transcripción del servidor de señalización.
2. Transcripción en tiempo real: El servidor de señalización recibe el audio, transcribe el audio a texto y publica un evento de plataforma Segmento de transcripción en Salesforce Platform.
3. Clasificación de contexto y escucha de agentes: Salesforce recibe el evento de plataforma y desencadena el flujo Perspectivas de llamadas de descubrimiento.
4. El flujo inicia el agente Respuesta en tiempo real de llamada de ventas que recibe el segmento, identifica preguntas (como "¿Se integra la tostadora 2XP con dispositivos móviles?") y las clasifica bajo el tema Asistir llamada.
5. Recuperación Knowledge: El agente desencadena la acción Obtener especificación de producto y consulta los datos Knowledge para respuestas coincidentes.
6. Enviar DM de Slack privado: El agente ejecuta Enviar perspectiva de Slack, publicando en el DM de Slack de David: "Product Toaster 2XP se puede integrar con dispositivos Apple y Android y se puede conectar a través de Bluetooth. Una vez instalada la aplicación, simplemente conecte a través de Bluetooth y opere la tostadora. Este es el vínculo al manual."
7. Continuación en tiempo real: El agente continúa recibiendo texto de transcripción; si surgen múltiples perspectivas, crea hilos de respuestas de Slack contextuales sin interrumpir el flujo de llamadas.
8. Resumen posterior a la llamada: Al final de la sesión, el agente compila automáticamente un resumen: preguntas clave, acciones realizadas y productos a los que se hace referencia.
9. Mejora continua: Agentforce Analytics evalúa la latencia de transcripción-respuesta, la precisión de coincidencias de productos y los resultados de ventas para ajustar las instrucciones de temas a lo largo del tiempo.

Un gerente de ventas, Bob, asigna a un agente autónomo un objetivo: "Aumente nuestras oportunidades en curso de ventas en el sector manufacturero de California en 5 millones de dólares en los próximos 60 días".

• Desencadenador: El gestor asigna el objetivo a través de un comando en Slack.
• Acción de agente: El agente autónomo inicia su bucle de planificación y ejecución.
• Proceso:
  1. Investigación: El agente consulta Salesforce Data 360 y orígenes de datos externos (a través de MuleSoft) para identificar compañías en el sector de fabricación de California que no son clientes actuales.
  2. Cualificar: Analiza estas compañías, buscando señales de compra como rondas de financiación recientes, nuevas contrataciones de ejecutivos o ofertas de trabajo relevantes. Puntúa y prioriza los 20 clientes potenciales principales.
  3. Identificar contactos: Encuentra contactos clave (como vicepresidentes de operaciones y gerentes de planta) en estas compañías.
  4. Alcance: Elabora emails de alcance personalizados para cada contacto, haciendo referencia a noticias específicas de la compañía o puntos débiles. Programa el envío de estos emails para la próxima semana.
  5. Seguimiento: Realiza un seguimiento de las aperturas y respuestas de email. Una respuesta positiva de un cliente potencial desencadena un análisis de su calendario para sugerir horas de reunión, generando automáticamente un evento de Salesforce y una nueva Oportunidad tras la confirmación.
  6. Reporte: Proporciona Reportes de progreso semanales al gerente de ventas en Slack.

Receta

Este es un escenario de múltiples agentes donde cada agente realiza una tarea específica y entrega el contexto, los datos y el control al siguiente agente. Utilizaremos algunos agentes desatendidos personalizados para la investigación y cualificación, y el agente Representante de desarrollo de ventas (SDR) listo para su uso para el alcance y el monitoreo de clientes potenciales. También asumiremos que la compañía de Bob utiliza ZoomInfo para su investigación de mercado. La compañía también recibe datos de red de proveedores que persisten en una base de datos y contienen información valiosa sobre las compañías con las que se asocian.

Tiempo de diseño

1. Configure la arquitectura de múltiples agentes.

   Agente de investigación recopila inteligencia

   →

   Prospecto de puntuajes de agentes de cualificación

   →

   Agente de DEG inicia alcance

   1. Agente de investigación: Consulta Data 360 y orígenes externos a través de MuleSoft
   2. Agente de cualificación: Prioriza, puntúa y enriquece prospectos
   3. Agente de DEG: Obtiene asignaciones de prospectos, ejecuta alcance, realiza un seguimiento y programa reuniones. Monitoree la actividad y el progreso de los agentes de DEG con Agentforce Analytics para agentes de DEG.
2. Descubra e ingrese nuevos datos de la compañía.

   Crear nuevo espacio de datos

   →

   Ingresar datos de Salesforce CRM

   →

   Ingresar datos de ZoomInfo

   →

   Ingresar datos de base de datos de proveedores

   1. Configure un nuevo Espacio de datos denominado Ventas y marketing. Este nuevo espacio de datos contendrá todos los datos necesarios para agentes autónomos.
   2. Utilice conectores de Salesforce para hacer fluir los datos de CRM de prospectos, cuentas, contactos y oportunidades al espacio de datos.
   3. Configure un conector de Data 360 para ZoomInfo. Fluya los datos en el Espacio de datos de ventas y marketing de Data 360.
   4. Configure el conector Anypoint Salesforce Data 360 para conectar con la base de datos de proveedores e ingresar los datos en Data 360.
3. Configure un evento de plataforma para iniciar el agente Investigación y cualificación desatendido.

   Crear nuevo evento de plataforma

   1. Cree un nuevo evento de plataforma AgentGoal__e con el objetivo de campo que captura el objetivo de alto nivel del usuario humano.
4. Configure un agente Orquestador de objetivos, un agente de IA conversacional que recibe el objetivo del usuario y lo orquesta a otros agentes.

   Crear agente desde plantilla	→	Agregar tema Objetivo de análisis	→	Agregar instrucciones de tema	→	Acción Crear evento de objetivo
   						↓
   						Agregar acción al tema

   1. Cree un agente desde la plantilla Agentforce Employee Agent.
   2. Agregue un nuevo tema, Analizar objetivo, con la descripción de que este agente comprende la intención del objetivo y puede llamar a agentes adicionales según sea necesario.
      • Agregue instrucciones de tema para analizar el objetivo y desencadenar eventos para otros agentes.
   3. Cree un evento Objetivo, AgentGoal__e.
5. Configure un agente de Investigación y cualificación de prospectos, que se desencadena por un agente orquestador.

   Crear tema de investigación	→	Acción Crear deduplicación	→	Acción Crear enriquecimiento de prospectos	→	Acción Crear puntuaje de prospectos
   						↓
   				Agregar acciones al tema	←	Acción Crear cualificación de prospectos

   1. Cree un tema Investigación de clientes potenciales con la descripción "Investigación de nuevos prospectos en una región o estado".
   2. Cree acciones.
      • Acción de Apex Deduplicar prospecto: Comprobar y validar nuevos prospectos con clientes existentes
      • Acción de Apex Enriquecer prospecto, que utiliza una plantilla de solicitud: Busca en la perspectiva de marketing no estructurada y datos de base de datos de proveedores para enriquecer datos de prospectos
      • Acción Puntuaje de prospecto: Puntuar un prospecto de forma proactiva con datos de prospectos actualizados
      • Acción Cualificar prospecto para agente: Basándose en el puntuaje, asigne parámetros que cualifican el prospecto para un agente de DEG
6. Configure un agente de DEG de Agentforce para realizar actividades de alcance, fomento de prospectos y programación de reuniones.

   Crear agente de DEG desde plantilla	→	Configurar base de datos de Knowledge de agentes	→	Configurar ajustes de email de agentes	→	Establecer reglas de asignación de prospectos
   						↓
   						Definir criterios de prospectos aptos

   1. Cree un nuevo agente de DEG desde la página Configuración utilizando la plantilla Agente de prospectos preconfigurada. Configure los parámetros de email y las reglas de asignación de prospectos, seleccionando el objeto Prospecto o el objeto Contacto y definiendo los criterios de aptitud (puntuaje de prospecto de umbral y nuevo prospecto) para las reglas de asignación.
   2. Configure Agentforce Lead Nurturing configurando el agente, asignando permisos y configurando las reglas de asignación y cadencia.
   3. Configure Knowledge necesario para que el agente de DEG responda a preguntas.
7. Configure un nuevo flujo para suscribirse al evento AgentGoal__e publicado.

   Crear flujo desencadenado por evento

   →

   Suscribirse al evento Objetivo de agente

   →

   Agregar acción invocable de agente

   1. Cree un nuevo flujo desencadenado por eventos de plataforma denominado Enrutar objetivos a agentes.
   2. Seleccione el evento Objetivo de agente al que debe suscribirse el flujo.
   3. Configure una acción invocable de agente personalizado en Flow Builder y seleccione el agente Investigación y cualificación de prospectos.

Flujo de proceso de tiempo de ejecución de agente

Una vez configurado e implementado el agente, se produce la siguiente secuencia de pasos en tiempo de ejecución.

• Asignación de objetivos: Bob encarga a un agente autónomo que "aumente las oportunidades en curso en la fabricación de California en 5 millones de dólares en 60 días".
• Orquestación de objetivos: El agente autónomo Orquestador de objetivos recibe el objetivo, analiza la intención y crea un evento de plataforma, AgentGoal__e. El agente Orquestador de objetivos está diseñado para ampliar continuamente sus funciones para gestionar múltiples objetivos. Puede ampliarla para agregar funciones de orquestación adicionales o solicitar al usuario aclaraciones para comprender mejor la intención e iniciar el objetivo.
• Enrutamiento: Los Objetivos de ruta de flujo a agentes se desencadenan y llaman al agente Investigación y cualificación de prospectos.
• Investigación: El agente Investigación y cualificación de prospectos consulta Data 360 para obtener nueva información de prospectos, deduplica con clientes existentes, extrae datos de investigación de mercado adicionales desde Data 360 y enriquece el prospecto. Puntúa aún más el prospecto, identifica contactos clave y califica el prospecto.
• Alcance: Una vez cualificado el prospecto, el prospecto se convierte en apto para el agente de DEG a través de las reglas de asignación de prospectos. El agente de DEG realiza el alcance inicial y mantiene pláticas con el contacto respondiendo a preguntas relacionadas con el producto.
• Seguimiento: Al final de la cadencia o a petición del prospecto, el agente solicita una programación de reuniones si el prospecto está cualificado para la implicación de representantes de servicio. A continuación programa la reunión y sale del flujo.
• Agent Analytics: El tablero SDR Agent Analytics proporciona perspectivas sobre el desempeño efectivo del agente.

Un cliente de larga data está experimentando un problema multifacético: se le sobrefacturó, la pieza de sustitución que recibió era incorrecta y su servicio está ahora desconectado.

• Desencadenador: El cliente inicia un chat y el agente conversacional inicial reconoce rápidamente la complejidad y se distribuye a un enjambre de agentes.
• Acción de agente: Un agente orquestador se hace cargo.
• Proceso:
  1. Orquestador: Mantiene la plática con el cliente, proporcionando actualizaciones
  2. Delegados orquestadores: Utilizando la implementación del protocolo A2A, el Orquestador descubre "agentes relacionados" (Facturación, Logística y Aprovisionamiento) con las funciones requeridas y despacha tareas.
     • Para agente de facturación: "Investigue el número de factura INV-7890 para el cliente X. ¿Existen discrepancias?"
     • Para agente logístico: "Compruebe el número de seguimiento TN-12345 para el cliente X. Confirme el número de pieza enviado y el inventario actual para la pieza correcta."
     • Para Agente de aprovisionamiento: "Compruebe el estado de servicio para el n.o de cuenta ACC-5678. Si se desconecta, ¿cuál es el código de motivo?"
  3. Los agentes especializados ejecutan: Cada agente recibe la solicitud A2A, consulta su sistema respectivo y formula una respuesta.
  4. Síntesis: Los agentes reportan sus hallazgos al Orchestrator a través de respuestas A2A. El Orchestrator sintetiza la información: "El cliente fue sobrefacturado en 50 dólares. La pieza incorrecta se envió debido a un error de almacén. El servicio se desconectó automáticamente debido al problema de facturación".
  5. Agradecimiento: El Orquestador informa al cliente sobre el problema y ofrece distribuir el problema a un representante de servicio humano con directrices claras sobre los siguientes pasos.
  6. Resolución: Luego propone una solución completa al representante de servicio para su aprobación. El representante de servicio se une a la plática. El representante de servicio busca rápidamente todos los datos relevantes para el problema, incluyendo la solución recomendada del agente: "Cree un nuevo pedido de envío para la pieza correcta con envío acelerado. Inicie una devolución para la pieza incorrecta. Apruebe un descuento del 10% en el nuevo pedido y aumente la venta de la pieza con la versión mejorada más reciente. Actualice la información de pago y ofrezca configurar un arreglo de facturación recurrente".

Receta

Esta receta describe la implementación de un sistema de agentes colaborativos diseñado para abordar problemas de servicio al cliente complejos que implican múltiples facetas. Al utilizar un agente orquestador para delegar tareas a agentes especializados (Facturación, Logística y Aprovisionamiento) a través de un protocolo A2A y luego sintetizar sus hallazgos, el sistema proporciona soluciones integrales e integra a la perfección representantes de servicio para la aprobación final y la interacción con los clientes.

Tiempo de diseño

1. Configure Chat mejorado como el punto de entrada de chat del cliente de modo que pueda abrir la ventana Agentforce en la página web.
2. Configure un Agentforce Billing Agent, un agente especializado desatendido que puede tomar un pedido o factura y realizar una consulta de facturación.

   Crear agente desde plantilla

   →

   Definir tema de consulta de facturación

   →

   Acción Crear flujo personalizado

   →

   Agregar acción al tema

   1. Active Agentforce y cree un Agente de empleados desde la plantilla Agentforce Employee Agent.
   2. Defina un tema, Consulta de facturación, con la descripción "Investigar discrepancias de facturas, problemas de pago y errores de facturación".
      1. Agregue una acción de flujo personalizada, Comprobar discrepancia de factura, con una entrada de Número de factura, Id. de cliente e Intervalo de fechas, y una salida de Importe de discrepancia, Causa raíz y Transacciones afectadas.
3. Configure un Agentforce Logistics Agent, un agente especializado desatendido que puede verificar envíos, realizar un seguimiento del envío y comprobar el inventario.

   Crear agente desde plantilla

   →

   Definir tema Verificación de envío

   →

   Acción Crear flujo personalizado

   →

   Agregar acción al tema

   1. Active Agentforce y cree un Agente de empleados desde la plantilla Agentforce Employee Agent.
   2. Defina un tema: Verificación de envío, con una descripción para verificar el envío para factura.
      1. Agregue una acción Flujo personalizada, Verificar detalles de envío, con una entrada de Número de factura, Id. de cliente e Intervalo de fechas, y una salida de Pieza enviada, Fecha y Estado de inventario.
4. Configure un Agentforce Provisioning Agent, un agente especializado desatendido que puede verificar el aprovisionamiento y el estado del servicio.

   Crear agente desde plantilla

   →

   Definir tema de Comprobación de servicio

   →

   Acción Crear flujo personalizado

   →

   Agregar acción al tema

   1. Active Agentforce y cree un Agente de empleados desde la plantilla Agentforce Employee Agent.
   2. Defina un tema, Comprobación de servicio, con una descripción para verificar la conectividad del servicio y el estado de la cuenta.
      1. Agregue una acción de flujo personalizada, Verificar servicio, con una entrada de Id. de cliente e Id. de activo y una salida de Estado de servicio y Motivo de excepción de servicio.
5. Exponga los agentes de facturación, logística y aprovisionamiento como servidores A2A y regístrelos en Registro de agentes.

   Exponer agentes a través de MuleSoft

   →

   Registrar agentes en registro

   1. En ausencia de compatibilidad A2A directa en Agentforce Agents, los conectores MuleSoft pueden utilizarse para exponer las API de agentes como servidores A2A.
   2. Registre estos servidores A2A en Registro de agente.
   3. Utilice Anypoint Agent Fabric para la orquestación de agentes.
      1. MuleSoft Agent Broker puede ayudar a orquestar cualquier agente entre plataformas basándose en funciones de agente mencionadas en las tarjetas de agente.
6. Configure un Agente de ayuda de Agentforce, agente de IA conversacional que interactúa con clientes, evalúa la complejidad y se coordina con múltiples agentes especializados para resolver el problema.

   Crear Agente de servicio	→	Definir tema de investigación	→	Acción Crear notificación	→	Definir tema de orquestación
   						↓
   Definir tema de distribución	←	Acción Crear crear caso	←	Acción Crear agente de llamadas	←	Crear flujo de orquestación de agentes
   ↓
   Crear flujo de OmniCanal	→	Flujo Conectar para distribución

   1. Active Agentforce y cree un Agente de servicio en Agentforce Builder para gestionar pláticas y desencadenar acciones personalizadas.
   2. Defina un tema, Investigación de servicio, con una descripción e instrucciones de modo que el agente reconozca de forma natural un tema complejo con, normalmente, múltiples problemas simultáneos.
      1. Cree acciones personalizadas.
         • Acción Notificación de estado para reconocer el problema y proporcionar actualizaciones de progreso
   3. Defina un tema de orquestación que pueda llamar a otros agentes a través de acciones.
      1. Cree una acción Agente de llamadas que llame a una acción Flujo. La acción Flujo tiene varias acciones de agente y puede iniciar cada uno de los agentes desatendidos: el Agente de facturación, el Agente logístico y el Agente de aprovisionamiento.
      2. Cree una acción Crear caso que cree un caso, agregue detalles y establezca el estado.
   4. Defina un tema Distribución con una descripción para distribuir a un representante de servicio.
   5. Cree y active un flujo de OmniCanal saliente.
      • Agréguelo a la ficha Conexiones en el Agente para distribución con un mensaje de distribución.

Flujo de proceso de orquestación de agentes

Anypoint Code Builder ahora admite corredores de agentes de creación. Un corredor de agentes es una capa de enrutamiento y orquestación inteligente que conecta agentes entre dominios e implica a los agentes y herramientas más adecuados. MuleSoft Dev Agent genera el código para configurar una base para el broker.

Basándose en las funciones de agentes mencionadas en las tarjetas de agentes (servidores A2A), que se registraron anteriormente con Registro de agentes, Anypoint Code Builder realiza más configuraciones automáticamente. Por último, podemos implementar este broker de agentes en la nube.

Una vez que el corredor de agentes está disponible para el consumo, estas solicitudes se enrutan a los agentes apropiados. Un corredor recibe una solicitud y utiliza el LLM para descomponerla en tareas y determinar a qué agente llamar primero. En cada bucle iterativo, determina si solucionó correctamente la solicitud original o si necesita trabajar con agentes adicionales para completar el trabajo.

Flujo de proceso de tiempo de ejecución de agente

Una vez configurado e implementado el agente, se produce la siguiente secuencia de pasos en tiempo de ejecución.

1. Inicio de chat: Un cliente abre el chat Agentforce (servicio integrado). El contexto de sesión y contacto se carga después de que el cliente inicie sesión.
2. Saludo e intención: El agente saluda al cliente. El cliente, con clara frustración, notifica sobre sobrecargos, la pieza incorrecta y el servicio desconectado.
3. Búsqueda CRM: El agente desencadena la acción Obtener último pedido y consulta Salesforce (resumen de pedido/pedidos) para el registro más reciente del cliente. A continuación, el agente confirma el pedido en contexto y notifica al cliente que investigará. Además, busca el Id. de factura, el número de seguimiento asociado con la factura y el Id. de activo relacionado con el servicio.
4. Activación del orquestador: El agente orquestador recibe la distribución y el Id. de pedido y luego crea un caso. Pasa los datos de contexto y se comunica con tres agentes: el Agente de facturación, el Agente logístico y el Agente de aprovisionamiento.
5. Respuesta de agente de facturación: El Agente de facturación devuelve detalles sobre la pieza, el costo unitario y el costo total. También observa una discrepancia entre la pieza del pedido y la pieza de la factura. El Agente de facturación busca el precio de la pieza en el pedido y los motivos del sobrecargo.
6. Respuesta de agente logístico: El Agente logístico devuelve con detalles sobre la pieza enviada y las notas de excepción creadas por el sistema logístico que indican que la pieza incorrecta podría haberse enviado debido a problemas de etiquetado. El Agente logístico también verifica que el problema se solucionó ahora y que la pieza correcta está disponible en versiones originales y nuevas.
7. Respuesta de agente de aprovisionamiento: El Agente de aprovisionamiento vuelve con detalles sobre el servicio desconectado y el problema sobre la información de pago caducada. También proporciona las notificaciones enviadas para indicar al cliente que actualice la información de pago.
8. Síntesis del orquestador: El agente orquestador sintetiza las respuestas de todos estos agentes y redacta una solución mirando artículos de Knowledge para cada uno de los problemas. En primer lugar, busca información sobre la parte incorrecta e inicia una devolución. En segundo lugar, ofrece un descuento para el problema basándose en los documentos de política de resolución y también recomienda una actualización a una versión más reciente que el cliente puede comprar (pero hay una diferencia de precio). En tercer lugar, necesita nueva información de pago del cliente, de modo que se distribuye al repositorio de servicio para comunicar la resolución.
9. Distribución: El agente orquestador se distribuye al representante de servicio, proporcionando todo el contexto necesario, notas de investigación y recomendaciones de resolución junto con las aprobaciones necesarias, y lleva al representante de servicio a la llamada.
10. Humanos en bucle: El representante de servicio agradece al cliente su paciencia, se disculpa por el problema y explica el problema. El representante de servicio ofrece a continuación un descuento del 10% para la pieza como compensación y también informa al cliente de una nueva pieza mejorada y sus beneficios. Por último, explican sobre la desconexión, obtienen la nueva información de pago y actualizan el sistema.
11. Restauración proactiva: El agente de IA ve la plática y actúa de forma proactiva en la restauración del servicio, el pedido de la pieza actualizada y la creación de una nueva factura con el descuento y el precio ajustado.
12. Cierre de caso: Finalmente, compila el resumen, actualiza el caso y cierra el caso.

Para que un agente sea eficaz, debe poder integrarse con un amplio conjunto de datos y herramientas de la compañía. Esto proporciona el contexto esencial que un agente necesita para realizar su objetivo configurado. El marco de trabajo Agentforce proporciona una arquitectura de integración sofisticada que integra datos internos y externos a Salesforce.

Esta sección explora los patrones para conectar agentes con estos recursos. Estos patrones se basan en dos enfoques fundamentales para la integración.

• Integración interna (acceso a datos y acceso a herramientas): Para recursos dentro del ecosistema de Salesforce, un agente tiene dos formas de operar.
  • Acceso a datos: El tiempo de ejecución principal de Agentforce está profundamente integrado con Data 360, lo que le permite consultar directamente servicios de datos internos. Puede formular y ejecutar consultas de forma nativa en Gráficos de datos para obtener una visión de 360 grados del cliente, realizar búsquedas semánticas a través de RAG para comprender Knowledge no estructurado y acceder a información masiva utilizando la API Data 360 Query. Esta ruta directa está optimizada para la velocidad y la flexibilidad en la recuperación de datos.
  • Acceso a herramientas: Cuando una tarea implica lógica de negocio compleja o procesos de múltiples pasos, o cuando requiere una regulación estricta, sus funciones se encapsulan en Acciones. Construidas con Apex o Flow, estas acciones proporcionan una interfaz segura y reutilizable para que el agente haga algo más que leer datos: le permiten actualizar registros, desencadenar eventos de plataforma o ejecutar cualquier proceso de negocio establecido.
• Integración externa (MCP/A2A): Cuando un agente necesita información fuera de Salesforce (por ejemplo, desde una aplicación externa, un microservicio u otro agente), utiliza el Protocolo de contexto modelo (MCP). Este estándar abierto proporciona un lenguaje común para la interoperabilidad. Los servidores MCP se pueden agregar desde AgentExchange o un administrador puede agregar en Registro de agente o una llamada Apex al servidor MCP. A continuación, la acción inicia la solicitud a un servidor MCP externo, acortando el mundo interno y externo de forma estructurada. Del mismo modo, cuando un agente necesita comunicarse con otro agente, el protocolo Agent2Agent (A2A) facilita esta interacción. Esto permite la creación de sistemas complejos de múltiples agentes donde los agentes especializados pueden colaborar para resolver problemas complejos, promoviendo la modularidad y la reutilización.

Los siguientes patrones están organizados en torno a los temas de integración de datos específicos que necesitan los agentes. Demostraremos cómo se aplican estos patrones para resolver distintos retos de datos, desde la conexión a aplicaciones externas utilizando MCP hasta el acceso a datos masivos de gran volumen en Data 360, registros de transacciones en tiempo real y contenido no estructurado utilizando la potente combinación de acceso directo y acciones formales en Data 360.

Problema

La eficacia de un agente depende de su capacidad para operar herramientas externas. Sin embargo, estas herramientas (desde sistemas ERP heredados a aplicaciones SaaS modernas) carecen de un lenguaje compartido. Cada uno tiene una API, un modelo de autenticación y un formato de datos exclusivos. Esto fuerza a los desarrolladores a un ciclo frágil e inescalable de creación y mantenimiento de integraciones personalizadas de punto a punto para cada nueva herramienta que el agente necesita utilizar.

Context

Considere un agente encargado de resolver un caso de envío dañado. Para tener éxito, debe interactuar con tres sistemas externos diferentes: debe consultar la API del proveedor para comprobar el inventario de sustitución, llamar al servicio de un socio logístico para organizar una nueva entrega y acceder a un sistema financiero para procesar un crédito. Sin un protocolo común, el agente requeriría tres integraciones separadas a medida, cada una de las cuales podría ser un posible punto de fallo. MCP proporciona una capa de comunicación estandarizada para que estas interacciones sean transparentes y fiables.

A continuación se muestran recetas sobre cómo integra servicios externos expuestos a través de MCP a su agente.

Receta 1: Activación de herramientas externas con MCP

Problema

Las organizaciones se ejecutan en una mezcla de sistemas ERP heredados y SaaS modernos, pero integrarlos con un agente es difícil porque no hay un protocolo común: cada herramienta tiene sus propias API, autenticación y modelo de datos. Los desarrolladores terminan creando y manteniendo conectores punto a punto personalizados para cada herramienta, produciendo integraciones frágiles, inescalables y costosas.

Patrón

El agente invoca una herramienta externa (expuesta a través de MCP) a través de una acción estructurada, permitiéndole utilizar herramientas especializadas más allá de la plataforma Salesforce.

Context

• El agente actúa como proxy para un conjunto de herramientas que existen fuera de Salesforce Platform.
• Estas herramientas externas pueden tener diversas API, mecanismos de autenticación y formatos de datos.
• Se requiere un protocolo de comunicación estandarizado para permitir una interacción sencilla entre el agente y estas herramientas externas.
• La reutilización es una preocupación clave, ya que las mismas herramientas externas pueden ser utilizadas por múltiples agentes para diferentes fines.

Interacciones

1. Desencadenador: Una solicitud de usuario o un evento interno en Agentforce requiere el uso de una herramienta externa.
2. Intención de actuar: Agentforce Agent identifica la intención y determina que se requiere una herramienta basada en MCP externa.
3. Planificador (interno): El planificador de Agentforce Agent selecciona la herramienta o acción MCP apropiada basándose en sus instrucciones configuradas y herramientas disponibles.
4. Ejecución: El Agentforce Agent envía una solicitud compatible con MCP al servidor MCP externo (por ejemplo, a través de una llamada Apex a un extremo MuleSoft, que luego enruta al servidor MCP externo).
5. Procesamiento externo: El servidor MCP externo procesa la solicitud, interactúa con la aplicación externa subyacente y prepara una respuesta compatible con MCP.
6. Resultado: El servidor MCP externo devuelve la respuesta al agente de Agentforce.
7. Seguimiento: Agentforce Agent procesa la respuesta, actualiza su estado interno y continúa su tarea o proporciona comentarios al usuario.

Trade-offs

La lógica de toma de decisiones de un agente solo es tan sólida como sus datos subyacentes. Para que un agente actúe de forma inteligente, debe tener una comprensión enriquecida y en tiempo real del mundo que le rodea. Sin una arquitectura de ingreso de datos definida, el agente no puede acceder o procesar la información en tiempo real de gran volumen que es esencial para que funcione.

Integrar datos de transacciones con agentes

Problema

Los agentes a menudo necesitan realizar operaciones de lectura/escritura de baja latencia en registros individuales que residen en sistemas de registro (por ejemplo, actualizando un caso o obteniendo un estado de pedido). Estas acciones requieren integridad y fiabilidad de los datos para garantizar la coherencia del modelo de datos subyacente. El reto arquitectónico principal es proporcionar un patrón seguro, en tiempo real y ampliable para este acceso de datos de transacciones sin crear integraciones frágiles de punto a punto.

Context

La conexión correcta de un agente a estos registros requiere una arquitectura sólida compuesta de varios componentes principales.

• Sistemas de transacciones: Estos son los orígenes autorizados de los datos, como sistemas de registro, como Salesforce, Workday o SAP, o servicios alojados en plataformas como AWS.
• Capa de integración: Una potente capa de integración, gestionada habitualmente por MuleSoft, es crucial para conectar de forma segura con estos sistemas dispares, transformar datos y exponerlos a la plataforma Agentforce.
• Servidores MCP: Para garantizar la interoperabilidad, los agentes se comunican con estos sistemas externos utilizando el estándar MCP. La capa de integración puede conectarse a varios servidores MCP externos que alojan los servicios o agentes externos.
• Intercambio de agentes: Este componente actúa como directorio o centralita, permitiendo al agente de Salesforce descubrir y conectar de forma segura con el servicio externo o agente correcto para completar su tarea.

Receta 1: Operaciones de registro directo a través de MCP

Patrón

El agente utiliza MCP para conectarse a un sistema de datos de transacciones y realiza operaciones CRUD con estado en registros específicos identificados con requisitos de coherencia inmediatos.

Context

• Los agentes conversacionales y de colaboración deben realizar transacciones con datos del sistema de registro en el flujo de trabajo.
• El sistema de registro es un sistema externo.
• Las transacciones deben ser idempotentes.

Componentes clave

• Agente Agentforce: Con temas e instrucciones para realizar una actualización de transacciones. Acciones llama a un servidor MCP externo o un servidor MCP registrado por Agentforce Exchange.
• Servidor MCP: El servidor MCP que expone los datos y la función de la transacción (por ejemplo, tool=billing.update_record con datos de entrada)
• Sistema de registro externo: El sistema donde se produce el cambio de estado

Interacciones

1. Desencadenador: Se produce un comando o evento que requiere una transacción en un registro.
2. Intención de actuar: Un Agentforce Agent identifica una intención de cambio de estado.
3. Planificador (interno): El planificador selecciona una herramienta MCP.
4. Ejecutar: La herramienta se ejecuta después de que pasen las comprobaciones de acceso a nivel de política, registro y campo.
5. Resultado: El servidor MCP devuelve una respuesta
6. Seguimiento: Agentforce Agent procesa la respuesta.

Trade-offs

Receta 2: Orquestación compleja a través de la API de Mulesoft

Patrón

El agente aprovecha la API de Mulesoft para transacciones atómicas complejas, de múltiples pasos y entre sistemas. Esto proporciona un extremo único y regulado, garantizando un procesamiento fiable de extremo a extremo y evitando la coherencia, fiabilidad, latencia y problemas de datos asociados con llamadas directas a sistemas individuales.

Context

• Los agentes conversacionales y autónomos a menudo necesitan realizar varias operaciones de forma fiable.
• Existen múltiples sistemas y operaciones de transacciones en una transacción.
• Los flujos de trabajo requieren transacción/reversión, reintentos y aplicación de políticas.
• Las necesidades de transacciones son en tiempo real, idempotentes, observables y compatibles.

Interacciones

1. Desencadenador: Se produce un comando o evento que requiere que se complete una transacción compleja.
2. Intención de actuar: Agentforce Agent identifica la intención.
3. Planificador (interno): El planificador selecciona una acción invocable para API o acción de API.
4. Ejecución: Se ejecuta la API y se devuelve una respuesta.
5. Seguimiento: Agentforce Agent procesa la respuesta.

Trade-offs

Integrar datos analíticos con agentes

Problema

Las organizaciones han invertido mucho en infraestructura analítica (almacenes y lagos de datos, sistemas analíticos en tiempo real y plataformas de inteligencia de negocio), pero los agentes de IA permanecen desconectados de estos sistemas. Esto crea una brecha en la capacidad de un agente para obtener un contexto enriquecido (por ejemplo, que un cliente devolvió piezas tres veces en el último trimestre) para ayudar a tomar mejores decisiones (en este caso, distribución).

Context

La inteligencia operativa de un agente se deriva de su capacidad para sintetizar información desde formatos y orígenes de datos fundamentalmente diferentes. Este patrón arquitectónico, por lo tanto, no está diseñado para un único caso de uso sino como un marco de trabajo de ingreso de datos fundacional. Un agente eficaz debe estar equipado para procesar orígenes estructurados para realizar análisis lógicos dirigidos por datos; un agente requiere acceso a noticias en tiempo real estructuradas de gran volumen. Esto incluye la integración con lagos de datos de compañía (a través de la integración de copia cero con Data 360), el procesamiento de transmisiones de datos transformadas por middleware o el ingreso de archivos por lotes como CSV.

Receta 1: Lagos de datos integrados a través de copia cero de Data 360

Problema

Las organizaciones enfrentan altos costos cuando utilizan oportunidades en curso de datos tradicionales para copiar, gestionar y transformar datos analíticos almacenados en lagos de datos (por ejemplo, Snowflake). Históricamente, los análisis se han realizado en gran medida sin conexión, lo que ha dado como resultado oportunidades perdidas para la acción oportuna.

Patrón

El agente consulta cero copias de datos (y perspectivas calculadas) disponibles en Data 360 en vez de consultar almacenes de datos externos para perspectivas críticas. Esto ayuda a los agentes a fundamentar datos tanto de transacciones como analíticos para una mejor toma de decisiones.

Context

• Su organización almacena datos de clientes y operativos en almacenes de datos y lagos.
• Sus agentes necesitan acceso a mediciones agregadas, tendencias históricas y perspectivas analíticas.
• El contexto de su agente necesita datos tanto de transacciones como analíticos (considere la necesidad de datos de tendencias históricas de un agente de investigación).

Interacciones

1. Desencadenador: Un agente recibe una consulta acerca de una perspectiva que requiere acceso a datos analíticos o una perspectiva calculada.
2. Ejecución: El agente ejecuta una acción que llama Perspectivas calculadas de Data 360 a través de la API de consulta, y se devuelve la perspectiva calculada.
3. Seguimiento: Agentforce Agent procesa la respuesta.

Trade-offs

Receta 2: Desencadenar acciones desde transmisiones de datos

Problema

Las organizaciones generan continuamente información valiosa desde actividades de negocio como visitas a sitios web, llamadas, reuniones, chats y datos de sensores. Sin embargo, cuando estas interacciones quedan disponibles o se recuperan de almacenes de datos, se pierden perspectivas críticas y la oportunidad de una intervención oportuna ha pasado. En consecuencia, las organizaciones pierden la mayoría de la inteligencia con capacidad de acción necesaria en tiempo real, que a menudo está enterrada en estas transmisiones efímeras. Esto lleva a brechas, oportunidades de apoyo perdidas y decisiones tomadas sin contexto completo.

Patrón

El agente recibe perspectivas en tiempo real o casi en tiempo real desde perspectivas de transmisión o una perspectiva en tiempo real en Data 360 a través de una acción de datos, o el agente accede a una perspectiva de transmisión en tiempo real consultando un servidor MCP que interactúa con un motor de procesamiento en tiempo real como Apache Flink.

Context

• Los sistemas de transmisión como eventos de plataforma, API Pub/Sub y RTEM generan enormes cantidades de datos de transmisión.
• Los sistemas de procesamiento de transmisiones como Data 360 y Apache Flink procesan estos eventos individuales a medida que llegan.
• Agentforce necesita consultar los sistemas de transmisión (por ejemplo, la transcripción de 30 segundos más reciente para la reunión en vivo con contexto adicional) o se desencadena por acción de datos (por ejemplo, detección de fraude).
• Es necesario realizar acciones de baja latencia casi en tiempo real.

Interacciones

1. Emisión de transmisión: El sistema de origen emite una transmisión continua de datos.
2. Procesamiento de transmisiones: Motores de procesamiento de transmisiones como Data 360 o Apache Flink procesan la información.
3. Transformación: Las perspectivas se agregan, transforman y sintetizan en datos que tienen en cuenta los agentes en middleware (para transformaciones complejas) o en Data 360.
4. Evento de perspectiva de transmisión: Se desencadena una acción de datos de Data 360 para datos sintetizados (por ejemplo, una transcripción de una transmisión de audio de 30 segundos).
5. Enriquecer: Un agente agrega contexto y detecta la intención.
6. Ejecutar: El agente ejecuta la acción.
7. Seguimiento: El agente espera la siguiente perspectiva de transmisión.

Trade-offs

Integrar datos semánticos con agentes

Las organizaciones tienen artefactos de negocio (catálogos, manuales, políticas, gráficos Knowledge, mapas de relaciones) en diferentes formatos y formas. Para ir más allá de la simple ejecución de tareas y participar en un razonamiento sofisticado, los agentes deben ser capaces de comprender estos datos donde se almacena la mayor parte del Knowledge humano.

Receta 1: RAG: Liberar el poder de datos no estructurados para agentes

Problema

Las organizaciones a menudo poseen información sin capacidad de búsqueda que dificulta la capacidad de los agentes para acceder a ella con confianza. Esta deficiencia a menudo lleva a respuestas incompletas de agentes, que carecen de la profundidad contextual necesaria y citas verificables para establecer Trust. En consecuencia, existe una clara necesidad de un método estandarizado para permitir a los agentes recuperar contenido relevante y preciso semánticamente de forma coherente.

Patrón

Este patrón proporciona la arquitectura para permitir a los agentes ingresar e interpretar una amplia variedad de información no estructurada, desde documentos internos a contenido web público. Dar acceso a un agente a estos datos es la clave para desbloquear funciones avanzadas como análisis de opiniones de mercado, resumen de documentos e investigación de la competencia.

Context

• Knowledge está en archivos en diferentes formatos y formas.
• El contenido redundante prevalece en estos documentos.
• Un agente necesita información precisa que se pueda citar.
• Knowledge cambia con frecuencia, de modo que los archivos deben actualizarse y reindexarse.

Interacciones

El contenido no puede ser ingresado o utilizado por el agente tal cual. El contenido debe fragmentarse, incrustarse, almacenarse en una base de datos de vectores e indexarse antes de que pueda recuperarse y utilizarse por agentes.

Ingerir y preparar

1. Arrastrar e ingresar orígenes: Las fuentes se pueden identificar de dos formas: manualmente, como cargando un archivo PDF, o por su ubicación, como AWS S3.
2. Pedazos: El contenido ingresado se divide en partes más pequeñas y gestionables para facilitar el procesamiento y la recuperación eficientes. Este es un paso crítico para RAG, ya que garantiza que solo se recuperen los elementos de información más relevantes, en vez de documentos completos.
3. Incrustación: Cada fragmento se convierte a continuación en una representación numérica denominada integración utilizando un modelo de idioma especializado. Estas incrustaciones capturan el significado semántico del texto, permitiendo búsquedas basadas en similitudes.
4. Almacenamiento vectorial: Las incrustaciones se almacenan en un establecimiento vectorial de Data 360, una base de datos especializada optimizada para búsquedas de similitud de alto desempeño. Esto permite al agente encontrar rápidamente contenido relacionado.
5. Indización: El contenido y sus incrustaciones se indexan en el establecimiento vectorial, lo que facilita la búsqueda para su recuperación.

Funciones del recuperador de Data 360

• Recuperar contenido: Esta función toma una consulta como entrada y realiza una búsqueda semántica en el almacén de vectores de Data 360 para encontrar los fragmentos de contenido más relevantes.
• Contenido de filtro: Esta función permite filtrar contenido recuperado basándose en metadatos, como tipo de documento, autor o fecha, para ajustar aún más los resultados.
• Contenido de clasificación: Esta función clasifica los fragmentos de contenido recuperados basándose en su puntuaje de similitud (búsqueda vectorial), puntuaje de palabra clave o una combinación de ambos (búsqueda híbrida).

Recuperar y generar

• Consulta: Cuando un agente necesita información, formula una consulta que también está integrada en un vector.
• Búsqueda semántica: El agente realiza una búsqueda semántica en el establecimiento vectorial de Data 360, comparando la incrustación de la consulta con las incrustaciones de los fragmentos de contenido almacenados. Esto recupera los fragmentos más relevantes semánticamente basándose en puntuaje vectorial o puntuaje híbrido (vector y palabra clave combinados).
• Generación aumentada de recuperación (RAG): Los fragmentos de contenido recuperados se proporcionan a continuación como contexto a Agentforce Agents junto con la consulta original. El LLM utiliza este contexto para generar una respuesta precisa, precisa y citable.
• Respuesta y cita: El agente presenta la respuesta generada, a menudo con citas a los documentos de origen originales o vínculos web, para fomentar Trust y permitir la verificación.

Trade-offs

Receta 2: Gráficos de datos: Datos de gráficos estructurados precurados para agentes

Problema

Las organizaciones a menudo poseen datos de relaciones en silos que dificultan la capacidad de un agente para recuperarlos. Este problema a menudo da como resultado que los agentes proporcionen respuestas incompletas que carecen de detalles contextuales suficientes para generar Trust acerca de cómo están conectadas las diferentes entidades, o causa retrasos cuando los agentes deben recuperar información de múltiples bases de datos.

Patrón

Este patrón proporciona la arquitectura para permitir a los agentes ingresar e interpretar una amplia variedad de información de relaciones estructuradas y semiestructuradas, desde datos internos de CRM a gráficos externos de Knowledge. Proporcionar a un agente acceso a estos datos es la clave para desbloquear funciones avanzadas como vistas Customer 360, análisis de dependencias complejos y creación de contexto dinámico.

Context

1. Los datos de relaciones están dispersos entre varios sistemas y formatos.
2. Los agentes necesitan comprender las conexiones entre entidades (por ejemplo, un cliente, sus casos, sus pedidos y productos relacionados).
3. Los gráficos Knowledge y los modelos de datos conectados son esenciales para comprender relaciones complejas.
4. El agente necesita información precisa sobre las relaciones de entidad que se pueden citar.

Interacciones

Los datos relacionales deben armonizarse y representarse en una estructura de gráfico antes de que los agentes puedan consultarlos y utilizarlos de forma efectiva.

Ingerir y preparar

1. Orígenes de ingreso de Crawland: Los orígenes de datos (por ejemplo, sistemas CRM, sistemas ERP, API externas y CSV) se identifican y se ingresan en Data 360.
2. Armonización: Los datos sin procesar se asignan a Objetos de modelo de datos (DMO) en Data 360, estandarizando su estructura y creando una vista unificada.
3. Resolución de identidad: Los perfiles de clientes duplicados se consolidan y los registros relacionados se vinculan para crear una vista única y precisa de cada cliente.
4. Creación de gráficos de datos: Los DMO están conectados para formar un gráfico de datos, que representa relaciones entre diferentes entidades (por ejemplo, un DMO de cliente está conectado a un DMO de caso, que está conectado a un DMO de producto). Este gráfico permite un desplazamiento eficiente de las relaciones.
5. Perspectivas calculadas: Las mediciones agregadas y los atributos derivados (por ejemplo, el historial de compras total de un cliente) se calculan y se agregan al gráfico de datos para un contexto más enriquecido.

Recuperar y generar

1. Consulta: Cuando un agente necesita información que implica relaciones entre entidades, formula una consulta en el gráfico de datos (por ejemplo, "¿Cuáles son todos los casos abiertos para este cliente y qué productos están asociados con él?").
2. API de consulta y desplazamiento de gráficos: El agente utiliza la API de consulta de Data 360 para atravesar el gráfico de datos y recuperar registros conectados, perspectivas calculadas y atributos relevantes basándose en la consulta.
3. Generación contextual: Los datos de relaciones recuperados se proporcionan a continuación como contexto a Agentforce Agents junto con la consulta original. El LLM utiliza este contexto enriquecido para generar una respuesta precisa, precisa y citable que refleja la interconexión de los datos.
4. Respuesta y cita: El agente presenta la respuesta generada, a menudo con referencias a los registros específicos o relaciones en el gráfico de datos que fundamentaron la respuesta, para generar Trust y permitir la verificación.

Trade-offs

La compañía se encuentra al borde de una nueva era de automatización e inteligencia, dirigida por agentes de IA. Desde la gestión de consultas de clientes sencillas a la ejecución autónoma de estrategias de negocio complejas, los agentes prometen redefinir la productividad y la implicación de los clientes. Salesforce Agentforce Platform ofrece la base esencial y de confianza para esta transformación. Con un sólido conjunto de herramientas declarativas y pro-código, una plataforma de datos unificada y el compromiso con estándares abiertos a través de A2A y MCP, Agentforce proporciona una base integral y de confianza para crear todo tipo de agentes. Esta arquitectura permite a las organizaciones implementar agentes inteligentes orientados a objetivos que actúan como socios conectados, no de forma aislada, para impulsar el éxito de negocio mensurable.

Salesforce proporciona un conjunto potente e integrado de herramientas, unificado por la plataforma Agentforce, que sirve como la base para la creación de agentes sofisticados. Las recetas y los ejemplos de este documento asumen la familiaridad con las funciones de la plataforma Agentforce y cómo interactúan los agentes. Esta sección ofrece una actualización sobre los componentes clave que necesita comprender para obtener el máximo provecho de las recetas y los patrones en este documento.

Esta sección describe las funciones fundamentales de la plataforma que son esenciales para arquitectos y desarrolladores que crean agentes en Agentforce.

• Flujo de Salesforce: La herramienta principal para definir la lógica de agentes. Su interfaz visual declarativa es ideal para orquestar los pasos que realizará un agente.
• Apex: Proporciona la potencia para lógica personalizada compleja, gestión de estado para agentes autónomos e integraciones complejas
• Eventos de plataforma: El sistema nervioso para agentes proactivos y de colaboración, que sirve como capa de transporte para el protocolo A2A.
• Data 360: La memoria unificada a largo plazo del agente. Proporciona el contexto necesario para la acción inteligente y es la base para la generación aumentada de recuperación (RAG).
• MuleSoft: Puente del agente al mundo exterior, lo que permite la integración del sistema y la comunicación de agentes entre plataformas a través de MCP.
• Slack: Una superficie principal para la interacción humano-agente, incluyendo tareas, notificaciones y aprobaciones
• Cliente de Chat Agentforce: El front-end personalizable e incrustable para agentes conversacionales de cara al cliente

Para que los agentes sean realmente efectivos, no pueden existir en un silo. Agentforce abarca dos patrones de interoperabilidad principales:

• Comunicación Agent2Agent (A2A): Este protocolo rige el modo en que los agentes del ecosistema de Salesforce se comunican entre sí. La plataforma Agentforce actúa como cliente A2A y servidor realizando y escuchando solicitudes, respectivamente, lo que es crucial para los enjambres de agentes de colaboración. Los agentes se pueden configurar con agentes relacionados para descubrir e invocar otros agentes con habilidades específicas, creando un sistema dinámico y ampliable. Los eventos de plataforma sirven como el mecanismo de transporte duradero y asíncrono para estos mensajes A2A.

• Protocolo de contexto de modelo (MCP): Este estándar garantiza que los agentes no estén bloqueados en una única plataforma. MCP define un formato de mensaje común que permite a los agentes creados en diferentes marcos comunicarse. En este modelo, Agentforce actúa como cliente de MCP. Por ejemplo, un agente de Salesforce podría consultar a un agente externo especializado en cálculos logísticos complejos enviándole una solicitud que cumpla con MCP. MuleSoft sirve como la pasarela, transformando la solicitud A2A interna en una llamada de API con formato MCP externo, garantizando una interoperabilidad sencilla en toda la compañía.