요약

소프트웨어의 패러다임은 직접 조작에서 목표 지향 위임으로 전환하고 있습니다. 이 변화의 중심에는 사용자를 대신하여 이해하고, 추론하며, 행동할 수 있는 독립적이고 지능적인 존재인 AI 에이전트가 있습니다. 이 백서에서는 AI 에이전트의 기본 유형에 대한 기술적 탐색을 제공합니다. 대화형, 사전 예방형, 환경형, 자율형, 공동 작업형. 각 유형을 정의하고, 특정한 CRM(Customer Relationship Management) 사용 사례를 제시하며, 플로, Apex, Data 360, Agent2Agent(A2A) 통신, 모델 컨텍스트 프로토콜(MCP) 상호 운용성을 활용하는 기술 사례와 함께 Salesforce Agentforce 플랫폼에 이러한 에이전트를 구축하는 아키텍처 청사진을 제공합니다.

AI 에이전트는 환경을 인지하고 특정 목표를 달성하기 위해 조치를 취하는 시스템입니다. 이 개념은 새로운 개념이 아니지만 강력한 대규모 언어 모델(LLM)이 도입되어 기능을 강화했습니다. 기본 작업 및 상호 작용 모드를 기반으로 에이전트를 분류할 수 있습니다.

정의: 대화 에이전트는 가장 익숙한 유형의 에이전트입니다. 이들은 주로 자연어 인터페이스(텍스트 또는 음성)를 통해 반응적(request–response) 방식으로 작동합니다. 핵심 기능은 질문에 답변하거나 정보를 가져오거나 간단한 명령을 실행하는 등 사용자 의도를 이해하고 관련 응답을 제공하는 것입니다.

중요: 대화 에이전트는 조직의 디지털 관문입니다. 명확하게 정의된 반복 과업을 처리하여 인력을 확보할 수 있습니다. 효율성은 사용자 의도를 빠르고 정확하게 해결하고 사용자를 대신하여 조치를 취하는 능력에 따라 측정됩니다.

정의: 프롬프트를 기다리는 대화 에이전트와 달리 사전 예방적 에이전트는 주의적인 관찰자 역할을 합니다. 특정 이벤트, 데이터 변경 또는 시스템 내에서 미리 정의된 조건에 의해 트리거됩니다. 트리거되면 직접 사용자 상호 작용 없이 과업을 실행하거나 워크플로를 시작합니다.

중요: 사전 예방적 에이전트는 데이터를 수동적으로 저장하는 시스템을 비즈니스 프로세스에 적극적으로 참여하는 존재로 변화시킵니다. 이들은 기회와 위험이 발생하는 즉시 이를 식별하여, 비즈니스가 중요한 신호에 실시간으로 대응할 수 있도록 합니다.

정의: 환경 에이전트는 명시적 명령 없이 사용자의 워크플로우 백그라운드에서 연속적으로 동작하는 특정 유형의 사전 예방적 에이전트입니다. 사용자들은 에이전트의 작동 여부를 의식하지 못하면서도 그 혜택을 누리게 됩니다. 이는 인간의 역량을 보완하면서 눈에 띄지 않도록 설계되었기 때문입니다.

중요: 환경 에이전트의 목표는 본 업무 외의 단순 업무를 자동화하여 사용자의 인지 부하를 줄이는 것입니다. 직원이 매일 사용하는 도구에 원활하게 통합하여 자동으로 정보를 수집하고 구조화하여 프로세스를 더욱 효율적으로 만듭니다.

정의: 자율 에이전트는 복잡성 측면에서 상당한 도약을 나타냅니다. 상위 수준 목표가 부여되며 해당 목표를 달성하기 위한 단계 순서를 독립적으로 계획하고 실행할 수 있습니다. 이들은 추론하고 결정을 내리며, 심지어 자신의 행동으로부터 학습하여 시간이 지남에 따라 성과를 향상시킬 수 있습니다.

중요: 이는 실제 디지털 직원과 가장 가까운 곳입니다. 자율 에이전트에게 복잡한 다단계 목표(예: “이 분기에 제조 부문에서 50명의 새 적격 리드 생성”)를 위임받을 수 있으며, 이를 달성하기 위한 계획을 수립하고 실행할 수 있습니다.

정의: 협업 에이전트(일반적으로 ‘에이전트 스웜’이라고도 함)는 단일 에이전트가 처리하기에 너무 복잡한 문제를 해결하기 위해 함께 작업하는 전문 에이전트들의 모음입니다. “오케스트레이터” 또는 “마스터” 에이전트는 대규모 과업을 분해하고 적절한 전문 에이전트에게 하위 과업을 위임한 다음, 출력을 합성하는 경우가 많습니다. 강력한 Agent2Agent(A2A) 커뮤니케이션 프로토콜이 이 작업을 수행합니다.

중요: 이 접근 방식은 인간 팀을 반영합니다. 복잡한 문제를 파악함으로써 각 전문 에이전트는 데이터 분석, 고객 커뮤니케이션, 시스템 통합을 전문으로 하는 고유한 기술을 활용하여 보다 강력하고 포괄적인 솔루션을 구축할 수 있습니다.

AI 에이전트의 분류를 살펴본 지금, 중요한 질문이 남아 있습니다. 이러한 요소들을 어떻게 결합해야 실제 비즈니스 문제를 효율적이고 신뢰성 있게 해결할 수 있을까요? 이 장에서는 공통의 에이전트 디자인 패턴 리포지토리를 제공하여 해당 질문에 대한 답변을 제공합니다. 각 패턴은 반복적으로 발생하는 문제에 대한 입증된 솔루션으로, 단순한 단일 목적 에이전트부터 복잡한 협업 에이전트(에이전트 스웜)에 이르기까지 모든 경우에 대한 청사진을 제공합니다.

대화 에이전트는 조직의 AI 기능에 대한 첫 관문이 되는 경우가 많습니다. 이는 사용자가 과업을 수행하고 자연어를 사용하여 정보를 검색하는 기본 인터페이스로 작동하는 상태가 있는 다중 전환 대화 상자에 참여하는 기능에 따라 정의됩니다. 이 섹션에서는 대화 에이전트를 구축하기 위한 두 가지 필수 설계 방법을 소개합니다. 하나는 메시징 클라이언트의 빠르고 대화형 교환에, 다른 하나는 이메일의 구조적이고 비동기적인 특성에 맞춰 각각 최적화되어 있습니다.

대화 에이전트의 지능은 적시에 적절한 데이터에 접근하고 이를 기반으로 추론할 수 있는 능력에서 비롯됩니다. 이 패턴은 고객 기록, 지식 문서 및 비즈니스 분석에 연결되는 정교한 데이터 기반에 의존합니다. 이러한 통합을 위한 완전하고 재사용 가능한 레시피는 4장(Chapter 4)에서 확인할 수 있습니다. 통합 패턴.

문제

고객은 다양한 디지털 채널에서 소통하며 즉각적이고 상황에 맞으며 지능적인 응답을 기대합니다. 기존의 채팅봇은 스크립트 또는 데이터 블라인드로 인해 개인 설정이 부족하고 인간에 대한 초기 에스컬레이션 및 높은 서비스 비용이 발생합니다.

컨텍스트

• 귀 조직은 WhatsApp, SMS, Slack, 그리고 Salesforce Experience Cloud 등 다채널 디지털 접점을 보유하고 있습니다.
• 귀 조직의 고객은 여러 언어로 귀 조직과 상호 작용합니다.
• 귀 조직은 다음과 같은 에이전트를 통해 서비스 및 영업 워크플로를 보완할 필요가 있습니다:
  • 신뢰할 수 있는 실시간 고객 데이터에서 가져오기
  • 가드레일 및 규정 준수 요구 사항을 준수합니다.
  • 필요한 경우에만 인간 에이전트에게 이관합니다.

핵심 구성 요소

• 채널 추상: Service Cloud 고급 채팅(기존의 앱 내 및 웹 Messaging)을 사용하면 에이전트가 단일 환경을 통해 여러 채널에서 커뮤니케이션할 수 있습니다.
• Agentforce 서비스 에이전트: 에이전트의 동작 및 목적은 다음 구성 요소에 의해 정의됩니다.
  • 주제 및 지침: 직접 사용자 상호 작용을 위한 에이전트의 개인 정보 및 대화 목적을 정의합니다. 여기에는 핵심 임무(예: “고객 지원 문제 해결 전문가임”), 공감하고 전문적인 어조를 유지하는 지침, 처리할 권한이 있는 문의 범위에 대한 명확한 가드 레일이 포함됩니다.
  • 작업: 에이전트가 고객 문제를 실시간으로 진단하고 해결하는 데 사용하는 도구인 서비스 중심 작업입니다. 이러한 도구는 주문 상태를 확인하거나, 지식 베이스에서 솔루션을 검색하거나, 대화 인터페이스에서 직접 새로운 지원 사례를 만드는 등의 작업을 수행하도록 설계되었습니다.
  • 가드레일: 가드레일은 구성 가능한 규칙 및 런타임 검사 집합으로 작동하여 에이전트의 동작을 제한합니다. 프롬프트를 가로채고, 에이전트의 제안된 작업을 확인하고, 최종 응답을 필터링하여 유해한 콘텐츠를 방지하고, 비즈니스 규칙을 적용하고, 에이전트가 지정된 범위 내에서 작업하는지 확인할 수 있는 안전 계층 역할을 합니다.
  • 프롬프트 템플릿: 병합 필드 또는 Data 360 RAG Retrievers의 시맨틱 데이터를 통해 실시간 CRM 데이터로 동적으로 채워지는 재사용 가능한 템플릿입니다. 이러한 템플릿을 사용하면 에이전트가 컨텍스트에 맞는 브랜드 콘텐츠를 생성할 수 있으며 Einstein Trust Layer는 지침이 LLM에 전송되기 전에 민감한 정보를 안전하게 마스킹합니다.
• Data 360
  • DLO, DMO, 벡터 저장소 및 RAG 검색기를 비롯한 Data 360 구성 요소는 에이전트에게 구조화된 고객 기록부터 비정형 지식 기사에 이르기까지 모든 관련 엔터프라이즈 데이터의 통합된 보기를 제공하며, 이를 통해 응답이 정확하고 맥락에 맞게 이루어지도록 보장합니다.
• Service Cloud
  • CRM 데이터: 에이전트를 전체 사례 내역에 연결하여 계정 세부 사항, 연락처 레코드, 권리에 대한 중요 컨텍스트 제공
  • Live Agent 대기열: 전체 대화 컨텍스트가 주입된 인사 서비스 담당자에게 에스컬레이션 및 라우팅 지원

상호 작용

1. 조직의 고객이 채널을 통해 대화를 시작합니다.
2. 메시지가 범위(주제)를 결정하고 가드 레일을 적용하는 Agentforce로 라우팅됩니다.
3. AI는 프롬프트 템플릿을 사용하여 응답을 작성하고, Flow 또는 Apex는 백엔드 논리를 트리거할 수 있습니다.
4. 컨텍스트는 RAG 검색기를 통해 Data 360 객체, 벡터 저장소 및 CRM에서 검색됩니다.
5. AI는 상황별 답변을 반환합니다.
6. AI가 해결할 수 없는 경우 대화가 Service Cloud Live Agent로 에스컬레이션됩니다.

트레이드오프

관련 패턴

Greeter 패턴: 자연어를 사용하여 사용자 의도를 이해한 다음, 사용자를 적절한 서비스 담당자에게 라우팅하는 간단하고 구현하기 쉬운 패턴

오퍼레이터 패턴: Greeter를 기반으로 구축하여, 요청을 적절한 전문 AI 에이전트 또는 인간 서비스 담당자에게 라우팅하고, 필요한 경우 의도를 조율합니다.

오케스트레이터 패턴: AI 에이전트 분합을 관리합니다. 사용자 요청을 수신하고 의도를 결정하고 계획을 만들고 하나 이상의 전문 에이전트에게 필요한 데이터를 전달한 다음, 사용자에 대한 응답을 집계합니다. 오퍼레이터와 달리, 첫 번째 연락 창구로 남아 있습니다.

문제

고객은 대부분 이메일 기반의 비동기식 대화를 사용하며, 이는 여전히 고객 접촉에 가장 효과적인 방법입니다. 조직에서 이메일을 통해 해당 고객에게 연락해야 하지만 세일즈 개발 담당자는 SLA 내에서 인바운드 이메일에 회신할 수 없으므로 리드가 손실됩니다. 또한 귀하의 인력은 자격 없는 리드에 시간을 할애합니다.

상황

• 귀하의 조직은 이메일을 주요 리드 참여 채널로 사용합니다.
• 귀하의 SDR은 대규모로 리드를 선별할 수 있는 역량이 제한적입니다.
• 세일즈 프로세스에서는 SDR 또는 BDR(비즈니스 개발 담당자)을 만나기 전에 여러 차례 접촉을 통해 리드를 육성합니다.
• 조직에서 다음을 수행하는 에이전트를 사용하여 서비스 및 세일즈를 강화해야 합니다.
  • 실시간 세일즈 활성화 및 세일즈 제품 및 마케팅 데이터에서 가져오기
  • 가드레일을 준수하고 컴플라이언스를 지킵니다.
  • 리드 자격 기준에 따라 회의를 예약합니다.

핵심 구성 요소

• 이메일 채널: 인바운드 메시지 수집, 콘텐츠 및 첨부 파일 구문 분석, 스레드 연속성 유지를 처리하여 비동기식 대화를 활성화합니다.
• Agentforce SDR 에이전트: 에이전트의 동작 및 목적은 다음 구성 요소에 의해 정의됩니다.
  • 주제 및 지침: 대화를 통해 인바운드 리드를 참여시키고 선별하는 에이전트의 임무를 정의합니다. 여기에는 잠재 고객의 요구를 이해하고, 주요 자격 데이터(예: 예산, 권한, 타임라인)를 수집하고, 계정 담당자와의 회의 예약과 같은 명확한 다음 단계로 대화를 안내하는 지침이 포함됩니다.
  • 작업: 에이전트가 리드 수명 주기를 관리할 수 있는 특수 세일즈 작업입니다. 해당 도구는 리드 데이터 보강, 템플릿 기반 팔로우업 이메일 보내기 또는 캘린더 시스템과 통합하여 검색 통화를 예약하는 등 핵심 SDR 과업을 실행하도록 설계되었습니다.
  • 가드레일: 가드레일은 에이전트의 동작을 제한하는 구성 가능한 규칙과 런타임 검사의 집합으로 작동합니다. 프롬프트를 가로채고, 에이전트의 제안된 작업을 확인하고, 최종 응답을 필터링하여 유해한 콘텐츠를 방지하고, 비즈니스 규칙을 적용하고, 에이전트가 지정된 범위 내에서 작업하는지 확인할 수 있는 안전 계층 역할을 합니다.
  • 프롬프트 템플릿: 병합 필드 또는 Data 360 RAG Retrievers의 시맨틱 데이터를 통해 실시간 CRM 데이터로 동적으로 채워지는 재사용 가능한 템플릿입니다. 이러한 템플릿을 사용하면 에이전트가 컨텍스트에 맞는 브랜드 콘텐츠를 생성할 수 있으며 Einstein Trust Layer는 지침이 LLM에 전송되기 전에 민감한 정보를 안전하게 마스킹합니다.
• Data 360
  • DLO, DMO, 벡터 저장소 및 RAG 검색기를 비롯한 Data 360 구성 요소는 에이전트에게 구조화된 고객 기록부터 비정형 지식 기사에 이르기까지 모든 관련 엔터프라이즈 데이터의 통합된 보기를 제공하며, 이를 통해 응답이 정확하고 맥락에 맞게 이루어지도록 보장합니다.
• Sales Cloud
  • CRM 데이터: 에이전트를 전체 사례 내역에 연결하여 계정 세부 사항, 연락처 레코드, 권리에 대한 중요 컨텍스트 제공
  • 고객과 SDR 간의 회의 예약: SDR Live Agent 핸드오프를 구성하여 과업 및 회의 예약(다음 작업)을 사용하여 실시간 회의를 설정할 수 있습니다.
  • 활동 로깅: SDR 에이전트 상호작용의 결과로 이벤트, 업무, 이메일 활동을 기록하고 이를 리드, 계정, 기회에 연결합니다.

상호 작용

1. 고객이 채널을 통해 이메일을 보내고 받으면 Agentforce로 라우팅됩니다.
2. Agentforce는 주제, 작업 및 가드레일을 적용하여 의도를 구문 분석합니다.
3. Agentforce CRM 및 Data 360 컨텍스트로 보강된 프롬프트 템플릿을 사용하여 상황별 응답 초안을 작성합니다.
4. 다중 전환 이메일 대화는 해결 또는 정책 지침에 도달할 때까지 계속됩니다.
5. 자격을 갖춘 리드의 경우 Agentforce 회의를 예약하고 CRM을 업데이트합니다.
6. 의도가 AI의 범위를 초과할 경우, Agentforce는 Sales Cloud SDR로 에스컬레이션하여 인간 서비스 담당자의 응답을 이끌어냅니다.

트레이드오프

관련 패턴

Answer Bot 패턴: 생성형 AI를 사용하여 Knowledge 검색을 위해 자연어를 이해하는 효과적인 셀프 서비스 패턴, 키워드가 아니라

이전 섹션의 대화 에이전트가 사용자 명령에 반응하는 데 탁월하다면, 사전 예방 에이전트는 요청 없이 자율적으로 작동하는 새로운 패러다임을 제시합니다. 이 섹션에서는 Salesforce 외부 및 내부에서 생성된 데이터 및 이벤트를 자동으로 모니터링하는 에이전트를 구축하기 위한 아키텍처 패턴을 제공합니다.

문제

조직이 Salesforce 내부 및 외부에서 중요한 비즈니스 이벤트를 생성합니다. 응용 프로그램 및 부서에 분산되어 있기 때문에 시기적절한 상황별 작업으로 번역하는 데 문제가 있습니다.

컨텍스트

• 비즈니스 프로세스는 CRM, 결제 처리, 배송, 마케팅 자동화, 텔레메트리, CDP를 위한 여러 시스템에 걸쳐 적용됩니다.
• 조직 이벤트는 연중무휴로 진행되지만 업무 외 시간에는 직원 가용성이 제한됩니다. 시스템은 항상 가동되지만 사람은 그렇지 않습니다.
• 이벤트는 상황 인식이 부족하여, Salesforce에서 제공되는 고객 컨텍스트가 반영되지 않아 정보를 여러 단계에 걸쳐 결합해야 합니다. 오늘날 구현은 개별 복합 자동화로 존재하거나 수동으로 수행됩니다.
• 인간은 데이터를 수집하기 위해 컴파일러 역할을 합니다(다른 형식) 그리고 분리된 이벤트에 지능적으로 반응합니다.
• 대상 작업이 여러 시스템에 적용됩니다.

핵심 구성 요소

• 이벤트 소스
  • 외부 데이터가 Data 360에 수집된 후 데이터 작업 트리거 이벤트
  • Salesforce Pub/Sub API를 통해 Salesforce에 이벤트를 전송할 수 있는 타사 또는 Salesforce Heroku MCP 서버
  • Salesforce Pub/Sub API를 통해 이벤트 알림을 보낼 수 있는 외부 응용 프로그램
• 선택적 미들웨어: 변환용 MuleSoft 또는 Data 360
• Agentforce 에이전트: 에이전트의 동작 및 목적은 다음 구성 요소에 의해 정의됩니다.
  • 주제 및 지침: 기본 목표 정의(예: “우선 순위가 높은 모든 사례 모니터링 및 SLA 위반 방지”)를 포함하여 에이전트의 핵심 임무 및 트리거를 지정합니다. 에이전트가 과업을 시작하기 위해 감지해야 하는 특정 이벤트 또는 데이터 조건이 포함됩니다.
  • 작업: 외부 이벤트에 응답하도록 설계된 이벤트 트리거형 및 예약된 작업입니다. 이러한 작업은 일상적인 과업에 대해 자동으로 작동하지만, 경우에 따라 사람이 개입하는 워크플로를 오케스트레이션하고 사용자에게 에스컬레이션하여 사람의 판단이 필요한 시나리오를 검토, 승인 또는 처리할 수 있습니다.
  • 가드레일: 가드레일은 구성 가능한 규칙 및 런타임 검사 집합으로 작동하여 에이전트의 동작을 제한합니다. 프롬프트를 가로채고, 에이전트의 제안된 작업을 확인하고, 최종 응답을 필터링하여 유해한 콘텐츠를 방지하고, 비즈니스 규칙을 적용하고, 에이전트가 지정된 범위 내에서 작업하는지 확인할 수 있는 안전 계층 역할을 합니다.
  • 프롬프트 템플릿: 병합 필드 또는 Data 360 RAG Retriever의 시맨틱 데이터를 통해 실시간 CRM 데이터로 동적으로 채워지는 재사용 가능한 템플릿입니다. 이러한 템플릿을 사용하면 에이전트가 컨텍스트에 맞는 브랜드 콘텐츠를 생성할 수 있으며 Einstein Trust Layer는 지침이 LLM에 전송되기 전에 민감한 정보를 안전하게 마스킹합니다.
• Data 360
  • DLO 및 DMO를 포함한 Data 360 구성 요소로 외부 시스템에서 생성한 이벤트 데이터를 Salesforce로 전송하여 스트리밍 또는 실시간 인사이트를 변환 및 구축
  • 계산된, 스트리밍 및 실시간 인사이트은 에이전트에게 고객에 관한 즉각적이고 관련성 높은 데이터를 제공합니다. 이를 통해 예방적 문제 해결을 수행하여 에스컬레이션을 완화할 수 있습니다. 데이터 그래프는 서로 다른 데이터 소스의 관계와 통찰력을 사전에 표시하여 고객 참여, 활동 및 프로필과 관련된 패턴이나 변칙을 조기에 감지할 수 있습니다.
  • Data 360 벡터 저장소 및 RAG 검색기는 에이전트에게 모든 관련 엔터프라이즈 데이터와 비정형 지식 문서의 통합된 보기를 제공하여, 응답이 정확하고 맥락에 기반하도록 보장합니다.
• 이벤트 목표
  • 직원에게 사전에 알리거나 고객에게 연락
  • 에이전트로 확장 가능 (Ambient Agent 및 Autonomous Agent 패턴 참조)

상호 작용

1. 외부 시스템에서 중요한 변경 사항이 발생합니다.
2. 외부 시스템에서 이벤트를 발송하고 API(플랫폼 이벤트 만들기) 또는 Pub/Sub API를 통해 Salesforce 이벤트 버스에 게시하거나 이벤트 데이터가 Data 360으로 스트리밍됩니다.
3. 이벤트 구독자가 트리거됩니다. 플로가 트리거됩니다.
4. 플로에서 이벤트 데이터가 포함된 에이전트 작업을 호출합니다. 에이전트가 올바른 작업 경로를 결정하고 실행합니다.
5. 결과는 알림 또는 트리거 중인 워크플로입니다. 알림은 공동 작업 도구(예: Slack)에서 사용자에게 전달됩니다. 과업 또는 이벤트도 생성됩니다. 또한 작업에서 외부 시스템을 호출할 수 있습니다. 따라서 이벤트는 손실되지 않고, 사전에 실행, 신호 전달, 조치가 이루어져 인적 오버헤드 또는 복잡한 자동화로 인해 이를 발견하는 부담을 줄입니다.

트레이드오프

관련 패턴

Judge & Jury 패턴: 여러 “배심원” 에이전트와 “판사” 에이전트를 활용하여 일치성 평가를 통해 AI 기반 결정의 정확성과 신뢰성을 보장하기 위해 이 패턴과 함께 사용할 수 있습니다.

모델 오브 모델 패턴: 이 패턴은 여러 전문가 에이전트의 다양한 관점을 수용하여 더 풍부한 인사이트를 생성하며, 이는 사전 예방적 AI의 지능형 응답을 보완할 수 있습니다.

문제

조직의 Salesforce 에코시스템은 지속적인 신호 스트림을 생성하지만 비즈니스 논리, 거버넌스, 인력이 필요하므로 시기적절한 상황별 작업으로 번역하는 데 문제가 있습니다. 많은 경우, 아무런 조치 없이 신호가 사라져 기회를 잃게 됩니다.

컨텍스트

• 조직에서 하나 이상의 Salesforce Cloud를 사용합니다. 세일즈, 서비스, 마케팅, 상거래, 건강, 제조 등.
• 간단한 라우팅이나 규칙 기반 분류를 넘어서는 지능형 선별이 필요합니다. 조직은 수백 개의 복잡한 비즈니스 규칙을 유지합니다.
• 이벤트에 대한 실시간 또는 거의 실시간 응답이 필요합니다.
• 때때로, 가장 특권이 있는 관리자들이 신호를 보지 못해 체인의 가장 약한 고리가 됩니다.

핵심 구성 요소

• 이벤트 소스 레이어
  • CRM 데이터, 플랫폼 이벤트, 변경 데이터 수집(CDC) 데이터 및 저급 플랫폼 활동의 실시간 이벤트 모니터링(RTEM) 데이터
• Data 360
  • CRM 또는 플랫폼 이벤트에서 생성된 이벤트 데이터를 저장하고 스트리밍 또는 실시간 인사이트를 변환 및 구축하는 DLO 및 DMO를 비롯한 Data 360 구성 요소
  • 계산된 스트리밍 및 실시간 인사이트는 에이전트에게 고객, 직원 활동 또는 시스템의 메타데이터 변경 사항에 대한 즉각적이고 관련된 데이터를 제공합니다. 이를 통해 선제적 문제 해결을 수행하여 에스컬레이션을 완화할 수 있습니다. 이 실시간 상황 인식을 통해 에이전트는 거버넌스 및 규정 준수를 위한 운영 프로세스에 대해 적시에 개입할 수 있습니다.
  • 데이터 그래프는 서로 다른 데이터 소스의 관계와 통찰력을 사전에 표시하여 고객 참여, 활동 및 프로필과 관련된 패턴이나 변칙을 조기에 감지할 수 있습니다.
  • Data 360 벡터 저장소 및 RAG 검색기는 에이전트에게 모든 관련 엔터프라이즈 데이터와 비정형 지식 문서의 통합된 보기를 제공하여 응답이 정확하고 상황에 맞게 이루어지도록 보장합니다.
• Agentforce Agent: 에이전트의 동작 및 목적은 다음 구성 요소에 의해 정의됩니다.
  • 주제 및 지침: Salesforce 내에서 데이터 변경 사항을 기반으로 비즈니스 규칙을 적용하고 프로세스를 자동화하는 에이전트의 임무를 지정합니다. 에이전트의 목표(예: “협상 단계에 도달하기 전에 모든 기회가 기본 연락처로 업데이트되도록 하십시오”)와 에이전트를 트리거하는 특정 레코드 만들기, 필드 업데이트 등을 정의합니다.
  • 작업: 내부 Salesforce 이벤트에 응답하도록 설계된 이벤트 트리거형 및 예약된 작업입니다. 이러한 작업은 일상적인 과업에 대해 자동으로 작동하지만, 경우에 따라 사람이 개입하는 워크플로를 오케스트레이션하고 사용자에게 에스컬레이션하여 사람의 판단이 필요한 시나리오를 검토, 승인 또는 처리할 수 있습니다.
  • 가드레일: 가드레일은 구성 가능한 규칙 및 런타임 검사 집합으로 작동하여 에이전트의 동작을 제한합니다. 프롬프트를 가로채고, 에이전트의 제안된 작업을 확인하고, 최종 응답을 필터링하여 유해한 콘텐츠를 방지하고, 비즈니스 규칙을 적용하고, 에이전트가 지정된 범위 내에서 작업하는지 확인할 수 있는 안전 계층 역할을 합니다.
  • 프롬프트 템플릿: 병합 필드 또는 Data 360 RAG Retriever의 시맨틱 데이터를 통해 실시간 CRM 데이터로 동적으로 채워지는 재사용 가능한 템플릿입니다. 이러한 템플릿을 사용하면 에이전트가 컨텍스트에 맞는 브랜드 콘텐츠를 생성할 수 있으며 Einstein Trust Layer는 지침이 LLM에 전송되기 전에 민감한 정보를 안전하게 마스킹합니다.
• 이벤트 목표
  • 직원을 사전에 알리거나 고객에게 연락합니다.
  • 다른 에이전트를 호출할 수 있도록 확장 가능 (환경 AI 및 자율 AI 패턴 참조)

인터랙션

1. CRM 레코드 업데이트, 메타데이터 수정 또는 Data 360에서 트리거된 데이터 작업 등 내부 시스템 내에서 중요한 변경 사항이 발생합니다.
2. 내부 시스템에서 이벤트를 발송하고 API(플랫폼 이벤트 만들기) 또는 Pub/Sub API를 통해 Salesforce 이벤트 버스에 게시하거나 이벤트 데이터가 Data 360으로 스트리밍됩니다.
3. 이벤트 구독자가 트리거되어 Flow 또는 Apex가 활성화됩니다.
4. 활성화된 플로 또는 Apex가 에이전트 작업을 호출합니다.
5. 결과는 알림 또는 트리거 중인 워크플로입니다. 알림은 공동 작업 도구(예: Slack)에서 사용자에게 전달됩니다. 과업 또는 이벤트도 생성됩니다. 또한 작업에서 외부 시스템을 호출할 수 있습니다.
6. 따라서 이벤트는 손실되지 않고, 사전에 실행되어 신호를 보내며 조치가 취해져 인적 부담이나 복잡한 자동화 과정을 제거합니다.

트레이드오프

관련 패턴

Listener/Feed 패턴: 수신기 패턴과 결합하여 내부 Salesforce 이벤트를 기반으로 사전 예방적 작업을 트리거할 수 있습니다.

데이터 스튜어드 패턴: 사전 예방적 AI는 데이터 스튜어드를 활용하여 내부 이벤트에 대응할 때 데이터 품질과 일관성을 보장할 수 있습니다.

젠 데이터 가든러 패턴: 내부 이벤트 또는 정기적으로 트리거되는 예약된 사전 예방적 데이터 정리 및 표준화

대화 채널에서 대화형으로 응답하는 에이전트부터 특정 이벤트에 반응하는 에이전트로 진행했습니다. 환경 에이전트는 사전 예방적 에이전트의 이벤트 기반 모델을 넘어, 직접적인 상호작용 대신 백그라운드에서 사전 예방적 지원을 제공하는 새로운 패러다임을 나타냅니다. 백그라운드에서 디지털 환경을 관찰하는 헤드리스 에이전트입니다. 이들은 시스템의 ‘눈과 귀’ 역할을 하며, 사용자 활동이나 데이터 스트림에서 상황을 파악한 후, 다른 에이전트나 사람과 협력하여 작업을 완료하고 인사이트를 제공하며 지침을 전달합니다.

문제

조직의 비즈니스 활동은 계속해서 중요한 정보의 스트림(통화, 회의, 채팅, 센서 데이터 등)을 생성하지만 이 데이터는 수집 또는 분석 없이 실시간으로 사라집니다. 사람이 이러한 상호 작용을 수동으로 문서화할 때까지 중요한 인사이트가 손실되고 적시에 중재할 시간이 지났습니다. 조직은 실시간으로 필요한 실행 가능한 인텔리전스의 대부분을 놓치며, 이는 일시적인 흐름에 묻혀 격차, 코칭 기회 상실, 그리고 완전한 컨텍스트 없이 의사결정이 이루어지는 결과를 초래합니다.

컨텍스트

• 귀하의 비즈니스 활동은 음성 및 비디오 회의, 라이브 채팅, 센서 텔레메트리, 화면 활동, 트랜잭션 데이터를 비롯한 다양한 소스에서 연속 스트림을 생성합니다.
• 이러한 스트림에 효과적으로 대응하고 조치를 취하기 위해 실시간 또는 거의 실시간 인사이트(시간 또는 일이 아닌 초 또는 분)가 필요합니다.
• 수동 문서 프로세스가 실패하고 있으며, 규정 준수 및 새로 고침 비율이 낮고 직원의 인지 부담이 많으며 중요 정보의 수집이 불완전합니다.
• 오디오, 비디오, 화면 공유, 채팅, 그리고 기타 메타데이터를 결합하여 상호작용 및 이벤트의 완전하고 정확한 컨텍스트를 구성할 수 있는 다중 모달 이해가 필요합니다.
• 실시간 코칭 및 경고에 대한 즉각적인 분석과 상호 작용 후 요약 및 장기 추세 식별에 대한 내역 분석이 모두 필요합니다.
• 시간 컨텍스트(시작 메모리)는 데이터 스트림 내의 다양한 시간 기간 전반에서 순서, 타이밍, 전환, 패턴을 이해하는 등 분석에 매우 중요합니다.

핵심 구성 요소

• 스트림 소스
  • 음성 및 비디오: 비디오 회의 도구(Slack Huddle, Zoom, Google Meet, Microsoft Teams 등) 및 전화 시스템
  • 공동 작업 도구: Slack, Teams, 기타
• 스트림 캡처 커넥터
  • 기본 SDK: 실시간 스트림 세그먼트 또는 기록을 지원하는 대화록이나 메시지를 검색하는 데 도움이 되는 공급업체 제공 SDK
• (옵션) 스트림 처리 레이어
  • 오디오 스트림의 경우, 기록을 실시간으로 사용할 수 없는 경우 오디오를 텍스트로 변환하는 음성-텍스트 기능이 필요합니다. Amazon Transcribe와 같은 관리 공급자를 사용할 수도 있습니다.
  • 경우에 따라 다른 데이터 스트림의 경우 Data 360 또는 Apache Flink와 같은 스트림 처리 엔진
• Data 360
  • 이벤트 데이터를 저장하고 스트리밍 또는 실시간 인사이트를 변환 및 구축하는 DLO 및 DMO를 비롯한 Data 360 구성 요소
  • 계산된, 스트리밍 및 실시간 인사이트는 에이전트에게 고객, 고객의 활동 및 중요한 인사이트에 관한 즉각적이고 관련성 있는 데이터를 제공합니다. 이를 통해 선제적 문제 해결을 수행하여 에스컬레이션을 완화할 수 있습니다. 이 실시간 상황 인식을 통해 에이전트가 직원에게 적시에 중재 및 맞춤형 지원을 제공하여 고객 만족도 및 운영 처리량을 최적화할 수 있습니다.
  • 고객 데이터를 저장하고 실시간 인사이트를 변환하고 구축하는 Data 360 구성 요소(예: DLO 및 DMO)
  • Data 360 벡터 저장소 및 RAG 검색기는 에이전트에게 모든 관련 엔터프라이즈 데이터와 비정형 지식 문서의 통합된 보기를 제공하여 응답이 정확하고 맥락에 맞게 이루어지도록 합니다.
• Agentforce 에이전트. 이 패턴은 라이브 통화 기록 또는 비디오 피드와 같은 연속적인 데이터 스트림을 관찰하는 환경 에이전트에 초점을 맞춥니다. 실시간 수신기 역할을 하며 비정형 데이터를 해석합니다. 예를 들어, 라이브 통화를 듣는 에이전트가 데이터 검색 에이전트를 호출하여 대화에서 공유되는 새 컨텍스트를 기반으로 리드의 레코드를 보강할 수 있습니다. 다음은 헤드리스 에이전트의 예입니다.
  • 피드백 에이전트. 에이전트의 동작 및 목적은 다음 구성 요소에 의해 정의됩니다.
    • 주제 및 지침: 에이전트의 기본 임무를 정의하여 대화 스트림을 분석하고 구조화된 사용자 의견 및 성과 메트릭을 추출합니다. 여기에는 고객 분위기 모니터링, 주요 제품 또는 경쟁사 멘션 식별, 인적 에이전트가 회사 모범 사례 또는 세일즈 플레이북을 준수하는지 평가하는 지침이 포함됩니다.
    • 작업: 비정형 대화 데이터를 실행 가능한 비즈니스 인텔리전스로 변환하는 작업입니다. 이러한 작업을 통해 에이전트가 “사용자 의견 요약” 레코드를 만들고, 제품 기능 요청을 기록하고, 관리자 검토를 위해 부정적인 분위기로 통화에 플래그를 지정하고, 대시보드를 업데이트하여 핵심 메트릭에 대한 전체 에이전트 성과를 추적할 수 있습니다.
    • 가드레일: 가드레일은 구성 가능한 규칙 및 런타임 검사 집합으로 작동하여 에이전트의 동작을 제한합니다. 프롬프트를 가로채고, 에이전트의 제안된 작업을 확인하고, 최종 응답을 필터링하여 유해한 콘텐츠를 방지하고, 비즈니스 규칙을 적용하고, 에이전트가 지정된 범위 내에서 작업하는지 확인할 수 있는 안전 계층 역할을 합니다.
    • 프롬프트 템플릿: 입력을 수신하고 LLM 생성 출력을 제공할 수 있는 구조화된 템플릿 기반 LLM 지침
• 평균 목표
  • 화상 통화 또는 데스크톱 응용 프로그램 등 에이전트와 사용자가 있는 위치에서 사용자에게 알림

상호 작용

1. 스트림이 활성화되면(예: 사용자가 비디오 통화에 참여하는 경우) 에이전트는 관찰자로 등록됩니다.
2. 에이전트가 스트림 데이터를 수신하기 시작하고 의도를 점진적으로 감지하며 결정을 내리고 조치를 호출합니다.
3. 에이전트는 의도에 따라 맥락을 파악하고 추가 데이터(정형 또는 비정형)를 가져옵니다.
4. 에이전트는 사용자 메시지 없이 적시 실시간 응답을 제공합니다. 세일즈 통화에서 이의를 감지하고 이의 처리를 위한 중요한 정보를 제공할 수 있습니다.
5. 에이전트는 통합 요약 및 작업을 컴파일하고 다른 에이전트 및 사용자와 공유할 수 있습니다.

트레이드오프

관련 패턴

Listener/Feed 패턴: 수신기 패턴과 결합하여 대화 및 사용자 상호 작용 데이터의 실시간 스트림을 처리하고 관련 컨텍스트 및 인사이트를 표시할 수 있습니다.

검사기 패턴: 이 패턴과 함께 사용하여 스트림 내의 여러 소스에서 컨텍스트를 구성하고 질문에 답변할 수 있습니다.

문제

직원들은 이메일, 일정, 통화, 응용 프로그램 전반에서 수백 개의 비즈니스에 중요한 활동을 매일 수행하지만, 이러한 활동은 수동으로 기록되기 전까지 조직 시스템에 표시되지 않습니다. 이 활동 블라인드는 CRM 데이터가 불완전하며, AI 모델은 지능형 권장 사항에 필요한 신호가 부족하며, 관리자는 고객 참여를 실시간으로 파악할 수 없습니다. 수동 활동 로깅은 실제 작업의 대부분을 놓치면서 생산성 저하를 초래합니다.

컨텍스트

스트림 관찰자와 마찬가지로, 실행 가능한 과업을 제공하거나 사용자를 대신하여 작업을 수행하는 데이터 및 콘텐츠 관찰자입니다.

핵심 구성 요소

• 데이터 레이어
  • CRM 데이터: 에이전트에게 컨텍스트를 제공하는 CRM에서 사용할 수 있는 고객 데이터입니다(예: 사용자가 기회 페이지에 있을 때 에이전트가 CRM에서 기회 및 연결된 계정에 대한 정보를 검색할 수 있음).
  • 다양한 소스에서 수집된 관련 고객 데이터를 저장하는 Data 360 구성 요소(예: DLO 및 DMO)
  • 계산된, 스트리밍 및 실시간 인사이트는 에이전트에게 고객, 고객의 활동 및 중요한 인사이트에 대한 즉각적이고 관련된 데이터를 제공합니다. 이를 통해 예방적 문제 해결을 수행하여 에스컬레이션을 완화할 수 있습니다.
  • Data 360 벡터 저장소 및 RAG 검색기는 에이전트에게 모든 관련 엔터프라이즈 데이터와 비정형 지식 문서의 통합 보기를 제공합니다.
• Agentforce 에이전트: 이 패턴은 UI 내에서 직접 사용자의 작업을 관찰하는 환경 에이전트에 초점을 맞춥니다. 실시간 도우미 역할을 하며 사용자의 워크플로 컨텍스트를 이해하여 지침을 제공합니다. 예를 들어 에이전트는 서비스 담당자가 사례 레코드를 작성하는 것을 모니터링하고 관련 지식 문서를 미리 표시할 수 있습니다. 다음은 헤드리스 에이전트의 예입니다.
  • 피드백 에이전트. 에이전트의 동작 및 목적은 다음 구성 요소에 의해 정의됩니다.
    • 주제 및 지침: 에이전트의 임무를 정의하여 UI 내에서 사용자의 작업을 모니터링하고 상황에 맞는 지원을 제공합니다. 여기에는 목표(예: “사례 해결 프로세스를 통해 서비스 담당자 안내”)와 사전에 도움을 제공하기 위해 주시해야 하는 특정 UI 이벤트 또는 데이터 입력 패턴이 포함됩니다.
    • 작업: 작업은 Apex 또는 Flow를 사용하여 구축되어 사용자의 워크플로 내에서 직접 관련 정보를 표시하고 다음 최상의 작업을 수행합니다. 이러한 작업을 통해 에이전트는 사용자의 실시간 활동에 따라 관련 지식 문서를 가져오고 표시하거나, 프로세스의 유효한 다음 단계를 제안하거나, 비즈니스 규칙을 위반할 수 있는 데이터 입력 필드를 플래그할 수 있습니다.
    • 가드레일: 가드레일은 구성 가능한 규칙 및 런타임 검사 집합으로 작동하여 에이전트의 동작을 제한합니다. 프롬프트를 가로채고, 에이전트의 제안된 작업을 확인하고, 최종 응답을 필터링하여 유해한 콘텐츠를 방지하고, 비즈니스 규칙을 적용하고, 에이전트가 지정된 범위 내에서 작업하는지 확인할 수 있는 안전 계층 역할을 합니다.
    • 프롬프트 템플릿: 병합 필드 또는 Data 360 RAG Retriever의 시맨틱 데이터를 통해 실시간 CRM 데이터로 동적으로 채워지는 재사용 가능한 템플릿입니다. 이러한 템플릿을 사용하면 에이전트가 컨텍스트에 맞는 브랜드 콘텐츠를 생성할 수 있으며 Einstein Trust Layer는 지침이 LLM에 전송되기 전에 민감한 정보를 안전하게 마스킹합니다.
• 평균 목표
  • 웹 페이지 또는 관리자 페이지와 같이 에이전트와 사용자가 있는 위치의 표면에서 사용자에게 알림

상호 작용

1. 사용자가 페이지 또는 앱을 방문하면 에이전트가 자신을 관찰자로 등록합니다.
2. 에이전트가 데이터 및 작업을 검사하고 의도를 점진적으로 감지하며 결정을 내리고 조치를 호출합니다.
3. 에이전트는 의도에 따라 맥락을 파악하고 추가 데이터(정형 또는 비정형)를 가져옵니다.
4. 에이전트는 사용자 프롬프트 없이 적시에 실시간 응답을 제공하며, 다음 최선의 조치를 제안하거나 사용자를 대신하여 이를 수행할 수 있습니다.
5. 에이전트는 이 정보를 다른 에이전트 및 사용자와 원활하게 공유할 수 있습니다.

트레이드오프

관련 패턴

Listener/Feed 패턴: Listener/Feed 패턴과 결합하여 관찰된 활동을 기반으로 사전 예방적 작업을 트리거할 수 있습니다.

데이터 스튜어드 패턴: 활동 가로채기 AI는 데이터 스튜어드를 활용하여 가로채기된 활동을 기록할 때 데이터 품질과 일관성을 보장할 수 있습니다.

제너레이터 패턴: 가로채기된 활동을 기반으로 활동 요약 또는 팔로우업 과업을 자동으로 생성하는 데 사용할 수 있습니다.

이 섹션에서는 한 명 이상의 에이전트가 공유 목표를 달성하기 위해 사용자와 협력하는 협업 에이전트 패턴을 자세히 설명합니다. 이러한 레시피는 원활한 파트너십 구축에 중점을 둡니다. 에이전트는 복잡한 데이터 수집 및 작업 실행을 처리하는 동시에, 인간은 의사 결정, 승인 및 전략적 지침 제공에 계속 참여합니다.

이 모델에서는 에이전트가 워크플로의 자동화 가능한 부분을 처리합니다. 프로세스가 동적 피드백 루프가 됩니다.

• 사람이 대화 에이전트를 통해 과업을 시작할 수 있으며, 이를 통해 사전 예방적 에이전트가 백엔드 단계를 관리합니다.
• 동시에 환경 에이전트는 실시간 지침을 제공하기 위해 작업을 관찰할 수 있습니다.

이 프로세스를 통해 인적 노동과 디지털 노동이 원활하게 융합됩니다. 이 패턴은 Agentforce가 다중 에이전트, 휴먼 인 더 루프 시스템을 통해 단일 에이전트나 사람이 혼자 관리할 수 없는 복잡한 작업을 처리하는 방법을 보여줍니다.

문제

비즈니스 프로세스에는 각기 다른 기술 및 우선 순위와 관련된 고유한 작업을 수행할 수 있는 서로 다른 조직(내부 및 외부 모두)의 작업자 간 공동 작업이 필요합니다. 프로세스 지체 지점은 자원 수용력, 기술 제약 또는 교환된 정보의 양으로 인해 언제 어디서나 발생할 수 있습니다.

상황

• 프로세스는 여러 팀에 걸쳐 진행되며, 성공적인 결과를 위해 여러 팀 구성원의 협업이 필요합니다.
• 에이전트 도우미는 이미 일대일 상황에서 대화형, 사전 예방적, 그리고 환경형 에이전트로서 직원을 지원하고 있습니다.
• 프로세스는 비즈니스 프로세스의 적절한 단계에서 에이전트를 활용합니다. 그러나 프로세스에는 사람과 에이전트의 공동 작업도 필요합니다. 이 공동 작업은 에이전트의 지원을 받아 사람 간 공동 작업 또는 사람-에이전트-사람 공동 작업이 포함될 수 있습니다.
• 에이전트가 기술 격차를 보완합니다.
• 에이전트는 후속 작업 등에서 인력 소요를 줄이고, 의사 결정에 필요한 핵심 정보를 교환함으로써 협업을 개선하는 데 기여합니다.
• 에이전트는 정책 및 지침에 따라 공동 작업하고 위임할 수도 있습니다.

핵심 구성 요소

• 공동 작업 환경
  에이전트 공동 작업을 수행하려면 모든 참가자(개인 및 에이전트 모두)가 상호 작용할 수 있는 공유 공간이 필요합니다. 이러한 협업 영역은 더 이상 정적이고 사람만을 위한 환경이 아닙니다. 대신 에이전트를 초대하여 대화에 참여하거나 기여하거나 심지어 대화를 시작할 수 있는 채널이므로 팀 작업의 특성을 근본적으로 변경할 수 있습니다. 예를 들어, 에이전트는 Slack에서 사례 스웜을 생성하고 시작하며, 인적 주제 전문가와 다른 에이전트를 초대하여 해당 사례에 협업할 수 있습니다.

• Agentforce Agents
  이 패턴은 개별 에이전트 패턴을 넘어, 에이전트들이 공동 작업 에이전트 모델에서 어떻게 융합되어 복잡한 프로세스를 오케스트레이션하며 인적 역량을 지능적으로 보완하는지를 보여줍니다. 이전 패턴—대화형(2.1), 사전 예방형(2.2), 환경형(2.3)—은 Agentforce 에이전트 구성 요소의 방향을 정의합니다. 대화 에이전트는 인간과 함께 작업하는 기본 인터페이스로서, 인간과 협업에 관여하는 모든 에이전트 간의 인터페이스 역할을 합니다. 과업이 너무 다면적일 경우, 대화 에이전트가 공동 작업 세션을 시작하여 인간 사용자와 필요한 헤드리스 에이전트를 한데 모아 동시에 문제를 처리합니다. 이 프로세스는 인간이 작업을 시작하면 백엔드 단계를 관리하는 Proactive Agent가 작동하고, 동시에 Ambient Agent가 실시간 지침을 제공하는 동적인 피드백 루프가 되어 인간과 디지털 작업이 원활하게 융합됩니다.

• Data Layer
  공동 작업 에이전트 모델에서 데이터 레이어는 단순히 정보를 제공하는 것을 넘어, 전체 인간-에이전트 팀의 영구 메모리이자 공유 작업 공간의 역할을 수행합니다. 각 에이전트는 해당 패턴에 따라 고유의 데이터 요구 사항을 가지지만, 복잡한 과업의 협업은 전체 작업 상태를 추적하는 공유 데이터 기반에 의존합니다.

  이 공유 상태는 중요합니다. 과업이 대화 에이전트에서 사전 예방적 에이전트로, 그리고 최종 승인을 위해 사람에게 전달될 때, 데이터 레이어는 각 단계의 진행 상황, 컨텍스트, 그리고 결정 사항을 추적해야 합니다. 이렇게 하면 모든 참가자가 에피소드를 일관되고 최신 상태로 볼 수 있습니다.

Interactions

1. 사람은 다른 사람 및 에이전트와 공동 작업 세션을 시작합니다.
2. 컨텍스트, 목표, 작업 및 결과가 정의됩니다.
3. 에이전트는 추가 정보를 활용해 컨텍스트를 보강하고, 작업 완료에 필요한 단계를 사전에 계획하며, 이 과정에는 사람이거나 에이전트인 소유자가 참여합니다.
4. 진행 상황이 관찰되고 컨텍스트가 업데이트되고 작업이 수행됩니다.
5. 에이전트가 작업을 수행하는 위치에서 에이전트는 이해당사자가 사유를 이해하고 피드백을 제공하고 가로채기를 허용할 수 있도록 세부 정보를 제공합니다.
6. 에이전트는 투명하고 규정을 준수하여 작업을 완료합니다.

트레이드오프

관련 패턴

운영자 패턴: 공동 작업 에이전트는 종종 운영자 역할을 하며 적절한 전문 AI 에이전트 또는 인사 서비스 담당자에게 요청을 라우팅하고 의도를 협상합니다.

오케스트레이터 패턴: 공동 작업을 수행하는 시나리오에서 오케스트레이터 에이전트는 AI 에이전트의 집합을 관리하여 원활한 사용자 환경을 위해 응답을 집계합니다.

작업 공간(Radar O’Reilly) 패턴: 공동 작업 에이전트는 이 패턴을 사용하여 반응형 단일 창 UX를 관리하고 대화 흐름 내에서 관련 콘텐츠를 실시간으로 업데이트합니다.

사용자를 지원하는 공동 작업 패턴과 달리 자율 에이전트는 전체 위임을 위해 고안되었습니다. 이 섹션에서는 사람의 개입 없이 상위 수준 목표를 달성하기 위해 복잡한 다단계 과업을 독립적으로 계획하고 실행할 수 있는 에이전트를 위한 아키텍처 청사진을 제공합니다. 여기서는 목표와 Trust 가지고 과업을 완료할 수 있는 시스템을 만드는 데 중점을 두고 있습니다.

문제

조직은 각각 고유한 정책 중심 작업, 플레이북, 실행에 필요한 특정 기술이 포함된 매우 복잡한 프로세스 집합을 통해 가치를 실현합니다. 이러한 프로그램은 종종 시간 및 자원의 상당한 투자가 필요합니다.

새 프로그램을 설정하는 데는 많은 오버헤드가 발생하며 가치를 실현하기까지 수개월이 걸릴 수 있습니다. 피드백 및 개선 사항을 구현하려면 추가 시간과 노력이 필요합니다. 복잡성은 주로 조직의 구조에 의해 결정되며, 분산된 응용 프로그램과 프로세스가 종속성을 야기하여 사람이 프로그램을 관리해야 하는 상황이 발생할 수 있습니다.

상황

• 에이전트는 처음부터 끝까지 독립적으로 작업할 수 있습니다. 에이전트는 목표, 계획, 전략이 사전 설정되도록 설계 및 구성됩니다.
• 에이전트는 사람의 승인을 구하지 않고 모든 결정을 내릴 수 있습니다. 에이전트에게 정책 및 규정 준수 지침이 제공됩니다.
• 에이전트는 필요한 컨텍스트 및 데이터에 액세스할 수 있으며, 사람이 필요하지 않아도 필요한 작업을 수행할 수 있습니다.
• 사람은 알림을 받지만 “루프에 있지 않습니다.”

핵심 구성 요소

• 목표 및 전략 정의 계층
  • 프로세스 플레이북: 에이전트가 따라야 하는 결정적 규칙과 함께 자율 실행에 대한 상세한 설명
  • 자율적인 결정 기준: 에이전트가 승인 없이 결정을 내릴 수 있는 규칙
  • 폴백 규칙: 에이전트의 기본 프로세스에 실패할 경우 기본 또는 예외 시나리오를 처리하기 위한 사전 정의된 작업
  • 스코프: 범위 외 상황을 처리해야 하는 방법을 포함하여 에이전트가 수행할 수 있는 작업과 수행할 수 없는 작업을 간략하게 설명하는 경계
  • 성공 기준 및 완료 기준: 에이전트의 과업이 성공적으로 완료되는 시점을 결정하는 메트릭 및 조건
• Agentforce 에이전트
  • 에이전트 오케스트레이터 또는 코레오그래퍼: 목표, 이유, 계획 실행을 소유한 주체 에이전트
    • 주제 및 지침: 목표가 정의되면 오케스트레이터 또는 코레오그래퍼 에이전트가 해당 전반적인 목표를 더 작고 관리 가능한 작업 또는 하위 과업으로 나누는 역할을 담당합니다. 작업 순서를 간략하게 설명하고 각 단계에 필요한 특정 에이전트 또는 도구를 식별하는 포괄적인 계획을 수립합니다. 마지막으로 오케스트레이터 에이전트는 계획을 원활하게 실행하고 진행 상황을 모니터링하고 종속성을 관리하며 필요에 따라 조정하여 목표를 효율적이고 효과적으로 달성합니다. 코레오그래퍼 에이전트의 경우, 다운스트림 에이전트에 컨텍스트와 상태를 전달하여 작업을 끝까지 수행하게 합니다.
    • 작업: 작업은 기능을 수행하거나 데이터를 검색하거나 다른 헤드리스 에이전트에게 위임하는 도구를 호출하여 광범위한 기능과 보다 복잡한 워크플로를 활성화합니다.
    • 가드레일: 가드레일은 구성 가능한 규칙 및 런타임 검사 집합으로서 에이전트의 동작을 제약합니다. 프롬프트를 가로채고, 에이전트의 제안된 작업을 확인하고, 최종 응답을 필터링하여 유해한 콘텐츠를 방지하고, 비즈니스 규칙을 적용하고, 에이전트가 지정된 범위 내에서 작업하는지 확인할 수 있는 안전 계층 역할을 합니다.
• 데이터 레이어
  • CRM 데이터: 하나 이상의 에이전트에게 컨텍스트를 제공하는 CRM에서 사용 가능한 고객 데이터
  • 다양한 소스에서 수집된 관련 고객 데이터를 저장하는 Data 360 구성 요소(예: DLO 및 DMO)
  • 계산형, 스트리밍, 실시간 인사이트는 에이전트에게 고객, 고객의 활동 및 중요한 인사이트에 대한 즉각적이고 관련된 데이터를 제공합니다. 이로 인해 이메일 바운스 처리와 같은 문제를 사전에 해결하여 에스컬레이션을 완화할 수 있습니다.
  • Data 360 벡터 저장소 및 RAG 검색기는 에이전트에게 모든 관련 기업 데이터 및 비정형 지식의 통합된 보기를 제공합니다.
  • 대화 컨텍스트를 제공하는 사례 내역 및 대화 에이전트 내역과 같은 Slack 채널 메시지 또는 대화 데이터
• 모니터링 및 감독
  • 에이전트 목표 진행 상황 모니터링: 자동 에이전트 세션의 진행 상황을 추적하여 결과를 측정하고 목표에 맞게 조정
  • 에이전트 운영 모니터링: 중재 및 문제 해결을 위해 자율 에이전트의 실시간 상태를 추적하여 원활한 작업 보장
  • 에이전트 거버넌스 모니터링: 자율 에이전트가 사전 정의된 목표, 목적 및 윤리 지침을 준수하는지 확인하기 위해 추적 및 감사 로그를 검토합니다.

상호 작용

1. 작업이 명확한 결과와 함께 정의됩니다.
2. 다음 방법 중 하나를 통해 작업이 시작됩니다.
   • 에이전트에게 과업이 부여됩니다.
   • 에이전트가 자격을 바탕으로 능동적으로 작업을 선택합니다.
   • 에이전트가 백그라운드에서 작업을 수행합니다.
3. 에이전트는 명확하게 기대를 설정하고 목표, 계획, 전략을 자세히 설명하여 사람들에게 알립니다. 계획은 단계별 프로세스, 사용된 에이전트, 사용된 데이터, 범위, 에이전트 평가 계획, 진행 상황, 운영, 거버넌스를 모니터링하기 위한 검사점을 자세히 설명합니다.
4. 에이전트가 실행을 시작합니다. 각 마일스톤마다 상태와 진행 상황을 업데이트합니다. 사람은 필요에 따라 사용자 의견을 제공하거나 에이전트를 가로채기할 수 있습니다.
5. 에이전트가 작업을 완료합니다. 결과 및 성과는 모니터링 대시보드에서 확인할 수 있습니다.

트레이드오프

관련 패턴

프로젝트 관리자 패턴: 자율 에이전트는 종종 이 패턴을 구현하며, 최소한의 인적 개입을 통해 시작에서 완료까지 장기 실행의 다단계 프로세스를 감독합니다.

구성기 패턴: 자율 에이전트는 이 패턴을 사용하여 자연어 요구 사항 또는 사전 정의된 정책을 기반으로 구성을 자동으로 생성하고 유효성을 검사하여 수동 감독 없이 규정 준수 및 정확성을 보장할 수 있습니다.

젠 데이터 가든러 패턴: 이 패턴은 자율 에이전트가 예약된 백그라운드 데이터 정리 및 표준화를 수행하여, 시간에 따라 데이터 품질과 일관성을 보장하고 정확한 에이전트 의사결정을 지원하는 데 사용할 수 있습니다.

이제 Salesforce Platform에서 구현되는 방법을 살펴보고 에이전트 분류 및 에이전트 패턴을 실현합니다. Agentforce의 핵심 구성 요소에 익숙하지 않은 분들을 위해 부록에서는 이 장과 다음 장에서 참조되는 핵심 기술에 대한 유용한 요약을 제공합니다.

이 섹션에서는 에이전트의 분류를 가져와 실제 응용 프로그램에서 사용되는 방식을 보여주는 일반적인 사용 사례와 함께 각 에이전트를 보여줍니다.

Jane 고객이 최근 주문 상태를 확인하기 위해 회사 웹 사이트를 방문합니다.

• 상호 작용: Jane이 채팅 창(Agentforce 채팅 클라이언트)을 엽니다.
• 에이전트 작업: 대화 에이전트가 그녀를 맞이하고 도움이 되는 방법을 묻습니다. Jane이 “제 최신 주문은 어디에 있나요?”라고 질문합니다.
• 프로세스:
  1. 에이전트는 Salesforce에서 Jane의 고객 정보를 기반으로 가장 최근 주문을 식별합니다.
  2. 최신 추적 정보를 위해 MuleSoft 커넥터를 통해 배송 시스템을 쿼리하고 Jane에게 실시간 업데이트 및 추적 링크를 제공합니다.
  3. 그런 다음, 정책을 조회하고 자동으로 신속한 배송으로 업그레이드됩니다.
  4. Jane이 에이전트가 처리할 수 없는 복잡한 질문을 하면, 에이전트는 채팅을 인간 서비스 담당자에게 원활하게 에스컬레이션하고, 컨텍스트를 위해 전체 대화 기록을 제공합니다.

레시피

사용되는 패턴: 대화형 AI 패턴, 트랜잭션 데이터를 에이전트에 통합

설계 시간

1. 대화 에이전트를 설정합니다.

   고급 채팅 설정	→	서비스 에이전트 만들기	→	지원 주문 정의 주제	→	주문 가져오기 만들기 작업
   						↓
   아웃바운드 에스컬레이션 옴니채널 플로 추가	←	에스컬레이션 주제 만들기	←	주제에 작업 추가	←	상태 가져오기 작업 생성
   ↓
   에이전트 게시

2. Jane이 웹 페이지에서 Agentforce 창을 열 수 있도록 고급 채팅을 Jane의 채팅 입력 지점으로 설정합니다.
3. Agentforce를 활성화하고 Agentforce 빌더에서 서비스 에이전트를 생성하여 대화를 처리하고 사용자 정의 작업을 트리거할 수 있습니다.
4. 설명과 지침을 포함하여 지원 주문 주제를 정의하면 에이전트가 "내 최신 주문이 어디 있나요?"라는 질문을 자연스럽게 인식할 수 있습니다.
   1. 사용자 정의 에이전트 작업 만들기:
      1. Jane의 가장 최근 주문을 검색하는 연락처에 대한 최신 주문 받기 작업
      2. 주문 ID로 배송 상태 가져오기 작업을 통해 MuleSoft에서 추적 정보를 획득합니다.
      3. 경우에 따라 플로 내에서 최신 주문 가져오기 작업과 MuleSoft 호출 작업을 외부 서비스 작업을 사용하여 조율할 수 있습니다.
      4. 두 작업을 모두 구축기의 서비스 에이전트에 추가하고 주문 및 추적 주제에 연결한 후 게시합니다.
5. 설명과 함께 에스컬레이션 주제를 정의하여 서비스 담당자에게 에스컬레이션합니다.
   • 아웃바운드 옴니채널 플로우를 만들고 활성화합니다.
   • 에스컬레이션 메시지를 포함하여 빌더의 연결 탭에 추가합니다.
6. 옴니채널을 설정합니다.

   옴니채널 구성

   →

   지침에서 에스컬레이션 규칙 정의

   →

   우선 순위 및 수용력 설정

   →

   테스트 및 유효성 검사

7. AI 에이전트가 쿼리를 해결할 수 없는 경우 인사 서비스 에이전트에 대한 원활한 에스컬레이션을 활성화합니다. 옴니채널 라우팅을 구성하여 서비스 담당자에게 채팅을 할당하고, 컨텍스트를 위해 전체 기록을 전송합니다.
8. 에스컬레이션 논리를 Agentforce 명령 및 에스컬레이션 작업에 통합하여 에이전트가 복잡한 사례를 전송할 시점을 파악할 수 있습니다. 라우팅 우선순위 및 수용력은 Omni Supervisor를 통해 관리합니다.
9. 테스트 전체 경험: Jane은 채팅을 열고 에이전트가 그녀를 맞이하고, 그녀의 주문을 식별하고, 배송 데이터를 검색하고, 인간의 개입이 필요한 경우 원활하게 에스컬레이션합니다(또한 고급 이벤트 로그 활성화 참조).
10. 데이터 통합을 설정합니다.

    컨텍스트 데이터 매핑

    →

    MuleSoft API 자격 증명 만들기

    →

    MuleSoft 외부 서비스 등록

11. Jane의 연락처 및 주문 기록을 인증된 채팅 또는 사전 채팅 양식을 통해 매핑하여 에이전트가 Jane의 Salesforce 컨텍스트를 기반으로 작동하도록 합니다.
12. 인증을 위해 외부 자격 증명 및 명명된 자격 증명을 사용하여 MuleSoft 배송 API에 Salesforce를 안전하게 연결합니다.
13. MuleSoft가 OpenAPI 사양을 노출할 경우 플로 및 에이전트가 선언적으로 호출할 수 있도록 외부 서비스로 등록합니다.
14. 비정형 데이터 통합을 설정합니다.
    1. 설정에서 새 데이터 라이브러리를 만듭니다. 이름을 "주문 및 배송 정책"으로 지정합니다.
    2. 배송 정책 예외가 포함된 정책 문서의 PDF를 추가합니다.
    3. 문서가 자동으로 청크되고 색인화되고 사용 준비됩니다.

에이전트 런타임 프로세스 플로

에이전트가 설정 및 배포되면 런타임 시 다음 단계 순서가 수행됩니다.

1. 채팅 시작: Jane은 Agentforce 채팅(내장형 서비스)을 엽니다. Jane이 로그인한 후 세션 및 연락처 컨텍스트가 로드됩니다.

2. 인사와 의도: 에이전트가 Jane을 맞이합니다. Jane이 주문 상태를 요청하고 의도 감지가 “최근 주문”을 주문 및 추적 주제에 매핑합니다.

3. CRM 검색: 에이전트가 최신 주문 가져오기 작업을 트리거하고 Jane의 가장 최근 레코드에 대해 Salesforce(주문 요약/주문)를 쿼리합니다.

4. 배송 문의: 에이전트는 명명된 자격 증명을 통해 MuleSoft API를 호출하고 /shipping/status/{orderId}는 실시간 상태 및 추적 URL을 반환합니다.

5. 응답 구성: Agentforce가 결과를 병합하고 응답을 작성합니다. 주문 [OrderID]가 [Carrier]를 통해 발송되었으며, 내일 도착합니다 — [여기에서 추적].

6. 대체 방안: 일치가 없거나 API 실패가 발생하면, 에이전트는 사과하며 데이터 문제를 해결하기 위해 재시도를 제안합니다.

7. 에스컬레이션: 복잡하거나 감정적인 쿼리는 Omni-Channel을 통해 자동으로 사람에게 전달되며, 전체 채팅과 컨텍스트가 함께 전달됩니다.

8. 로그: 모든 의도, 작업 및 결과가 대화형 로그에 저장됩니다. API 대기 시간은 Anypoint Monitoring에서 모니터링됩니다.

9. 지속적인 개선: 에스컬레이션은 Agentforce 재교육에 활용되며, 공통 플로우는 이후 릴리스에서 개선됩니다.

고액 고객인 John은 온라인 장바구니에 $1,000 이상의 제품을 추가했지만 60분 이내에 구매를 완료하지 못했습니다.

• 트리거: John의 연락처 ID와 장바구니 값이 포함된 전자상거래 시스템에서 Cart_Abandoned__e Salesforce Platform 이벤트가 발생합니다.
• 에이전트 작업: 이 이벤트를 구독하는 사전 예방적 에이전트가 즉시 조치를 취합니다.
• 프로세스:
  1. 에이전트가 Salesforce에서 John의 레코드를 확인하고 VIP 고객임을 확인합니다.
  2. 이탈된 장바구니의 모든 세부 사항과 함께 John의 계정 관리자 Sarah에게 우선순위가 높은 작업을 생성합니다.
  3. Slack을 통해 Sarah에게 팔로우업을 하도록 독려하는 알림을 보냅니다.
  4. 동시에 제한된 시간 10% 할인 코드가 포함된 미리 알림 이메일을 보내 구매를 완료하도록 독려하는 표적 Marketing Cloud 여정에 John을 등록합니다.

레시피

이 레시피에서는 VIP 고객이 가치가 높은 장바구니 중단을 해결하기 위해 Salesforce Platform에 사전 예방적 AI 에이전트를 구현하는 방법을 자세히 설명합니다. 이 솔루션은 Salesforce Platform Events, 지식 검색을 위한 Data 360, 그리고 Agentforce를 활용하여 적시에 지능적인 팔로우업 작업을 조율하여 수동 데이터를 능동적인 비즈니스 참여로 전환합니다.

설계 시간

1. VIP 고객인 John이 장바구니를 이탈할 때 트리거되도록 장바구니 이탈 이벤트를 설정합니다.

   사용자 정의 연락처 필드 만들기

   →

   새 플랫폼 이벤트 정의

   1. 연락처 ID, 장바구니 값, 장바구니 최신 업데이트 날짜/시간, 장바구니 세부 정보의 필드를 사용하여 Cart_Abandoned__e 플랫폼 이벤트를 만듭니다.
   2. 중단 이벤트 구성: Commerce Cloud를 사용하여 Checkout 이벤트 알림을 위한 플랫폼 이벤트를 만듭니다. 장바구니 체크아웃 세션 상태가 중간 단계에 있고, 세션이 정해진 시간 경과 후 타임아웃되면 이탈이 감지됩니다. 또는 전자상거래가 외부 시스템인 경우 다음 다음 방법 중 하나를 사용하여 Salesforce에 이벤트를 게시합니다. 플로우, Apex, Salesforce APIs 또는 Pub/Sub API.
   3. 연락처 객체에서 Customer_Tier__c라는 새 필드를 만들고, 선택 목록 값으로 Standard, Premium, VIP를 정의합니다.
2. Data 360에서 비정형 데이터 수집 설정: 문서 저장소에서 가져온 할인 정책 문서를 Amazon S3를 통해 Data 360에 추가합니다.

   AWS S3 자격 증명 만들기	→	새 S3 데이터 스트림 만들기	→	스트림 구성 및 배포	→	검색 색인 만들기
   						↓
   				테스트 검색 함수	←	색인 구성 및 배포

   1. S3에 액세스하기 위해 외부 자격 증명을 만듭니다: IAM 사용자 또는 IdP의 IAM Amazon 리소스 이름(ARN)에 대한 새 액세스 키 및 암호 집합을 만듭니다.
   2. 새 S3 데이터 스트림 만들기: 데이터 스트림 탭에서 데이터 스트림 정책 문서 스트림을 만들고, S3 소스를 선택하고, PDF 파일 유형을 선택하고, 새로 고침 주기를 설정하고, 메타데이터 필드(파일 이름 및 크기)를 매핑한 다음, 배포합니다.
   3. 데이터 스트림이 완료되면 다음과 같이 검색 색인 만듭니다. 청크 처리를 위해 passage extraction을 사용하고, E5-large-v2 임베딩 모델과 하이브리드 검색 유형을 선택한 후 색인을 배포합니다.
   4. 생성된 검색 함수를 테스트합니다.
3. VIP 장바구니 복구 에이전트를 설정합니다.

   템플릿에서 에이전트 만들기	→	VIP 장바구니 복구 주제 추가	→	주제 지침 추가	→	Slack 경고 만들기 작업
   						↓
   주제에 작업 추가	←	여정 등록 작업 만들기	←	할인 제안 작업 만들기	←	장바구니 복구 작업 만들기

   1. Agentforce 직원 에이전트 템플릿에서 에이전트를 만듭니다.
   2. VIP 장바구니 복구라는 새 주제를 추가하고, 이 에이전트가 VIP 고객의 고액 장바구니 이탈을 처리한다는 설명을 입력합니다.
   3. 주제 지침을 추가하여 VIP 상태를 확인하고, 장바구니를 검증하며, Slack에서 계정 관리자에게 알리고, 할인 제안을 추천하고, 장바구니 복구 이메일 여정에 고객을 등록합니다.
   4. 작업과 태스크를 만듭니다.
      • 계정 관리자 알림 작업: Slack을 통해 적극적인 알림을 보냅니다.
      • 이탈된 장바구니 복구 작업을 장바구니 세부 정보와 함께 관리자에게 할당합니다.
      • 할인 제안 가져오기 작업: 정책 및 이전 구매 내역을 분석합니다. 근거를 포함하여 프롬프트 템플릿을 만들고, 프롬프트 템플릿에서 검색 함수를 참조하며, 데이터를 사용합니다.
      • 복구 여정에 등록 작업: Marketing Cloud 복구 여정에 등록하고 모든 구독자 데이터와 에이전트에서 생성된 할인된 혜택 이메일 메시지를 API를 통해 수집합니다.
   5. 주제에 작업을 추가합니다.
   6. Marketing Cloud의 템플릿을 사용하여 VIP 고객 장바구니 복구 여정을 만들거나 새 여정을 만들 수 있습니다.
4. 플랫폼 이벤트를 연결하여 에이전트에게 전화를 겁니다.

   이벤트 트리거 플로 만들기

   →

   플랫폼 이벤트 구독

   →

   에이전트 추가 호출 가능 작업

   →

   에이전트에 이벤트 데이터 전달

   1. 플랫폼 이벤트로 트리거되는 새 플로우, VIP 장바구니 이탈 복구를 만듭니다.
   2. 플로가 구독해야 하는 장바구니 중단 이벤트를 선택합니다.
   3. Flow Builder에서 사용자 정의 에이전트 호출 작업을 설정하고 VIP 장바구니 복구 에이전트를 선택합니다. 요청을 보내 고객에 대한 VIP 장바구니 이탈 복구를 시작하고 플랫폼 이벤트 페이로드를 보냅니다.

에이전트 런타임 프로세스 플로

에이전트가 설정 및 배포되면 런타임 시 다음 단계 순서가 수행됩니다.

1. 장바구니 이탈 감지: John이 장바구니에 $1,200을 추가한 후, 60분 동안 체크아웃이나 단계 진행이 없으면 장바구니 이탈이 감지됩니다.
2. 플랫폼 이벤트 게시: Commerce Cloud는 John의 연락처 ID, $1,200의 장바구니 가치, 장바구니 수정 날짜 및 기타 세부 사항이 포함된 Cart_Abandoned__e 이벤트를 게시합니다.
3. 플로우 초기화: 플랫폼 이벤트가 VIP 장바구니 이탈 복구 플로우를 트리거합니다.
4. 직원 에이전트 활성화: 플로우가 실행되면 VIP 장바구니 복구 에이전트가 호출됩니다.
5. 주제 실행: 에이전트가 VIP 장바구니 복구 주제를 해결하고 지침을 실행합니다.
6. 알림 생성: 에이전트가 Slack에서 John의 계정 관리자 Sarah에게 알림을 보냅니다.
7. 작업 생성: 에이전트가 Sarah에 대한 과업을 만들어 수행할 후속 조치를 알립니다.
8. 할인 분석: 에이전트는 Data 360 검색기 함수를 호출하여 장바구니 가치, 고객 계층, 구매 내역을 기반으로 “최대 허용 할인”을 요청하여 할인 분석을 실행합니다. 이 경우 함수는 10% 할인 제안을 권장합니다.
9. 이메일 준비 및 여정 등록: 에이전트가 할인 혜택 이메일을 준비하고 새 장바구니 가격으로 Marketing Cloud 여정 VIP 장바구니 복구에 John을 등록합니다.
10. 로그 및 속성: John이 제안을 사용하면 로그 기록 및 전환 지표가 생성됩니다.
11. 피드백 분석: 결과를 분석하여 제안, 복구까지 소요된 시간, 기타 최적화 요소를 추가로 결정합니다.

세일즈 담당자 David가 새 잠재 고객과 상담 통화에 참여합니다. 지능형 에이전트는 실시간으로 통화를 적극적으로 모니터링하여 잠재 고객의 질문에 답변하여 David에게 즉각적인 지원을 제공합니다.

예: 잠재 고객이 특정 제품 사양에 대해 문의할 경우 에이전트가 관련 세부 사항을 자동 검색하고 Slack 또는 비공개 메시지를 통해 David에 전달합니다.

• 트리거: 잠재 고객이 세일즈 담당자(David)와의 검색 통화 중에 특정 제품 정보가 필요한 질문을 합니다.
• 에이전트 작업: 환경 에이전트는 통화 로그 및 메시지를 지속적으로 분석하여 필요한 정보를 지능적으로 식별하고 가져옵니다.
• 프로세스:
  1. 에이전트가 통화 내용을 실시간으로 구문 분석합니다.
  2. 주요 작업 항목을 자동으로 식별하고 관련 정보를 검색합니다.
  3. 이 경우 에이전트가 Salesforce에서 직접 제품 정보를 가져옵니다.
  4. 그러면 Slack 또는 비공개 메시지를 통해 검색된 정보가 David에게 자동으로 표시됩니다.

레시피

이 레시피에는 실시간 음성-텍스트 기능이 필요한 전제 조건이 있으며, 커뮤니케이션 공급자를 통해 사용할 수 있다고 가정합니다. 예를 들어, 다음은 Zoom 통화를 통합하는 레시피입니다.

기본 조건: Zoom 통화의 실시간 전사 예:

• 녹음 읽기, 웹후크 보내기, 회의 스트림에 필요한 범위를 사용하여 Zoom 개발자 플랫폼에서 Zoom 앱을 만듭니다. RTMS(실시간 미디어 스트림)와 같은 필수 제품 기능을 활성화합니다.
• 오디오 스트림을 수신하고 Amazon Transcribe 서비스로 전달하고 기록된 텍스트를 가져오는 중간 신호 서버(Zoom RTMS 샘플)를 설정합니다. 그런 다음, 전사본이 Salesforce에 플랫폼 이벤트로 게시됩니다.

설계 시간

1. 세일즈 통화 실시간 응답 에이전트를 설정합니다.

   템플릿에서 에이전트 만들기	→	통화 지원 주제 추가	→	주제 지침 추가	→	전사 분석 작업 만들기
   						↓
   		주제에 작업 추가	←	Slack 인사이트 만들기 작업	←	제품 사양 만들기 작업

   1. Agentforce 직원 에이전트 템플릿에서 에이전트를 만듭니다.
   2. 이 에이전트가 실시간 기록을 듣고 의도를 이해하고 제품 데이터에 대해 도움을 주는 설명이 포함된 새 주제인 통화 지원을 추가합니다.
   3. 주제 지침을 추가하여 기록을 구문 분석하고 제품 사양을 검색하며 Slack 메시지를 보냅니다.
   4. 작업을 만듭니다.
      • 통화 기록 분석 작업: 실시간으로 수신된 통화 기록 데이터를 분석하고 주요 질문 또는 작업을 추출합니다.
      • 제품 사양 가져오기 작업: 제품 Knowledge 기사를 조회합니다.
      • "내부" 사용자에게 Slack 인사이트 보내기
   5. 주제에 작업을 추가합니다.
2. Product Knowledge 데이터 라이브러리를 설정합니다.

   새 데이터 라이브러리 만들기

   →

   Knowledge 기사 추가

   →

   시스템 청크 및 색인

   →

   그라운드 라이브러리가 작동 중

   1. 설정에서 새 데이터 라이브러리 만들기를 생성합니다. 이름을 "Product Knowledge"로 지정합니다.
   2. 제품 정보를 포함하는 Knowledge 기사를 추가합니다.
   3. 문서가 자동으로 청크되고 색인화되고 사용 준비됩니다.
   4. 제품 사양 가져오기 작업에서 그라운딩 기능을 활용합니다.
3. Pub/Sub API를 통해 Salesforce에 실시간 기록을 게시합니다.

   서버가 오디오 전사를 수신합니다.

   →

   서버가 플랫폼 이벤트를 게시합니다.

   1. Call Id, Sequence, Speakers, Segment Start Time, Segment End Time, Duration, Transcript Data 필드를 사용하여 플랫폼 이벤트인 Transcript_Segment__e를 만듭니다.
   2. 신호 서버(전제 조건 섹션 참조)에서 오디오에서 전사된 텍스트를 수신하면, 즉시 Transcript_Segment__e 이벤트를 통해 데이터를 게시하세요. 다음의 모든 방법을 사용하여 Salesforce에 이벤트를 게시할 수 있습니다. 플로우, Apex, Salesforce API 또는 Pub/Sub API.
4. 게시된 Transcript_Segment__e 이벤트를 구독하려면 Wire Flow를 사용합니다.

   이벤트 트리거 플로 만들기	→	전사 이벤트 구독	→	에이전트 추가 호출 가능 작업	→	에이전트에 페이로드 보내기
   						↓
   						에이전트가 Slack DM을 보냅니다.

   1. 새 플랫폼 이벤트 트리거 플로인 Discovery Call Insights를 생성합니다.
   2. 플로가 가입해야 하는 Transcript_Segment__e 이벤트를 선택합니다.
   3. Flow Builder에서 사용자 지정 에이전트 설정 호출 가능 작업을 생성하고, 세일즈 통화 실시간 응답 에이전트를 선택합니다. 이벤트 페이로드를 Assist Call 주제로 라우팅합니다. 질문이 주제에서 파생되면 답변을 위해 제품 사양 가져오기 작업에 질문이 전송됩니다.
   4. 최종 답변이 컴파일되고 Slack DM을 통해 사용자에게 즉시 전송됩니다.

에이전트 런타임 프로세스 플로

에이전트가 설정 및 배포되면 런타임 시 다음 단계 순서가 수행됩니다.

1. 통화 시작: David가 Zoom 통화에서 잠재 고객과 디스커버리 콜을 시작합니다. Zoom RTMS는 실시간 오디오를 신호 서버 전사 엔드포인트로 스트리밍합니다.
2. 실시간 전사: 신호 서버는 오디오를 수신하고, 오디오를 텍스트로 전사한 후, Salesforce Platform에 전사 세그먼트 플랫폼 이벤트를 게시합니다.
3. 에이전트 청취 및 컨텍스트 분류: Salesforce가 플랫폼 이벤트를 수신하고 ‘Discovery Call Insights’ 플로를 트리거합니다.
4. 플로는 세그먼트를 수신하는 세일즈 통화 실시간 응답 에이전트를 시작하고, “Toaster 2XP는 모바일 장치와 통합합니까?”와 같은 질문을 식별한 후 통화 지원 주제 아래에 분류합니다.
5. 지식 검색: 에이전트가 제품 사양 가져오기 작업을 트리거하고 지식 데이터를 쿼리하여 일치하는 답변을 찾습니다.
6. 개인 Slack DM 보내기: 에이전트가 David의 Slack DM에 게시하는 Slack 인사이트 보내기를 실행합니다. “제품 _토스터 2XP_은 Apple 및 Android 장치와 통합할 수 있으며 Bluetooth를 통해 연결할 수 있습니다.” 앱이 설치되면 Bluetooth를 통해 연결하고 토스터를 작동하기만 하면 됩니다. 다음은 설명서에 대한 링크입니다.”
7. 실시간 지속: 에이전트는 계속해서 전사 텍스트를 수신하며, 여러 인사이트가 나타나면 통화 플로를 방해하지 않고 상황에 맞는 Slack 회신을 스레드 형태로 전개합니다.
8. 통화 후 요약: 세션이 종료되면 에이전트가 주요 질문, 수행된 조치, 참조된 제품 등을 포함한 요약을 자동으로 작성합니다.
9. 지속적인 개선: Agentforce Analytics는 전사–응답 지연 시간, 제품 매칭 정확도, 판매 결과를 평가하여 주제 지침을 지속적으로 개선합니다.

세일즈 관리자 Bob이 자율 에이전트에게 다음과 같은 목표를 지정합니다. 향후 60일 동안 캘리포니아 제조 부문에서 판매 파이프라인을 500만 달러 늘려라.

• 트리거: 관리자가 Slack의 명령을 통해 목표를 할당합니다.
• 에이전트 작업: 자율 에이전트가 계획 및 실행 루프를 시작합니다.
• 프로세스:
  1. 연구: 에이전트가 Salesforce Data 360 및 외부 데이터 소스(MuleSoft를 통해)를 쿼리하여 현재 고객이 아닌 캘리포니아 제조 부문의 회사를 식별합니다.
  2. 자격 확인: 이러한 회사를 분석하여 최근 펀딩 라운드, 신규 경영진 채용 또는 관련 채용 공고와 같은 구매 신호를 찾습니다. 상위 20개 잠재 고객에게 점수를 매기고 우선순위를 매깁니다.
  3. 연락처 확인: 해당 회사의 핵심 연락처(예: 운영 부사장 및 공장 관리자)를 찾습니다.
  4. 아웃리치: 각 연락처에 대해 특정 회사 뉴스나 고충을 언급하여 맞춤형 아웃리치 이메일 초안을 작성합니다. 다음 주에 해당 이메일이 전송되도록 예약합니다.
  5. 후속 조치: 이메일 열기 및 회신을 추적합니다. 잠재 고객이 긍정적으로 회신하면, 해당 고객의 캘린더를 분석하여 회의 시간을 제안하고, 확인되면 Salesforce 이벤트와 새로운 기회가 자동으로 생성됩니다.
  6. 보고서: Slack에서 세일즈 관리자에게 주간 진행 현황 보고서를 제공합니다.

레시피

이는 각 에이전트가 특정 과업을 수행하고 컨텍스트, 데이터, 제어를 다음 에이전트에게 전달하는 다중 에이전트 시나리오입니다. 연구와 자격 평가를 위해 몇몇 맞춤형 헤드리스 에이전트를 사용하며, 잠재 고객 아웃리치와 모니터링에는 기본 제공되는 Sales Development Rep (SDR) 에이전트를 활용합니다. Bob의 회사가 시장 조사에 ZoomInfo를 사용한다고 가정할 수도 있습니다. 또한 회사는 데이터베이스에 유지되고 파트너와 협력하는 회사에 대한 유용한 정보를 포함하는 공급자 네트워크 데이터를 수신합니다.

설계 시간

1. 다중 에이전트 아키텍처를 설정합니다.

   조사 에이전트의 인텔리전스 수집

   →

   자격 확인 에이전트 점수 리드

   →

   SDR 에이전트가 아웃리치를 시작합니다.

   1. 조사 에이전트: MuleSoft를 통해 Data 360 및 외부 소스 쿼리
   2. 자격 확인 에이전트: 리드 우선 순위 지정, 점수 매기기, 보강
   3. SDR 에이전트: 리드 할당을 받고, 아웃리치를 실행하며, 후속 조치를 취하고, 회의를 예약합니다. Agentforce Analytics for SDR 에이전트를 사용하여 SDR 에이전트의 활동 및 진행 상태를 모니터링합니다.
2. 새 회사 데이터를 검색하고 수집합니다.

   새 데이터 공간 만들기

   →

   Salesforce CRM 데이터 수집

   →

   ZoomInfo 데이터 수집

   →

   공급업체 데이터베이스 데이터 수집

   1. 세일즈 및 마케팅이라는 새 데이터 공간을 설정합니다. 이 새 데이터 공간에는 자율 에이전트에 필요한 모든 데이터가 포함됩니다.
   2. Salesforce 커넥터를 사용하여 리드, 계정, 연락처, 기회 CRM 데이터를 데이터 공간으로 유입합니다.
   3. ZoomInfo용 Data 360 커넥터를 구성합니다. 데이터를 Data 360 세일즈 및 마케팅 데이터 공간으로 유입합니다.
   4. 공급업체 데이터베이스에 연결하고 데이터를 Data 360에 수집하도록 Anypoint Salesforce Data 360 커넥터를 구성합니다.
3. 플랫폼 이벤트를 설정하여 헤드리스 연구 및 자격 확인 에이전트를 시작합니다.

   새 플랫폼 이벤트 만들기

   1. 필드 목표를 사용하여 새로운 AgentGoal__e 플랫폼 이벤트를 만들어 인간 사용자의 상위 수준 목표를 파악합니다.
4. 사용자의 목표를 수신하고 다른 에이전트에게 오케스트레이션하는 대화형 AI 에이전트인 목표 오케스트레이터 에이전트를 설정합니다.

   템플릿에서 에이전트 만들기	→	목표 구문 분석 주제 추가	→	주제 지침 추가	→	목표 이벤트 생성 작업
   						↓
   						주제에 작업 추가

   1. Agentforce 직원 에이전트 템플릿에서 에이전트를 만듭니다.
   2. 설명(이 에이전트가 목표 의도를 이해하고 필요에 따라 추가 에이전트를 호출할 수 있음)과 함께 새 주제인 '목표 구문 분석'을 추가합니다.
      • 주제 지침을 추가하여 목표를 구문 분석하고 다른 에이전트에게 이벤트를 트리거합니다.
   3. 목표 이벤트, AgentGoal__e를 만듭니다.
5. 오케스트레이션 에이전트가 트리거하는 리드 연구 및 자격 확인 에이전트를 설정합니다.

   조사 주제 만들기	→	중복 제거 작업 만들기	→	리드 보강 만들기 작업	→	리드 점수 매기기 작업 만들기
   						↓
   				주제에 작업 추가	←	리드 자격 확인 작업 만들기

   1. 설명이 "지역 또는 주의 새로운 리드를 조사합니다."인 잠재 고객 조사 주제를 만듭니다.
   2. 작업을 만듭니다.
      • 리드 Apex 중복 제거 작업: 기존 고객과 비교하여 신규 리드를 확인하고 유효성을 검사합니다.
      • 프롬프트 템플릿을 사용하는 리드 Apex 보강 작업: 비정형 마케팅 인사이트 및 공급업체 데이터베이스 데이터를 살펴보고 리드 데이터 보강
      • 리드 점수 매기기 작업: 업데이트된 리드 데이터를 사용하여 리드의 점수를 사전에 매깁니다.
      • 에이전트용 리드 자격 확인 작업: 점수 결과를 기반으로 SDR 에이전트에 적합한 리드의 매개 변수를 할당합니다.
6. Agentforce SDR 에이전트를 설정하여 지원, 리드 육성, 회의 예약을 수행합니다.

   템플릿에서 SDR 에이전트 만들기	→	에이전트 지식 기반 구성	→	에이전트 이메일 설정 구성	→	리드 할당 규칙 설정
   						↓
   						적격 리드 기준 정의

   1. 사전 구성된 Lead Nurture Agent 템플릿을 사용하여 설정 페이지에서 새 SDR 에이전트를 만듭니다. 이메일 설정 및 리드 할당 규칙을 구성하고 리드 개체 또는 연락처 개체를 선택한 후, 할당 규칙에 대한 자격 기준(임계값 리드 점수 및 신규 리드)을 정의합니다.
   2. 에이전트를 구성하고 권한을 할당하며 케이던스 및 할당 규칙을 설정하여 Agentforce Lead Nurturing을 설정합니다.
   3. SDR 에이전트가 질문에 답변할 수 있도록 필수 지식을 구성합니다.
7. 새 플로를 설정하여 게시된 AgentGoal__e 이벤트를 구독합니다.

   이벤트 트리거 플로 만들기

   →

   에이전트 목표 이벤트 구독

   →

   에이전트 추가 호출 가능 작업

   1. Route Goals to Agents라는 새 플랫폼 이벤트 트리거 플로우를 만듭니다.
   2. 플로가 구독해야 하는 에이전트 목표 이벤트를 선택합니다.
   3. Flow Builder에서 사용자 정의 에이전트 호출 가능 작업을 설정하고, Lead Research and Qualification 에이전트를 선택합니다.

에이전트 런타임 프로세스 플로

에이전트가 설정 및 배포되면 런타임 시 다음 단계 순서가 수행됩니다.

• 목표 지정: Bob은 자율 에이전트에게 “캘리포니아 제조 분야의 파이프라인을 60일 내에 5백만 달러만큼 늘리기”라고 할당합니다.
• 목표 오케스트레이션: 자율적인 Goal Orchestrator 에이전트가 목표를 수신하고, 의도를 구문 분석하며, 플랫폼 이벤트인 AgentGoal__e를 만듭니다. 목표 오케스트레이터 에이전트는 여러 목표를 처리할 수 있는 기능을 지속적으로 확장하도록 설계되었습니다. 이를 확장하여 추가 오케스트레이션 기능을 추가하거나, 의도를 더 잘 이해하기 위해 사용자에게 추가 설명을 요청할 수 있습니다.
• 경로 지정: Route Goals to Agents 플로우가 트리거되어 Lead Research and Qualification 에이전트를 호출합니다.
• 연구: 리드 연구 및 자격 확인 에이전트는 Data 360에서 신규 리드 정보를 조회하고, 기존 고객과의 중복을 제거하며, 추가 시장 조사 데이터를 Data 360에서 가져와 리드를 보강합니다. 추가로 리드 점수를 산정하고, 주요 연락처를 식별하며, 리드의 자격을 평가합니다.
• 아웃리치: 리드가 자격을 갖추면, 리드 할당 규칙에 따라 SDR 에이전트에게 할당됩니다. SDR 에이전트는 초기 아웃리치를 수행하고 제품 관련 질문에 답변하여 연락처와 대화를 유지합니다.
• 후속 조치: 케이던스 종료 후 또는 리드의 요청 시, 서비스 담당자 참여 자격이 있는 리드에 대해 에이전트가 회의 일정을 요청합니다. 그런 다음, 회의를 예약하고 플로를 종료합니다.
• 에이전트 분석: SDR Agent Analytics 대시보드는 에이전트가 얼마나 효과적으로 성과를 내고 있는지에 대한 인사이트를 제공합니다.

장기 고객이 여러 가지 문제를 겪고 있습니다. 초과 청구가 있었고, 수령한 교체 부품이 잘못되었으며, 이제 서비스가 끊겼습니다.

• 트리거: 고객이 채팅을 시작하면 초기 대화 에이전트가 복잡성을 신속하게 인식하고 에이전트 스웜으로 에스컬레이션합니다.
• 에이전트 작업: 오케스트레이터 에이전트가 책임을 맡습니다.
• 프로세스:
  1. 오케스트레이터: 고객과의 대화를 유지하며 업데이트를 제공합니다.
  2. 오케스트레이터 위임: 오케스트레이터는 A2A 프로토콜 구현을 사용하여 필요한 기능이 있는 “관련 에이전트”(청구, 물류, 프로비저닝)를 찾고 업무를 할당합니다.
     • 청구 에이전트: 고객 X에 대한 인보이스 #INV-7890을 조사하라. 불일치가 있는가?
     • 물류 에이전트: “고객 X의 추적 번호 #TN-12345를 확인합니다. 배송된 부품 번호 및 올바른 부품의 현재 재고를 확인하십시오.”
     • 프로비저닝 에이전트: “계정 #ACC-5678에 대한 서비스 상태를 확인합니다. 연결이 끊어진 경우, 이유 코드는 무엇인가?
  3. 전문 에이전트가 실행합니다: 각 에이전트가 A2A 요청을 수신하고 해당 시스템을 쿼리한 후 응답을 수립합니다.
  4. 합성: 에이전트는 A2A 응답을 통해 결과를 오케스트레이터에 다시 보고합니다. 오케스트레이터는 정보를 종합합니다. “고객이 실제로 50달러를 초과 청구받았습니다. 창고 오류로 인해 잘못된 부품이 배송되었습니다. 청구 문제로 인해 서비스 연결이 자동으로 끊어졌습니다.”
  5. 확인: 오케스트레이터는 고객에게 문제에 대해 알리고 다음 단계에 대한 명확한 지침과 함께 문제를 실제 서비스 담당자에게 에스컬레이션하겠다고 제안합니다.
  6. 해결: 그런 다음, 승인을 위해 서비스 담당자에게 전체 솔루션을 제안합니다. 서비스 담당자가 대화에 참여합니다. 서비스 담당자는 에이전트의 권장 솔루션을 포함하여 문제와 관련된 모든 데이터를 빠르게 살펴봅니다. 올바른 부품에 대해 신속 배송으로 새 배송 주문을 생성하십시오. 잘못된 부품에 대한 반품을 시작하십시오. 새 주문에 10% 할인을 승인하고 최신 개선 버전의 부품을 상향 판매하십시오. 결제 정보를 업데이트하고 반복 청구 설정을 제안합니다.”

레시피

이 레시피는 여러 측면과 관련된 복잡한 고객 서비스 문제를 해결하기 위해 설계된 협업 에이전트 시스템의 구현 방법을 간략하게 설명합니다. 오케스트레이터 에이전트를 사용하여 A2A 프로토콜을 통해 전문 에이전트(청구, 물류, 프로비저닝)에게 과업을 위임한 다음, 결과를 합성함으로써 종합적인 솔루션을 제공하고 최종 승인 및 고객 상호 작용을 위해 서비스 담당자를 원활하게 통합합니다.

설계 시간

1. Enhanced Chat 설정을 고객의 채팅 진입점으로 지정하여, 고객이 웹 페이지에서 Agentforce 창을 열 수 있도록 합니다.
2. Agentforce Billing Agent를 설정합니다. 이는 주문 또는 송장을 접수하고 청구 문의를 수행할 수 있는 헤드리스 전문 에이전트입니다.

   템플릿에서 에이전트 만들기

   →

   청구 문의 주제 정의

   →

   사용자 정의 플로우 액션 만들기

   →

   주제에 작업 추가

   1. Agentforce를 활성화하고 Agentforce 직원 에이전트 템플릿에서 직원 에이전트를 만듭니다.
   2. 청구 문의 주제를, '인보이스 불일치, 결제 문제, 청구 오류 조사'라는 설명과 함께 정의합니다.
      1. 사용자 정의 플로 작업인 인보이스 불일치 확인을 추가하여 인보이스 번호, 고객 ID 및 날짜 범위를 입력하고, 불일치 금액, 근본 원인 및 영향을 받는 트랜잭션을 출력합니다.
3. Agentforce Logistics Agent를 설정합니다. 이는 배송을 확인하고, 배송을 추적하며, 재고를 확인할 수 있는 헤드리스 전문 에이전트입니다.

   템플릿에서 에이전트 만들기

   →

   배송 확인 주제 정의

   →

   사용자 정의 플로우 액션 만들기

   →

   주제에 작업 추가

   1. Agentforce를 활성화하고 Agentforce 직원 에이전트 템플릿에서 직원 에이전트를 만듭니다.
   2. 주제 정의: 배송 확인, 인보이스 배송 확인 설명 포함.
      1. 청구서 번호, 고객 ID, 날짜 범위 입력과 배송된 부품, 날짜, 재고 상태 출력이 포함된 사용자 정의 플로 작업 확인을 추가합니다.
4. Agentforce 프로비저닝 에이전트를 설정합니다. 이는 프로비저닝 및 서비스 상태를 확인할 수 있는 헤드리스 전문 에이전트입니다.

   템플릿에서 에이전트 만들기

   →

   서비스 확인 주제 정의

   →

   사용자 정의 플로우 액션 만들기

   →

   주제에 작업 추가

   1. Agentforce를 활성화하고 Agentforce 직원 에이전트 템플릿에서 직원 에이전트를 만듭니다.
   2. 서비스 연결 및 계정 상태를 확인하기 위한 설명과 함께 서비스 확인 주제를 정의합니다.
      1. 고객 ID 및 자산 ID 입력과 서비스 상태 및 서비스 예외 이유 출력과 함께 사용자 정의 플로 작업인 서비스 확인을 추가합니다.
5. 청구, 물류, 프로비저닝 에이전트를 A2A 서버로 표시하고 에이전트 레지스트리에 등록합니다.

   MuleSoft를 통해 에이전트 노출

   →

   레지스트리에 에이전트 등록

   1. Agentforce 에이전트에 직접적인 A2A 지원이 없을 경우 MuleSoft 커넥터를 사용하여 에이전트 API를 A2A 서버로 표시할 수 있습니다.
   2. 이러한 A2A 서버를 에이전트 레지스트리에 등록합니다.
   3. 에이전트의 오케스트레이션에 Anypoint Agent Fabric을 사용합니다.
      1. MuleSoft Agent Broker는 에이전트 카드에 언급된 에이전트 기능을 기반으로 플랫폼 간에 에이전트를 오케스트레이션할 수 있습니다.
6. Agentforce 도움말 에이전트를 설정합니다. 이는 고객과 상호작용하며, 복잡성을 평가하고, 여러 전문 에이전트와 조율하여 문제를 해결하는 대화형 AI 에이전트입니다.

   서비스 에이전트 만들기	→	조사 주제 정의	→	알림 액션을 만듭니다.	→	오케스트레이션 주제 정의
   						↓
   에스컬레이션 주제 정의	←	사례 생성 액션을 만듭니다.	←	Call Agent 액션을 만듭니다.	←	에이전트 오케스트레이션 플로 만들기
   ↓
   옴니채널 플로우를 만듭니다.	→	에스컬레이션을 위한 플로 연결

   1. Agentforce를 활성화하고 Agentforce 빌더에서 대화를 처리하고 사용자 정의 작업을 트리거할 수 있도록 서비스 에이전트를 생성합니다.
   2. 에이전트가 일반적으로 여러 문제를 동시에 포함하는 복잡한 주제를 자연스럽게 인식할 수 있도록 설명과 지침이 포함된 서비스 조사 주제를 정의합니다.
      1. 사용자 정의 에이전트 액션 만들기.
         • 문제를 확인하고 진행 상황을 업데이트하는 상태 알림 액션을 만듭니다.
   3. 작업을 통해 다른 에이전트를 호출할 수 있는 오케스트레이션 주제를 정의합니다.
      1. 플로우 액션을 호출하는 Call Agent 액션을 만듭니다. 플로우 액션에는 여러 에이전트 액션이 있으며, 각각의 헤드리스 에이전트(청구 에이전트, 물류 에이전트, 프로비저닝 에이전트)를 개별적으로 시작할 수 있습니다.
      2. 사례를 만들고 세부 사항을 추가하고 상태를 설정하는 사례 만들기 작업을 만듭니다.
   4. 설명과 함께 에스컬레이션 주제를 정의하여 서비스 담당자에게 에스컬레이션합니다.
   5. 아웃바운드 옴니채널 플로우를 생성하고 활성화합니다.
      • 에스컬레이션 메시지와 함께 에이전트의 연결 탭에 추가하여 에스컬레이션할 수 있도록 합니다.

에이전트 오케스트레이션 프로세스 플로

이제 Anypoint Code Builder에서 에이전트 중개인 구축을 지원합니다. 에이전트 중개인은 도메인 전반에서 에이전트를 연결하고 가장 적합한 에이전트 및 도구를 참여시키는 지능형 라우팅 및 오케스트레이션 계층입니다. MuleSoft 개발자 에이전트가 중개인을 위한 기초를 설정하는 코드를 생성합니다.

이전에 에이전트 레지스트리에 등록된 에이전트 카드(A2A 서버)에 명시된 에이전트 기능을 기반으로 Anypoint Code Builder에서 추가 구성을 자동으로 수행합니다. 마지막으로 이 에이전트 중개인을 클라우드에 배포할 수 있습니다.

에이전트 중개인을 사용할 수 있게 되면 해당 요청이 적절한 에이전트에게 라우팅됩니다. 브로커는 프롬프트를 수신하고 LLM을 사용하여 이를 과업으로 분해한 후, 먼저 호출할 에이전트를 결정합니다. 각 반복 루프에서 원래 프롬프트를 성공적으로 해결했는지, 아니면 작업을 완료하기 위해 추가 에이전트와 작업해야 하는지 판단합니다.

에이전트 런타임 프로세스 플로

에이전트가 설정 및 배포되면 런타임 시 다음 단계 순서가 수행됩니다.

1. 채팅 시작: 고객이 Agentforce 채팅(내장형 서비스)을 엽니다. 세션 및 연락처 컨텍스트는 고객이 로그인한 후 로드됩니다.
2. 인사와 의도: 에이전트가 고객을 맞이합니다. 고객은 명백한 불만을 가지고 과부하, 잘못된 부품, 연결이 끊어진 서비스에 대해 알립니다.
3. CRM 검색: 에이전트가 최신 주문 가져오기 작업을 트리거하고 고객의 가장 최근 레코드에 대한 Salesforce(주문 요약/주문)를 쿼리합니다. 그런 다음, 에이전트가 컨텍스트에 따라 주문을 확인하고 고객에게 조사하도록 알립니다. 인보이스 ID, 인보이스와 연결된 추적 번호, 서비스와 관련된 자산 ID를 추가로 조회합니다.
4. 오케스트레이터 활성화: 오케스트레이터 에이전트가 에스컬레이션 및 주문 ID를 수신한 다음, 사례를 만듭니다. 오케스트레이터 에이전트가 컨텍스트 데이터를 전달하고 청구 에이전트, 물류 에이전트, 프로비저닝 에이전트와 통신합니다.
5. Billing Agent 응답: 청구 에이전트가 부품, 단가, 총 비용에 대한 세부 정보를 제공합니다. 주문의 부품과 인보이스의 부품 간의 불일치도 확인합니다. 청구 에이전트가 주문 내 부품의 가격과 초과 청구의 원인을 조회합니다.
6. Logistics Agent 응답: 물류 에이전트는 배송된 부품에 대한 세부 사항과 태그 지정 문제로 인해 잘못된 부품이 전송되었을 수 있음을 나타내는 물류 시스템에서 만든 예외 노트와 함께 반환합니다. 물류 에이전트가 또한 문제가 현재 해결되었으며, 올바른 부품이 원본 및 최신 버전 모두에서 사용 가능함을 확인합니다.
7. 프로비저닝 에이전트 응답: 프로비저닝 에이전트가 서비스 해지 및 만료된 결제 정보 관련 문제에 대한 세부 정보를 제공합니다. 또한 결제 정보를 업데이트하도록 고객에게 알리는 알림이 전송됩니다.
8. 오케스트레이터 합성: 오케스트레이터 에이전트가 이러한 모든 에이전트의 응답을 종합하고, 각 문제에 대한 지식 문서를 참고하여 해결책을 작성합니다. 먼저 잘못된 부품에 대한 정보를 검색하고 반품을 시작합니다. 두 번째로, 해결 정책 문서를 기반으로 문제에 대한 할인을 제공하고 고객이 구매할 수 있는 최신 버전으로 업그레이드하는 것이 좋습니다(가격 차이가 있음). 세 번째로 고객의 새 결제 정보가 필요하므로 서비스 리포지토리에 에스컬레이션하여 해결 방법을 전달합니다.
9. 에스컬레이션: 오케스트레이터 에이전트가 모든 필수 컨텍스트, 조사 노트, 해결 권장 사항 및 필요한 승인을 서비스 담당자에게 제공하며, 서비스 담당자를 통화에 참여시킵니다.
10. 휴먼 인 더 루프: 서비스 담당자는 고객의 인내에 감사하고 문제에 대해 사과하며 문제를 설명합니다. 그러면 서비스 담당자는 보상으로 부품에 대해 10% 할인을 제공하고 고객에게 새로 업그레이드된 부품 및 혜택을 알립니다. 마지막으로 연결 끊김에 대해 설명하고 새 결제 정보를 가져오고 시스템을 업데이트합니다.
11. 선제적 복원: AI 에이전트는 대화를 모니터링하고 서비스 복원, 업그레이드된 부품 주문, 할인 및 조정 가격으로 새 인보이스 생성에 대해 사전에 조치를 취합니다.
12. 사례 마감: 마지막으로 요약을 컴파일하고 사례를 업데이트한 후 사례를 마감합니다.

에이전트가 효과적이려면 광범위한 엔터프라이즈 데이터 및 도구 집합과 통합할 수 있어야 합니다. 이렇게 하면 에이전트가 구성된 목표를 수행하는 데 필요한 필수 컨텍스트가 제공됩니다. Agentforce 프레임워크는 Salesforce의 내부 데이터와 Salesforce의 외부 데이터를 모두 통합하는 정교한 통합 아키텍처를 제공합니다.

이 섹션에서는 해당 자원에 에이전트를 연결하는 패턴을 살펴봅니다. 해당 패턴은 통합을 위한 두 가지 기본 접근 방식을 기반으로 구축됩니다.

• 내부 통합(데이터 액세스 및 툴 액세스): Salesforce 에코시스템 내의 리소스의 경우 에이전트는 두 가지 방식으로 작업할 수 있습니다.
  • 데이터 액세스: Agentforce Core 런타임은 Data 360과 깊이 통합되어 내부 데이터 서비스를 직접 쿼리할 수 있습니다. 기본적으로 데이터 그래프에 대한 쿼리를 작성하고 실행하여 고객에 대한 360도 뷰를 가져오고, 비정형 Knowledge를 이해하기 위해 RAG를 통해 시맨틱 검색을 수행하고, Data 360 쿼리 API를 사용하여 대량 정보에 액세스할 수 있습니다. 이 직접 경로는 데이터 검색 속도 및 유연성에 최적화되어 있습니다.
  • 도구 액세스: 작업에 복잡한 비즈니스 논리나 다단계 프로세스가 포함되어 있거나 엄격한 관리가 필요한 경우 해당 기능은 작업에 포함됩니다. Apex 또는 Flow로 구축된 이러한 액션은 에이전트가 데이터를 읽는 것 이상의 작업을 할 수 있도록 안전하고 재사용 가능한 인터페이스를 제공합니다. 레코드를 업데이트하거나 플랫폼 이벤트를 트리거하거나 정해진 모든 비즈니스 프로세스를 실행할 수 있습니다.
• 외부 통합(MCP/A2A): 에이전트가 Salesforce 외부(예: 외부 응용 프로그램, 마이크로서비스 또는 다른 에이전트)의 정보가 필요한 경우 **Model Context Protocol (MCP)**을 사용합니다. 이 개방형 표준은 상호 운용성을 위한 공통 언어를 제공합니다. MCP 서버는 AgentExchange에서 추가하거나 관리자가 Agent Registry 또는 Apex 콜아웃을 MCP 서버에 추가할 수 있습니다. 그런 다음, 작업이 외부 MCP 서버에 대한 요청을 시작하여 구조화된 방식으로 내부 및 외부 세계를 연결합니다. 마찬가지로 에이전트가 다른 에이전트와 통신해야 하는 경우 Agent2Agent(A2A) 프로토콜이 이 상호 작용을 지원합니다. 이를 통해 전문적인 에이전트가 공동 작업하여 복잡한 문제를 해결하여 모듈화 및 재사용 가능성을 촉진할 수 있는 복잡한 다중 에이전트 시스템을 만들 수 있습니다.

다음 패턴은 에이전트에게 필요한 특정 데이터 통합 테마를 기반으로 구성되어 있습니다. MCP를 사용하는 외부 애플리케이션 연결에서 Data 360의 대용량 대량 데이터, 실시간 트랜잭션 레코드 및 Data 360의 직접 액세스 및 공식 작업의 강력한 조합을 사용하여 비정형 콘텐츠를 해결하기 위해 이러한 패턴을 어떻게 적용하는지 보여드리겠습니다.

문제

에이전트의 효율성은 외부 도구를 작동하는 능력에 따라 다릅니다. 그러나 기존 ERP에서 최신 SaaS 응용 프로그램에 이르기까지 이러한 도구는 공유 언어가 없습니다. 각각에 고유한 API, 인증 모델 및 데이터 형식이 있습니다. 이로 인해 개발자들은 에이전트가 사용해야 하는 모든 새로운 도구마다 맞춤형 포인트 투 포인트 통합 커넥터를 구축하고 유지해야 하며, 그 결과 시스템은 취약하고 확장성이 떨어지게 됩니다.

상황

손상된 배송 사례를 해결하는 임무를 맡은 에이전트를 생각해 보십시오. 성공하려면 세 가지 다른 외부 시스템과 상호 작용해야 합니다. 공급업체의 API를 쿼리하여 교체 인벤토리를 확인하고, 물류 파트너 서비스를 호출하여 새로운 배송을 조정하고, 신용을 처리하는 금융 시스템에 액세스해야 합니다. 공통 프로토콜이 없으면 에이전트는 3개의 별도의 맞춤형 통합을 필요로 하며, 각각은 잠재적인 실패 지점이 될 수 있습니다. MCP는 이러한 상호 작용을 원활하고 신뢰할 수 있도록 표준화된 통신 계층을 제공합니다.

다음은 에이전트에 MCP를 통해 노출된 외부 서비스를 통합하는 방법에 대한 레시피입니다.

레시피 1: MCP로 외부 도구 활성화

문제

조직은 기존 ERP 및 현대 SaaS의 혼합으로 실행되지만, 공통 프로토콜이 없으므로 에이전트와 통합하기가 어렵습니다. 각 도구에는 자체 API, 인증, 데이터 모델이 있습니다. 개발자들은 모든 도구에 대해 맞춤형 포인트 투 포인트 커넥터를 구축하고 유지해야 하여, 그 결과 통합 시스템이 취약하고 확장성이 떨어지며, 비용 또한 많이 발생하게 됩니다.

패턴

에이전트가 구조화된 작업을 통해 외부 도구(MCP를 통해 노출됨)를 호출하여 Salesforce 플랫폼 외부에서 특수 도구를 사용할 수 있습니다.

상황

• 에이전트는 Salesforce Platform 외부에 있는 도구의 집합에 대한 프록시 역할을 합니다.
• 해당 외부 도구에는 다양한 API, 인증 메커니즘, 데이터 형식이 있을 수 있습니다.
• 에이전트와 해당 외부 도구 간의 원활한 상호 작용을 활성화하려면 표준화된 커뮤니케이션 프로토콜이 필요합니다.
• 여러 에이전트가 서로 다른 목적으로 동일한 외부 도구를 활용할 수 있으므로 재사용성이 매우 중요합니다.

상호 작용

1. 트리거: 사용자 요청 또는 Agentforce 내부 이벤트는 외부 도구를 사용해야 합니다.
2. 작업 의도: Agentforce 에이전트는 의도를 식별하고 외부 MCP 기반 도구가 필요한지 결정합니다.
3. 플래너(내부): Agentforce 에이전트의 플래너는 구성된 지침과 사용 가능한 도구를 바탕으로 적절한 MCP 도구 또는 작업을 선택합니다.
4. 실행: Agentforce 에이전트는 외부 MCP 서버에 MCP 호환 요청을 보냅니다(예: Apex 콜아웃을 통해 MuleSoft 엔드포인트로 라우팅하여 외부 MCP 서버로 요청을 전달합니다).
5. 외부 처리: 외부 MCP 서버가 요청을 처리하고, 기본 외부 응용 프로그램과 상호 작용하며, MCP 호환 응답을 준비합니다.
6. 결과: 외부 MCP 서버가 Agentforce Agent에 응답을 반환합니다.
7. 후속 조치: Agentforce 에이전트가 응답을 처리하고 내부 상태를 업데이트한 후 과업을 계속 진행하거나 사용자에게 피드백을 제공합니다.

트레이드오프

에이전트의 의사 결정 로직은 기반 데이터의 품질에 좌우됩니다. 에이전트가 지능적으로 행동하려면 주변 세계를 풍부하게, 실시간으로 이해해야 합니다. 정의된 데이터 수집 아키텍처가 없으면 에이전트가 기능에 필요한 대용량 실시간 정보에 액세스하거나 처리할 수 없습니다.

에이전트와 트랜잭션 데이터 통합

문제

에이전트는 레코드 시스템에 있는 개별 레코드에 대해 낮은 지연 시간의 읽기/쓰기 작업을 자주 수행해야 합니다(예: 사례 업데이트 또는 주문 상태 가져오기). 이러한 작업을 수행하려면 기본 데이터 모델의 일관성을 보장하기 위해 데이터 무결성과 신뢰성이 필요합니다. 핵심 아키텍처 과제는 취약한 점대점 통합을 만들지 않으면서, 이 트랜잭션 데이터 액세스를 위한 안전하고 실시간이며 확장 가능한 패턴을 제공하는 것입니다.

컨텍스트

에이전트를 이러한 레코드에 성공적으로 연결하려면, 여러 핵심 구성 요소로 구성된 견고한 아키텍처가 필요합니다.

• 트랜잭션 시스템: 이러한 데이터는 Salesforce, Workday 또는 SAP와 같은 레코드 시스템 또는 AWS와 같은 플랫폼에서 호스팅되는 서비스와 같은 권한 있는 소스입니다.
• 통합 레이어: 강력한 통합 계층(일반적으로 MuleSoft)은 이러한 차별화된 시스템에 안전하게 연결하고 데이터를 변환하고 Agentforce 플랫폼에 노출하기 위해 매우 중요합니다.
• MCP 서버: 상호 운용성을 보장하기 위해 에이전트는 MCP 표준을 사용하여 해당 외부 시스템과 통신합니다. 통합 계층은 외부 서비스 또는 에이전트를 호스팅하는 다양한 MuleSoft, Heroku 또는 타사 MCP 서버에 연결할 수 있습니다.
• 에이전트 교환: 이 구성 요소는 디렉터리 또는 스위치보드로 작동하므로 Salesforce 에이전트가 과업을 완료하기 위해 올바른 외부 서비스 또는 에이전트를 찾아 안전하게 연결할 수 있습니다.

레시피 1: MCP를 통한 직접 기록 작업

패턴

에이전트가 MCP를 사용하여 트랜잭션 데이터 시스템에 연결하고 즉각적인 일관성 요구 사항이 있는 식별된 특정 레코드에 대한 시/도 CRUD 작업을 수행합니다.

컨텍스트

• 대화형 협업 에이전트는 작업 흐름에서 레코드 시스템 데이터를 처리해야 합니다.
• 레코드 시스템이 외부 시스템입니다.
• 트랜잭션은 동일해야 합니다.

핵심 구성 요소

• Agentforce 에이전트: 트랜잭션 업데이트를 위한 주제 및 지침이 포함됩니다. 작업은 외부 MCP 서버 또는 Agentforce Exchange에 등록된 MCP 서버를 호출합니다.
• MCP 서버: 트랜잭션 데이터 및 기능을 노출하는 MCP 서버(예: 입력 데이터가 포함된 tool=billing.update_record)
• 외부 기록 시스템: 시/도 변경이 발생하는 시스템

상호 작용

1. 트리거: 레코드에서 트랜잭션이 필요한 명령 또는 이벤트가 발생합니다.
2. 작업 의도: Agentforce 에이전트가 상태 변경 의도를 식별합니다.
3. 플래너(내부): 플래너가 MCP 도구를 선택합니다.
4. 실행: 도구는 정책, 레코드, 필드 수준 액세스 확인이 통과된 후 실행됩니다.
5. 결과: MCP 서버가 응답을 반환합니다.
6. 후속 조치: Agentforce 에이전트가 응답을 처리합니다.

트레이드오프

레시피 2: MuleSoft API를 통한 복잡한 오케스트레이션

패턴

에이전트는 복잡한 다단계의 시스템 간 원자 트랜잭션에 MuleSoft API를 활용합니다. 이를 통해 관리되는 단일 끝점을 제공하여 종단간의 신뢰할 수 있는 처리를 보장하고 개별 시스템에 대한 직접 호출과 관련된 일관성, 신뢰도, 대기 시간, 데이터 문제를 방지할 수 있습니다.

컨텍스트

• 대화형 및 자율 에이전트는 종종 여러 작업을 신뢰할 수 있게 수행해야 합니다.
• 트랜잭션에는 여러 트랜잭션 시스템과 작업이 있습니다.
• 워크플로는 트랜잭션/롤백, 재시도, 정책 시행이 필요합니다.
• 트랜잭션 요구 사항은 실시간, 멱등성, 관찰 가능, 규정 준수입니다.

상호 작용

1. 트리거: 복잡한 트랜잭션을 완료해야 하는 명령 또는 이벤트가 발생합니다.
2. 작업 의도: Agentforce 에이전트가 의도를 식별합니다.
3. 플래너(내부): 플래너가 API 또는 API 작업에서 호출 가능한 액션을 선택합니다.
4. 실행: API가 실행되고 응답이 반환됩니다.
5. 후속 조치: Agentforce 에이전트가 응답을 처리합니다.

트레이드오프

에이전트와 분석 데이터 통합

문제

조직은 데이터 웨어하우스 및 호수, 실시간 분석 시스템, 비즈니스 인텔리전스 플랫폼 등 분석 인프라에 크게 투자했지만 AI 에이전트는 이러한 시스템과 연결되지 않은 상태로 남아 있습니다. 이로 인해, 에이전트가 더 나은 결정을 내리는 데 도움이 되는 풍부한 상황 정보(예: 고객이 지난 분기에 부품을 3회 반품했다는 사실)를 확보하는 데 어려움이 발생합니다.

컨텍스트

에이전트의 운영 인텔리전스는 근본적으로 다른 데이터 형식 및 소스에서 정보를 합성하는 능력에서 파생됩니다. 따라서 이 아키텍처 패턴은 단일 사용 사례에 맞는 것이 아니라 기본 데이터 수집 프레임워크로 설계되었습니다. 효율적인 에이전트는 논리적 데이터 중심 분석을 수행할 수 있도록 구조화된 소스를 처리할 수 있어야 합니다. 에이전트는 대용량의 구조화된 피드에 액세스해야 합니다. 여기에는 엔터프라이즈 데이터 레이크과 통합(Data 360과의 제로 복제 통합), 미들웨어로 변환된 데이터 스트림 처리 또는 CSV와 같은 배치 파일 수집이 포함됩니다.

레시피 1: Data 360 Zero-Copy를 통한 데이터 레이크 통합

문제

조직은 데이터 레이크에 저장된 분석 데이터(예: Snowflake)를 복사, 관리, 변환하기 위해 기존 데이터 파이프라인을 사용할 때 높은 비용이 부과됩니다. 이전에는 분석이 대부분 오프라인 상태였으므로 적시에 조치를 취할 기회가 누락되었습니다.

패턴

에이전트는 중요한 인사이트를 위해 외부 데이터 웨어하우스를 쿼리하는 대신 Data 360에서 사용할 수 있는 제로 카피 데이터(및 계산된 인사이트)를 쿼리합니다. 이렇게 하면 에이전트가 트랜잭션 및 분석 데이터를 기반으로 더 나은 의사 결정을 내릴 수 있습니다.

컨텍스트

• 조직이 데이터 웨어하우스 및 레이크에 고객 및 운영 데이터를 저장합니다.
• 에이전트는 집계된 메트릭, 내역 추세, 분석 인사이트에 액세스해야 합니다.
• 에이전트의 컨텍스트에 트랜잭션 데이터와 분석 데이터가 모두 필요합니다(연구 에이전트의 내역 추세 데이터에 대한 요구 사항 고려).

상호 작용

1. 트리거: 에이전트가 분석 데이터 또는 계산된 인사이트에 액세스해야 하는 인사이트에 대한 쿼리를 수신합니다.
2. 실행: 에이전트가 쿼리 API를 통해 Data 360 계산된 인사이트를 호출하는 작업을 실행하고 계산된 인사이트가 반환됩니다.
3. 후속 조치: Agentforce 에이전트가 응답을 처리합니다.

트레이드오프

레시피 2: 데이터 스트림에서 작업 트리거

문제

조직은 지속적으로 웹 사이트 방문, 통화, 회의, 채팅, 센서 데이터와 같은 비즈니스 활동에서 중요한 정보를 생성합니다. 그러나 이러한 상호 작용이 데이터 웨어하우스에서 사용 가능해지거나 검색될 때쯤에는, 중요한 인사이트가 이미 사라져 적시에 개입할 기회를 놓치게 됩니다. 따라서 조직은 실시간으로 필요한 실행 가능한 인텔리전스의 대부분을 놓치며, 이는 종종 덧없는 스트림 속에 묻혀 버립니다. 이로 인해 간극이 발생하고, 코칭 기회가 누락되며, 완전한 컨텍스트 없이 결정이 내려집니다.

패턴

에이전트는 데이터 작업을 통해 스트리밍 인사이트 또는 Data 360의 실시간 인사이트에서 실시간 또는 거의 실시간 인사이트를 수신하거나, 에이전트는 Apache Flink와 같은 실시간 처리 엔진과 인터페이스하는 MCP 서버를 쿼리하여 실시간 스트리밍 인사이트에 액세스합니다.

컨텍스트

• 플랫폼 이벤트, Pub/Sub API, RTEM과 같은 스트리밍 시스템은 엄청난 양의 스트림 데이터를 생성합니다.
• Data 360 및 Apache Flink과 같은 스트림 처리 시스템은 이러한 개별 이벤트를 도착할 때 처리합니다.
• Agentforce는 예를 들어, 추가 컨텍스트가 포함된 라이브 회의의 최근 30초 기록과 같은 정보를 얻기 위해 스트림 시스템을 쿼리하거나, 사기 감지와 같은 데이터 작업에 의해 트리거됩니다.
• 거의 실시간, 저지연 작업이 필요합니다.

상호 작용

1. 스트림 발신: 소스 시스템은 연속적인 데이터 스트림을 발송합니다.
2. 스트림 처리: Data 360 또는 Apache Flink과 같은 스트림 처리 엔진이 정보를 처리합니다.
3. 변환: 인사이트는 미들웨어(복잡한 변환용) 또는 Data 360에서 에이전트 인식 데이터로 집계, 변환, 합성됩니다.
4. 스트림 인사이트 이벤트: 합성된 데이터에 대해 Data 360 데이터 작업이 트리거됩니다(예: 30초 오디오 스트림 기록).
5. Enrich: 에이전트가 컨텍스트를 추가하고 의도를 감지합니다.
6. 실행: 에이전트가 작업을 실행합니다.
7. 후속 조치: 에이전트가 다음 스트리밍 인사이트를 기다립니다.

트레이드오프

시맨틱 데이터를 에이전트와 통합

조직에는 다양한 형식과 모양의 비즈니스 아티팩트(카탈로그, 설명서, 정책, 지식 그래프, 관계도)가 있습니다. 간단한 과업 실행을 벗어나 정교한 추론에 참여하려면 에이전트가 대부분의 인적 지식이 저장된 데이터를 이해할 수 있어야 합니다.

레시피 1: RAG: 에이전트를 위한 비정형 데이터의 기능 활용

문제

조직에는 검색이 불가능한 정보가 빈번히 존재하여 에이전트가 이를 자신 있게 활용하는 데 제약이 됩니다. 이러한 결함은 종종 에이전트의 불완전한 응답으로 이어지며, 필요한 컨텍스트 깊이와 신뢰 구축을 위한 검증 가능한 인용이 부족합니다. 따라서 에이전트가 시맨틱하고 정확한 콘텐츠를 일관되게 검색할 수 있도록 표준화된 방법이 필요합니다.

패턴

이 패턴은 내부 문서에서 공개 웹 콘텐츠까지 에이전트가 광범위한 구조화되지 않은 정보를 수집하고 해석할 수 있는 아키텍처를 제공합니다. 에이전트에게 이 데이터에 대한 액세스 권한을 부여하면 시장 분위기 분석, 문서 요약, 경쟁사 조사와 같은 고급 기능을 사용할 수 있습니다.

컨텍스트

• 지식은 다양한 형식과 형태의 파일에 존재합니다.
• 중복 콘텐츠가 이러한 문서 전반에 널리 존재합니다.
• 에이전트에게는 인용할 수 있는 정확한 정보가 필요합니다.
• 지식은 자주 변경되므로 파일을 새로 고치고 다시 색인화해야 합니다.

상호 작용

에이전트가 콘텐츠를 수집하거나 그대로 사용할 수 없습니다. 콘텐츠는 청크로 분할되고, 임베딩되어 벡터 데이터베이스에 저장 및 색인화되어야만 에이전트가 검색하고 사용할 수 있습니다.

수집 및 준비

1. 크롤 및 수집 소스: 소스는 PDF 파일 업로드 등 수동으로 또는 AWS S3 등 위치별로 두 가지 방법으로 식별할 수 있습니다.
2. 청크 분할: 수집된 콘텐츠는 효율적인 처리 및 검색을 위해 관리하기 쉬운 작은 조각들로 분할됩니다. 이는 RAG에서 매우 중요한 단계로, 전체 문서가 아닌 가장 관련성 높은 정보만을 검색할 수 있도록 합니다.
3. 임베딩: 각 청크는 특수 언어 모델을 사용하여 _삽입_이라는 숫자 표현으로 변환됩니다. 이러한 임베딩은 텍스트의 의미를 포착하여 유사성 기반 검색을 가능하게 합니다.
4. 벡터 스토리지: 임베딩은 고성능 유사성 검색에 최적화된 특수 데이터베이스인 Data 360 벡터 저장소에 저장됩니다. 이렇게 하면 에이전트가 관련 콘텐츠를 빠르게 찾을 수 있습니다.
5. 인덱싱: 콘텐츠와 임베딩이 벡터 저장소 내에서 색인화되어 쉽게 검색할 수 있습니다.

Data 360 검색 기능

• 콘텐츠 검색: 이 함수는 입력으로 쿼리를 취하고 Data 360 벡터 저장소에 대한 시맨틱 검색을 수행하여 가장 관련성이 높은 콘텐츠 청크를 찾습니다.
• 콘텐츠 필터링: 이 기능을 사용하면 문서 유형, 작성자 또는 날짜와 같은 메타데이터를 기반으로 검색된 콘텐츠를 필터링하여 결과를 세분화할 수 있습니다.
• 콘텐츠 순위 지정: 이 함수는 유사도 점수(벡터 검색), 키워드 점수 또는 둘 모두의 조합(하이브리드 검색)을 기반으로 검색된 콘텐츠 청크의 순위를 지정합니다.

검색 및 생성

• 쿼리: 에이전트가 정보가 필요할 때, 쿼리를 작성하고 이 쿼리 역시 벡터로 임베딩됩니다.
• 시맨틱 검색: 에이전트가 Data 360 벡터 저장소에 대한 시맨틱 검색을 수행하여 쿼리의 임베딩과 저장된 콘텐츠 청크의 임베딩을 비교합니다. 이렇게 하면 벡터 점수 또는 하이브리드 점수(벡터와 키워드 결합)를 기반으로 가장 의미적으로 관련성이 높은 청크가 검색됩니다.
• Retrieval-Augmented Generation (RAG): 검색된 콘텐츠 청크는 원래 쿼리와 함께 Agentforce 에이전트에게 컨텍스트로 제공됩니다. LLM은 이 컨텍스트를 사용하여 정확하고 인용 가능한 답변을 생성합니다.
• 응답 및 인용: 에이전트는 생성된 답변을 원본 소스 문서나 웹 링크의 인용과 함께 제시하여 신뢰를 구축하고 검증할 수 있도록 합니다.

트레이드오프

레시피 2: 데이터 그래프: 에이전트를 위한 사전 큐레이팅된 구조화 그래프 데이터

문제

조직은 사일로화된 관계 데이터를 보유하고 있어 에이전트가 이를 검색하는 데 어려움을 겪습니다. 이 문제로 인해 에이전트가 여러 엔티티 간의 연결에 대한 신뢰를 구축할 수 있을 만큼 충분한 컨텍스트 세부 정보가 부족한 불완전한 응답을 제공하거나, 여러 데이터베이스에서 정보를 검색해야 할 때 지연이 발생하는 경우가 많습니다.

패턴

이 패턴은 내부 CRM 데이터에서 외부 지식 그래프에 이르기까지 에이전트가 다양한 구조화된 관계 정보를 수집하고 해석할 수 있는 아키텍처를 제공합니다. 에이전트에게 이 데이터에 대한 액세스 권한을 부여하면 고객 360도 보기, 복잡한 종속성 분석 및 동적 컨텍스트 구축과 같은 고급 기능을 사용할 수 있습니다.

컨텍스트

1. 관계 데이터는 다양한 시스템 및 형식에 분산되어 있습니다.
2. 에이전트는 엔티티 간의 연결(예: 고객, 사례, 주문, 관련 제품)을 이해해야 합니다.
3. Knowledge 그래프와 연결된 데이터 모델은 복잡한 관계를 이해하는 데 필수적입니다.
4. 에이전트는 인용할 수 있는 엔티티 관계에 대한 정확한 정보를 필요로 합니다.

상호 작용

관계 데이터는 그래프 구조로 통합되어야만 에이전트가 효율적으로 쿼리하고 사용할 수 있습니다.

수집 및 준비

1. 크롤링 및 수집 소스: 데이터 소스(예: CRM 시스템, ERP, 외부 API, CSV)가 식별되고 Data 360에 수집됩니다.
2. 데이터 정합화: 원시 데이터는 Data 360 내의 데이터 모델 개체(DMO)에 매핑되어 구조를 표준화하고 통합 보기를 만듭니다.
3. 식별자 해소: 중복 고객 프로필이 통합되고 관련 레코드가 연결되어 각 고객에 대한 정확한 단일 보기를 만듭니다.
4. 데이터 그래프 생성: DMO는 서로 다른 엔티티 간의 관계를 나타내는 데이터 그래프를 형성하기 위해 연결됩니다(예: 고객 DMO가 사례 DMO에 연결되고, 사례 DMO가 제품 DMO에 연결됨). 이 그래프를 사용하면 관계를 효율적으로 탐색할 수 있습니다.
5. 계산된 인사이트: 집계 메트릭 및 파생된 특성(예: 고객의 총 구매 내역)이 계산되고 데이터 그래프에 추가되어 더 풍부한 컨텍스트를 제공합니다.

검색 및 생성

1. 쿼리: 에이전트에게 엔티티 간 관계와 관련된 정보가 필요한 경우 데이터 그래프에 대한 쿼리를 작성합니다(예: “이 고객에 대해 진행 중인 모든 사례 및 연결된 제품은 무엇입니까?”).
2. 그래프 이동 및 쿼리 API: 에이전트는 Data 360 쿼리 API를 사용하여 데이터 그래프를 이동하고 쿼리를 기반으로 연결된 레코드, 계산된 인사이트, 관련 특성을 검색합니다.
3. 컨텍스트 기반 생성: 검색된 관계 인식 데이터는 원래 쿼리와 함께 Agentforce 에이전트에게 컨텍스트로 제공됩니다. LLM은 이 보강된 컨텍스트를 사용하여 데이터의 상호 연결성을 반영하는 정확하고 인용 가능한 답변을 생성합니다.
4. 응답 및 인용: 에이전트는 신뢰를 구축하고 검증을 가능하게 하기 위해, 응답에 정보를 제공한 데이터 그래프 내의 특정 레코드 또는 관계에 대한 참조와 함께 생성된 답변을 제시합니다.

트레이드오프

엔터프라이즈는 AI 에이전트가 주도하는 자동화 및 인텔리전스의 새로운 시대의 문턱에 서 있습니다. 간단한 고객 쿼리를 처리하는 것에서 복잡한 비즈니스 전략을 자율적으로 실행하는 것까지, 에이전트는 생산성과 고객 참여를 재정의할 것을 약속합니다. Salesforce Agentforce 플랫폼은 이 변환을 위한 필수적이고 신뢰할 수 있는 기반을 제공합니다. 강력한 선언적 및 프로 코드 도구 제품군, 통합 데이터 플랫폼, A2A 및 MCP를 통한 표준 개방을 위한 노력으로 Agentforce 모든 유형의 에이전트를 구축할 수 있는 종합적이고 신뢰할 수 있는 기반을 제공합니다. 이 아키텍처를 사용하면 조직에서 측정 가능한 비즈니스 성공을 위해 격리되지 않고 연결된 파트너 역할을 수행하는 지능형 목표 지향 에이전트를 배포할 수 있습니다.

Salesforce는 Agentforce 플랫폼을 통해 통합된 강력한 도구 세트를 제공하며, 정교한 에이전트를 구축할 수 있는 기반이 됩니다. 이 문서의 레시피와 예는 Agentforce 플랫폼의 기능 및 에이전트의 상호 작용 방식에 익숙함을 가정합니다. 이 섹션에서는 이 문서의 레시피 및 패턴을 최대한 활용하기 위해 반드시 이해해야 하는 주요 구성 요소에 대한 개요를 제공합니다.

이 섹션에서는 아키텍처 및 개발자가 Agentforce 에이전트를 구축하는 데 필요한 기본 플랫폼 기능을 간략하게 설명합니다.

• Salesforce 플로우: 에이전트 논리를 정의하기 위한 기본 도구입니다. 선언적이고 시각적인 인터페이스는 에이전트가 수행할 단계를 오케스트레이션하는 데 이상적입니다.
• Apex: 복잡한 사용자 정의 논리, 자율 에이전트를 위한 상태 관리, 복잡한 통합 기능을 제공합니다.
• 플랫폼 이벤트: 사전 예방적이고 공동 작업하는 에이전트의 신경계로서 A2A 프로토콜의 전송 계층 역할을 합니다.
• Data 360: 에이전트의 통합 장기 기억입니다. 지능적인 행동에 필요한 컨텍스트를 제공하며, 검색 증강 생성(RAG)의 기반입니다.
• MuleSoft: MuleSoft는 시스템 통합과 MCP를 통한 플랫폼 간 에이전트 커뮤니케이션을 가능하게 하는, 에이전트의 외부 세계로의 연결 고리 역할을 합니다.
• Slack: 과업, 알림, 승인을 포함하여 사람과 에이전트의 상호 작용을 위한 기본 표면
• Agentforce Chat Client: 사용자 정의 및 임베드할 수 있는 고객 대면형 대화 에이전트를 위한 프론트엔드입니다.

에이전트가 진정으로 효과적이려면 사일로에 고립되어서는 안 됩니다. Agentforce는 두 가지 핵심 상호 운용성 패턴을 채택합니다.

• Agent2Agent(A2A) 통신: 이 프로토콜은 Salesforce 에코시스템 내의 에이전트가 서로 커뮤니케이션하는 방법을 관리합니다. Agentforce 플랫폼은 각각 요청을 만들고 수신하는 A2A 클라이언트와 서버로 작동하며, 이는 협업형 에이전트 집합에 매우 중요합니다. 에이전트를 관련 에이전트와 함께 구성하여 특정 기술을 가진 다른 에이전트를 검색하고 호출하여 동적이고 확장 가능한 시스템을 만들 수 있습니다. 플랫폼 이벤트는 다음 A2A 메시지의 지속적인 비동기식 전송 메커니즘으로 사용됩니다.

• 모델 컨텍스트 프로토콜(MCP): 이 표준은 에이전트가 단일 플랫폼에 고정되지 않도록 보장합니다. MCP는 다른 프레임워크에 구축된 에이전트가 커뮤니케이션할 수 있는 공통 메시지 형식을 정의합니다. 이 모델에서는 Agentforce가 MCP 클라이언트 역할을 합니다. 예를 들어 Salesforce 에이전트가 MCP 호환 요청을 보내어 복잡한 물류 계산을 전문으로 하는 외부 에이전트에 질의할 수 있습니다. MuleSoft는 게이트웨이 역할을 하며 내부 A2A 요청을 외부 MCP 형식 API 호출로 변환하여 엔터프라이즈 전반에서 원활한 상호 운용성을 보장합니다.