Enterprise Agentic Architecture and Design Patterns structure les possibilités des architectures multi-agents, en identifiant et en mettant en évidence comment combiner des capacités nouvelles pour les agents IA afin de fournir des solutions agents fiables, répétitives, évolutives et gérables. En nous inspirant des « Design Patterns » pour la programmation orientée objet, nous exposons des modèles qui peuvent être combinés et étendus pour résoudre les nombreux défis passionnants qui, avant les technologies agentiques, se situaient hors du périmètre des systèmes métiers construits sur des technologies déterministes traditionnelles.

Après avoir discuté de la justification des architectures multi-agents, nous introduisons de nombreux schémas agentsiques, depuis les schémas simples qui exploitent le traitement en langage naturel pour déterminer l'intention de l'utilisateur, jusqu'aux schémas multi-agents qui permettent de séparer les préoccupations entre les agents, en passant par les schémas agentsiques UX qui apportent le raisonnement agentique à la présentation et à l'interaction avec les systèmes, les informations et les contenus.

Tout d'abord et avant tout, vous obtiendrez une nouvelle façon de concevoir les agents - les agents en tant que composants, les agents en tant que compositeurs, les agents en tant qu'acteurs, les agents en tant que collaborateurs, et surtout les agents dans une architecture plus large qui agissent avec intention et agissent dans leur champ de préoccupations individuel.

Vous obtiendrez les pointeurs dont vous avez besoin pour concevoir des solutions agentiques riches qui couvrent les parcours utilisateur et informent les expériences agentiques significatives, des expériences qui n'ont jamais été possibles auparavant.

Les sections initiales de ce document fournissent la justification des architectures muti-agents. Lisez-les pour mieux comprendre les défis et les opportunités que présentent les architectures multi-agents.

Voici des définitions et des descriptions de schémas agentsiques, de simples à complexes, couvrant les schémas qui prennent en charge les interactions, les schémas pour les agents spécialisés, les schémas pour les opérations en arrière-plan et les schémas à long terme. Chaque modèle inclut un diagramme des principaux composants qui réalisent le modèle, plus des recommandations d'utilisation et des cas d'utilisation représentatifs.

Enfin, l'annexe comprend des exemples de combinaison de ces modèles dans des solutions globales pour les agents, qui favorisent une expérience plus vaste pour les agents, par exemple pour le service à la clientèle ou les ventes intermédiaires. Consultez cette section pour voir comment une expérience agentique riche exploite la décomposition et la séparation des préoccupations au niveau de l'agent et de l'action pour favoriser la réutilisation au niveau de l'interaction, les agents partagés prenant en charge les administrés internes et externes, en mode d'assistance et autonome.

En intégrant l’IA générative à leurs écosystèmes, les architectes d’entreprise doivent répondre à un ensemble commun de questions de conception :

• Combien d'agents sont requis ?
• Comment les agents vont-ils interagir ?
• Quelle est la division du travail entre les agents et les humains ?
• Comment ces composants sont-ils assemblés dans un système cohérent ?

Ce document présente une méthodologie basée sur un schéma pour concevoir et élaborer des solutions agentiques.

Les agents monolithiques sont le point de départ de la plupart des solutions agentiques. Les agents, et plus particulièrement les agents Agentforce, sont performants dans de nombreux domaines. Pour des cas d'utilisation courants, commencez par un seul agent.

À mesure que votre organisation se développe, les architectures multi-agents sont l'approche préférée. L'architecture multi-agents offre une échelle, un contrôle et une flexibilité supérieurs aux systèmes monolithiques à agent unique.

L'architecture multi-agents offre les principaux avantages suivants :

• Accroissement des performances et de la complexité: Un système d'agents multiples et spécialisés augmente les capacités et simplifie l'adhésion aux instructions.
• Modularité et extensibilité : Les agents individuels peuvent être ajoutés, remplacés, modifiés et testés avec plus de facilité, ce qui favorise l'agilité.
• Résilience et tolérance aux pannes: La défaillance d'un seul composant ne compromet pas l'ensemble du système, ce qui entraîne une meilleure résilience globale.
• Gouvernance décentralisée: Le dépannage et la gestion peuvent être isolés pour des agents spécifiques et leurs applications correspondantes, ce qui simplifie la maintenance et la surveillance.

La rationalisation d'une architecture multi-agents commence par projeter les principes architecturaux fondamentaux sur les capacités et la structure des agents. Les architectures multi-agents qui en résultent sont alors une manifestation des principes fondamentaux de conception et d'architecture système alignés sur le « grain » unique des technologies IA.

Les principes clés qui guident cette architecture comprennent :

• Gérer la complexité par la décomposition
• Améliorer la résilience et réduire la fragilité en découplant
• Amélioration de la fiabilité et de l'efficacité en réutilisant le code
• Améliorer la fiabilité des agents en limitant l'étendue des préoccupations d'un agent
• Améliorer la maintenance et l'évolution du système grâce à la modularité et à l'extensibilité
• Simplification de la gestion et de la responsabilité des agents grâce à la spécialisation

Contrairement aux architectures agentiques plus primitives (par exemple, celles qui se concentrent sur les grands modèles de langage en tant que construction architecturale principale), Agentforce a été conçu pour l'orchestration multi-agents dès sa création. L'orchestration multi-agents sous-tend le moteur de raisonnement Atlas et le raisonnement agentique pour créer des parcours de programmation dynamiques et efficaces dans une réponse agentique afin d'élargir considérablement la capacité à offrir une augmentation large et profonde de l'expérience utilisateur (UX).

Dans Agentforce ce type de coordination est activé par les protocoles ouverts clés, interopérables et les Produits Salesforce suivants :

• Agentforce fournit un sous-système Agent pour encapsuler tous les éléments clés d'un agent: rubriques, instructions, actions, garde-fous, contexte, invocations, sorties, détails d'exécution, journaux, etc.
• Actions : fournir des hooks pour accéder aux données, appeler des flux, invoquer des systèmes externes et appeler d'autres agents.
• Data 360 : fournit une couche de virtualisation des données qui fournit à l'agent un contexte spécifique et individualisé (en exploitant le profil unifié et le porte-clés de Data 360 pour extraire des informations spécifiques de l'ensemble de l'entreprise).

Pour les agents de l'ensemble de l'entreprise ou pour accéder à des agents ou à des ressources, nous prenons en charge :

• Model Context Protocol (MCP): est une couche de communication sécurisée qui connecte les agents aux outils, données et Knowledge d'entreprise pour garantir l'exactitude du contexte.
• Protocole A2A (agent à agent) : est une poignée de main standardisée pour la délégation inter-agents qui permet une coordination sécurisée et régie entre les systèmes, les organisations et les fournisseurs.

Ces principes jettent les bases d'un système d'intelligence orchestrée évolutif et gouvernable.

Les solutions agentsiques robustes nécessitent des approches claires des exigences non fonctionnelles qui sous-tendent une livraison efficace de la technologie :

• Sécurité et gouvernance (gestion des identités et des accès, confidentialité des données, sécurité des données et modélisation des menaces).
• Observabilité et surveillance (traçage distribué, consignation centralisée, métriques et tableaux de bord).
• Opérationnalisation et gestion du cycle de vie (spécification, génération de requêtes de test, tests, commentaires, apprentissage continu, dépréciation).

Ce sont des considérations architecturales clés pour élaborer des solutions Enterprise Agentic qui ne sont pas abordées dans ce livre blanc. Elles seront toutefois abordées dans de futures publications.

Pour gérer un paysage agentique à l'échelle de l'entreprise, les architectes doivent classer les agents à travers deux perspectives complémentaires : la fonction technique et l'impact métier.

Cette taxonomie catégorise les rôles fonctionnels que les agents peuvent assumer dans une architecture.

• Rôles Canal/UX: Définissez la modalité d'interaction (par exemple, Headless, Invite, Chats et messages, ou Espaces de travail gérés par l'IA).
• Specialist Roles: Encapsulez deep-domain Knowledge (par exemple, Expert de domaine, Knowledge Minion, Assistant ou Planificateur).
• Rôles de service utilitaire: Effectuez des tâches transactionnelles discrètes (par exemple, Génération, Résumé, Transformation ou Configuration).
• Rôles de maintenance et de service proactif: Mettez l'accent sur l'intégrité et la qualité des données (par exemple, Curation, Configuration, Qualité des données ou Enrichissement des données).
• Rôles de longue durée: Gérez les processus sur de longues périodes (par exemple, Concierge, Chef de projet, Nourrisseur ou Surveillant/Alerteur).

Pour faciliter la conception et la communication claires, la carte agentique est le modèle standard qui décrit les solutions des agents. Il définit les entités, les systèmes et les interactions clés dans un modèle de conception spécifique.

Voici les composants de modèle de carte Agentic :

• Les couches utilisateur définissent les acteurs humains du système (par exemple, les clients, les employés authentifiés (SF-Users) et les employés non authentifiés).
• Les couches d'agents décrivent les agents requis, les modèles exposés, les relations entre eux et les instructions utilisées pour actualiser des modèles spécifiques.
• Contexte/Actions sont les ressources, les capacités ou les actions que l'agent gère ou auxquelles il accède.
• Les sources sont les données, applications, bases Knowledge et autres systèmes sous-jacents auxquels les agents se connectent.

Les annexes A et B illustrent les modèles d'agents au niveau du système en démontrant leur composition dans les lames natatoires du modèle de carte des agents.

Chez Salesforce, nous utilisons une bibliothèque de modèles d'agent pour organiser et fournir des solutions agentsiques fiables et prévisibles. Ces modèles sont nos plans pour résoudre des problèmes architecturaux courants.

Ils sont regroupés en quatre catégories principales :

• Modèles d'interaction: Mettez l'accent sur l'engagement des agents et l'expérience utilisateur (UX).
• Modèles de spécialiste/travailleur: Encapsuler des deep Knowledge ou des compétences spécifiques au sein d'un domaine particulier.
• Schémas d'utilitaires et de gestion des données: Exécutez des tâches spécifiques, souvent répétitives, qui prennent en charge d'autres agents ou processus.
• Schémas de longue durée: Gérez les processus et les workflows qui se produisent sur de longues périodes, impliquant plusieurs étapes.

Les sections suivantes détaillent les principaux modèles de chaque catégorie. Chaque description de schéma fournit une Vue d'ensemble, un Type de sortie, un Guide d'utilisation du schéma, des Cas d'utilisation représentatifs et un Diagramme de solution, ainsi qu'un mappage avec la rubrique de maturité Salesforce Agentic.

Les modèles d'interaction sont des conceptions fondamentales qui se concentrent sur l'engagement des agents et l'expérience utilisateur.

• Vue d'ensemble: Le modèle Greeter est un modèle simple et facile à implémenter qui utilise le langage naturel pour déterminer l'intention de l'utilisateur. Il achemine ensuite l'utilisateur vers l'agent humain approprié.

• Type de sortie: Transférer/escalader à la ressource suivante.

• Valeur métier: Facilitez un premier contact transparent et efficace pour les clients tout en maximisant la résolution des intentions et la collecte du contexte pour les fournisseurs de services.

• Guide d'utilisation: Configurez l'agent en tant que ressource d'engagement principale pour les canaux de marque. Fournissez des instructions sur la marque, les produits et les services associés à des instructions d'acheminement basées sur l'intention de l'utilisateur. L'agent recueille et résume l'intention de livrer un transfert chaleureux.

• Cas d'utilisation représentatif: Imaginez une page Web qui utilise un robot de chat pour présenter un menu d'options dans lequel les utilisateurs doivent cliquer sur toutes les options avant d'être dirigés vers un humain. Pour améliorer la productivité et l'efficacité du back-office, les chatbots utilisent souvent des parcours de travail et des interactions complexes et complexes. Cela entraîne un scénario de fatigue « Remplir, choisir et cliquer » pour les clients, qui entraîne souvent une frustration si leur contexte est extérieur aux options de menu disponibles. En remplaçant les chatbots traditionnels par la porte d'entrée Agentic, qui utilise des interactions en langage naturel, elle allège le fardeau et offre une interaction de type humain.

• Agentforce Recipe:

  • Agent de service Agentforce : Construire un agent de service
    • L'agent de service empaqueté a des capacités de transfert configurables qui prennent en charge le transfert:
      • Aux agents humains
      • Aux agents IA
      • Aux agents externes
  • Modèles spécifiques au secteur d'activité qui contiennent des exemples de code

• Diagramme:

• Maturité Salesforce Agentic: Niveau 1 (ou Niveau 0 si vous utilisez l'agent de service prêt à l'emploi avec transfert et escalade intégrés)

• Vue d'ensemble: Le schéma Opérateur s'inspire du schéma Plus Grand en acheminant les demandes vers l'agent spécialisé approprié ou l'intention humaine et de négociation (si nécessaire).

• Type de sortie: Transférer à la ressource suivante.

• Guide d'utilisation: Associez des instructions spécifiques à la marque et au service à des instructions indiquant où envoyer l'utilisateur en fonction de son intention. Définissez des ressources d'escalade, qui peuvent être humaines ou d'autres agents.

• Cas d'utilisation représentatif: Utilisez la porte d'entrée Agentic pour les scénarios où le degré de spécialisation des représentants humains ou IA est élevé.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 2

• Vue d'ensemble: Le schéma Orchestrateur gère un « essaim » d'agent IA. Lorsqu'il reçoit une demande de l'utilisateur, il transmet l'énoncé à un ou plusieurs agents spécialisés, puis agrège les réponses pour l'utilisateur. Contrairement au modèle Opérateur, il reste le premier point de contact (POC).

• Type de sortie: Réunissez et préparez les réponses des agents.

• Guide d'utilisation: Configuré en tant qu'engagement principal. Fournissez des instructions à chaque agent de support (par exemple, une PME Prioritaire ou Domaine) afin de permettre à l'orchestrateur de leur transmettre les énoncés.

• Cas d'utilisation représentatif: Utilisez le modèle Orchestrateur comme porte d'entrée agentique pour assister les clients qui doivent discuter de plusieurs sujets par conversation, ce qui nécessite des solutions multi-agents et des interactions cohérentes. Dans une architecture multi-systèmes, tenez compte du modèle Orchestrateur pour coordonner les réponses entre les systèmes et avec la collaboration d'agents externes.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 3

• Vue d'ensemble: Le modèle Écouteur/Fil expose le contexte et les connaissances pendant le flux d'une conversation. L'écouteur est déclenché à chaque tour de conversation pour rechercher et afficher des informations pertinentes pour un employé.

• Type de sortie: Fournissez un contexte pertinent basé sur la conversation, qui peut être mis en forme pour l'effet (par exemple, faire des comparaisons ou mettre en évidence des points clés).

• Guide d'utilisation: Joignez l'écouteur à un canal au tour par tour (par exemple, chat, voix ou SMS). Définissez des rubriques pour chaque domaine. L'agent consomme la transcription, identifie les rubriques et invoque des actions pour rechercher et publier du contenu pertinent dans un fil actif pour l'employé.

• Cas d'utilisation représentatif: Utilisez l'assistant universel pour assister le service client ou les commerciaux.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 3

• Vue d'ensemble: Le modèle Workspace (Radar O’Reilly) gère une fenêtre UX unique réactive dans le flux d’une conversation. Il traite chaque énoncé pour mettre à jour des parties de l'UX avec le contenu approprié.

• Type de sortie: Fournissez un contexte pertinent situé dans un portlet dans une vue panoramique élargie.

• Guide d'utilisation: Un agent Orchestrateur transmet des énoncés à une série d'agents de rubriques. Chaque agent de rubrique évalue l'instruction afin de déterminer si une mise à jour de l'expérience utilisateur est nécessaire. Dans ce cas, il envoie automatiquement des mises à jour dynamiques aux composants Web Lightning correspondants.

• Cas d'utilisation représentatif: Cela fonctionne comme une porte d'entrée agentique avancée.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 3

Les schémas spécialisés englobent des Knowledge ou des compétences approfondies dans un domaine particulier, et sont généralement orchestrés par des schémas Interaction.

• Vue d'ensemble: Le modèle Answerbot est un modèle efficace pour le libre-service qui utilise GenAI pour déterminer le langage naturel pour la récupération Knowledge, pas seulement des mots-clés.

• Type de sortie: Knowledge résumé et références/citations à des documents d'appui.

• Guide d'utilisation: Organisez et ingérez des documents sources fiables (par exemple, Knowledge Stores ou FAQ) pour configurer l'agent. Positionnez l'agent sur les sites Web de l'entreprise ou dans des portails internes. Surveillez les questions pour identifier et combler les lacunes Knowledge.

• Cas d'utilisation représentatif: Faciliter les recherches en langage naturel sur un site Web d'entreprise, interagir avec un robot des avantages sociaux des RH et fournir des composants en libre-service à tous les administrés.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 1

• Vue d'ensemble: Le schéma Domaine PME est un schéma de base qui fournit un frontal en langage naturel pour un domaine métier (par exemple, Commandes ou Déclarations).

• Type de sortie: Fournissez des contenus, des rubriques, des données et des informations mises en forme pertinents sur le domaine.

• Guide d'utilisation: Utilisez ce modèle pour encapsuler un sujet ou un domaine métier. Configurez l'agent capable d'effectuer les opérations CRUD appropriées. Rendez ces agents disponibles via des modèles Interaction (par exemple Orchestrateur ou Écouteur).

• Cas d'utilisation représentatif: Garantir un domaine de données métier, fournir un « Agent de commande » ou un « Agent d'inventaire » et fournir une interface agentique pour un domaine métier.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 2

• Vue d'ensemble: Le modèle Interrogateur est un agent de PME qui peut être interrogé sur une rubrique afin d'assembler le contexte de plusieurs sources pour répondre à des questions. La capacité agentique clé exploitée est la capacité d'extraire le contexte et de connecter des concepts à travers un ensemble de contenus, de la même façon qu'un humain le ferait après avoir lu et internalisé le contenu. Ce modèle réduit le besoin d'une « intégration fauteuil-pivot ».

• Type de sortie: Saisissez des réponses aux questions.

• Guide d'utilisation: Il est souvent configuré en tant que widget de console connecté au contexte actuel de l'utilisateur pour lui permettre de poser des questions directement. Il est également utilisé conjointement avec des ressources Knowledge telles que des FAQ, des Polices et des catalogues de produits. Associez le modèle Interrogateur à des invites standard pour adapter les réponses communes aux questions courantes.

• Cas d'utilisation représentatif: Utilisez-le en tant qu'agent d'assistance contractuelle, assistant de demande de prestations ou agent spécialisé dans les schémas multi-agents (par exemple, Écouteur ou Espace de travail).

• Diagramme:

• Maturité Salesforce Agentic: Niveau 2

• Vue d'ensemble: Le modèle Priorizer est utilisé pour organiser une série de tâches ou d'objets de travail en fonction d'un objectif défini. Il exploite GenAI pour l'analyse qualitative, l'analyse de données non structurées ou l'analyse intégrative dans plusieurs domaines de données.

• Type de sortie: Fournissez des connaissances génératives.

• Guide d'utilisation: Utilisez le langage naturel pour décrire les qualités souhaitées pour la priorisation. Ancrez l'agent en utilisant une série d'options sélectionnables. Combinez-le au modèle Listener pour créer une « Next Best Action » réactive dans le flux de travail.

• Cas d'utilisation représentatif: Utilisez-le en tant que générateur Next Best Action ou agent spécialisé dans les modèles à long terme ou multi-agents.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 2

Les modèles d'utilitaires exécutent des tâches spécifiques et répétitives qui prennent en charge d'autres agents ou processus.

• Vue d'ensemble: Le modèle Générateur est un modèle de base pour créer du contenu (par exemple, des résumés de requête ou des brouillons d'e-mails) à partir d'entrées et de normes existantes. Elle est souvent implémentée en tant qu'invite et peut être incorporée à d'autres agents.

• Type de sortie: Fournissez un contenu généré qui respecte le format et l'intention demandés.

• Guide d'utilisation: Le modèle Générateur peut être utilisé dans la plupart des autres modèles ou en tant que modèle autonome. Le contexte peut être fourni par la demande, l'hydratation pendant l'exécution ou des étapes d'enrichissement supplémentaires.

• Cas d'utilisation représentatif: Fournissez des résumés de requête, des brouillons d'e-mails, des articles Knowledge ou des propositions/réponses aux QBR.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 1

• Vue d'ensemble: Le modèle Data Steward est un modèle autonome en arrière-plan qui introduit une étape agentique dans les opérations de données pour garantir la qualité, la conformité et l'enrichissement cohérents des données.

• Type de sortie: Saisissez des champs d'enregistrement et de données mis à jour avant l'enregistrement.

• Guide d'utilisation: Incorporez la qualité des données au point de création des données en ajoutant des gestionnaires de données qui enregistrent les flux déclencheurs avant d'enregistrer les données. Aide à garantir une application cohérente des données de catégorie, de résumé et d'état.

• Cas d'utilisation représentatif: Garantir des mises à jour cohérentes du style « Pizza-Tracker », enrichir les données des comptes et éliminer les codes postaux et les adresses non concordants.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 2

• Vue d'ensemble: Le modèle Zen Data Gardener est un modèle planifié en arrière-plan utilisé pour toiletter et standardiser les données, en exploitant un raisonnement peu coûteux pour valider, enrichir et conformer les données dans des domaines de données autrement non connectés.

• Type de sortie: Fournissez des enregistrements mis à jour et/ou des tâches de gestion des données.

• Guide d'utilisation: Utilisez le modèle pour activer l'examen et la validation réguliers et périodiques des données. Pour des données à évolution lente, planifiez l'agent sur une cadence lente (par exemple mensuelle). Combinez-les au modèle Data Steward pour fournir des opérations prospectives et rétrospectives de qualité des données.

• Cas d'utilisation représentatif: Garantir l'alignement entre les garanties vendues et le système de déclaration, ainsi que la validation périodique des licences de courtier par rapport aux registres nationaux.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 4

• Vue d'ensemble: Le modèle Configureur génère des artefacts de configuration (par exemple, SQL/SOQL, JSON et CSV) à partir des exigences en langage naturel. Il peut également être exécuté à l'envers pour valider une configuration existante par rapport aux exigences.

• Type de sortie: Fournissez des enregistrements mis à jour, des tâches de gestion des données ou créez des problèmes/erreurs pour les corrections.

• Guide d'utilisation: Ancrez l'agent en utilisant des normes, des consignes ou des exemples spécifiques. Configurez des exigences d'élaboration en utilisant des sources telles que des contrats ou des spécifications produit. Connectez le modèle Configureur au système cible pour envoyer automatiquement la configuration générée.

• Cas d'utilisation représentatif: Générer des enregistrements de configuration de produits pour les produits d'assurance maladie et valider les conditions de contrat/paiement pour les prestataires de soins.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 4

• Vue d'ensemble: Le modèle Juge et Jury est conçu pour minimiser les hallucinations en utilisant un ensemble d'agents « jurés » et un agent « juge » qui évalue la congruence des réponses pour s'assurer qu'elles sont matériellement cohérentes et fondées.

  • L ' approche intégrée est intégrée à Agentforce et au moteur de raisonnement Atlas pour vérifier la véracité et la pertinence des réponses. Le schéma Juge et Jury s'appuie sur cette capacité lorsque des niveaux élevés de précision sont essentiels.
  • La combinaison de l'ancrage des données (par exemple, « recherchez votre réponse dans ces enregistrements/documents ») et de l'ingénierie des invites (par exemple, « renvoyez une réponse uniquement si elle se trouve dans ces enregistrements » ou « validez votre réponse par rapport à cette source externe ») est également efficace pour réduire les hallucinations.

• Type de sortie: Fournissez des connaissances génératives.

• Guide d'utilisation: Utile lorsqu'il existe un fort besoin de résultats génératifs cohérents et ancrés. Un juge compile une invite ancrée et la transmet à deux jurés ou plus, puis le juge évalue les réponses. Pour de meilleurs résultats, utilisez différents modèles (par exemple, un modèle OpenAI et un autre modèle Anthropic) pour chaque agent Juré.

• Cas d'utilisation représentatif: Fournissez des réponses de haute fidélité et factuelles pour minimiser les hallucinations.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 2

• Vue d'ensemble: Le modèle des modèles exploite plusieurs agents experts pour générer un large éventail de perspectives, puis extrait le consensus. Contrairement au modèle Juge & Jury, ce modèle embrasse plusieurs points de vue pour augmenter la richesse.

  • Ce modèle peut également être appelé modèle Panel of Experts lorsqu'il existe des modèles experts avec différents points de vue (POV) qu'il peut être utile de toucher.
  • Contrairement au schéma Juge et Jury où l'intention est de s'assurer que la réponse de l'agent converge vers une « vérité » accessible à tous, le modèle de modèles élargit la portée de la réponse en tirant parti de la diversité dans l'environnement de l'agent.
  • Ce schéma suppose que d'autres agents ont un POV distinct. Par exemple, dans un environnement multi-organisations, multi-agents ou avec plusieurs agents fournis par des fournisseurs à travers des piles technologiques, le modèle de modèles fournit une structure pour intégrer plusieurs POV.
  • Lors de l'examen de ce schéma, tenez également compte d'autres approches, souvent plus légères :
    • Au lieu de définir plusieurs agents experts, spécifiez plusieurs invites et faites fonctionner le système comme un ensemble d'invites.
    • Tirez parti de l'« ancrage » à l'aide d'actions qui accèdent aux données adaptées au contexte.

• Type de sortie: Fournissez des connaissances génératives.

• Guide d'utilisation: Le rôle d'un agent agrégateur est de former et de renvoyer un POV enrichi basé sur les concepts clés renvoyés par les agents Modèle. Les agents modèle déterminent une réponse en fonction de leur POV unique.

• Cas d'utilisation représentatif: Utiliser dans des situations qui peuvent bénéficier de la réunion de points de vue différents pour ajouter à la qualité des réponses. Par exemple, un environnement agentique multisystème dans lequel les agents privilégiés (par exemple, un agent ERP) peuvent avoir un POV précieux et inaccessible.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 2

Les modèles Processus long gèrent les processus qui se produisent sur de longues périodes et impliquent plusieurs étapes et acteurs.

• Vue d'ensemble: Le modèle Chef de projet est un modèle complexe qui supervise un projet à long terme. Il coordonne les activités, suit la réalisation, notifie les utilisateurs et représente le statut du projet pour les parties prenantes.

• Type de sortie: Il existe plusieurs sorties (par exemple, requêtes, tâches, mises à jour de statut et notifications).

• Guide d'utilisation: Utilisez-le comme modèle de parapluie pour prendre en charge des activités régulières, répétées et à plusieurs étapes. Le modèle Gestionnaire de projet reprend un modèle d'entrée/plan d'un projet (y compris des tâches, des rôles et des dépendances), puis instancie les requêtes et les activités et les attribue aux utilisateurs.

• Cas d'utilisation représentatif: Utilisé pour la gestion de l'installation de comptes et l'engagement commercial d'entreprise.

• Diagramme:

• Maturité Salesforce Agentic: Niveau 4

Alors que les schémas décrivent les rôles des agents, les archétypes d'orchestration définissent les schémas au niveau du système pour la collaboration d'une flotte d'agents. Ces archétypes précisent les rôles d'Agentforce comme cerveau d'orchestration et de MuleSoft comme connecteur et adaptateur universels.

Archétype 1 : SOMA (organisation unique, agents multiples)

• Définition: Plusieurs agents collaborent au sein d'une organisation Salesforce qui utilise une gouvernance et des données partagées.
• Flux architectural: Dans Agentforce, un agent superviseur joue le rôle d ' une porte d ' entrée unique, acheminant les requêtes vers des agents spécialisés au sein de l ' organisation. Pour les fonctionnalités externes, les agents utilisent le client Agentforce MCP, MuleSoft servant d ' enveloppe MCP pour les API non activées par MCP.
• Considérations clés: Ce schéma centralise la logique d'orchestration dans Salesforce (de la même façon que le contexte CRM et Data 360) afin de préserver la gouvernance, l'identité, les autorisations et l'observabilité unifiées.

Archétype 2 : MOMA (organisation multiple, agents multiples)

• Définition: Les agents collaborent entre plusieurs organisations Salesforce, ce qui nécessite une coordination sécurisée entre les limites en données et en autorisations.
• Flux architectural: Un agent superviseur d'une organisation délègue une tâche à un agent d'une autre organisation via le protocole standardisé agent à agent (A2A). Cette poignée de main garantit Trust au niveau de l'organisation, flux d'identité utilisateur et contexte de conversation partagée.
• Considérations clés: Ce schéma préserve l'autonomie de l'organisation tout en activant les workflows à l'échelle de l'entreprise, qui constituent une base pour des opérations agentiques cohérentes dans des domaines complexes et multi-organisations.

Archétype 3 : A2A (Orchestration dirigée par Salesforce) multi-fournisseurs

• Définition: Un agent superviseur dans Salesforce coordonne le travail entre un mélange d'agents natifs de Salesforce et d'agents d'autres fournisseurs (par exemple, Google/Vertex ou LangGraph) via le protocole A2A.
• Flux architectural: L'agent superviseur traite la demande et orchestre un plan, en invoquant des agents fournisseurs internes et externes via le protocole A2A. Pour les systèmes externes qui ne sont pas compatibles A2A, MuleSoft peut exposer une «façade d'agent léger» qui enveloppe l'outil existant et communique avec l'A2A.
• Considérations clés: Cet archétype maintient le cerveau d'orchestration proche de CRM et Data 360 en utilisant A2A pour produire une composition propre et gouvernable sans niveau d'orchestration séparé.

Archetype 4 : A2A (MuleSoft-led Orchestration) multi-fournisseurs

• Définition: L'orchestration est initiée à partir d'un point d'entrée non-Salesforce, qui nécessite un orchestrateur externe neutre pour effectuer le raisonnement et l'acheminement.
• Flux architectural: Un agent de l'_interface utilisateur d'un système externe transmet la requête à un service d'orchestration (conceptualisé en tant que _MuleSoft Conductor), qui interprète l'intention et planifie la tâche. Le chef de train utilise ensuite l'A2A pour acheminer les appels vers les agents fournisseurs, y compris les agents Agentforce pour des actions CRM ou de service.
• Considérations clés: Ce modèle est destiné aux points d'entrée non-Salesforce dans lesquels un orchestrateur neutre est préférable sur le plan architectural. Il garde l'UX dans le système de domaine tout en centralisant le raisonnement, la gouvernance, la politique et l'observabilité dans MuleSoft.

Ces modèles individuels et archétypes d'orchestration sont des blocs de construction architecturaux conçus pour être composés en solutions de bout en bout. La Carte de solution agentique est utilisée pour visualiser comment ces composants sont câblés ensemble.

• Une solution Member Services pour un prestataire de soins est une implémentation standard de l'archétype SOMA. Il utilise un Answerbot pour les utilisateurs anonymes, un Orchestrateur pour les membres authentifiés et plusieurs agents de PME (par exemple, Requête, Réclamations et Avantages) pour gérer des demandes spécifiques.
• Un portail B2C Broker est une composition complexe qui utilise un agent Orchestrateur de portail pour invoquer un agent Gestionnaire de projet de longue date dans le cadre d'un processus de demande de propositions, lequel utilise à son tour Headless, Data Steward et Interrogator pour les opérations de back-office sur les données.

Une méthodologie de schéma de conception agentique fournit la discipline architecturale requise pour élaborer des systèmes d’IA d’entreprise robustes, évolutifs et maintenables. En réduisant la complexité et en favorisant la modularité, ces modèles permettent aux architectes de fournir des solutions agentsiques fiables et prévisibles.

Le choix d'un archétype d'orchestration est une décision stratégique basée sur l'endroit où les utilisateurs travaillent, le contexte et comment l'entreprise régit l'interaction entre les humains, les agents et les systèmes. En comprenant la distinction entre les agents d'élaboration et leur orchestre, et en exploitant des protocoles ouverts tels que MCP et A2A, les architectes peuvent dépasser la création de robots isolés pour concevoir un système de raisonnement d'entreprise cohérent, gouverné et distribué. Cette approche fournit un langage partagé et une série de plans réutilisables pour élaborer une architecture agentique durable.

L'annexe ci-dessous présente des exemples concrets de la composition des schémas agentiques en solutions au niveau du système.

Ce diagramme illustre comment cinq modèles de base peuvent être connectés ensemble pour créer un workflow de service client commun.

1. Answerbot: Un utilisateur anonyme pose une question, qui est traitée par un agent basé sur Knowledge.
2. Opérateur: La question d'un employé est triée par un Opérateur, qui consigne la conversation et la transmet à un agent plus spécialisé.
3. Orchestrateur: Un utilisateur authentifié (Utilisateur SF) interagit avec un Orchestrateur qui coordonne plusieurs agents pour gérer une demande à facettes multiples.
4. Domaine PME: Des agents spécialisés (par exemple, des agents RH ou des agents des avantages sociaux) sont invoqués par l'orchestrateur pour effectuer des mises à jour sur le sujet et récupérer des données spécifiques.
5. Générateur: Les agents utilitaires sont utilisés pour résumer les détails du compte ou conclure une requête une fois l'interaction terminée.

Cette carte de solution détaille une architecture agentique pour un cas d'utilisation des Services des membres, en montrant la composition de plusieurs modèles.

• Profils utilisateur: La solution sert trois types d'utilisateur distincts : Utilisateur anonyme, Membre authentifié et Utilisateur SF (par exemple, un représentant du service client humain).
• Modèles d'interaction: Un Answerbot gère les requêtes anonymes « Find-A-Doc », tandis qu'un Orchestrateur (Agentic Front Door) gère les requêtes des utilisateurs authentifiés. Un modèle Listener/Feed assiste l'utilisateur SF.
• Réutilisation de l'agent de domaine: Les agents PME spécialisés (par exemple, Agent de requête, Agent de réclamation ou Agent de garanties) sont réutilisés dans différents flux d'interaction.
• Autonome et assistance: Le système combine des agents autonomes (pour diriger l'interaction des utilisateurs) et des agents d'assistance (pour augmenter les RSE humains).
• Sources de données: L'architecture intègre une combinaison de sources de données publiques et d'entreprise, avec une utilisation intensive de Data 360 et MuleSoft pour la connectivité.

Ce diagramme illustre une architecture logique pour une solution d'IA d'assistance dans un Centre de contact, organisée en couches fonctionnelles.

• Orchestrator Agents: Gérez les expériences utilisateur pour différentes personnes (par exemple Anonyme, Membre externe ou RSE) et orchestrez le flux d'interaction global.
• Worker Agents: Plusieurs PME s ' intéressent à des domaines métiers essentiels tels que Knowledge, Case/Claims/Prestations et Provider Directory. Un agent Next Best Action est également inclus.
• Agents de service: Effectuez des tâches spécifiques et réutilisables telles que la traduction, la conclusion de la requête et le résumé de l'appel. Intégration et systèmes de base : L'ensemble du système agentique est connecté via une couche d'intégration multi-plate-forme à des ressources de données non structurées, des ressources de données structurées et des systèmes d'entreprise de base.
• Gouvernance: Une couche de gouvernance fournit l'observabilité, l'évaluation et la gestion des grands modèles de gestion de la vie utilisés par les agents. Architecture système du Centre de contact

Cette carte des solutions présente une interaction agentique complexe et de longue durée pour un portail de courtiers en assurance santé B2B. Le modèle comprend un agent du portail (Orchestrateur) qui facilite le parcours du courtier à travers plusieurs étapes (par exemple, soumettre une DP et recevoir une proposition). Cet orchestrateur invoque un agent Chef de projet, qui coordonne ensuite plusieurs agents headless pour la qualité et les transformations des données back-office, par exemple un extracteur de DP, une transformation de recensement et un délégué aux données.

Ce diagramme montre une architecture logique pour une solution B2C Broker, qui montre une approche similaire au Centre de contact. Il comprend les agents orchestrateurs pour différents types d'utilisateurs, les agents travailleurs réutilisables pour des domaines clés (par exemple, Knowledge, Services aux membres ou Commissions) et les agents des services publics pour des fonctions spécifiques telles que la traduction et le résumé.

Le diagramme ci-dessous montre une architecture logique pour une solution de Contrat de fournisseur. Les agents d'orchestre gèrent les interactions complètes, les agents travailleurs gèrent des intentions spécifiques dans un domaine (par exemple, un agent PME contractante) et les agents des services publics exécutent des tâches discrètes telles que la comparaison de contrats ou la génération de connaissances.

Le tableau ci-dessous récapitule plusieurs modèles d'interaction clés, des expériences utilisateur typiques et des objectifs architecturaux principaux.

David Harshbarger est un entrepreneur prospère et un chef de file technologique qui a travaillé pour de nombreuses grandes sociétés de logiciels, élaborant des solutions qui alignent le grain de l'architecture sur le grain de l'entreprise afin que les technologues travaillent avec, et non contre, leur technologie habilitante. Aujourd'hui, David travaille en tant qu'architecte d'entreprise principal chez Salesforce, où il accompagne Health & Life Sciences.

Chacha Choudhury est un directeur technique TI / architecte en chef très accompli et visionnaire avec des décennies d'expérience, occupant actuellement le poste d'architecte d'entreprise principal à la tête du programme d'architecture Salesforce et de la communauté mondiale d'architectes. Il est reconnu pour son expertise dans la définition d'une stratégie technologique à l'échelle de l'entreprise, la modernisation de l'architecture et la mise au point de solutions innovantes, notamment l'IA générative et les applications d'IA agentique.