Dans le développement logiciel traditionnel, le cycle de vie du développement logiciel (SDLC) fournit une approche structurée et progressive pour élaborer des applications. Il établit la qualité, réduit les risques et fournit une feuille de route claire depuis l'idée jusqu'à la publication. Le cycle de vie de développement de l'agent (ADLC) est une méthodologie similaire qui est spécifiquement adaptée pour répondre aux complexités uniques de l'élaboration d'agents autonomes.

Les agents ne sont pas des applications passives, mais des systèmes qui raisonnent, agissent et apprennent dans des environnements d'exécution dynamiques. Leur comportement non déterministe rend l'AQ traditionnel insuffisant. Le cycle de vie de développement des agents (ADLC), défendu par des plates-formes comme Agentforce, répond à ce problème à travers cinq phases: Idéation et conception, Développement (la « boucle interne »), Test et validation, Déploiement, et Surveillance et réglage continus (la « boucle externe »).

Ce document sert de guide complet pour les développeurs et les architectes d'entreprise qui connaissent déjà les subtilités du cycle de vie de développement logiciel (SDLC) et qui cherchent à élargir leur expertise aux systèmes basés sur l'agent. Notre objectif principal est de faciliter une compréhension rapide du cycle de vie de développement des agents (ADLC) en mettant en évidence ses principales distinctions par rapport aux méthodologies SDLC traditionnelles et en fournissant un cadre structuré pour conceptualiser l'ensemble du processus de construction, de déploiement et de gestion des agents intelligents.

Le document est organisé en trois chapitres distincts, chacun conçu pour construire progressivement votre Knowledge et vos compétences pratiques:

• Chapitre 1: L'infrastructure ADLC. Ce chapitre présente le cycle de vie de développement des agents (ADLC), détaillant sa divergence par rapport au SDLC en raison des défis uniques du développement d'agents autonomes. Il établit un cadre pour concevoir, développer, tester et déployer des agents.
• Chapitre 2: Agentforce Platform. Ce chapitre explore Agentforce, une plate-forme unifiée qui rationalise et accélère le cycle de vie complet du développement des agents. Agentforce offre des outils de conception d'agents, de traitement des données, d'entraînement de modèles, de déploiement et de surveillance continue, ce qui simplifie les tâches complexes et améliore l'efficacité.
• Chapitre 3: Implémentation pro-code. Ce guide utilise les outils pro-code d'Agentforce pour fournir des instructions pratiques, pas à pas et des exemples concrets pour le développement des agents. Il couvre l'ensemble du cycle de vie de développement des agents, depuis le prototypage et l'ingénierie des fonctionnalités jusqu'au déploiement du modèle, en passant par l'ajustement des performances et la maintenance, et permet aux développeurs d'acquérir les compétences requises pour élaborer des agents prêts à travailler en production.

Ce document a pour but de vous doter des Knowledge théoriques et pratiques des outils pro-code d'Agentforce. Vous apprendrez à élaborer, déployer et surveiller les agents de façon efficace, sûre et fiable, en acquérant une compréhension complète de l'ADLC et en optimisant le potentiel d'Agentforce dans le développement intelligent des agents.

La nature non déterministe des agents IA nécessite un cadre de développement spécialisé. Ce chapitre décrit ce cadre en introduisant le cycle de vie de développement des agents (ADLC). Ce chapitre présente un aperçu complet des cinq phases principales de l'ADLC, depuis l'idée et la conception initiales jusqu'à la surveillance et le réglage continus. Ce chapitre établit les Knowledge fondamentales requises pour construire des agents robustes et fiables.

Cette section mappe les concepts du SDLC avec les cinq phases du ADLC.

Il s'agit de la phase fondamentale de définition de l'objectif stratégique et des limites opérationnelles d'un agent. Une phase de conception bien structurée est l'étape la plus critique pour réussir, car elle traduit un besoin métier en avant-projet technique. Le processus de conception garantit que l'agent est non seulement opérationnel, mais aussi responsable et conforme aux attentes des utilisateurs. C'est là que le "quoi" et le "pourquoi" sont établis avant l'écriture d'un code.

1. Définition des objectifs et des capacités des agents: Tout d'abord, vous devez clairement articuler l'objectif principal de l'agent et les tâches spécifiques et mesurables qu'il accomplira. Il s'agit de définir son rôle (p. ex. « adjoint au service à la clientèle »), ses fonctions principales (p. ex. « prendre des rendez-vous », « répondre à des questions sur les produits ») et les métriques de réussite de chacun.
2. Établir une personnalité et des garde-fous éthiques: Cette étape consiste à concevoir la personnalité de l'agent et à définir ses limites éthiques pour garantir sa fiabilité et sa sécurité. Il établit le ton de l'agent (p. ex. « formel », « amical ») et implémente des règles strictes pour empêcher les réponses préjudiciables, biaisées ou inappropriées.
3. Contexte et compréhension de la carte: Vous devez déterminer les informations que l'agent doit comprendre et retenir pour être efficace. Il s'agit notamment de définir la portée de sa base Knowledge et de sa mémoire conversationnelle, ce qui lui permet d'avoir des conversations cohérentes, à plusieurs tours de rôle.
4. Identifier les outils et les intégrations système: Cela implique d'inventorier les systèmes externes, les API et les sources de données avec lesquels l'agent doit se connecter pour exécuter les tâches. Chaque outil (par exemple, une API de réservation, une base de données de clients) est identifié et sa fonction est mappée avec une capacité d'agent spécifique.
5. Plan d'escalade humaine: Il est essentiel de définir les conditions dans lesquelles un agent passe à l'humain. Cela implique d'examiner les points d'échec potentiels et les « impasses » conversationnelles afin de déterminer quand un agent doit escalader vers un opérateur humain. La conception devrait décrire comment ce transfert sera effectué pour s'assurer qu'un contexte suffisant est transféré, afin qu'il puisse être rapidement consommé pour garantir une expérience client transparente.

Il s'agit de la phase de construction pratique où le plan de conception est transformé en agent fonctionnel. Les développeurs élaborent l'agent, le connectent à ses outils et lui fournissent les données dont il a besoin pour remplir ses fonctions. Cette « boucle interne » itérative de construction et d'affinage est l'endroit où l'agent prend véritablement vie.

1. Configuration de la logique et de la prise de décision de l'agent: Cette étape consiste à façonner le raisonnement de l'agent en connectant son cadre décisionnel au contexte, aux outils et aux sources de données. Le rôle du développeur est de définir le comportement de l'agent en créant des API ou en réutilisant des API existantes, en définissant des garde-fous opérationnels et en spécifiant comment l'agent sélectionne et utilise les outils disponibles pour réaliser des tâches complexes à plusieurs étapes.
2. Invites de l'ingénieur et ajustement des modèles: La personne, les instructions et les contraintes de l'agent sont codifiées par une ingénierie rapide méticuleuse. Ce processus consiste à élaborer l'invite principale qui guide le Grand modèle de langage (LLM) et, pour des cas d'utilisation plus avancés, à ajuster le modèle sur des données spécifiques au domaine afin d'améliorer ses performances.
3. Intégration et sécurisation des outils IA: Les fonctions et les API identifiées pendant la phase de conception sont connectées à l'agent. En utilisant un kit de développement, les développeurs enveloppent les fonctions existantes ou en créent de nouvelles, ce qui les rend accessibles en toute sécurité par l'agent et garantit qu'ils disposent de l'authentification appropriée et du traitement des erreurs.
4. Élaboration de pipelines de données et RAG: Pour permettre à l'agent d'acquérir des Knowledge externes, les développeurs élaborent les pipelines de données pour la génération augmentée par récupération (RAG). Cela implique de connecter et d'indexer des données à partir de sources telles que des magasins de vecteurs, des bases de données relationnelles, des bases de données de graphiques ou des documents internes, afin de rendre ces informations accessibles à l'agent pour fournir des réponses précises et sensibles au contexte.

Le test des agents IA introduit un changement de paradigme par rapport à la validation déterministe des logiciels traditionnels. Bien qu'une application classique soit testée pour son exactitude (une entrée spécifique doit produire une sortie unique et attendue), la nature non déterministe d'un agent nécessite une approche plus sophistiquée. L'objectif n'est pas de valider une seule bonne réponse, mais de s'assurer que le comportement de l'agent correspond à son objectif, qu'il est robuste face à des entrées inattendues et qu'il reste fiable dans un éventail de résultats acceptables.

1. Test unitaire: Cette couche se concentre sur les composants déterministes non-IA de l'agent. Il implique des tests unitaires traditionnels pour vérifier que chaque outil et chaque fonction fonctionne correctement de façon isolée, garantissant une base fiable avant l'application du raisonnement complexe de l'agent.
2. Essais de bout en bout (E2E): Cette étape évalue la capacité de l'agent à atteindre ses objectifs dans des scénarios réalistes, ce qui est essentiel étant donné sa nature non déterministe. Au lieu de vérifier une sortie exacte, ces tests de bout en bout vérifient que l'agent effectue les tâches avec succès et que ses performances ne se dégradent pas à mesure que des modifications sont apportées.
3. Tests contradictoires et de robustesse: C'est la pratique qui consiste à essayer intentionnellement de casser l'agent pour découvrir proactivement ses faiblesses. Les testeurs utilisent des requêtes ambiguës, des invites malveillantes et d'autres requêtes Edge pour exposer les vulnérabilités et s'assurer que l'agent reste résilient et en sécurité sous pression.
4. Évaluation Human-in-the-Loop (HITL): Les tests automatisés ne peuvent pas mesurer des qualités nuancées telles que le ton ou le flux conversationnel. Par conséquent, cette étape dépend des commentaires humains. Les testeurs interagissent avec l'agent pour évaluer ses réponses en termes d'utilité et d'expérience utilisateur globale, en fournissant des données essentielles pour ajuster son comportement.
5. Essais de performance et d'échelle: Il s'agit d'une étape essentielle pour éviter les blocages de performance avant qu'ils n'impactent les utilisateurs. Ce processus simule des scénarios réalistes de pic d'utilisation pour s'assurer que les agents et les applications peuvent gérer des volumes élevés de façon fluide et prévisible. Il vérifie que la solution est non seulement correcte, mais aussi évolutive.

Le déploiement d'un agent IA est un processus géré qui vise à garantir que l'agent validé est celui avec lequel les utilisateurs interagissent de manière fiable et reproductible. Cela nécessite une approche structurée qui déplace l'agent depuis un actif contrôlé par la version vers un service live et surveillé.

1. Empaquetage et contrôle de version: La définition complète de l'agent, y compris ses invites et ses outils, est capturée sous forme de métadonnées dans un fichier et stockée dans un système de contrôle de code source tel que Git. Cela crée une source de preuve unique et un historique vérifiable de toutes les modifications.
2. CI/CD Pipelines: Le cheminement vers la production est automatisé pour éliminer les erreurs humaines et garantir la cohérence. Ces pipelines promeuvent automatiquement l'agent à travers des environnements de développement, de test et de production, en exécutant des tests de bout en bout à chaque étape pour agir comme une porte de qualité.
3. Stratégies de déploiement progressif: Pour limiter les risques, de nouvelles versions d'agent sont publiées pour une petite sélection d'utilisateurs en utilisant d'abord des stratégies telles que Canary Releases. Cela permet de surveiller les performances en temps réel avant un déploiement complet, avec la possibilité de résoudre rapidement les problèmes détectés.
4. Activation et gouvernance: L'étape critique du déploiement d'un agent consiste à l'activer en toute sécurité avec les autorisations appropriées et à s'assurer qu'il est connecté aux outils de surveillance. Cela permet de visualiser immédiatement la santé et les performances du nouvel agent déployé dès sa mise en ligne.

Le déploiement n'est pas la fin du cycle de vie de développement de l'agent, c'est le début de sa « boucle externe » continue. Les agents sont des systèmes dynamiques qui fonctionnent dans des environnements imprévisibles et réels. Cette phase est dédiée à l'observation des performances live de l'agent, à la collecte de connaissances à partir de ses interactions, et à l'utilisation de ces données pour affiner et améliorer systématiquement son efficacité, sa sécurité et son efficience au fil du temps.

1. Surveillance des performances en temps réel: Il s'agit de la pratique qui consiste à suivre les métriques opérationnelles clés de l'agent lorsqu'il interagit avec les utilisateurs. Les tableaux de bord sont utilisés pour surveiller la latence, la consommation de jetons (coût) et les taux d'erreur d'API, offrant une vue d'ensemble immédiate de la santé et de l'efficacité de l'agent.
2. Analyses: comportementales et de réussite Il s'agit d'analyser les journaux conversationnels afin de comprendre comment l'agent s'acquitte réellement de ses fonctions. Il se concentre sur le suivi des taux de réalisation des tâches, l'identification des points d'échec communs ou des « impasses » conversationnelles, et la mesure de la satisfaction des utilisateurs afin de déterminer si l'agent atteint ses objectifs. Par exemple, pour les agents de service, il peut fournir des métriques sur la fréquence et les raisons pour lesquelles un agent passe à un humain.
3. Affinage et réglage intelligents: Il s'agit du processus actif d'utilisation des connaissances de la surveillance pour améliorer l'agent. Cela peut aller de l'ingénierie rapide à l'optimisation des outils.
4. Amélioration du RAG piloté par les données: La qualité de la base Knowledge de l'agent est continuellement améliorée en fonction des requêtes réelles. La surveillance peut révéler que l'agent rencontre des difficultés avec certaines rubriques, ce qui entraîne une amélioration des sources de données ou du processus de récupération (RAG Refinement) pour améliorer la précision de ses réponses.
5. Apprentissage continu et adaptation: Cela implique de créer une boucle de rétroaction dans laquelle les données de production sont utilisées pour rendre l'agent plus intelligent. En étiquetant les journaux d'interaction (avec la supervision humaine ou l'étiquetage basé sur le LLM), un jeu de données organisé est élaboré, qui peut être utilisé pour ajuster le modèle sous-jacent et recommander d'autres améliorations.

Agentforce prend en charge chaque phase ADLC avec un outillage intégré pour la conception, le développement, le test, le déploiement, la surveillance et les analytiques, le tout dans une plate-forme unifiée unique pour élaborer et tester rapidement des agents robustes.

L'ADLC Agentforce repose sur les principes directeurs suivants:

• Conçu pour les codes bas et pro-code: Prise en charge du déploiement basé sur la configuration (code faible) et de l'extensibilité par programmation (code pro).
• Assistance continue pilotée par l’IA et boucles de rétroaction: Capture et analyse les données conversationnelles afin d'éclairer le réglage des agents pour une amélioration continue pilotée par l'IA.
• Développement piloté par les essais à tous les niveaux: Test rigoureux à travers toutes les étapes, validant les composants déterministes à travers les tests unitaires traditionnels, et fournissant de nouvelles approches pour tester le raisonnement des agents et le comportement non déterministe.
• Executive and LOB Observability: Fournir des métriques de coût, d'utilisation et de performance pour les parties prenantes opérationnelles et exécutives.

Le présent chapitre montre comment Agentforce prend en charge chaque phase de l'ADLC sur une plate-forme unifiée unique.

Idée

La phase d'idéation est l'étape fondamentale de la CLAD, où la vision initiale et les exigences des agents sont formulées. Il implique une exploration approfondie du problème, l'identification de solutions potentielles et l'esquisse des principales fonctionnalités de l'agent.

Démarrez le processus d'idéation de votre agent en définissant ses principaux attributs :

1. But/Objectif: Définissez clairement l'objectif principal de l'agent. Quel problème spécifique est-il conçu pour résoudre, ou quelle tâche est-il prévu d'accomplir? Qui doit servir l'agent ? Il devrait s'agir d'un énoncé concis et mesurable qui guide l'ensemble du processus de développement.
2. Personne: Développez une personne détaillée pour l'agent. Cela inclut la définition de son identité, de son style de communication et du rôle qu'il jouera dans l'interaction avec les utilisateurs ou d'autres systèmes. Tenez compte de son ton, de son niveau de formalité et de toutes les caractéristiques spécifiques qui le rendront efficace dans le contexte voulu.
3. Modèle: Identifiez et associez des schémas agentsiques et des stratégies d'implémentation pertinents. Cela implique des conceptions architecturales ou des meilleures pratiques qui peuvent informer la structure et le comportement de l'agent. « Schémas et implémentation des agents dans Salesforce Agentforce : A Technical Whitepaper", est une ressource précieuse pour cette étape, offrant des connaissances sur la conception efficace des agents sur Salesforce Platform et Agentforce.

Conception

La phase de conception traduit les concepts de l'idéation en un plan détaillé pour la construction de l'agent. Cela implique de définir l'architecture, les flux utilisateur, les modèles d'interaction et les spécifications techniques de l'agent, notamment les rubriques, les outils et les garde-fous.

Pendant la phase de conception, vous allez créer un plan détaillé pour la construction de votre agent qui comprend :

• Conception de l'agent: Soulignez la structure interne de l'agent, y compris ses composants, ses modules et leur interaction. Il peut s'agir de définir la base de Knowledge, la configuration et la logique pour contrôler le comportement des agents, les composants de traitement en langage naturel (NLP) et les points d'intégration avec d'autres systèmes.
• Flux utilisateur/Conception d'interaction: Mappez le parcours utilisateur complet et les interactions de l'agent. Définissez des flux de conversation, des arbres de décision, un traitement des erreurs et des mécanismes de commentaires pour créer des expériences intuitives et efficaces.
• Caractéristiques techniques: Documentez les exigences techniques non fonctionnelles de l'agent, notamment les métriques de performance, les considérations relatives à l'évolutivité, les protocoles de sécurité et les spécifications d'intégration.
• Prototypage et maquettes: Créez des représentations visuelles ou des prototypes interactifs de l'interface et des interactions de l'agent. Cela permet de tester et de commenter rapidement, ce qui aide à affiner la conception avant le début du développement à grande échelle.
• Données: Lors de la détermination du type et des sources de données requis par un agent, identifiez les jeux de données, les API, les bases de données et les référentiels auxquels l'agent doit accéder. Pour Agentforce, déterminez quelles données sont fournies en tant que contexte, si elles sont structurées ou non, et si elles sont en temps réel ou par lot. La plate-forme Agentforce est construite avec une intégration profonde à Data 360, ce qui vous permet d'utiliser à la fois des données structurées et non structurées de Salesforce CRM et d'autres sources. Un contenu non structuré peut être segmenté et indexé en natif pour RAG. MuleSoft permet de se connecter à des systèmes externes.
• Outils: Identifiez les actions que l'agent doit exécuter. Utilisez Actions Agentforce pour exposer des outils qui atteignent des objectifs métiers. Ces actions exploitent les actifs Salesforce existants tels que les invites via le Générateur de répliques, MuleSoft, Apex, les flux et les API avec des spécifications OpenAPI. N'importe quelle action invocable peut être intégrée à Agentforce et utilisée par l'agent, ce qui rend tous les outils de développement Salesforce familiers facilement disponibles en tant qu'Actions Agentforce.
• Données d'entrée pour les agents: Dans SDLC traditionnel, les entrées sont spécifiées avec précision. Dans l'ADLC, les entrées sont souvent des énoncés naturels, non déterministes et de forme libre. Recueillez un corpus représentatif d'énoncés censés produire des réponses appropriées.

La phase de développement se concentre sur la traduction de l'objet, des capacités et du périmètre opérationnel de l'agent défini déterminé à la phase Idéation et conception en un nouvel Agentforce.

Pour aider les développeurs à créer des agents, Agentforce fournit à la fois le Générateur d'agent et Agentforce Developer Experience (AFDX). Ces outils de base servent d'environnement principal pour construire et configurer l'agent.

• Agent Builder fournit une expérience d'interface utilisateur pour définir les fonctionnalités principales de l'agent.
• AFDX fournit une interface programmatique de personnalisation et d'intégration à d'autres systèmes.

Le développement et l'élaboration d'un agent impliquent les étapes suivantes qui peuvent être exécutées en utilisant le Générateur d'agent ou AFDX :

1. Définition de la personne: Un aspect crucial de la conception d'un agent est d'établir une personne distincte. Cela implique de configurer :
   • Description de l'agent: Une description détaillée du rôle de l'agent, de ses objectifs et des tâches de service client spécifiques pour lesquelles il est conçu.
   • Ton: Le style de communication de l'agent, son niveau d'empathie et toutes les consignes de marque spécifiques qu'il doit respecter.
2. Définition de rubriques et d'actions pour les agents: Pour rendre un agent sophistiqué et capable de gérer une gamme variée de tâches, il est essentiel de diviser ses capacités en rubriques distinctes avec les actions correspondantes.
   • Rubriques: Chaque rubrique peut être conceptualisée comme son propre agent spécialisé avec un ensemble unique d'instructions et d'outils.
     • Architecture modulaire. L'approche modulaire des rubriques permet une organisation et une évolutivité accrues. En définissant plusieurs rubriques, l'agent peut gérer un plus grand nombre de scénarios complexes. Par exemple, un agent peut avoir des rubriques distinctes pour « Gestion des commandes », « Foire aux questions », « Support technique » et « Demandes de facturation ».
   • Instructions de rubrique (garde-fous): Chaque rubrique contient des instructions spécifiques qui agissent comme des garde-fous, définissant la portée des discussions ou des actions que l'agent peut effectuer dans cette rubrique. Ces instructions empêchent l'agent de s'égarer hors sujet ou de fournir des informations non pertinentes. Ils aident également à maintenir la cohérence et la précision des réponses.
   • Actions: Les rubriques sont également équipées d'« outils », qui représentent les actions que l'agent peut exécuter. Ces outils peuvent être :
     • Actions d'information: Récupération de données à partir d'une base Knowledge ou d'un système externe pour répondre à une requête.
     • Actions transactionnelles: Exécution d'actions au nom de l'utilisateur, par exemple passer une commande, mettre à jour un enregistrement client ou initier un processus de remboursement. Ces actions sont souvent intégrées à d'autres systèmes (p. ex. CRM, ERP).

Lors de l'évaluation des performances et de la fiabilité des agents IA, les testeurs rencontrent souvent une série de défis qui peuvent dégrader l'expérience utilisateur. Ces problèmes vont d'une mauvaise interprétation de l'intention de l'utilisateur à l'incapacité d'exécuter correctement les tâches.

Scénarios d'échec courants des agents

Élaborer un agent robuste nécessite de comprendre comment et où il peut échouer. Le tableau ci-dessous classe les problèmes courants rencontrés pendant le cycle de vie de l'agent, depuis le raisonnement erroné jusqu'à la récupération Knowledge médiocre. Utilisez-le comme guide stratégique pendant le développement et comme liste de contrôle pendant les tests pour vous assurer que votre agent est non seulement opérationnel, mais aussi fiable et intuitif pour l'utilisateur. Ces scénarios d'échec devraient vous aider à définir des cas de test.

Meilleures pratiques pour tester les agents IA

Voici les meilleures pratiques à prendre en compte lors du test des Agents sur Agentforce.

1. Amélioration des données de test
   Le fondement d'un test efficace est constitué par des données complètes et réalistes. Suivez les principes ci-dessous pour vous assurer de disposer de données de test efficaces pour tester vos agents :

   • Couverture suffisante: Essayez d'avoir suffisamment de données de test pour couvrir toutes les rubriques critiques et tous les utilisateurs.
   • Scénarios réalistes: Assurez-vous que vos données de test représentent fidèlement les interactions réelles des utilisateurs.
   • Requêtes négatives et Edge: Incluez des cas de test négatifs (ce que l'agent ne doit pas faire) et des scénarios marginaux pour défier les frontières de l'agent.
   • Essais des garde-fous: Ajoutez des cas de test spécifiques conçus pour vérifier le fonctionnement correct des garde-fous de l'agent.

2. Optimiser les exécutions de test
   Pour tirer parti de vos ressources de test, optimisez votre exécution. Les considérations suivantes sont prises en compte lors du test des agents Agentforce :

   • Volume de requête test: Vous pouvez utiliser jusqu'à 1000 cas de test.
   • Exécution de tests concurrents: Il est possible d'exécuter jusqu'à 10 requêtes test à la fois sur une période de 10 heures.
   • Gérer les ressources: Notez que l'exécution de tests consomme des crédits. Assurez-vous d'être satisfait de vos données de test avant d'initier une exécution afin d'éviter les coûts inutiles.

3. Examen des résultats
   Analysez attentivement les résultats des tests pour identifier les zones à améliorer :

   • Analyser les échecs: Inspectez individuellement chaque cas de test échoué. Lisez attentivement et comprenez la différence entre les résultats attendus et réels pour identifier le problème.
   • Utilisation d'un environnement sandbox: Les agents testeurs peuvent modifier les données CRM. Pour éviter toute modification involontaire de vos données live, effectuez toujours des tests dans un environnement de non production, par exemple une organisation sandbox ou test.

4. Ajuster et retester
   Le test est un processus itératif qui se poursuit à mesure que l'agent évolue :

   • Test en continu: Effectuez des tests après chaque modification des rubriques ou des actions de l'agent. Cela valide les modifications et garantit le maintien de la qualité.
   • Agrandir la couverture de test: Organisez et agrandissez continuellement votre jeu de données avec de nouveaux cas de test pour améliorer la couverture globale et la robustesse de l'agent.

Approches de test

Compte tenu de la complexité de l'agent, aucune méthode de test unique ne suffit. Une stratégie de validation complète doit être stratifiée, combinant différentes approches pour couvrir tout, des actions prévisibles et déterministes aux nuances de son comportement non déterministe et conversationnel. Ces approches fournissent un cadre pour évaluer systématiquement chaque composant de l'agent afin de s'assurer qu'il est robuste, fiable et sécurisé.

1. Test manuel avec le simulateur d'agent et le traceur de plan

   • Objet: C'est la méthode initiale et souvent la plus simple pour tester un agent. Il est idéal pour une petite série de cas d'utilisation échantillons et pour acquérir une compréhension de base du comportement de l'agent.
   • Mécanisme: Un simulateur d'agent fournit un environnement contrôlé dans lequel les développeurs et les administrateurs peuvent interagir directement avec l'agent. Ce simulateur permet un traçage détaillé des informations fournies par l'administrateur/développeur, offrant des connaissances sur la façon dont l'agent traite les entrées et génère des sorties.
   • Avantages:
     • Commentaires rapides
     • Facile à identifier les problèmes immédiats
     • Aide à comprendre le flux logique de l'agent

2. Test automatisé avec le Centre de test ou la Suite de tests AFDX

   • Objet: Lorsque les tests manuels ont établi une base de fonctionnalités, les tests automatisés deviennent essentiels pour l'évolutivité, la rigueur et les tests de régression.
   • Mécanisme: Des outils tels que le Testing Center ou la suite de tests AFDX permettent de générer des tests automatisés basés sur des exemples de cas d'utilisation prédéfinis. Ces tests sont conçus pour vérifier si les instructions de l'agent et les classifications des sous-agents fonctionnent correctement dans un plus large éventail de scénarios.
   • Avantages:
     • Garantit des performances constantes
     • Identifie les bogues subtils
     • Prend en charge les pipelines intégration continue/déploiement continu (CI/CD)
     • Fournit une couverture complète

3. Essais unitaires spécifiques à une action utilisant Apex et des flux

   • Objet: Pour valider la logique métier déterministe encapsulée dans les actions de l'agent. Bien que le comportement général de l'agent soit non déterministe, les actions des agents sont souvent pilotées par des technologies comme Flows et Apex, auxquelles les pratiques de développement standard s'appliquent.
   • Mécanisme: Les développeurs écrivent des tests unitaires pour les flux ou les classes Apex spécifiques qu'une action d'agent invoque. Ces tests vérifient les composants individuels de la logique de l'agent, en s'assurant qu'ils produisent les sorties attendues pour un ensemble d'entrées donné.
   • Avantages:
     • L'intégration de ces tests unitaires dans un pipeline DevOps fournit un filet de sécurité automatisé
     • Confirme que les modifications ou améliorations apportées à la logique d'une action n'introduisent pas de régressions
     • Garantit la fiabilité des capacités de l'agent avant leur déploiement en production

4. Essais contradictoires - Sécurité et application des garde-fous:

   • Objet: La construction de divers types d'agent nécessite de mettre fortement l'accent sur la sécurité et de s'assurer qu'ils fonctionnent dans des paramètres et des garde-fous définis. Cela est primordial pour empêcher les actions involontaires, les violations de données ou les abus. Par conséquent, l'objectif des tests contradictoires est d'identifier proactivement et de corriger ces vulnérabilités potentielles en défiant délibérément l'agent avec des intrants conçus pour contourner ses mécanismes de sécurité, testant ainsi sa robustesse et sa résistance à la manipulation.
   • Mécanisme: Les tests contradictoires sont implémentés en élaborant des entrées stimulantes, ambiguës ou malveillantes qui repoussent les limites du comportement prévu de l'agent. Bien que les outils de plate-forme tels que la fonctionnalité « Garde-fous » dans Agent Builder fournissent des connaissances sur l'adhésion aux instructions, les développeurs doivent également créer des cas de test contradictoire personnalisés qui tentent activement de faire échouer l'agent dans un environnement contrôlé.
   • Avantages: Cette approche réduit systématiquement les risques de sécurité et de conformité avant le déploiement. En identifiant les points de défaillance potentiels, les tests contradictoires augmentent la confiance des agents et garantissent qu'ils fonctionnent en toute sécurité et comme prévu lors de l'interaction avec les utilisateurs.

Test itératif dans les organisations tests et les organisations sandbox

La « boucle interne » est le cycle itératif critique dans lequel un agent passe d'un concept à un composant validé, prêt pour le déploiement. Ce processus d'affinement continu nécessite des environnements de développement et de test. Agentforce fournit cette infrastructure via des organisations tests, qui sont des environnements isolés, temporaires pour un prototypage rapide qui n'impacte pas les environnements partagés, et des sandbox, qui permettent des tests approfondis avec des données réalistes afin d'accélérer le cheminement vers la production.

1. Développement dans des organisations tests: Le développement initial doit avoir lieu dans une organisation test. Les outils fournis dans l'environnement de développement, tels que Agent Builder et AFDX, sont pleinement utilisés ici. Les organisations tests sont de solides candidats pour les pipelines CI/CD afin d'exécuter des tests unitaires, d'effectuer des analyses de code et de promouvoir des changements dans des environnements supérieurs.
2. Déploiement en sandbox pour le test de données réelles: Une fois les principales fonctionnalités de l'agent développées dans une organisation test, déployez-les dans une organisation sandbox. Les sandbox sont des copies d'un environnement de production, offrant un terrain de test plus réaliste.
   • Real Data vs. Données fictives: Certains développeurs peuvent simuler des données dans des organisations tests pour les premiers tests, mais le déploiement vers une organisation sandbox permet de tester avec des « données réelles ». Cela est essentiel pour évaluer les performances de l'agent dans des scénarios qui reflètent étroitement les interactions réelles des clients. L'utilisation de données plus représentatives dans une organisation sandbox accélère considérablement le processus de développement et d'affinage.
   • Sandbox complète ou partielle pour les données CRM de base: Selon le volume de données et les exigences de test spécifiques, une sandbox complète ou partielle peut être utilisée.
     • Sandbox Full: Fournit une réplique complète de l'environnement de production, y compris toutes les métadonnées et données. Idéal pour les tests approfondis et l'ajustement des performances avec des jeux de données volumineux.
     • Sandbox partielle: Contient un sous-ensemble des données de production, souvent suffisant pour tester des fonctionnalités ou des fonctionnalités spécifiques dans lesquelles un jeu de données complet n'est pas strictement nécessaire.
   • Gestion: de la base de connaissances et du RAG Si l'agent s'appuie sur une base de Knowledge ou un modèle RAG (Retrieval-Augmented Generation), ingérez tous les contenus pertinents dans l'organisation sandbox et réindexez. Cela garantit que l'agent utilise les informations actuelles pendant les tests, et peut récupérer et synthétiser avec précision le contenu.

Agentforce définit les agents à travers des métadonnées. Ils peuvent ainsi être déployés en utilisant des procédures Salesforce standard telles que des ensembles de modifications ou AFDX. Cette phase met l'accent sur un déploiement sûr et contrôlé à travers des fonctionnalités critiques telles que la gestion des versions des agents et une étape d'activation séparée, qui garantit la stabilité du système et permet une récupération rapide en cas de problème.

Suivez les étapes ci-dessous pour déployer et libérer votre nouvel agent.

1. Déployer via un ensemble de modifications/API de métadonnées ou AFDX: Le processus de déploiement des agents exploite les procédures Salesforce standard, en traitant les agents comme des métadonnées. Ce processus devrait être familier pour tous les utilisateurs habitués au développement et au déploiement de Salesforce. L'utilisation d'ensembles de modifications ou d'AFDX garantit une approche structurée et cohérente de la migration des configurations d'agents entre les environnements, par exemple depuis une organisation sandbox vers une organisation de production. Cette méthode facilite le contrôle des versions et la gestion appropriée des modifications, qui sont essentiels pour maintenir la stabilité et la fiabilité du système.
2. Activation des agents après le déploiement: Après un déploiement réussi, il est impératif pour un administrateur système d'« activer » activement l'agent. Le déploiement place simplement le code et les métadonnées de l'agent dans l'environnement cible. L'activation est l'étape qui rend l'agent opérationnel et disponible pour l'utilisation. Cette séparation permet un déploiement et des tests contrôlés avant la mise en ligne d'un agent et son interaction avec les utilisateurs ou d'autres composants système.
3. Utilisation de la gestion des versions pour la sécurité de la gestion des agents: La gestion des versions des agents est une fonctionnalité essentielle qui renforce considérablement la sécurité et la flexibilité du développement et de la maintenance des agents.
   1. Création, test et publication de nouvelles versions: La pratique recommandée consiste à créer une nouvelle version d'un agent chaque fois que des modifications ou des améliorations sont nécessaires. Cette nouvelle version peut ensuite être testée en profondeur dans un environnement sandbox sans impacter l'agent activé en direct. Une fois la nouvelle version validée et jugée prête, elle peut être publiée, puis activée, en remplacement de l'ancienne version opérationnelle. Ce processus itératif permet l'amélioration continue et l'innovation tout en minimisant les interruptions.
   2. Rétablir les versions antérieures: L'un des principaux avantages de la gestion des versions est la possibilité de rétablir rapidement et aisément une version antérieure stable en cas de problème avec un agent récemment déployé ou activé. En cas de problème (par exemple, si un agent se comporte mal ou introduit une erreur imprévue), les administrateurs peuvent simplement restaurer la dernière version correcte connue et l'activer. Cette capacité fournit un filet de sécurité critique, qui permet une reprise rapide et réduit les temps d'arrêt, assurant ainsi la continuité des opérations et la satisfaction des utilisateurs.

Surveillance des agents

Le Traçage des sessions Agentforce est un modèle ouvert et extensible élaboré sur Data 360 qui capture les interactions des agents de bout en bout. Le traçage des sessions Agentforce ingère des données de différentes sources (à commencer par les journaux du moteur de raisonnement) et combine le tout sous un ID de session.

Le modèle de données de traçage des sessions (STDM) fournit des informations détaillées sur ce qui s'est passé pendant les sessions des agents, notamment :

• Interactions tour par tour
• Exécutions du moteur de raisonnement
• Actions, invites et entrées/sorties de passerelle
• Messages d'erreur
• Réponses finales

Le STDM est un outil essentiel pour aider les développeurs à :

• Déboguer les problèmes de configuration et de configuration des agents pendant la génération.
• Découvrez les raisons pour lesquelles certains cas de test ont échoué pendant les tests par lot.
• Déterminez les raisons pour lesquelles un agent ne peut pas gérer une série de questions utilisateur ou s'il est hors sujet.

Les développeurs doivent utiliser ces données de traçage de session pour observer, surveiller, examiner et dépanner les événements, les incidents et les modèles de comportement des agents.

Le STDM comprend des objets lac de données (DLO) et des objets modèle de données (DMO) qui stockent des journaux détaillés du comportement des agents. Les métadonnées de chaque appel LLM effectué par le moteur de raisonnement peuvent être jointes à des métriques de rétroaction ou de garde-fou. Les données sont transmises aux objets lac de données dans Data 360 et mappées avec les objets modèle de données applicables.

Les développeurs peuvent accéder à ces données et recueillir des connaissances en exécutant des requêtes et des rapports sur le STDM. Les composants d'un STDM sont décrits ci-dessous.

DRE du modèle de données Traçage des sessions Agentforce

Optimisation Agentforce

Agentforce Optimization est une fonctionnalité puissante conçue pour améliorer les performances des agents IA en fournissant des connaissances approfondies sur les interactions des utilisateurs. Basé sur les capacités analytiques du modèle STDM (Session Tracing Data Model), il permet aux administrateurs et aux développeurs de comprendre les rubriques utilisateur, les modèles d'engagement et l'efficacité des résolutions des agents.

Les aspects clés de l'optimisation Agentforce comprennent:

• Données spécifiques au moment: Agentforce Optimization étend la STDM en introduisant les « Moments », qui représentent les interactions axées sur une intention ou une demande spécifique d'un utilisateur pendant une session. Ces données précises permettent une inspection détaillée de chaque aspect d'une interaction, depuis la requête initiale de l'utilisateur jusqu'à la résolution de l'agent.
• Traitement instantané automatisé: Les moments sont générés quotidiennement, puis regroupés et balisés chaque semaine entre tous les agents actifs en utilisant un modèle de langage grand format (LLM) avancé. Cette segmentation simplifie les requêtes et fournit des connaissances sur diverses facettes des sessions des agents.
• Interrogation et analyse: Les utilisateurs peuvent interroger Moments sur la base de balises, de scores de qualité et d'autres critères. Cela permet d'évaluer l'engagement des utilisateurs à l'aide de métriques telles que la durée du moment et les scores de qualité de pertinence, ce qui aide à identifier les zones à améliorer.
• Modèle de données unifié: L'optimisation Agentforce exploite le modèle STDM (Session Tracing Data Model) unifié, qui capture chaque événement consigné dans une session, y compris les tours de conversation individuels. Toutes les entités concernées sont provisionnées lors de l'activation de STDM dans la configuration.

En analysant les interactions des agents IA, l'optimisation Agentforce permet aux utilisateurs d'identifier les zones à améliorer et d'affiner les configurations pour mieux répondre aux besoins des utilisateurs.

Pour plus d'informations, voir Modèle de données pour Agentforce Optimization.

Ce chapitre est un guide pratique pour les développeurs de code pro. Il montre comment élaborer, tester et déployer des agents avec Agentforce DX (AFDX) et notre kit de développement Python avec rapidité et sécurité. Nous allons parcourir tout le cycle de vie, de la conception initiale à un agent contrôlé par la version, en utilisant la puissante combinaison d'AFDX et de notre kit de développement Python.

Les exemples suivants exploiteront deux jeux d'outils clés conçus pour élaborer et gérer des agents sur la plate-forme Agentforce. Une compréhension fondamentale de ces outils est recommandée pour tirer le meilleur parti de ce guide.

1. Agentforce DX (AFDX) : Pour la gestion du cycle de vie

Agentforce DX étend l'ensemble d'outils familier Salesforce Developer Experience (SFDX), y compris les extensions Salesforce CLI et VS Code, pour prendre en charge l'ensemble du cycle de vie de développement des agents. Il est utilisé pour gérer un agent en tant que métadonnées contrôlées par la version, automatiser les tests à partir de la ligne de commande et orchestrer les déploiements entre vos organisations sandbox de développement et de production.

Pour en savoir plus, consultez : Premiers pas avec Agentforce DX Development

2. Agentforce Python SDK : Pour construire l'agent

Le kit de développement Python fournit l'interface programmatique de la « boucle interne » du développement. Il permet de définir la logique de raisonnement d'un agent, de connecter ses outils et de gérer les modèles d'invite directement dans un environnement Python familier, en rationalisant la phase de construction principale de l'ADLC.

Le kit de développement est disponible sur PyPI: https://pypi.org/project/Agentforce-sdk/.

Le projet complet est disponible ici:
https://github.com/akshatasawant9699/ADLC_Whitepaper.

Cette phase fondamentale définit le but, la personne et les capacités de base d'un agent. Il s'agit de répondre à des questions critiques pour concevoir le "cerveau" de l'agent avant l'écriture de tout code. Dans cet exemple, nous concevons un agent pour Coral Cloud Resorts.

• Mission: L'agent agit en tant que responsable de centre de villégiature, traitant les plaintes des clients, gérant les planifications des employés et assurant le bon fonctionnement du centre de villégiature.
• Personne: L'agent a un ton serviable, professionnel et conversationnel.
• Outils et capacités: L'agent doit accéder aux systèmes de réservation, aux logiciels de planification des employés et aux politiques de villégiature.
• Logique de décision: L'agent utilise les rubriques générées par l'IA pour déterminer l'intention de l'utilisateur et générer les actions appropriées.

Avec Agentforce DX, la phase de conception se traduit par un fichier de spécifications tangible: Agentforce DX : Génération d'une spécification d'agent. La première étape du parcours pro-code consiste à générer un fichier agentSpec.yaml. Le fichier YAML capture la conception principale de l'agent, notamment son rôle, les détails pertinents de l'entreprise et une liste de rubriques générée par l'IA qui définissent les tâches qu'il peut gérer.

Utilisez la Salesforce CLI pour générer cette spécification via des invites interactives. Pour commencer à créer votre agent avec Agentforce DX, exécutez :

Vous devrez fournir des détails spécifiques qui ont été définis pendant la phase d'idéation :

• Type d'agent: Client
• Nom de société: Coral Cloud Resorts
• Description de la société: Coral Cloud Resorts offre aux clients des activités de destination exceptionnelles, des expériences inoubliables et des services de réservation, le tout soutenu par un engagement à fournir un service client de premier ordre.
• Rôle de l'agent: Le responsable du centre de villégiature consigne les plaintes des clients, gère les planifications des employés et veille au bon déroulement de tous les processus.

L'exécution de cette commande crée un fichier agentSpec.yaml dans le répertoire des spécifications du projet DX. Le fichier contient les informations fournies ainsi qu'une liste de rubriques générées par l'IA qui comprennent le nom et la description de chaque rubrique. Vérifiez et modifiez le fichier si nécessaire pour affiner les capacités de l'agent.

De la même façon, l'implémentation du kit de développement Python utilise une collection de spécifications interactive pour générer automatiquement des rubriques d'agent avec les champs d'étendue appropriés requis pour la compatibilité du kit de développement.
De plus, il créera un fichier JSON de spécification d'agent complet qui sera utilisé pour créer un agent dans la phase 2.

La phase de développement s'attache à construire les composants de base de l'agent: le moteur de raisonnement, les outils qu'il peut utiliser, et sa base Knowledge. Agentforce élimine une grande partie de la complexité, ce qui permet aux développeurs de se concentrer sur la logique métier.

Cette section partage deux approches pro-code pour la phase de développement Agentforce. Tout d'abord, en utilisant l'Agentforce DX et ensuite en utilisant Python.

Agentforce DX : Création d'un agent à partir d'une spécification

Une fois le fichier agentSpec.yaml prêt, créez l'agent dans votre organisation Salesforce. Exécutez cette commande pour créer l'agent et synchroniser ses métadonnées associées vers votre projet DX local :

À l'invite, acceptez le nom d'API par défaut, Resort_Manager. La commande analyse la spécification, crée l'agent et récupère les métadonnées. Les métadonnées comprennent un Robot, BotVersion et un GenAiPlannerBundle, qui ajoutent l'intelligence artificielle et des références aux rubriques et aux actions de l'agent.

Prévisualisez la structure de l'agent avant de la créer en ajoutant l'indicateur --preview pour générer un fichier JSON local qui détaille le type d'agent que le grand livre va créer, y compris les actions suggérées. Par exemple :

Pour plus d'informations, consultez Création d'un agent à partir de Trailhead.

Agentforce Python SDK : Définition d'outils spécifiques

Le kit de développement Agent facilite le test des agents en créant des actions fictives. Ces actions fictives devront éventuellement être remplacées par des actions réelles dans Salesforce. Salesforce offre une série de fonctionnalités de plate-forme, notamment des flux, Apex, des modèles d'invite et des API, qui peuvent toutes être encapsulées en tant qu'actions Agentforce.

Voici un extrait de code d'action fictif pour illustrer la présentation d'une action Agentforce.

L'implémentation établit la connexion à Salesforce, crée l'instance de l'agent et définit des outils et des actions personnalisés que l'agent peut utiliser pour interagir avec des systèmes externes et exécuter des fonctions métiers spécifiques.

Comme nous l'avons vu plus haut, le test d'un agent est plus complexe que le test logiciel traditionnel. Il nécessite de valider le comportement, le raisonnement et la robustesse dans divers scénarios. Cela comprend des tests unitaires pour des outils individuels, des tests de bout en bout pour des conversations et des tests contradictoires pour détecter des vulnérabilités.

Agentforce DX fournit un workflow général pour la création, le déploiement et l'exécution de tests en plus du Centre de test et de l'API de test directe. Cette section présente l'exécution de tests avec Agentforce DX.

Agentforce DX : Exécution d'un test d'agent

Utilisez Agentforce DX pour exécuter des tests d'agent prédéfinis directement depuis la ligne de commande. C'est idéal pour intégrer les tests des agents dans les processus DevOps modernes.

Agentforce Python SDK : Simulation des tests E2E et contradictoires

Conceptuellement, le kit Python SDK permet d'utiliser des conversations scriptées pour simuler des tests E2E (E2E) et valider le raisonnement des agents.

Agentforce Python SDK avec l'API Test Salesforce

L'implémentation du kit de développement Python utilise des tests complets avec l'API Salesforce Testing et les métadonnées AiEvaluationDefinition, créant des cas de test structurés avec des attentes pour les séquences de rubriques, les séquences d'action, la correspondance de chaînes et les métriques de qualité. Le système génère des définitions de métadonnées XML qui peuvent être déployées dans Salesforce pour le test et la validation automatisés des agents.

Une fois validé, l'agent est déployé dans un environnement de production. Au cours de cette phase, Agentforce DX est essentiel pour aider à gérer et à déplacer les métadonnées des agents entre différentes organisations (par exemple, sandbox et production). Les déploiements d'agents créent une nouvelle version de l'agent et l'agent n'est pas mis en ligne tant que vous ne l'avez pas explicitement activé. Vous pouvez ainsi contrôler entièrement la date de publication de la nouvelle version de l'agent.

Agentforce DX : Déploiement des métadonnées des agents

La structure standard du projet Salesforce DX organise les métadonnées des agents sous le répertoire force-app. Utilisez les commandes standard sf project deploy pour déployer un agent et ses tests associés dans une organisation cible.

Après avoir créé ou déployé un agent, vous pouvez l'ouvrir directement dans l'interface utilisateur Agentforce Builder pour vérifier sa configuration en exécutant:

Après avoir validé le déploiement de l'agent, vous pouvez l'activer. Si vous rencontrez des problèmes inattendus, restaurez la version de travail précédente de l'agent.

Agentforce Python SDK : Déploiement du déploiement de l'agent

L'implémentation prend la spécification de l'agent validée et la déploie dans l'organisation Salesforce, ce qui rend l'agent disponible pour l'utilisation. Le processus de déploiement comprend la création d'agents, la synchronisation des métadonnées et la vérification de la réussite du déploiement.

ADLC est un cycle continu, le déploiement n'est pas la fin. Les agents sont des systèmes vivants qui nécessitent une surveillance constante pour suivre des métriques telles que la latence, le coût et les taux de réussite. Les connaissances recueillies par la surveillance sont utilisées pour ajuster et améliorer les performances des agents grâce à l'ingénierie rapide, l'optimisation des outils et l'affinage des bases Knowledge.

La plate-forme Agentforce fournit des tableaux de bord et des analytiques complets pour appuyer cette phase cruciale, en veillant à ce que les agents continuent d ' évoluer et de s ' améliorer au fil du temps.

Agentforce Analytics

Agentforce Analytics, qui se trouve dans le dossier Agentforce (par défaut), utilise Data 360 pour fournir des connaissances sur les performances des agents. Le tableau de bord et les rapports personnalisables offrent des données sur l'adoption, les commentaires et l'utilisation, ce qui vous aide à affiner les rubriques et les actions pour améliorer la satisfaction des utilisateurs. Vous pouvez explorer les résultats en cliquant sur des graphiques ou des rapports liés. Pour personnaliser, clonez des rapports existants et modifiez les clones afin d'éviter de perturber les processus d'analyse.

Analyse des énoncés

L'analyse des énoncés montre comment les utilisateurs Agentforce (par défaut) utilisent les agents, ce qu'ils demandent et si l'agent a pu gérer ces demandes. Ces rapports personnalisables peuvent vous aider à affiner vos rubriques et actions afin de permettre à vos agents de répondre avec plus d'efficacité et de précision.

Agentforce Python SDK : Surveillance avec les intégrations Data 360

L'implémentation du kit de développement Agent utilise la surveillance et les analytiques avancées avec le connecteur Python Data 360, établissant la connexion à Salesforce Data 360, interrogeant les métriques de performance des agents et créant des tableaux de bord de surveillance complets.
Le système suit les temps de réponse, les taux de réussite, la satisfaction des utilisateurs et les métriques de coût afin de fournir des connaissances actionnables pour l'optimisation des agents.

Agentforce DX : Surveillance des agents

L'implémentation utilise des commandes AFDX standard avec la gestion des agents basée sur la CLI, qui informent l'agent des modifications apportées à la plate-forme et intègrent les commentaires des utilisateurs pour une amélioration continue.

Reportez-vous ici au référentiel GitHub pour l'implémentation d'ADLC en utilisant le kit de développement Agent SDK et AFDX.

La maîtrise du cycle de vie de développement des agents nécessite d'adhérer à un ensemble de principes fondamentaux qui garantissent l'efficacité, la fiabilité et l'alignement stratégique. Les lignes directrices suivantes synthétisent les principales leçons tirées de chaque phase du CLDA dans un cadre stratégique pour les architectes et les promoteurs.

1. Planification et idées

Cette phase initiale est axée sur l'alignement de l'objectif de l'agent avec les objectifs métiers et sur la construction d'une base solide.

• Priorité à l'impact commercial: Commencez par mapper des cas d'utilisation potentiels directement avec des objectifs métiers stratégiques. Utilisez une matrice de priorisation pour évaluer leur impact potentiel et commencez par un cas d'utilisation unique et ciblé avec des indicateurs de performance clés clairs.
• Impliquer les parties prenantes tôt: Recueillez des connaissances sur les points douloureux et assurez l'alignement.
• Exploiter les connaissances des données: Un agent est aussi bon que ses données. Utilisez Data 360 pour explorer les données structurées et non structurées disponibles afin d'informer le contexte et les capacités de l'agent. Examinez les rapports et les tableaux de bord existants pour identifier les tendances actuelles qui peuvent éclairer votre sélection de cas d'utilisation.
• Utilisation d'infrastructures pour l'idée: Appliquez des méthodes d'idéation structurées pour réfléchir et affiner les applications potentielles, telles que la conception ou l'analyse SWOT.

2. Agents de construction

Cette phase couvre les meilleures pratiques pour construire un agent performant et efficace.

• Éviter trop de rubriques: Limitez le nombre de rubriques afin de réduire le risque de créer des rubriques similaires ou superposées qui pourraient désorienter l'agent.
• Concision des instructions et des invites: Utilisez un langage simple et direct et fournissez des exemples d'énoncés pour guider efficacement l'agent.
• Exploitation des variables et actions déterministes: Utilisez ces outils pour guider le comportement de l'agent et optimiser ses performances pour des résultats plus prévisibles.
• Garder les sorties d'action petites et concises: Assurez-vous que les réponses de l'agent sont brèves et pertinentes. Les sorties plus longues utilisent plus de contexte et sont plus lentes à générer.
• Optimisation des actions pour accélérer: Concevez des flux et des classes Apex pour renvoyer un minimum de données requises. Essayez de réduire le nombre d'actions nécessaires pour générer une réponse en prétraitant si possible.
• Définition d'une portée claire: Écrivez des descriptions appropriées, des instructions et l'étendue des actions pour empêcher l'agent d'appeler RAG (Retrieval-Augmented Generation) pour des questions hors champ.
• Utilisation de la recherche hybride avec précaution: Utilisez la recherche hybride uniquement si elle est absolument nécessaire, car elle peut impacter négativement la latence.

3. Test, surveillance et réglage

Cette phase itérative est cruciale pour affiner la précision et les performances de l'agent.

• Établir un flux de test: Suivez un cycle de test cohérent :
  1. Exécuter un test par lot: Exécutez une série complète de tests.
  2. Afficher les scores/erreurs: Analysez les métriques de performance et identifiez les échecs.
  3. Inspecter les échecs: Examinez chaque ligne d'échec pour comprendre l'écart.
  4. Agent de mise: à jour Apportez les ajustements nécessaires à l'agent ou à ses données d'évaluation.
• Examen des informations de traçage de session: Utilisez le modèle de données de trace de session et l'Explorateur d'interaction Agentforce pour effectuer une analyse des causes premières lorsque des problèmes ou des comportements inattendus sont identifiés. Ajustez votre agent en fonction des informations et continuez à itérer votre agent.

Le cycle de développement des agents représente une évolution critique des principes traditionnels de développement de logiciels, conçus pour l'ère des systèmes intelligents et autonomes.

• Évolution, pas remplacement: Le cycle de vie de développement des agents étend et améliore la Gestion du cycle de vie des applications traditionnelle sans la remplacer.
• Les données en tant que citoyens de première classe: Les données jouent un rôle beaucoup plus dynamique et central dans le développement des agents.
• Outillage spécialisé et compétences: Nécessite de nouveaux outils et un ensemble élargi de compétences spécialisées dans les sciences des données, l'ingénierie ML et le développement des agents.
• Apprentissage continu: Le développement des agents ajoute l'apprentissage continu et l'adaptation du système lui-même.
• Impact futur: L’IA agentique promet d’automatiser et d’optimiser davantage les opérations informatiques complexes et les workflows de développement de logiciels.