Perinteisessä ohjelmistokehityksessä ohjelmistokehityksen elinkaari (SDLC) tarjoaa rakenteellisen ja vaiheittaisen lähestymistavan sovellusten rakentamiseen. Se parantaa laatua, vähentää riskejä ja tarjoaa selkeän etenemissuunnitelman ideasta julkaisuun. Agent Development Lifecycle (ADLC) on samankaltainen metodologia, joka on räätälöity erikseen itsenäisten agenttien rakentamisen ainutlaatuisten monimutkaisuuksien ratkaisemiseksi.

Agentit eivät ole passiivisia sovelluksia, vaan järjestelmiä, jotka ajattelevat, toimivat ja oppivat dynaamisissa suoritusympäristöissä. Heidän ei-deterministisen toimintatavansa tekee perinteisestä QA:sta riittämättömän. Agent Development Lifecycle (ADLC), jota tukevat esimerkiksi Agentforce, käsittelee tätä viidessä vaiheessa: Ideointi ja suunnittelu, Kehitys (”sisäinen silmukka”), Testaus ja vahvistus, Käyttöönotto sekä jatkuva Valvonta ja hienosäätö (”ulkoinen silmukka”).

Tämä asiakirja on kattava opas kehittäjille ja yritysarkkitehdeille, jotka tuntevat jo ohjelmistokehityksen elinkaaren (SDLC) monimutkaisuudet ja jotka haluavat laajentaa ammattitaitoaan agentteihin perustuviin järjestelmiin. Ensisijainen tavoitteemme on helpottaa agenttien kehitysjakson (ADLC) nopeaa ymmärrystä korostamalla sen tärkeimmät erot perinteisiin SDLC-metodologioihin ja tarjoamalla rakenteellinen kehysjärjestelmä älykkäiden agenttien rakentamisen, käyttöönoton ja hallinnan koko prosessin käsitteellistämiseksi.

Asiakirja on järjestetty kolmeen erilliseen osaan, jotka on suunniteltu rakentamaan Knowledge ja käytännön taitojasi vaiheittain:

• Luku 1: ADLC-kehys. Tässä luvussa esitellään Agent Development Lifecycle (ADLC) -ominaisuuden, joka eroaa SDLC:stä itsenäisten agenttien kehittämisen ainutlaatuisten haasteiden vuoksi. Se luo kehyksen agenttien suunnitteluun, kehittämiseen, testaamiseen ja käyttöönottoon.
• Luku 2: Agentforce Platform. Tässä luvussa tutkitaan Agentforcea, yhtenäistettyä alustaa, joka virtaviivaistaa ja nopeuttaa agenttien koko kehitysjakson elinkaarta. Agentforce tarjoaa työkaluja agenttien suunnitteluun, datan käsittelyyn, mallin kouluttamiseen, käyttöönottoon ja jatkuvaan valvontaan, mikä yksinkertaistaa monimutkaisia tehtäviä ja parantaa tehokkuutta.
• Luku 3: Pro-Code-toteutus. Tämä opas käyttää Agentforcen pro-code-työkaluja tarjotakseen käytännöllisiä, vaiheittaisia ohjeita ja todellisia esimerkkejä agenttien kehittämiseen. Se kattaa koko agenttien kehitysjakson, prototyyppien ja ominaisuuksien suunnittelusta mallin käyttöönottoon, suorituskyvyn hienosäätämiseen ja ylläpitoon, ja tarjoaa kehittäjille taitoja, joilla he voivat rakentaa agentteja tuotanto-valmiiksi.

Tämän asiakirjan tavoitteena on tarjota sinulle teoreettinen ja käytännön Knowledge Agentforcen pro-code-työkaluista. Opit rakentamaan, ottamaan agentteja käyttöön ja valvomaan heitä tehokkaasti, turvallisesti ja luotettavasti, saadaksesi kattavan käsityksen ADLC:stä ja maksimoidaksesi Agentforcen potentiaalin älykkään agenttien kehittämisessä.

AI-agenttien ei-deterministinen luonne vaatii erikoistuneen kehysjärjestelmän. Tässä luvussa kuvataan kyseinen kehysjärjestelmä esittämällä Agentin kehitys elinkaari (ADLC). Tämä luokka tarjoaa kattavan yleiskatsauksen ADLC:n viidestä ydintajasta alustavaan ideointiin ja suunnitteluun jatkuvaan valvontaan ja hienosäätämiseen. Tässä luvussa luodaan perustiedot, joita tarvitaan vahvojen ja luotettavien agenttien rakentamiseen.

Tämä osio kartoittaa SDLC-käsitteet ADLC:n viiteen vaiheeseen.

Tämä on perusvaihe, jossa agentin strateginen tarkoitus ja toiminnalliset rajat määritetään. Hyvin rakenteellinen suunnitteluvaihe on tärkein askel menestymiseen, koska se kääntää liiketoimintatarpeen tekniseksi suunnitelmaksi. Suunnitteluprosessi varmistaa, että agentti ei ole vain toimiva, vaan myös vastuullinen ja käyttäjien odotusten mukainen. Siinä "mitä" ja "miksi" määritetään ennen koodin kirjoittamista.

1. Agenttien tavoitteiden ja kykyjen määrittäminen: Ensin sinun täytyy selkeästi selittää agentin ensisijainen tavoite ja tarkkoja ja mitattavissa olevia tehtäviä, joita se suorittaa. Tämä sisältää sen roolin (esimerkiksi "asiakaspalveluavustaja"), sen ydintoimintojen (esimerkiksi "varausten tekeminen", "tuotekysymysten vastaaminen") määrittämisen ja sen onnistumistietojen määrittämisen.
2. Henkilöllisyyden ja eettisten vartioiden luominen: Tämä vaihe käsittää agentin persoonallisuuden suunnittelun ja sen eettisten rajojen määrittämisen, jotta se on luotettava ja turvallinen. Se määrittää agentin äänenvoiman (esimerkiksi "virallinen", "ystävällinen") ja käyttää tiukkoja sääntöjä estääkseen haitallisia, puolueellisia tai sopimattomia vastauksia.
3. Kartoituksen asiayhteys ja ymmärtäminen: Sinun täytyy määrittää, mitä tietoja agentin täytyy ymmärtää ja muistaa ollakseen tehokas. Tämä sisältää sen Knowledge ja selkokielisen muistin vaikutusalueen määrittämisen, mikä sallii sen käydä yhdenmukaisia ja monivaiheisia keskusteluita.
4. Työkalujen ja järjestelmäintegraatioiden tunnistaminen: Tämä sisältää ulkoisten järjestelmien, API-rajapintojen ja tietolähteiden inventaarioinnin, johon agentin täytyy muodostaa yhteys suorittaakseen tehtäviä. Jokainen työkalu tunnistetaan (esimerkiksi ajanvaraus-API, asiakastietokanta) ja sen toiminto kartoitetaan tiettyyn agentin kykyyn.
5. Henkilön silmukan eskaloinnin suunnitelma: On tärkeää määrittää ehdot, joiden perusteella agentti eskaloituu ihmiseksi. Tämä sisältää mahdollisten epäonnistumispisteiden ja selkokielisten ”dead ends” -tapahtumien tarkastamisen määrittääkseen, milloin agentin tulisi eskaloida ihmisoperaattori. Suunnittelussa tulisi kuvata, miten tämä siirto suoritetaan, jotta asiayhteydestä siirretään riittävästi, jotta se voidaan kuluttaa nopeasti saumattoman asiakaskokemuksen takaamiseksi.

Tämä on käytännön vaihe, jossa suunnittelun suunnitelma muutetaan toimivaksi agentiksi. Kehittäjät rakentavat agentin, yhdistävät sen sen työkaluihin ja tarjoavat sille tietoja, joita se tarvitsee tehtäviensä suorittamiseen. Tämä iteratiivinen "sisäkkäinen silmukka" rakentamisesta ja hienosäätämisestä on paikka, josta agentti todella herää eloon.

1. Agentin logiikan ja päätöksenteon määrittäminen: Tämä vaihe käsittää agentin päättelytavan muodostamisen yhdistämällä sen päätöksenteon kehysympäristön asiayhteyteen, työkaluihin ja tietolähteisiin. Kehittäjän rooli on määrittää agentin toimintatapa luomalla API-rajapintoja tai käyttämällä olemassa olevia API-rajapintoja uudelleen, määrittämällä toimintatavat ja määrittämällä, miten agentti valitsee ja käyttää käytettävissä olevia työkaluja monimutkaisten monivaiheisten tehtävien suorittamiseen.
2. Engineerin kehotteet ja hienosäätämismallit: Agentin henkilökuva, ohjeet ja rajoitukset koodataan huolellisella kehotteiden suunnittelulla. Tämä prosessi käsittää pääkehotteen luomisen, joka opastaa Large Language Model (LLM) -mallia, ja edistyneemmissä käyttötarkoituksissa mallin hienosäätämisen toimialuekohtaisista tiedoista sen suorituskyvyn parantamiseksi.
3. Tekoälityökalujen integrointi ja suojaus: Suunnitteluvaiheen aikana tunnistetut funktiot ja API-rajapinnat yhdistetään agentille. Käyttämällä SDK-työkalua kehittäjät rivittävät olemassa olevia toimintoja tai luovat uusia, jotta agentti voi kutsua niitä turvallisesti ja varmistaa, että heillä on oikea todennus ja virheiden käsittely.
4. Datan ja RAG-putkien rakentaminen: Kehittäjät rakentavat dataputket haun parannettua generointia varten (Retrieval-Aggmented Generation, RAG) tarjotakseen agenteille ulkoista Knowledgea. Tämä sisältää tietojen yhdistämisen ja indeksoinnin lähteistä, kuten vektorikaupoista, suhdetietokannoista, kaavion tietokannoista tai sisäisistä asiakirjoista, jotta agentti voi käyttää näitä tietoja tarjotakseen tarkkoja ja asiayhteydestä riippuvaisia vastauksia.

AI-agenttien testaaminen tuo esiin paradigman muutoksen perinteisen ohjelmiston deterministisestä vahvistuksesta. Kun perinteinen sovellus testataan oikeellisuudelle — tietyn syötteen täytyy tuottaa yksittäinen odotettu tulos — agentin ei-deterministinen luonne vaatii monimutkaisempaa lähestymistapaa. Tavoitteena ei ole vahvistaa yhtä oikeaa vastausta, vaan varmistaa, että agentin toimintatapa vastaa sen käyttötarkoitusta, on kestävää odottamattomilta syötteiltä ja pysyy luotettavana hyväksyttävissä lopputuloksissa.

1. Yksiköiden testaaminen: Tämä kerros keskittyy agentin deterministisiin, ei-AI-komponentteihin. Se sisältää perinteisen yksikkötestauksen, joka vahvistaa, että jokainen yksittäinen työkalu ja toiminto toimii oikein erillään, ja varmistaa luotettavan perustan ennen kuin agentin monimutkaista päättelyä sovelletaan.
2. Lopusta loppuun (E2E) -testaus: Tämä vaihe arvioi, voiko agentti saavuttaa tavoitteita realistisissa skenaarioissa, mikä on kriittistä sen ei-deterministisen luonteen vuoksi. Näiden lopputulosten tarkastamisen sijaan nämä testaukset varmistavat, että agentti suorittaa tehtävät onnistuneesti ja että hänen suorituskykynsä ei heikkene, kun muutoksia tehdään.
3. Vastakkaiset ja kestävyystestien testaaminen: Tämä on käytäntö, joka yrittää rikkoa agenttia tarkoituksella löytääkseen sen heikkoudet ennakoivasti. Testaajat käyttävät epätarkkoja pyyntöjä, pahantahtoisia kehotteita ja muita ääritapauksia paljastaakseen haavoittuvuuksia ja varmistaakseen, että agentti pysyy kestävänä ja turvassa paineen alla.
4. Human-in-the-Loop (HITL) -arviointi: Koska automatisoidut testit eivät voi mitata hienojakoisia ominaisuuksia, kuten äänenvoimaa tai selkokielistä kulkua, tämä vaihe perustuu ihmisten palautteeseen. Testaajat vuorovaikuttavat agentin kanssa pisteyttääkseen hänen vastauksensa hyödyllisyyden ja kokonaiskokemuksen perusteella, mikä tarjoaa olennaista dataa hänen toimintatavansa hienosäätämiseksi.
5. Suorituskyvyn ja skaalan testaaminen: Tämä on tärkeä vaihe suorituskyvyn pullonkaulojen välttämiseksi ennen kuin ne vaikuttavat käyttäjiin. Tämä prosessi simuloi todellisia huippukäytön skenaarioita varmistaakseen, että agentit ja sovellukset voivat käsitellä suuria määriä saumattomasti ja ennustetusti. Se vahvistaa, että ratkaisu on paitsi oikea myös skaalattava.

AI-agentin käyttöönotto on hallittu prosessi, joka keskittyy varmistamaan, että käyttäjät käyttävät vahvistettua agenttia luotettavasti ja toistuvasti. Tämä vaatii rakenteellisen lähestymistavan, joka siirtää agentin versiohallitusta resurssista live-palveluun, jota valvotaan.

1. Pakkaus ja versionhallinta: Agentin koko määritelmä, mukaan lukien sen kehotteet ja työkalut, kerätään tiedostossa metadatana ja tallennetaan lähdekoodin hallintajärjestelmään, kuten Gitiin. Tämä luo yhden totuuden lähteen ja kaikkien muutosten kirjattavan historian.
2. CI/CD-putket: Tuotantopolku on automatisoitu välttyäksesi ihmisvirheiltä ja varmistaaksesi yhdenmukaisuuden. Nämä myyntiputket ylentävät agenttia automaattisesti kehitys-, testaus- ja tuotantoympäristöjen kautta ja suorittavat jokaisessa vaiheessa loppuun asti testit toimimaan laatusiltapalveluna.
3. Vaiheelliset julkaisustrategiat: Riskien minimoimiseksi agenttien uudet versiot julkaistaan pienelle määrälle käyttäjiä käyttämällä strategioita, kuten Canary Releases. Tämä sallii todellisen suorituskyvyn valvonnan ennen täyttä käyttöönottoa, ja mahdollistaa ongelmien palauttamisen nopeasti.
4. Aktivointi ja hallinta: Agentin käyttöönoton tärkein vaihe on aktivoida agentti turvallisesti oikeilla käyttöoikeuksilla ja varmistaa, että se on yhdistetty valvontatyökaluihin. Tämä tarjoaa välittömän näkymän juuri käyttöönotetun agentin kuntoon ja suorituskykyyn siitä hetkestä alkaen, kun se julkaistaan.

Käyttöönotto ei ole agenttien kehitysjakson loppu, vaan sen jatkuvan "ulkoisen silmukan" alku. Agentit ovat dynaamisia järjestelmiä, jotka toimivat ennustamattomissa ja todellisissa ympäristöissä. Tämä vaihe on tarkoitettu agentin live-suorituskyvyn seuraamiseen, havaintojen keräämiseen hänen vuorovaikutuksistaan ja tietojen käyttämiseen tehokkuuden, turvallisuuden ja tehokkuuden järjestelmälliseen tarkentamiseen ja parantamiseen ajan myötä.

1. Reaaliaikainen suorituskyvyn valvonta: Tämä käytäntö seuraa agentin tärkeimpiä toimintatilastoja käyttäjien kanssa vuorovaikuttaessa. Mittaristoja käytetään viiveen, valtuuksien kulutuksen (kustannusten) ja API-virhesuhteiden valvomiseksi, mikä tarjoaa välittömän yleiskatsauksen agentin kunnosta ja tehokkuudesta.
2. Käyttäytyminen ja Success Analytics: Tämä käsittää keskustelulokien analysoinnin ymmärtääksesi, miten agentti todennäköisesti suorittaa tehtäviään. Se keskittyy tehtävien suoritussuhteiden seuraamiseen, yleisimpien epäonnistumispisteiden tunnistamiseen tai selkokielisiin ”dead ends”-tapahtumiin sekä käyttäjien tyytyväisyyden mittaamiseen määrittääkseen, saavuttaako agentti tavoitteensa onnistuneesti. Esimerkiksi palveluagenteille se voisi tarjota tilastoja siitä, kuinka usein ja miksi agentti eskaloituu ihmiseksi.
3. Älykäs hienosäätö ja hienosäätö: Tämä on aktiivinen prosessi, jossa käytetään havaintoja valvonnasta agentin parantamiseksi. Tämä voi vaihdella kehotteiden suunnittelusta työkalujen optimointiin.
4. Dataan perustuva RAG-parannus: Agentin Knowledge laatua parannetaan jatkuvasti todellisten kyselyiden perusteella. Valvonta saattaa paljastaa, että agentilla on vaikeuksia tiettyjen aiheiden kanssa, mikä johtaa tietolähteiden tai noutoprosessin tarkentamiseen (RAG-tarkentaminen) vastaustensa tarkkuuden parantamiseksi.
5. Jatkuva oppiminen ja sopeutuminen: Tämä sisältää palautteen silmukan luomisen, jossa tuotantodataa käytetään agentin tekemiseen älykkäämmäksi. Vuorovaikutuslokien otsikoiminen — joko ihmisen valvonnalla tai LLM-pohjaisella otsikoinnilla — luo kerätyn datajoukon, jota voidaan käyttää perustana olevan mallin hienosäätämiseen ja parannusten suosittelemiseen.

Agentforce tukee kaikkia ADLC-vaiheita integroidulla työkalulla suunnitteluun, kehitykseen, testaukseen, käyttöönottoon, valvontaan ja analyysiin – kaikki yhdessä yhtenäistetyssä alustassa, jolla voit rakentaa ja testata tehokkaita agentteja nopeasti.

Agentforce ADLC perustuu seuraaviin periaatteisiin:

• Kehitetty sekä vähäkoodille että pro-koodille: Kokoonpanoon perustuvan käyttöönoton (matala koodi) ja ohjelmallisen laajennettavuuden (pro-code) tuki.
• Jatkuvat tekoälyyn perustuvat avunpyynnöt ja palautteen silmukat: Sieppaa ja analysoi selkokielisiä tietoja auttaakseen agentteja parantamaan tekoälyä jatkuvasti.
• Testaukseen perustuva kehitys kaikilla tasoilla: Kattava testaus kaikissa vaiheissa, determinististen komponenttien vahvistaminen perinteisten yksikkötestien avulla ja uusien lähestymistapojen tarjoaminen agenttien ajattelun ja ei-determinististen toimintatapojen testaamiseen.
• Executive- ja LOB-havainnot: Tarjoamme kustannus-, käyttö- ja suorituskykytilastoja toiminnallisille ja johtaville sidosryhmille.

Tässä luvussa näytetään, miten Agentforce tukee ADLC:n kaikkia vaiheita yhdessä yhtenäistetyssä alustassa.

Ideointi

Ideointivaihe on ADLC:n perustava vaihe, jossa agenttien alustava visio ja vaatimukset määritetään. Se sisältää syvällisen syventymisen ongelman ymmärtämiseen, mahdollisten ratkaisujen tunnistamiseen ja agentin ydintoimintojen kuvaamiseen.

Aloita agenttisi ideointiprosessi määrittämällä sen avainattribuutit:

1. Tavoite/tavoite: Määritä agentin ensisijainen tavoite selkeästi. Mitä tiettyä ongelmaa se on suunniteltu ratkaisemaan tai mihin tehtävään se on tarkoitettu? Kenelle agentin tulisi tarjota palvelua? Tämän tulisi olla ytimekäs ja mitattavissa oleva lauseke, joka ohjaa koko kehitysprosessia.
2. Henkilökuva: Kehitä agentille yksityiskohtainen henkilökuva. Tämä sisältää sen identiteetin, viestintätyylien ja käyttäjien tai muiden järjestelmien kanssa vuorovaikuttamisessa käytettävän roolin määrittämisen. Ota huomioon sen sävy, muodollisuuden taso ja kaikki erityisominaisuudet, joiden avulla se toimii tarkoitetussa asiayhteydessä.
3. Kuvio: Tunnista ja linkitä asiaankuuluvia agenttien kuvioita ja toteutusstrategioita. Tämä kattaa arkkitehtuurin suunnittelun tai suositeltuja käytäntöjä, jotka voivat kertoa agentin rakenteesta ja toimintatavoista. "Agentin kuviot ja toteutus Salesforce Agentforcessa: Tekninen whitepaper", joka on arvokas resurssi tähän vaiheeseen, tarjoaa havaintoja tehokkaasta agenttien suunnittelusta Salesforce Platformissa ja Agentforcessa.

Suunnittelu

Suunnitteluvaihe kääntää käsitteet ideasta yksityiskohtaiseen suunnitelmaan agentin rakenteelle. Tämä sisältää agentin arkkitehtuurin, käyttäjäkulujen, vuorovaikutusmallien ja teknisten määritysten määrittämisen, kuten aiheiden, työkalujen ja suojamerkkien määrittämisen.

Suunnitteluvaiheen aikana luot agentillesi yksityiskohtaisen suunnitelman, johon sisältyy:

• Agentin suunnittelu: Kuvaile agentin sisäinen rakenne, mukaan lukien sen komponentit, moduulit ja miten ne vuorovaikuttavat. Tämä saattaa sisältää Knowledge, kokoonpanon ja logiikan määrittämisen agenttien toimintatavan, luonnollisen kielen käsittelykomponenttien (NLP) ja muiden järjestelmien integrointipisteiden hallitsemiseksi.
• Käyttäjäkulut/vuorovaikutusten suunnittelu: Kartoita käyttäjän koko matka ja agentin vuorovaikutukset. Määritä keskustelukulkuja, päätöspuita, virheiden käsittelyjärjestelmiä ja palautejärjestelmiä luodaksesi intuitiivisia ja tehokkaita käyttökokemuksia.
• Tekniset tiedot: Dokumentoi agentille tekniset ei-toiminnalliset vaatimukset, kuten suorituskykytilastot, skaalattavuudessa huomioitavat asiat, suojausprotokollat ja integraatiotoiminnot.
• Prototyyppi ja mallinnukset: Luo agentin käyttöliittymästä ja vuorovaikutuksista visuaalisia esityksiä tai interaktiivisia prototyyppejä. Tämä mahdollistaa varhaisen testauksen ja palautteen, mikä auttaa hienosäätämään suunnittelua ennen täyden skaalan kehittämisen aloittamista.
• Data: Kun määrität agentin tarvitseman datan tyyppiä ja lähteitä, tunnista datajoukot, API-rajapinnat, tietokannat ja säiliöt, joiden käyttöoikeus agentilla on. Jos käytät Agentforcea, keskity siihen, mitä tietoja annetaan asiayhteydessä, onko se rakenteellinen vai jäsentämätön ja onko se reaaliaikainen vai eräkohtainen. Agentforce Platform on rakennettu syvällisesti Data 360:n kanssa, joten voit käyttää sekä rakenteellista että jäsentämättömää dataa Salesforce CRM:stä ja muista lähteistä. Jäsentämätön sisältö voidaan natiivisesti pilkkoa ja indeksoida RAG:lle. MuleSoft sallii sinun muodostaa yhteyden ulkoisiin järjestelmiin.
• Työkalut: Tunnista toiminnot, jotka agentin täytyy suorittaa. Käytä Agentforce paljastaaksesi työkaluja, jotka saavuttavat liiketoimintatavoitteita. Nämä toiminnot hyödyntävät olemassa olevia Salesforce-resursseja, kuten Kehotteiden rakentaja, MuleSoft, Apex, Kulut ja API-rajapinnat, joissa on OpenAPI-määritykset. Mikä tahansa kutsuttava toiminto voidaan integroida Agentforce ja käyttää agentilla, jolloin kaikki Salesforcen tutut kehitystyökalut ovat helposti saatavilla Agentforce.
• Agenteille syötettävät tiedot: Perinteisessä SDLC:ssä input-arvot on määritetty tarkasti. ADLC:ssä syötetyt tiedot ovat usein luonnollisia, ei-deterministisiä, vapaamuotoisia lausumia. Kerää edustava joukko lausumia, joiden odotetaan tuottavan asiaankuuluvia vastauksia.

Kehitysvaihe keskittyy ideoinnin ja suunnittelun vaiheessa määritetyn agentin käyttötarkoituksen, kykyjen ja toiminnan vaikutusalueen kääntämiseen uuteen Agentforce.

Agentforce tarjoaa sekä Agent Builderin että Agentforce Developer Experiencen (AFDX) auttaakseen kehittäjiä luomaan agentteja. Nämä perustyökalut toimivat agentin rakentamisen ja määrittämisen ensisijaisina ympäristöinä.

• Agentin rakentaja tarjoaa käyttöliittymän, jolla voit määrittää agentin ydintoimintoja.
• AFDX tarjoaa ohjelmallisen käyttöliittymän, jota voi mukauttaa ja integroida muiden järjestelmien kanssa.

Agentin kehittäminen ja rakentaminen sisältää seuraavat vaiheet, jotka voidaan suorittaa joko Agent Builderilla tai AFDX:n avulla:

1. Henkilöllisyyden määrittäminen: Eräs tärkeä osa agenttien suunnittelua on luoda erillinen henkilökuva. Tämä sisältää seuraavien kohteiden määrittämisen:
   • Agentin kuvaus: Yksityiskohtainen kuvaus agentin roolista, tavoitteista ja tietyistä asiakaspalvelutehtävistä, joita se on suunniteltu käsittelemään.
   • Ääni: Agentin viestintätyyli, empatia ja tietyt brändin ohjeet, joita hänen täytyy noudattaa.
2. Agentin aiheiden ja toimintojen määrittäminen: Jotta agentti olisi hienostunut ja kykenevä käsittelemään erilaisia tehtäviä, on tärkeää jakaa hänen kykyjään erillisiin aiheisiin vastaavilla toiminnoilla.
   • :Aiheet Jokainen aihe voidaan käsittää omana erikoistuneena agenttina, joka sisältää ainutlaatuisia ohjeita ja työkaluja.
     • Moduuliarkkitehtuuri. Aiheiden modulaarinen lähestymistapa parantaa organisaatiota ja skaalattavuutta. Määrittämällä useita aiheita agentti voi käsitellä monimutkaisempia skenaarioita. Agentilla voi esimerkiksi olla erilliset aiheet "Tilaustenhallinta", "Yleisimmät kysymykset", "Tekninen tuki" ja "Laskutuspyynnöt".
   • Aiheiden ohjeet (suojat): Jokainen aihe sisältää tiettyjä ohjeita, jotka toimivat vartijatunnisteina ja määrittävät, mitä agentti voi keskustella tai tehdä kyseisessä aiheessa. Nämä ohjeet estävät agenttia menemästä aiheiden ulkopuolelle tai antamasta tarpeettomia tietoja. Ne auttavat myös säilyttämään vastausten yhdenmukaisuuden ja tarkkuuden.
   • Toiminnot: Aiheet sisältävät myös "työkaluja", jotka edustavat agentin suorittamia toimintoja. Nämä työkalut voivat olla:
     • Informatiiviset toiminnot: Datan noutaminen Knowledge tai ulkoisesta järjestelmästä kyselyyn vastaamiseksi.
     • Transaktiotoiminnot: Toimintojen suorittaminen käyttäjän puolesta, kuten tilauksen tekeminen, asiakastietueen päivittäminen tai hyvitysprosessin käynnistäminen. Nämä toiminnot on usein integroitu muihin järjestelmiin (esimerkiksi CRM, ERP).

Kun testaajat arvioivat tekoälyn agenttien suorituskykyä ja luotettavuutta, he kohtaavat usein useita haasteita, jotka voivat heikentää käyttäjäkokemusta. Nämä ongelmat vaihtelevat käyttäjän tarkoituksen väärästä tulkinnasta tehtävien suorittamisen epäonnistumiseen.

Yleisimmät agenttien virheiden skenaariot

Vahvan agentin rakentaminen vaatii ymmärrystä siitä, miten ja missä se voi epäonnistua. Seuraava taulukko luokittelee agentin elinkaaren aikana esiintyvät yleiset ongelmat, jotka vaihtelevat virheellisestä perustelusta Knowledge palauttamiseen. Käytä tätä strategisena oppaana kehityksen aikana ja tarkistuslistana testauksen aikana varmistaaksesi, että agenttisi ei ole vain toimiva, vaan myös luotettava ja intuitiivinen loppukäyttäjälle. Näiden virheiden skenaarioiden tulisi auttaa sinua määrittämään testitapauksia.

AI-agenttien testaamiseen suositellut käytännöt

Alla on kuvattu suositellut käytännöt, jotka sinun kannattaa pitää mielessäsi, kun testaat agentteja Agentforcessa.

1. Testidatan parantaminen
   Tehokkaan testauksen perusta on kattava ja realistinen testidata. Noudata näitä periaatteita varmistaaksesi, että sinulla on tehokasta testidataa agenttiesi testaamiseen:

   • Riittävä kattavuus: Valitse tarpeeksi testitietoja kattaaksesi kaikki tärkeimmät aiheet ja käyttäjähenkilöt.
   • Realistiset skenaariot: Varmista, että testitietosi edustavat todellisia käyttäjätoimintoja oikein.
   • Negatiiviset tapaukset ja edessä olevat tapaukset: Sisällytä negatiivisia testitapauksia (joita agentin ei tulisi tehdä) ja reunojen skenaarioita, jotka haastavat agentin rajoja.
   • Varaston testaaminen: Lisää tiettyjä testitapauksia, jotka on suunniteltu vahvistamaan, että agentin turvavyöt toimivat oikein.

2. Testien optimointi
   Optimoi testien suoritustavat, jotta saat kaiken hyödyn irti testausresursseistasi. Agentforce testaamisessa huomioitavia asioita on kuvattu alla:

   • Testien määrä: Voit hyödyntää enintään 1 000 testitapausta.
   • Suorita samanaikaisia testejä: Voit suorittaa enintään 10 testitapausta kerralla 10 tunnin aikana.
   • Resurssien hallintaoikeus: Muista, että testien suorittaminen kuluttaa krediittejä. Varmista, että olet tyytyväinen testitietoihisi ennen suorituksen aloittamista välttyäksesi tarpeettomilta kustannuksilta.

3. Tarkastuksen tulokset
   Analysoi testitulokset huolellisesti tunnistaaksesi parannettavat osa-alueet:

   • Virheiden analysointi: Tarkasta jokainen epäonnistunut testitapaus erikseen. Lue ja ymmärrä odotettujen ja todellisten tulosten eroavaisuudet huolellisesti tunnistaaksesi ongelman.
   • Sandbox-ympäristön käyttäminen: Testiagentit voivat muokata CRM-dataa. Suorita testaus aina muussa kuin tuotantoympäristössä, kuten sandboxissa tai luonnosorganisaatiossa, välttyäksesi tahattomilta muutoksilta live-datallesi.

4. Säädä ja testaa uudelleen
   Testaaminen on iteratiivinen prosessi, joka jatkuu, kun agentti kehittyy:

   • Testaa jatkuvasti: Suorita testejä agentin aiheisiin tai toimintoihin tehtyjen muutosten jälkeen. Tämä vahvistaa muutokset ja varmistaa, että niiden laatu säilyy.
   • Laajenna testien kattavuutta: Kerää ja laajenna datajoukkoasi jatkuvasti uusilla testitapauksilla parantaaksesi agentin kokonaiskattavuutta ja kestävyyttä.

Menettelyiden testaaminen

Yksittäinen testausmenetelmä ei riitä agentin monimutkaisuuden vuoksi. Kattava vahvistusstrategia täytyy olla kerroskerroksessa, joka yhdistää erilaisia lähestymistapoja kattaakseen kaiken ennustettavista, deterministisistä toiminnoista sen ei-deterministiseen, selkokieliseen toimintatapaan. Nämä lähestymistavat tarjoavat kehyksen, jolla voit arvioida agentin jokaisen komponentin järjestelmällisesti varmistaaksesi, että se on vahva, luotettava ja turvallinen.

1. Manuaalinen testaus agenttien simulaattorilla ja suunnitelmien seuraajalla

   • Tavoite: Tämä on ensimmäinen ja usein yksinkertaisin tapa testata agenttia. Se soveltuu hyvin pienelle määrälle käyttötarkoitusten esimerkkejä ja saadaksesi perustiedot agentin toimintatavoista.
   • Mekanismi: Agentin simulaattori tarjoaa hallitun ympäristön, jossa kehittäjät ja pääkäyttäjät voivat vuorovaikuttaa agentin kanssa suoraan. Tämä simulaattori sallii yksityiskohtaisen seurannan pääkäyttäjän/kehittäjän tarjoamista tiedoista ja tarjoaa havaintoja siitä, miten agentti käsittelee syötettyjä tietoja ja luo tuloksia.
   • Hyödyt:
     • Pikapalaute
     • Välittömien ongelmien tunnistaminen on helppoa
     • Auttaa ymmärtämään agentin logiikan kulun

2. Automaattinen testaus testauskeskuksella tai AFDX-testisarjalla

   • Tavoite: Kun manuaalinen testaus on laatinut toimintatavan perustason, automatisoitu testaus on tärkeää skaalattavuuden, tarkkuuden ja regressiotestauksen kannalta.
   • Mekanismi: Työkalut, kuten Testing Center tai AFDX-testisarja, sallivat automatisoitujen testien luomisen esimääritettyjen käyttötarkoitusten perusteella. Nämä testit on suunniteltu vahvistamaan, toimivatko agentin ohjeet ja alaisten agenttien luokitukset oikein useissa eri skenaarioissa.
   • Hyödyt:
     • Varmistaa yhdenmukaisen suorituskyvyn
     • Tunnistaa hienovaraiset virheet
     • Tukee jatkuvaa integrointia / jatkuvaa käyttöönottoa (CI/CD)
     • Tarjoaa kattavan kattavuuden

3. Toimintoihin perustuva yksikkötestaus Apexilla ja kuluilla

   • Tavoite: Vahvistaaksesi agenttien toimintoihin sisältyvän deterministisen liiketoimintalogiikan. Vaikka agentin yleinen toimintatapa ei ole määräävä, agenttien toiminnot perustuvat usein teknologioihin, kuten kulkuihin ja Apexiin, joihin sovelletaan standardikehityskäytäntöjä.
   • Mekanismi: Kehittäjät kirjoittavat yksikkötestejä tietyille kuluille tai Apex, joita agenttitoiminto kutsuu. Nämä testit vahvistavat agentin logiikan yksittäiset komponentit varmistaakseen, että ne tuottavat odotetut tulokset tietylle syötettyjen tietueiden joukolle.
   • Hyödyt:
     • Näiden yksikkötestien integrointi DevOps-putkeen tarjoaa automatisoidun suojausverkon
     • Vahvistaa, että toiminnon logiikkaan tehdyt muutokset tai parannukset eivät aiheuta regressioita
     • Varmistaa, että agentin ominaisuudet ovat luotettavia ennen kuin ne otetaan käyttöön tuotantoympäristössä

4. Ristiriitainen testaus - Tietoturva ja vartiointioikeus:

   • Tavoite: Useiden agenttityyppien rakentaminen vaatii vahvan turvallisuuden painopisteen ja varmistaa, että he toimivat määritettyjen parametrien ja vartioiden mukaisesti. Tämä on tärkeää, jotta voit estää tahattomia toimintoja, tietoturvaloukkauksia tai väärinkäyttöä. Siksi vastustavien testien tarkoitus on tunnistaa ja korjata nämä mahdolliset haavoittuvuudet ennakoivasti haastamalla agentin tarkoituksellisesti syötteillä, jotka on suunniteltu ohittamaan sen turvallisuusmekanismeja ja testaamaan siten sen kestävyyttä ja manipulointia.
   • Mekanismi: Ristiriitainen testaus toteutetaan luomalla haastavia, epäselviä tai pahantahtoisia tietoja, jotka ylittävät agentin suunniteltujen toimintatapojen rajat. Vaikka sovellusalustan työkalut, kuten Agent Builderin ”Guardrails”-ominaisuus, tarjoavat havaintoja ohjeiden noudattamisesta, kehittäjien tulisi myös luoda mukautettuja vastakkaisia testitapauksia, jotka yrittävät aktiivisesti saada agentin epäonnistumaan hallitussa ympäristössä.
   • Hyödyt: Tämä lähestymistapa vähentää tietoturvaa ja vaatimustenmukaisuutta koskevia riskejä järjestelmällisesti ennen käyttöönottoa. Tunnistamalla mahdolliset virhepisteet, vastakkainen testaus parantaa agenttien luotettavuutta ja varmistaa, että se toimii turvallisesti ja odotetulla tavalla käyttäjien kanssa vuorovaikuttaessa.

Iteratiivinen testaus luonnosorganisaatioissa ja sandboxeissa

"Sisäinen silmukka" on kriittinen ja iteratiivinen sykli, jossa agentti siirtyy käsitteestä vahvistettuun komponenttiin, joka on valmiina käyttöönottoa varten. Tämä jatkuva hienosäätämisprosessi vaatii sekä kehitys- että testausympäristöjä. Agentforce tarjoaa tämän kehyksen luonnosorganisaatioiden kautta, jotka ovat eristettyjä, väliaikaisia ympäristöjä nopeaan prototyyppien luomiseen, jotka eivät vaikuta jaettuihin ympäristöihin, sekä sandboxeja, jotka mahdollistavat perusteellisen testauksen realistisilla tiedoilla nopeuttaakseen tuotantoympäristöä.

1. Kehitys luonnosorganisaatioissa: Alustavan kehityksen tulisi tapahtua luonnosorganisaatiossa. Kehitysympäristössä tarjotut työkalut, kuten Agent Builder ja AFDX, ovat täysin käytössä tässä. Luonnosorganisaatiot ovat vahvoja ehdokkaita CI/CD-putkille, jotka suorittavat yksikkötestejä, suorittavat koodianalyysejä ja edistävät muutoksia korkeampiin ympäristöihin.
2. Käyttöönotto sandboxiin todellisen datan testaamista varten: Kun agentin ydintoiminnot on kehitetty luonnosorganisaatiossa, ota se käyttöön sandboxissa. Sandboxit ovat kopioita tuotantoympäristöstä, mikä tarjoaa realistisempaa testausaluetta.
   • Todellinen data vs. Datan piilottaminen: Vaikka jotkin kehittäjät saattavat esittää dataa luonnosorganisaatioissa alustavaa testausta varten, käyttöönotto sandboxiin sallii testauksen "todellisella datalla". Tämä on tärkeää agentin suorituskyvyn arvioimiseksi skenaarioissa, jotka vastaavat tarkasti todellisia asiakasvuorovaikutuksia. Edustavamman datan käyttäminen sandboxissa nopeuttaa kehitys- ja hienosäätöprosessia merkittävästi.
   • Koko tai osittainen sandbox ydin CRM-datalle: Riippuen datamäärästä ja tietyistä testausvaatimuksista, voit käyttää joko täyttä tai osittaista sandboxia.
     • Full-sandbox: Tarjoaa tuotantoympäristön täydellisen kopion, mukaan lukien kaikki metadata ja data. Soveltuu täydellisesti laajoihin testauksiin ja suorituskyvyn hienosäätämiseen suurilla datajoukoilla.
     • Osittainen sandbox: Sisältää tuotantotietojen osajoukon, joka riittää usein tiettyjen ominaisuuksien tai toimintojen testaamiseen, kun täyttä datajoukkoa ei välttämättä tarvita.
   • Knowledge ja RAG-hallinta: Jos agentti luottaa Knowledge tai Retrieval-Augmented Generation (RAG) -malliin, tuo kaikki asiaankuuluva sisältö sandboxiin ja indeksoi se uudelleen. Tämä varmistaa, että agentti käyttää ajankohtaisia tietoja testauksen aikana ja voi noutaa ja syntetisoida sisältöä tarkasti.

Agentforce määrittää agentit metadatan kautta, jotta heidät voidaan ottaa käyttöön käyttämällä Salesforcen vakiotoimenpiteitä, kuten Muutosjoukot tai AFDX. Tämä vaihe korostaa turvallista ja hallittua käyttöönottoa kriittisten ominaisuuksien avulla, kuten agenttien versioinnin ja erillisen aktivointivaiheen avulla, mikä varmistaa järjestelmän vakauden ja mahdollistaa ongelmien nopean palautuksen.

Noudata näitä ohjeita ottaaksesi uuden agenttisi käyttöön ja vapauttaaksesi hänet.

1. Ota käyttöön Change Set/Metadata API:n tai AFDX:n kautta: Agenttien käyttöönottoprosessi hyödyntää Salesforcen vakiotoimenpiteitä ja käsittelee agentteja metadatana. Tämä tulisi olla tuttu prosessi kaikille, jotka ovat tottuneet Salesforcen kehittämiseen ja käyttöönottoon. Muutosjoukkojen tai AFDX:n käyttäminen varmistaa rakenteellisen ja yhdenmukaisen lähestymistavan agenttikokoonpanojen siirtämiseen ympäristöjen välillä, esimerkiksi sandboxista tuotantoympäristöön. Tämä menetelmä helpottaa versioiden hallintaa ja oikeaa muutostenhallintaa, mikä on tärkeää järjestelmän vakauden ja luotettavuuden ylläpitämiseksi.
2. Agenttien aktivointi käyttöönoton jälkeen: Onnistuneen käyttöönoton jälkeen järjestelmänvalvojan täytyy aktivoida agentti aktiivisesti. Käyttöönotto siirtää agentin koodin ja metadatan vain kohdeympäristöön. Aktivointi on vaihe, joka tekee agentista toimivan ja käytettävissä olevan. Tämä erittely sallii hallitun julkaisun ja testauksen ennen kuin agentti julkaistaan ja vuorovaikuttaa loppukäyttäjien tai muiden järjestelmäkomponenttien kanssa.
3. Versioinnin käyttäminen turvallista agenttien hallintaa varten: Agenttien versiointi on tärkeä ominaisuus, joka parantaa agenttien kehittämisen ja ylläpitämisen turvallisuutta ja joustavuutta merkittävästi.
   1. Uuden version luominen, testaaminen ja julkaiseminen: Suositeltu käytäntö sisältää uuden version luomisen agentista aina, kun muutoksia tai parannuksia tarvitaan. Tämän jälkeen tätä uutta versiota voidaan testata huolellisesti sandbox-ympäristössä vaikuttamatta live-aktivoituun agenttiin. Kun uusi versio on vahvistettu ja sitä pidetään valmiina, se voidaan julkaista ja sen jälkeen aktivoida, korvaamalla edellisen toimintoversion. Tämä iteratiivinen prosessi mahdollistaa jatkuvan parantamisen ja innovoinnin vähentämällä häiriöitä.
   2. Palautus aiempiin versioihin: Versioinnin tärkein etu on kyky palauttaa aiempi vakaa versio nopeasti ja helposti, jos juuri käyttöönotetulle tai aktivoidulle agentille ilmenee ongelma. Jos jokin menee vikaan — esimerkiksi agentti käyttäytyy väärin tai aiheuttaa odottamattoman virheen — pääkäyttäjät voivat palata edelliseen tunnettuun ja hyvään versioon ja aktivoida sen. Tämä ominaisuus tarjoaa kriittisen turvallisuusverkon, joka mahdollistaa nopean palautuksen ja vähentää käyttökatkoksia, mikä varmistaa liiketoiminnan jatkuvuuden ja käyttäjien tyytyväisyyden.

Agentin valvonta

Agentforcen istuntojen jäljittäminen on Data 360:lle rakennettu avoin ja laajennettava malli, joka kaappaa agenttien vuorovaikutukset loppuun asti. Agentforce seuranta tuo dataa eri lähteistä (alkaen järkeilyjärjestelmän lokeista) ja yhdistää kaikki istuntotunnuksen alle.

Istunnon jäljitystietojen malli (STDM) tarjoaa yksityiskohtaisia tietoja siitä, mitä tapahtui agenttien istuntojen aikana, mukaan lukien:

• Vaiheittaiset vuorovaikutukset
• Moottorin suoritusten perustelut
• Toiminnot, kehotteet ja yhdyskäytävän input/output-parametrit
• Virheviestit
• Lopulliset vastaukset

STDM on tärkeä työkalu, joka auttaa kehittäjiä:

• Virheenkorjaa agenttien määrityksissä ja kokoonpanossa esiintyviä ongelmia rakennuksen aikana.
• Katso miksi jotkin testitapaukset epäonnistuivat erätestauksen aikana.
• Kerro, miksi agentti ei voi käsitellä tiettyjä käyttäjien kysymyksiä tai miksi hän on poissa aiheesta.

Kehittäjien tulisi käyttää tätä istunnon seurantadataa valvoakseen, valvoakseen, tutkiakseen ja korjatakseen agenttien tapahtumia, vahinkotapahtumia ja toimintokuvioita.

STDM koostuu Data Lake -objekteista (DLO) ja datamalliobjekteista (DMO), jotka sisältävät yksityiskohtaisia lokeja agenttien toimintatavoista. Arviointijärjestelmän tekemää LLM-kutsua koskevaa metadataa voidaan liittää palaute- tai suojatilastoihin. Data virtaa Data 360:n DLO-objekteihin ja kartoitetaan asiaankuuluviin DMO-organisaatioihin.

Kehittäjät voivat käyttää tätä dataa ja saada havaintoja suorittamalla kyselyitä ja raportteja STDM:n perusteella. STDM:n komponentit on kuvattu alla.

Agentforce-istunnon jäljitystietojen malli ERD

Agentforce

Agentforce Optimization on tehokas ominaisuus, joka on suunniteltu parantamaan tekoälyagenttien suorituskykyä tarjoamalla syvällisiä tietoja käyttäjien vuorovaikutuksista. Sen avulla pääkäyttäjät ja kehittäjät voivat ymmärtää käyttäjien aiheita, osallistumiskuvioita ja agenttien ratkaisujen tehokkuutta, se perustuu istunnon jäljitystietojen datamallin (STDM) analyyttisiin ominaisuuksiin.

Agentforce tärkeimpiin osa-alueisiin sisältyy:

• Ajankohtaiset tiedot: Agentforce Optimization laajentaa STDM-tiedostoa ottamalla käyttöön "Moments", jotka edustavat vuorovaikutuksia, jotka keskittyvät tiettyyn käyttäjän tarkoitukseen tai pyyntöön istunnon aikana. Tämä tarkka data mahdollistaa vuorovaikutuksen jokaisen osan yksityiskohtaisen tarkastuksen, alkaen käyttäjän ensimmäisestä pyynnöstä agentin ratkaisuun.
• Automaattinen hetken käsittely: Päivittäiset hetket luodaan ja klusteroidaan ja merkitaan viikoittain kaikille aktiivisille agenteille käyttämällä laajennettua Large Language Model (LLM) -mallia. Tämä segmentointi yksinkertaistaa kyselyitä ja tarjoaa havaintoja agentti-istuntojen eri osa-alueista.
• Kysely ja analyysi: Käyttäjät voivat kysellä Moments-objekteja tunnisteiden, laatupisteiden ja muiden ehtojen perusteella. Tämä mahdollistaa käyttäjien osallistumisen arvioinnin käyttämällä tilastoja, kuten Momentin kesto ja relevanttiuden laatupisteet, mikä auttaa tunnistamaan parannettavat osa-alueet.
• Yhtenäistetty datamalli: Agentforce hyödyntää yhtenäistettyä istunnon jäljitystietojen mallia (STDM), joka kaappaa kaikki istunnon sisällä kirjatut tapahtumat, mukaan lukien yksittäiset keskustelun vaiheet. Kaikki asiaankuuluvat entiteetit provisioidaan, kun STDM otetaan käyttöön määrityksissä.

Analysoimalla tekoälyn agenttien vuorovaikutuksia, Agentforce sallii käyttäjien tunnistaa parannettavat alueet ja hienosäätää kokoonpanoja vastaamaan paremmin käyttäjien tarpeisiin.

Lisätietoja on kohdassa Datan malli Agentforce Optimizationille.

Tämä luku on käytännöllinen opas koodien kehittäjille. Se näyttää, miten voit rakentaa, testata ja ottaa agentteja käyttöön Agentforce DX:n (AFDX) ja Python SDK:n avulla nopeasti ja turvallisesti. Käytämme koko elinkaarta alusta alkuperäisestä suunnittelusta versiohallittuun agenttiin käyttämällä AFDX:n ja Python SDK:n tehokasta yhdistelmää.

Seuraavat esimerkit hyödyntävät kahta tärkeintä työkalupakettia, jotka on suunniteltu agenttien rakentamiseen ja hallintaan Agentforce Platformissa. Suosittelemme, että ymmärrät nämä työkalut perusteellisesti saadaksesi kaiken hyödyn irti tästä oppaasta.

1. Agentforce DX (AFDX): Elinkaaren hallintaan

Agentforce DX laajentaa Salesforce Developer Experiencen (SFDX) tuttuja työkaluja — mukaan lukien Salesforce CLI- ja VS Code -laajennukset — tukeakseen koko agenttien kehitysjakson elinkaarta. Sitä käytetään hallitsemaan agenttia versioiden hallitsemana metadatana, automatisoimaan testaus komentoriviltä ja orkestroimaan käyttöönottoja kehitysten sandboxien ja tuotantoympäristöjen välillä.

Lisätietoja on kohdassa Agentforce DX -kehityksen aloittaminen.

2. Agentforce Python SDK: Agentin rakentamiseen

Python SDK tarjoaa ohjelmallisen käyttöliittymän kehityksen "sisäiselle silmukalle". Sen avulla voit määrittää agentin järkeilylogiikan, yhdistää sen työkalut ja hallita kehotteiden malleja suoraan tutussa Python-ympäristössä, virtaviivaistamalla ADLC:n ydinrakennusvaihetta.

SDK on saatavilla PyPI:stä: https://pypi.org/project/Agentforce-sdk/.

Koko projekti on saatavilla täältä:
https://github.com/akshatasawant9699/ADLC_Whitepaper.

Tämä perusvaihe määrittää agentin tarkoituksen, henkilökuvan ja ydintoiminnot. Se sisältää kriittisiin kysymyksiin vastaamisen agentin aivojen rakentamiseksi ennen koodin kirjoittamista. Tässä esimerkissä suunnittelemme agentin Coral Cloud Resortsille.

• Missio: Agentti toimii lomakeskuksen päällikkönä, joka käsittelee asiakkaiden valituksia, hallitsee työntekijöiden aikatauluja ja varmistaa, että lomakeskus toimii saumattomasti.
• Henkilökuva: Agentilla on hyödyllinen, ammattimainen ja selkokielinen sävy.
• Työkalut ja ominaisuudet: Agentti tarvitsee käyttöoikeudet varausjärjestelmiin, työntekijöiden ajoitussovelluksiin ja lomakeskusten käytäntöihin.
• Päätöslogiikka: Agentti käyttää tekoälyn luomia aiheita määrittääkseen käyttäjän tarkoituksen ja luodakseen asiaankuuluvia toimintoja.

Agentforce DX:n avulla suunnitteluvaihe muuttuu konkreettiseksi määritystiedostoksi: Agentforce DX: Agentin määrityksen luominen. Pro-code-matkan ensimmäinen vaihe on luoda agentSpec.yaml-tiedosto. YAML-tiedosto kaappaa agentin ydinsuunnittelun, mukaan lukien hänen roolinsa, asiaankuuluvat yrityksen tiedot ja tekoälyn luoman aiheiden luettelon, jotka määrittävät hänen käsittelemänsä työt.

Käytä Salesforce CLI -tiedostoa luodaksesi tämän määrityksen interaktiivisten kehotteiden kautta. Aloita agenttiesi luominen Agentforce DX:n avulla suorittamalla:

Sinun täytyy antaa tarkat tiedot, jotka määritettiin ideointivaiheen aikana:

• Agentin tyyppi: Asiakas
• Yhtiön nimi: Coral Cloud -resurssit
• Yhtiön kuvaus: Coral Cloud Resorts tarjoaa asiakkaille poikkeuksellisia kohdeaktiviteetteja, unohtumattomia käyttökokemuksia ja varauspalveluita, jotka tukevat sitoutumista huippuluokan asiakaspalveluun.
• Agentin rooli: Lomakeskuksen päällikkö käsittelee asiakkaiden valitukset, hallitsee työntekijöiden aikatauluja ja varmistaa, että kaikki prosessit toimivat saumattomasti.

Tämän komennon suorittaminen luo DX-projektin specs -hakemistoon tiedoston agentSpec.yaml. Tiedosto sisältää tietoja, jotka annettiin, sekä luettelon tekoälyn luomista aiheista, jotka sisältävät kunkin aiheen nimen ja kuvauksen. Tarkasta ja muokkaa tiedostoa tarvittaessa tarkentaaksesi agentin kykyjä.

Vastaavasti Python SDK -toteutus käyttää interaktiivista määrityskokoelmaa luodakseen automaattisesti agenttien aiheita, joilla on SDK-yhteensopivuuden vaatimat asiaankuuluvat vaikutusalueen kentät.
Lisäksi se luo täydellisen agentin määritysten JSON-tiedoston, jota käytetään agentin luomiseen vaiheessa 2.

Kehitysvaihe keskittyy agentin ydinkomponenttien rakentamiseen: päättelyjärjestelmä, sen käyttämät työkalut ja sen Knowledge. Agentforce poimii paljon monimutkaisuutta, jolloin kehittäjät voivat keskittyä liiketoimintalogiikkaan.

Tässä osiossa on kaksi pro-code-menetelmää Agentforcen kehitysvaiheelle. Ensinnäkin Agentforce DX:n ja toiseksi Pythonin käyttäminen.

Agentforce DX: Agentin luominen määrityksestä

Kun agentSpec.yaml-tiedosto on valmis, luo agentti Salesforce-organisaatioosi. Suorita tämä komento luodaksesi agentin ja synkronoidaksesi siihen liittyvän metadatan takaisin paikalliseen DX-projektiisi:

Hyväksy pyydettäessä oletusarvoinen API-nimi, eli Resort_Manager. Komento jäsentää määrityksen, luo agentin ja noutaa metadatan. Metadataan sisältyy Botti, BotVersion ja GenAiPlannerBundle, jotka lisäävät tekoälyä ja viittauksia agentin aiheisiin ja toimintoihin.

Esikatsele agentin rakennetta ennen sen luomista lisäämällä --preview-merkintä luodaksesi paikallisen JSON-tiedoston, joka kuvaa LLM:n luoman agentin tyypin, mukaan lukien ehdotetut toiminnot. Esimerkiksi:

Lisätietoja on kohdassa Agentin luominen DX-projektistasi Trailheadista.

Agentforce Python SDK: Määritä tietyt työkalut

Agent SDK helpottaa agenttien testaamista luomalla esimerkkitoimintoja. Nämä esimerkkitoiminnot täytyy lopulta korvata Salesforcessa todellisilla toiminnoilla. Salesforce tarjoaa useita sovellusalustan ominaisuuksia, mukaan lukien Kulut, Apex, Kehotteiden mallit ja API-rajapinnat, jotka kaikki voidaan kapseloida Agentforce.

Alla on toimintojen koodinpätkä, joka kuvaa, miltä Agentforce voisi näyttää.

Toteutus muodostaa yhteyden Salesforceen, luo agentin esiintymän ja määrittää mukautettuja työkaluja ja toimintoja, joita agentti voi käyttää vuorovaikuttaakseen ulkoisten järjestelmien kanssa ja suorittaakseen tiettyjä liiketoimintatehtäviä.

Kuten yllä on kuvattu, agentin testaaminen on monimutkaisempaa kuin perinteinen ohjelmistotestaus. Se vaatii toimintatavan, perustelun ja vakauden vahvistamista eri skenaarioissa. Tämä sisältää yksittäisten työkalujen yksikkötestit, keskusteluiden lopputulosten testaukset ja vastustajien testaukset haavoittuvuuksien löytämiseksi.

Agentforce DX tarjoaa yleisen työnkulun testien luomiseen, käyttöönottoon ja suorittamiseen Testing Centerin ja suoran Testing API:n lisäksi. Tämä osio esittää testien suorittamisen Agentforce DX:llä.

Agentforce DX: Agentin testin suorittaminen

Käytä Agentforce DX:tä suorittaaksesi esimääritettyjä agenttien testejä suoraan komentoriviltä. Tämä on ihanteellinen tapa integroida agenttien testausta nykyaikaisiin DevOps-prosesseihin.

Agentforce Python SDK: E2E- ja Adversarial-testien simulointi

Konseptiivisesti Python SDK sallii komentosarjojen keskusteluiden simuloida loppuun -testejä (E2E) ja vahvistaa agenttien päättelytapoja.

Agentforce Python SDK Salesforce Testing API -rajapinnalla

Python SDK -toteutus käyttää kattavaa testausta Salesforce Testing API:n ja AiEvaluationDefinition-metadatan kanssa luodakseen rakenteellisia testitapauksia, joissa on odotuksia aiheiden sekvensseistä, toimintojen sekvensseistä, merkkijonojen täsmäyksistä ja laatutilastoista. Järjestelmä luo XML-metadatamääritelmiä, joita voidaan ottaa käyttöön Salesforcessa automatisoituja agenttien testausta ja vahvistusta varten.

Kun agentti on vahvistettu, se otetaan käyttöön tuotantoympäristössä. Tässä vaiheessa Agentforce DX auttaa hallitsemaan ja siirtämään agenttien metadataa eri organisaatioiden välillä (esimerkiksi sandboxien ja tuotantoympäristöjen välillä). Agenttien käyttöönotot luovat agentista uuden version eikä agentti julkaise sitä ennen kuin aktivoit sen erikseen. Näin voit hallita, milloin agentin uusi versio julkaistaan.

Agentforce DX: Agenttien metadatan käyttöönotto

Salesforce DX -projektin vakiorakenne organisoi agenttien metadatan force-app -hakemiston alle. Käytä vakiomuotoisia sf-projektin käyttöönottokomentoja ottaaksesi agentin ja siihen liittyvät testit käyttöön kohdeorganisaatiossa.

Kun agentti on luotu tai otettu käyttöön, voit avata sen suoraan Agentforce Builderin käyttöliittymästä ja vahvistaa sen kokoonpanon suorittamalla:

Kun olet vahvistanut, että agentti on otettu käyttöön, voit aktivoida sen. Jos kohtaat odottamattomia ongelmia, palaa agentin edelliseen versioon.

Agentforce Python SDK: Agenttien käyttöönoton ottaminen käyttöön

Toteutus ottaa vahvistetun agentin määrityksen ja ottaa sen käyttöön Salesforce-organisaatiossa, jolloin agentti on käytettävissä. Käyttöönottoprosessi sisältää agenttien luomisen, metadatan synkronoinnin ja onnistuneen käyttöönoton vahvistuksen.

ADLC on jatkuva sykli; käyttöönotto ei ole loppu. Agentit ovat aktiivisia järjestelmiä, jotka vaativat jatkuvaa valvontaa seuratakseen tilastoja, kuten viiveitä, kustannuksia ja onnistumissuhteita. Valvonnasta saatuja havaintoja käytetään agenttien suorituskyvyn hienosäätämiseen ja parantamiseen kehotteiden suunnittelun, työkalujen optimoinnin ja Knowledge hienosäätämisen avulla.

Agentforce -sovellusalusta tarjoaa kattavat mittaristot ja analyysit tukeakseen tätä tärkeää vaihetta, jotta agentit voivat kehittyä ja parantua ajan myötä.

Agentforce Analytics

Agentforce Analytics, joka löytyy Agentforce (oletus) -kansiosta, käyttää Data 360:a tarjotakseen havaintoja agenttien suorituskyvystä. Mukautettava mittaristo ja raportit tarjoavat tietoja sopeutumisesta, palautteesta ja käytöstä, mikä auttaa sinua tarkentamaan aiheita ja toimintoja käyttäjien tyytyväisyyden parantamiseksi. Voit keskittyä tuloksiin napsauttamalla kaavioita tai linkitettyjä raportteja. Jos haluat mukauttaa, kloonaa olemassa olevat raportit ja muokkaa klooneja välttyäksesi analyysiprosessien häiriöiltä.

Lausuman analyysi

Lausumusten analyysi näyttää, miten Agentforce (oletus) -käyttäjät käyttävät agentteja, mitä he pyytävät ja onnistuiko agentti käsittelemään nämä pyynnöt. Nämä mukautettavat raportit auttavat sinua tarkentamaan aiheita ja toimintoja, jotta agenttisi voivat reagoida tehokkaammin ja tarkemmin.

Agentforce Python SDK: Valvonta Data 360 -integraatioilla

Agent SDK -toteutus käyttää edistynyttä valvontaa ja analyysiä Data 360 Python -liittimen kanssa, muodostaa yhteyden Salesforce Data 360 -palveluun, kyselee agenttien suorituskykytilastoja ja luo kattavia valvontamittaristoja.
Järjestelmä seuraa vastausaikoja, onnistumissuhteita, käyttäjien tyytyväisyyttä ja kustannustilastoja tarjotakseen interaktiivisia havaintoja agenttien optimoinnille.

Agentforce DX: Agentin valvonta

Toteutus käyttää vakiomuotoisia AFDX-komentoja CLI-pohjaisen agenttien hallinnan kanssa, pitää agentit ajan tasalla sovellusalustan muutoksista ja käyttää käyttäjien palautetta jatkuvaa parantamista varten.

Katso GitHub-säiliö tästä ADLC-toteutuksesta Agent SDK:n ja AFDX:n avulla.

Agentin kehitysjakson hallinta edellyttää, että noudatat joukkoa ydinperiaatteita, jotka varmistavat tehokkuuden, luotettavuuden ja strategisen tasauksen. Seuraavat ohjeet syntetisoivat ADLC:n jokaisen vaiheen tärkeimmät oppitunnit arkkitehtien ja kehittäjien strategiseksi kehykseksi.

1. Suunnittelu ja ideointi

Tämä alkuvaihe keskittyy agentin tarkoituksen tasaamiseen liiketoimintatavoitteiden kanssa ja sen varmistamiseen, että se perustuu vankkaan perustaan.

• Liiketoiminnan vaikutuksen priorisointi: Aloita kartoittamalla mahdolliset käyttötarkoitukset suoraan strategisiin liiketoimintatavoitteisiin. Käytä priorisointimatricia pisteyttääksesi niiden mahdollisen vaikutuksen ja aloita yhdellä, keskitetyllä käyttötarkoituksella selkeillä KPI-mittareilla.
• Ota sidosryhmät mukaan ajoissa: Kerää havaintoja kipupisteistä ja varmista kohdistus.
• Leverage Data Insights: Agentti on vain yhtä hyvä kuin sen tiedot. Käytä Data 360 -palvelua tutkiaksesi käytettävissä olevaa rakenteellista ja jäsentämättömää dataa, jotta voit kertoa agentille asiayhteydestä ja kyvyistä. Tarkasta olemassa olevat raportit ja mittaristot tunnistaaksesi tämänhetkiset trendit, jotka voivat kertoa käyttötarkoituksestasi.
• Kehysten käyttäminen ideointia varten: Käytä rakenteellisia ideointimenetelmiä brainstorming-tapahtumiin ja mahdollisten sovellusten tarkentamiseen, kuten suunnittelun ajatteluun tai SWOT-analyysiin.

2. Rakennusagentit

Tämä vaihe kattaa parhaat käytännöt, joilla voit rakentaa tehokkaan agentin.

• Vältä liian montaa aihetta: Rajoita aiheiden määrää välttyäksesi samankaltaisten tai päällekkäisten aiheiden luomisesta, jotka saattavat hämmentää agenttia.
• Pidä ohjeet ja kehotteet ytimekkäinä: Käytä suoraa ja yksinkertaista kieltä ja tarjoa esimerkkilausumia opastaaksesi agenttia tehokkaasti.
• Leverage-muuttujat ja deterministiset toiminnot: Käytä näitä työkaluja opastaaksesi agentin toimintatapaa ja optimoidaksesi agentin suorituskyvyn ennustettavampien lopputulosten aikaansaamiseksi.
• Pidä toiminnon tulokset pieninä ja yksiselitteisinä: Varmista, että agentin vastaukset ovat lyhyitä ja aiheellisia. Pidemmät tulokset käyttävät enemmän kontekstia ja ne luodaan hitaammin.
• Toimintojen optimointi nopeutta varten: Suunnittele kulkuja ja Apex palauttaaksesi vähemmän vaadittua dataa. Vähennä vastauksen luomiseen tarvittavia toimintoja käyttämällä esikäsittelyä aina, kun se on mahdollista.
• Tyhjän vaikutusalueen määrittäminen: Kirjoita toiminnolle asianmukaiset kuvaukset, ohjeet ja vaikutusalueet estääksesi agenttia soittamasta RAG-palveluun (Retrieval-Aggmented Generation) vaikutusalueen ulkopuolisia kysymyksiä varten.
• Hybrid Searchin käyttäminen säästeliäästi: Käytä hybridihakua vain, jos se on ehdottoman välttämätöntä, koska se voi vaikuttaa viiveeseen negatiivisesti.

3. Testaaminen, valvonta ja hienosäätö

Tämä iteratiivinen vaihe on tärkeä agentin tarkkuuden ja suorituskyvyn tarkentamiseksi.

• Testauskulun luominen: Noudata yhdenmukaista testaussykliä:
  1. Suorita erätesti: Suorita kattava joukko testejä.
  2. Näytä pisteet/virheet: Analysoi suorituskykytilastoja ja tunnista virheet.
  3. Virheiden tarkastaminen: Tutki kunkin virheen riviä ymmärtääksesi niiden epäjohdonmukaisuudet.
  4. Päivitä agentti: Tee tarvittavat säädöt agentille tai sen arviointitiedoille.
• Tarkasta istunnon jäljitystiedot: Käytä istunnon jäljitysten datamallia ja Agentforce Interaction Exploreria suorittaaksesi juurisyyn analyysejä, kun ongelmia tai odottamattomia toimintatapoja havaitaan. Säädä agenttiasi niiden tietojen perusteella ja jatka agenttiesi iterointia.

Agentin kehityksen elinkaari edustaa perinteisten ohjelmistokehitysperiaatteiden kriittistä kehitystä, joka on suunniteltu älykkäiden ja itsenäisten järjestelmien aikakaudelle.

• Evolution, not Replacement: Agentin kehityksen elinkaari laajentaa ja parantaa perinteistä sovelluksen elinkaaren hallintaa korvaamatta sitä.
• Data ensimmäisen luokan kansalaisena: Datalla on paljon dynaamisempi ja keskeisempi rooli agenttien kehittämisessä.
• Erikoistuneet työkalut ja taidot: Vaatii uusia työkaluja ja laajempia erikoistuneita taitoja datatieteessä, ML-tekniikassa ja agenttien kehittämisessä.
• Jatkuva oppiminen: Agentin kehitys lisää järjestelmän jatkuvan oppimisen ja sen sovituksen.
• Tuleva vaikutus: Agenttien tekoäly lupaa automatisoida ja optimoida monimutkaisia IT-toimintoja ja ohjelmistokehitystyönkulkuja.