에이전트 엔터프라이즈에 대한 자원 및 비용 최적화
자율 에이전트는 결정적 자동화와 다르게 Salesforce 리소스를 사용합니다. 에이전트 작업 부하는 고정 및 트랜잭션 바인딩이 아닌 예측할 수 없고 연속적입니다. 자원 및 비용 최적화 기둥의 비용별 가치 테이즈는 에이전트 엔터프라이즈에 직접 적용됩니다. 자원 효율은 이미 지불한 수용력을 사용하는 것을 의미하며, 비용 최적화는 지출을 의도적으로 수익을 얻는 자율 기능으로 지정하는 것을 의미합니다. 에이전트가 둘 모두의 형태를 변경합니다. 효율적인 에이전트 설계는 소비를 계속 확인하고 가격 책정 모델 선택, 총 소유 비용(TCO) 모델링, 재무 관리를 통해 가치에 맞춰 지출을 유지합니다. 이 문서에서는 에이전트의 경우 동일한 목표의 두 가지 측면이므로 자원 효율 및 비용 최적화를 하나의 결정으로 처리합니다.
에이전트가 소비 예측 가능성을 변경합니다. 기존 Apex 프로세스는 알려진 리소스 비용이 있는 알려진 레코드 집합에서 작동합니다. 에이전트는 대화 방식으로 작업하며 단일 대화에서 과업을 통해 에이전트 이유로 수십 개의 작업을 실행할 수 있습니다. 각 작업은 대화 전반에서 집계하는 대신 자체 트랜잭션 내에서 총괄자 제한을 사용합니다. 한 번에 대한 컨텍스트 준비는 사용자가 요청하는 내용에 따라 200개의 레코드 또는 20,000개의 레코드를 쿼리할 수 있습니다. 에이전트가 독립적으로 작동하고 사용자 트랜잭션 중에만 작업하는 대신 사전 예방적, 아웃바운드, 예약된 에이전트가 지속적으로 작업하므로 API 사용이 가속화됩니다. 이러한 예측 불가능성은 에이전트 자원 관리가 소비가 급증한 후 조정하지 않고 설계적으로 방어적으로 작업을 수행해야 하는 이유입니다.
비용 측은 동일하게 변경됩니다. 자율 에이전트는 기존의 좌석별 라이센스와 다르게 작동하는 소비 기반 가격 책정을 도입합니다. Agentforce Flex 크레딧 및 대화별 두 가지 소비 기반 가격 책정 모델을 제공합니다. 각 에이전트 배포는 다음 모델 중 하나를 선택합니다. 조직은 한 번에 하나의 소비 모델을 사용하지만, 계량되지 않은 사용량에 대해 매월 사용자당 제공되는 사용자별 추가 기능은 계량되지 않은 라이센스를 사용하는 동안 고객 대면 에이전트가 Flex 크레딧 또는 대화별로 실행되도록 소비 모델과 함께 계층화할 수 있습니다. Data 360은 벡터 검색 및 검색을 통해 에이전트 기초 교육을 지원하고 데이터 처리 용량을 소비하며, MuleSoft는 API 용량을 소비하는 에이전트 통합을 활성화합니다. 이러한 변수 비용은 에이전트 사용에 따라 확장되며, 이는 고정 연간 구독이 아닌 가변성에 맞춰 구축된 재무 관리를 필요로 하는 투자 패턴을 만듭니다.
에이전트 엔터프라이즈의 비용이 최적화된 비즈니스 가치에 맞게 설계된 솔루션은 대량으로 레코드를 처리하는 작업, 규제된 컨텍스트 기간, 캐싱을 통해 에이전트 소비를 효율적으로 유지합니다. 또한 적절한 가격 책정 모델, 완전한 TCO 모델링, 비즈니스 결과에 대한 지속적인 비용 모니터링을 통해 지출을 의도적으로 전달합니다. 해당 정렬이 없으면 에이전트 배포가 비례 값을 표시하지 않고 비용을 누적하며, 제한되지 않은 루프의 이유가 있는 에이전트는 인적 감독이 중재할 수 있는 것보다 더 빠르게 크레딧을 구할 수 있습니다. 에이전트를 총괄자 제한 이내로 유지하는 동일한 효율성 작업은 에이전트의 대변 예산 내에 유지합니다. 이는 에이전트 측면에서 표현되는 기초 논문입니다.
이 문서에서는 에이전트가 사진에 나타날 때 변경되는 사항을 다룹니다. 성능 최적화, 총괄자 제한, TCO 분석, 라이센스 규정 등 모든 Salesforce 솔루션에 적용되는 기본 리소스 및 비용 최적화 패턴은 리소스 및 비용 최적화 기둥을 참조하십시오. 에이전트 지배 및 인적 감독은 Trust 및 Fairness 기둥과 연결되어 있으며, 이 기둥은 자율적인 행동을 안전하고 책임감 있게 유지하는 프로그램 구성 요소를 다룹니다.
에이전트 자원 소비는 플로 또는 Apex 동일한 플랫폼 메커니즘을 따르지만, 예측할 수 없는 대화 중심 호출을 통해 소비를 예측하기 어려워지고 따라서 방어 패턴이 필요합니다. 최적화 책임은 작업 체인, API 소비, 응답 대기 시간, Data 360 기초 교육 효율, 컨텍스트 창 관리, 에이전트가 중복 없이 확장할 수 있는 구성 가능한 설계 전반에 걸쳐 총괄자 제한 예산을 적용합니다. 에이전트가 모든 대화에서 비효율성을 반복하므로 각 책임은 기술적 책임보다 비용별 가치 결정입니다.
에이전트는 Apex, 플로 및 통합을 트리거하는 작업을 호출합니다. 단일 대화는 복잡한 과업을 통해 에이전트 이유로 수십 개의 작업을 실행할 수 있습니다. 기본 규칙은 모든 Salesforce 솔루션과 동일하지만 예측할 수 없는 호출 패턴으로 인해 위험이 발생합니다. 50개의 사례를 업데이트하는 에이전트가 50개의 별도의 호출이 아닌 하나의 작업을 호출하도록 컬렉션을 수락하는 작업을 설계합니다. 레코드 컬렉션에서 작동하는 단일 작업은 동일한 작업에 대해 훨씬 적은 수의 SOQL(Salesforce Object Query Language) 쿼리 및 DML(Data Manipulation Language) 작업을 사용합니다. 10~15개의 작업을 호출하는 워크플로는 각 작업이 여러 개의 자체 쿼리를 실행할 때 100개의 쿼리 동기 제한에 도달하거나 초과할 수 있으므로 작업 체인 전반에 걸쳐 SOQL 예산을 의도적으로 관리합니다. 관계 쿼리를 사용하여 상위 및 하위 데이터를 단일 문으로 검색하고 동일한 대화 내의 작업 전반에서 플랫폼 캐시에 캐시된 데이터를 참조합니다. 이러한 두 가지 방법은 예산 내에 다중 작업 체인을 유지합니다.
동기 제한을 초과하는 에이전트 작업을 대기 가능 또는 배치 Apex 이동합니다. 여기서 비동기 컨텍스트는 작업에 사용할 수 있는 SOQL 및 CPU 헤드룸을 대략적으로 두 배로 늘립니다. 리드 점수 매기기 1,000개 또는 내역 사례 전반의 분위기 분석과 같은 대규모 분석 작업은 대화를 차단하는 대신 비동기식 처리에 속합니다. 대규모 언어 모델 추론 자체는 Salesforce 외부에서 수행되며 Apex CPU 시간 대신 Flex 크레딧을 사용하므로 프로파일링하는 CPU 예산은 작업 논리, 데이터 변환 및 에이전트가 트리거하는 통합에 의해 소비됩니다. 상위 레코드가 수천 개의 하위 레코드와 연결된 데이터 왜곡 시나리오는 에이전트와 특별히 방어적으로 주의를 기울여야 합니다. 이 취약성은 에이전트가 결정적 쿼리에서 허용되지 않는 방식으로 수만 개의 관련 레코드가 있는 계정에 대해 “모든 내역”을 요청할 수 있으므로 발생합니다. 하위 레코드 제한 및 페이지 매김을 사용하여 작업을 설계하고 볼륨이 데이터-스키우 임계값을 초과할 경우 샘플링을 적용합니다. 이러한 제한은 예측할 수 없는 요청이 무계한 쿼리로 전환되는 것을 방지합니다. Agentforce 세션 추적은 세션 수준에서 과도한 쿼리를 사용하는 작업을 식별하고 Scale Center는 전체 Apex 트랜잭션 성능 및 조직 상태를 모니터링합니다.
에이전트가 자동으로 작동하고 사전 예방적 또는 예약된 에이전트의 경우 지속적으로 작동하므로 에이전트 아키텍처는 사용자 중심 워크플로보다 API를 더 빠르게 사용합니다. 에이전트가 표시되는 방식에 따라 API 용량이 감소되는 방식이 결정됩니다. REST API를 통해 호출된 에이전트는 대화 전환당 하나의 통화를 사용합니다. 표준 구성 요소를 통해 Lightning 페이지에 포함된 에이전트는 상호 작용당 API 호출을 사용하지 않지만 그들의 비용은 여전히 선택한 가격 책정 모델의 크레딧 또는 대화에 측정됩니다. 직접 REST 호출을 수행하는 사용자 정의 Lightning 웹 구성 요소는 API 용량을 사용합니다. Lightning Data Service 유선 어댑터에 구축된 구성 요소는 Lightning Data Service가 API 호출을 실행하는 대신 클라이언트 측 공유 캐시에서 작동하기 때문에 그렇지 않습니다. 파일럿 시 이벤트 모니터링의 소비를 모니터링하여 전체 롤아웃 전에 실제 사용량을 파악할 수 있습니다.
이벤트 중심 패턴은 낭비적인 에이전트 API 소비에 가장 큰 레버입니다. 조건에 에이전트의 개입이 필요한 경우 플랫폼 이벤트를 게시하면 작업 여부에 관계없이 API 호출을 사용하는 예약된 폴링을 피할 수 있으며, 변경 데이터 수집 이벤트를 구독하는 에이전트는 외부 오케스트레이터가 다른 경우에 수행할 일일 폴링 호출 없이 현재 컨텍스트를 유지합니다. 비용별 가치 논리는 직접: 작업이 없는 설문은 쓸모 없는 수용력이며, 실제 변경 사항에 대해서만 발생하는 이벤트는 실제 작업에만 사용되는 수용력입니다. 검색 증가 생성은 Data 360에 대한 각 벡터 검색이 계산을 소비하므로 검색 제한을 설정하여 에이전트가 실제로 사용하는 결과만 반환합니다.
에이전트 전환에 대한 대기 시간은 LLM 추론 시간, 작업 실행 시간, Data 360 쿼리 시간, 해당 단계가 순서대로 실행되는 경우 통합 시간의 합계입니다. 그렇지 않을 경우 가장 긴 병렬 지점과 순차적 단계가 더해집니다. 지연 시간은 느린 작업으로 인해 자원이 더 오래 진행되고 불만족스러운 사용자가 해결된 대화보다 더 많은 대화를 시작하기 때문에 비용과 환경 문제도 있습니다. 짧은 프롬프트는 더 빠른 응답을 생성하므로 구체적인 지침, 중복 예제 및 불필요한 컨텍스트를 제거하십시오. 선택적 컨텍스트는 대기 시간과 답변 품질을 모두 향상합니다. 여기서 종합적인 컨텍스트 덤프는 소음만 추가합니다. 색인화된 필드, 대량 처리, 캐시된 참조 데이터에서 선택적 SOQL을 통해 작업 속도를 유지합니다. 3초 작업은 추론 속도와 상관없이 지체 지점이 됩니다. 쿼리 계획 도구를 사용하여 작업 쿼리를 확인하여 작업 대기 시간이 증가하는 전체 테이블 스캔을 식별합니다.
에이전트 빌더 오케스트레이션 간에 종속성이 없는 경우 작업을 병렬로 실행할 수 있습니다. 예를 들어, 계정 세부 사항 및 관련 기회를 동시에 검색하는 데 두 값의 합계가 아니라 두 값의 합계보다 느리게 시간이 걸립니다. 여러 다운스트림 시스템에 대한 호출의 경우 Agentforce MuleSoft와 같은 통합 플랫폼과 연결합니다. 에이전트가 단일 작업을 호출하고, MuleSoft가 요청을 수신하고 백엔드 시스템에 병렬 호출을 발행한 후 집계된 응답을 하나 반환합니다. 플랫폼 캐시는 반복 요청에 대한 추론 및 쿼리 대기 시간을 제거하며 긴급하지 않은 작업을 비동기식으로 처리하면 긴 문서 분석과 같이 에이전트가 요청을 즉시 확인하고 대화를 열지 않고 준비되면 결과를 반환할 수 있습니다.
Data 360은 모델의 교육 데이터만이 아닌 현재 데이터에서 에이전트 응답을 기반으로 하는 벡터 검색을 제공하며, 효율성은 기초 교육 품질과 이를 달성하기 위해 사용하는 계산을 모두 관리합니다. 청크, 선택 포함, 메타데이터 필터링, 결과 제한은 가장 유용한 결정입니다. Knowledge를 시맨틱하게 의미 있는 세그먼트로 청크합니다. 왜냐하면 너무 작은 청크는 하나의 질문에 대해 많은 검색을 강제로 수행하므로, 너무 큰 청크는 무관한 컨텍스트와 관련성을 해소하고 추론에 이르는 토큰 예산을 팽창시킵니다. 질문-답답 유사성이 문서 분류와 다르게 작동하므로 에이전트가 실제로 쿼리하는 방식과 일치하는 내장형 모델을 선택하고 대표 쿼리에 대한 선택 항목을 확인합니다. 비즈니스 제약이 일치하는 정도와 상관없이 권장 사항에서 중단된 제품을 제외하는 등 유사성에 관계없이 유지되도록 의미 있는 유사성을 메타데이터 필터와 결합합니다. 상위-k 제한을 설정하여 에이전트가 사용하는 결과만 반환합니다. 예를 들어, 5개의 결과가 답변을 제공하는 경우 50개를 검색하면 사용되지 않는 결과가 그라운딩 페이로드 및 토큰 예산에 45개 추가됩니다.
통합 프로필은 하나의 Data 360 통합 프로필을 쿼리하는 에이전트가 모든 순간에 대해 계정, 연락처, 기회, 사례, 캠페인에 대해 별도의 쿼리를 오케스트레이션하는 대신 단일 작업에서 전체 고객 컨텍스트를 검색하므로 리소스 효율성이 높습니다. 규제 요구 사항이 요구하는 지역에서 Data 360 인스턴스를 구성하여 지정된 관할 지역에 대한 데이터를 처리하는 에이전트가 개인 데이터를 유지하는 인스턴스를 쿼리할 수 있도록 합니다.
대규모 언어 모델 컨텍스트 창에는 제한적인 수의 토큰이 포함되어 있으며, 해당 예산을 관리하면 용량을 소모하거나 추론 호출 비용을 늘리지 않고 긴 대화를 일관되게 유지할 수 있습니다. 임의로 자르지 않고 의도적으로 우선 순위를 지정합니다. 최근 대화 내역이 가장 우선 순위가 높고, 현재 레코드 상태 및 권한과 같은 중요한 비즈니스 데이터가 두 번째로 추가되며, 이전 내역은 공간이 허용하는 경우에만 포함됩니다. 처음 몇 번의 전환 후 이전 대화를 간결한 개요로 요약하여 전체 용어 내역을 사용하지 않고 중요한 사실을 유지합니다. 이 요약은 토큰 예산을 늘리지 않고 연속성을 유지합니다. Data 360 또는 사용자 정의 개체에 확장된 컨텍스트를 모든 통화에서 전체 내역을 재생하는 대신 요청 시 쿼리된 외부 메모리로 저장하고 각 작업에서 필수 필드만 반환합니다. 과업에 8이 필요한 경우 레코드의 50개 필드를 모두 가져오는 응답은 대화 또는 기초 교육에 더 잘 할당된 컨텍스트 예산을 사용하므로
재사용 가능한 구성 요소에서 에이전트를 구축하면 개발 및 서비스 점검 비용이 절감됩니다. 한 번 구축하고 재사용한 기능은 모든 에이전트에 대해 개별적으로 재구현되고 유지 관리되는 동일한 기능보다 평생 훨씬 저렴합니다. 레코드 작업, 승인, 알림, 유효성 검사를 다루는 중앙 집중식 작업 라이브러리를 사용하면 플랫폼 팀이 소비하는 모든 에이전트에서 일관된 동작, 보안, 성능을 유지할 수 있으며, 몇 주 동안 사용자 정의 작업으로 구축되지 않고 검증된 빌딩 블록에서 새 에이전트를 조립할 수 있습니다. 도메인 경계가 명확한 집중 전문가 에이전트는 모든 시나리오를 시도하는 단일 범용 에이전트보다 더 좁은 컨텍스트와 명확한 동작을 유지하며, 에이전트 빌더 오케스트레이션은 과업이 도메인을 교차할 때 전문가를 조정합니다. 프롬프트 빌더 유효성 검사 프롬프트 템플릿은 개발이 가속화될 때 품질이 일관되게 유지되도록 기초 교육, 추론, 응답 형식 지정에 대한 검증된 패턴을 수집하고, Data 360의 공유 Knowledge 자료는 한 소스에서 많은 에이전트를 기초 교육하므로 업데이트가 각 에이전트에 대한 변경이 필요하지 않고 모든 소비자에게 한 번에 도달합니다.
엔터프라이즈 팀은 오케스트레이터 에이전트가 요청을 분해하고 전문 하위 에이전트에 위임하거나 대화가 도메인 전반에서 이동할 때 전문 에이전트가 서로에게 전달하는 방식으로 단일 단일 단일 에이전트를 구축하는 대신 여러 에이전트를 함께 구성하는 것이 점점 더 많습니다. 이 구성은 오케스트레이션 오버헤드, 에이전트 간 Trust, 상태 핸드오프가 단일 작업에 포함되지 않고 체인 전체에서 복합되므로 단일 에이전트가 직면하는 것 이상의 자원 및 비용 문제를 제기합니다. 오케스트레이션 프롬프트의 범위를 좁히고 의도 및 라우팅 분류로 제한하는 대신 오케스트레이터에게 하위 에이전트에 해당하는 하위 에이전트와 관련된 컨텍스트에 속하므로, 오케스트레이터가 하위 에이전트 간에 중첩하는 것보다 더 깊이 있는 중첩이 명확하게 필요한 경우를 제외하고는 오케스트레이션 프롬프트의 범위를 좁힙니다. 외부 API 응답과 마찬가지로 각 하위 에이전트 응답을 신뢰할 수 없는 입력으로 취급합니다. 작업을 수행하기 전에 예상되는 형태와 비즈니스 규칙 준수를 확인합니다. 각 에이전트 작업에 대해 필드 수준 보안 및 공유를 독립적으로 적용합니다.
원시 대화 내역을 전달하는 대신 레코드 ID, 과업 요약 및 관련 필드의 구조화된 핸드오프 페이로드를 사용하여 수신 에이전트에게 필요한 상태만 전달하므로, 케이닝 전반의 토큰 예산이 제어된 상태로 유지되며, 핸드오프가 별도의 트랜잭션에서 유지되어야 할 경우 Data 360 또는 사용자 정의 개체에서 교차 에이전트 세션 상태를 유지합니다. 대화마다 한 번이 아닌 에이전트당 총괄자 제한이 적용되므로 체인의 모든 에이전트가 자체 SOQL, DML, CPU 예산을 가져옵니다. 오케스트레이터와 하위 에이전트 3명의 체인은 각각의 제한을 4배 이상 소비하며, 더 깊은 체인은 소비량을 더 곱해줍니다. 같은 곱셈은 비용을 촉진하므로, 범위가 없는 체인 깊이는 총괄자 제한보다 비용 위험이 더 높습니다.
하위 에이전트가 실패하거나, 시간이 초과되거나, 제한된 재시도, 대체 응답 또는 인간에 대한 에스컬레이션 등 자신감이 낮은 결과를 반환할 경우 오케스트레이터가 수행하는 작업을 정의하여 단일 하위 에이전트 시간 초과가 전체 체인에 실패하지 않도록 합니다. 연결되는 모든 에이전트에서 요청을 핸드오프 페이로드를 통해 전파되는 공유 추적 ID와 연관시킵니다. 그렇지 않으면 대기 시간 급증 또는 비용 급증을 유발한 체인의 에이전트를 진단하려면 별도의 에이전트 세션에서 로그를 수동으로 연관시킵니다.
실패한 작업 및 실패한 하위 에이전트 호출은 신뢰도에 영향을 미치지 않습니다. 다시 시도할 때마다 SOQL, DML, CPU 작업을 다시 실행할 수 있으며, 실패한 시도에 이미 사용된 CPU 작업을 다시 실행할 수 있으며, 다중 에이전트 체인에서 이 비용은 실패한 다운스트림 에이전트 수와 결합됩니다. 소비 기반 가격 책정에서 동일한 실패 복합이 소비하고 계산합니다. 재시도 작업은 Flex 크레딧 아래의 크레딧을 재소비합니다. 신뢰성과 비용을 모두 고려하도록 재시도 논리를 설계합니다. 일시적 실패는 반복 시 논리적 실패가 동일하게 실패하고 대신 즉시 에스컬레이션되어야 하는 보증 반복 실패에 대한 예산만 발생하므로 일시적 실패는 한 번의 경계 재시도를 가치가 있을 수 있으므로 응답 방법을 결정하기 전에 콜아웃 시간 초과 또는 잠금 충돌과 확인 오류 또는 잘못된 입력과 같은 논리적 실패를 구분합니다.
SOQL 또는 DML이 많은 작업에 대한 무제한 또는 긴밀한 루프 재시도를 수행하면 단일 트랜잭션 내의 동기 제한이 소모되거나 다중 에이전트 대화 전반에서 누적 체인 예산 및 누적 크레딧 지출이 상실될 수 있으므로 작업당 두 번 또는 세 번 시도하여 재시도를 재시도하도록 제한하고 즉시 재선을 호출하는 대신 그들 사이에 기하증적 백오프를 적용합니다. 재시도된 통화가 단일 성공 통화와 동일한 종료 상태를 생성하도록 작업을 설계하여 요청 ID 또는 삽입 대신 업서트 논리를 사용하는 외부 ID와 같은 아이덴포테이션 키를 사용하여 동일한 레코드를 재시도한 후 중복을 생성하지 않고 동일한 레코드를 업데이트합니다. 아이덴포테이션이 없는 작업은 중복 다운스트림 레코드를 통해 리소스 소비를 두 배로 시도하거나 이미 한 번 발생한 작업에 대해 청구된 작업 또는 대화를 두 배로 강제 시도합니다.
다운스트림 에이전트가 실패하기 전에 하나의 에이전트의 작업이 DML을 성공적으로 커밋할 수 있으므로 체인의 에이전트별 완료 상태를 추적하고, 이미 성공한 내용을 알고 있는 실패 처리기는 전체 체인을 다시 시작하고 다시 청구하는 대신 실패 지점에서 보상하거나 재개할 수 있습니다. 제한된 재시도가 진행 중인 동안 최종 사용자에게 재시도 또는 진행 중 상태를 표시합니다. 사용자가 자동 시도 및 요청을 반복하면 완전히 새로운 대화와 새 작업 집합이 트리거되므로 원래 시도에 대한 리소스 및 요금 청구 비용이 중복됩니다.
이 문서 전체에 설명된 리소스 최적화 패턴은 설계자가 프로덕션에서 실행 중일 때 에이전트가 실제로 SOQL 쿼리, CPU 시간, DML 행, 토큰을 사용하는 위치를 볼 수 있는 경우에만 도움이 됩니다. 작업당 및 세션당 가시성이 없으면 제한 위반 또는 대기 시간 회귀가 증상으로 표시되며, 이를 유발한 체인에 있는 작업 또는 에이전트까지 다시 추적할 수 없습니다. 이 문제는 비용 모니터링 및 재무 거버넌스에서 Digital Wallet 제공하는 지출 가시성과는 다릅니다. Digital Wallet 에이전트가 소비한 크레딧 또는 대화 수가 표시되며, 도구에는 해당 사용을 유도한 개별 쿼리, DML 행 또는 작업 수준에서 소비된 크레딧 또는 대화의 이유가 표시됩니다. 적절한 도구는 주어진 고객의 조직 및 지원 협약이 실제로 부여하는 항목에 따라 결정되며, 이론적으로 가장 적합한 도구는 결정되지 않으므로 권장 사항을 사용 가능한 가장 적합한 도구로 기본 설정하는 대신 라이센스 및 액세스 계층에 맞춥니다.
모든 설계자는 각 작업 및 하위 에이전트 호출의 시작 및 종료 시 실행되는 사용자 정의 플랫폼 이벤트를 구축할 수 있습니다. 해당 이벤트는 SOQL 쿼리 수, CPU 시간, DML 행 수, 각 작업이 실행될 때 힙 사용량을 수집하는 사용자 정의 개체에 대한 작업 수준 로깅과 연결된 표준 플랫폼 기능을 사용하는 대화 전반의 실행을 추적합니다. 두 이벤트 모두 보고서 또는 SOQL을 통해 쿼리할 수 있으며, Edition 또는 추가 기능 라이센스에 관계없이 모든 조직에 기본 진단 기능을 제공합니다. 파일럿 도중 API 소비를 추적하기 위해 이전에 도입된 이벤트 모니터링은 조직에 해당 추가 기능이 포함된 고객에 대해 조직 전체 에이전트 세션 전반에 걸쳐 집계된 리소스 사용 패턴을 표시하여 설계자가 한 번에 하나씩 진단하는 대신 여러 대화에서 총괄자 제한에 대한 트렌딩 워크플로를 식별할 수 있습니다. 스케일 센터는 일반적으로 지원 참여를 통해 액세스하거나 이를 부여한 계정 계층에서 직접 사용할 수 있는 총괄자 제한에 근접하는 트랜잭션을 심층적으로 추적합니다.
에이전트의 버전을 독립적으로 지정하면 제어된 롤아웃, 롤백, 비교가 가능하며, 작업 중인 에이전트에 대한 투자가 개선되는 동안 보호됩니다. 관리자가 개발 주기 없이 프롬프트 템플릿 및 작업 선택 항목을 조정할 수 있도록 사용자 정의 메타데이터 유형 및 프롬프트 빌더 사용하여 가능할 때마다 구성을 통해 동작을 촉진합니다. 파일럿 A/B 테스트 기능을 사용하여 사용자의 소규모 하위 집합을 실험 버전으로 라우팅합니다. 전체 롤아웃 전에 품질, 만족도, 과업 완료를 비교합니다. 이 비교를 통해 노출이 제한되는 동안 실제 사용 시 개선 사항을 확인하고 회귀를 감지합니다. 구성 요소 간의 명확한 인터페이스 계약을 정의하고 입력, 출력, 오류, 성능 기대치를 지정하여 구현에 종속되는 에이전트를 수정하지 않고 교체할 수 있습니다.
에이전트 경제는 비즈니스 가치에 대해 측정된 총 소유 비용으로 시작하지만, 자율 에이전트의 소비 기반 가격 책정은 기존 라이센스가 아닌 방식으로 비용 측면을 동작시킵니다. 선택하는 가격 책정 모델은 전체 에이전트 수명 주기 전반에 걸쳐 최적화할 항목을 결정하므로 기본적인 아키텍처 결정입니다. 이 섹션에서는 가격 책정 모델, 에이전트 구현에 대한 전체 TCO 이미지, 에이전트 기능에 대한 빌드 및 구매 결정이 설정됩니다.
Agentforce 두 가지 소비 기반 가격 책정 모델을 제공하며 조직은 지정된 에이전트 배포에 대해 두 가지 모델 중 하나를 선택합니다. 에이전트당 유연한 크레딧 가격 작업을 통해 작업 효율성을 비용을 제어할 수 있습니다. 대화당 가격 책정은 길이 또는 복잡성에 관계없이 대화당 고정 수수료를 부과하므로 대화 제약이 가장 중요합니다. 사용자별 구독은 세 번째 소비 모델이 아닌 직원 대면 추가 기능으로 계량되지 않은 에이전트 사용량을 제공하며, 값은 각 상호 작용을 최소화하는 대신 라이센스가 있는 사용자가 에이전트를 적극적으로 참여시키기 때문에 소비 효율성에서 채택으로 최적화 초점을 이동합니다. 두 소비 모델은 같은 조직에 혼합되지 않지만 계량되지 않은 사용량에 대해 매월 사용자당 제공되는 사용자별 추가 기능은 계량되지 않은 라이센스를 사용하는 동안 고객 대면 에이전트가 Flex 크레딧 또는 대화별로 실행되도록 소비 모델과 함께 계층화할 수 있습니다.
Flex Credit에서 작업 비용은 작업당 정의된 토큰 제한까지 고정됩니다. 토큰 기반 추론 가격 책정과 달리 대변 비용은 프롬프트 길이 또는 모델 복잡성에 따라 다르지 않으므로 1문자 답변과 다중 단락 답변의 가격이 동일합니다. 다중 작업 상호 작용은 각 작업에 대한 크레딧을 사용하므로 데이터, 이유, 레코드를 업데이트하는 상호 작용은 세 가지 작업의 크레딧을 사용하며 검색 증가 생성은 추론하기 전에 벡터 검색 및 문서 검색을 통해 추가 작업을 추가합니다. 따라서 비즈니스 트랜잭션당 평균 작업 수를 이해하는 것이 Flex 크레딧에서 비용 모델링을 위한 전제 조건입니다.
대화당 가격 책정에서 대화당 고정 수수료가 적용되며, 한 세션 내의 여러 전환은 단일 대화로 계산되므로 비용 관리는 하나의 대화 내에서 문제를 해결하고 개별 작업을 자르지 않고 세션 경계를 명확하게 정의하는 과정에서 이루어집니다. Data 360 기초 교육 및 MuleSoft 통합은 생성 및 유사성 검색을 포함하여 모든 기초 교육 쿼리에 대한 데이터 처리 용량을 줄이고 각 외부 작업이 소스 및 대상 시스템 모두에서 API 용량을 사용하므로 선택한 모델과 함께 자체 용량을 사용합니다.
에이전트 구현의 총 소유 비용(TCO)은 6개의 범주에 걸쳐 있으며, 6개의 범주를 모두 모델링하면 신용 추정치가 정보에 근거한 투자 결정으로 전환됩니다. 에이전트 설계, 신속한 엔지니어링, 통합 개발 및 테스트에 대한 개발 비용은 단순한 단일 용도 에이전트에서 복잡한 오케스트레이션을 사용하는 멀티 에이전트 시스템에 이르기까지 광범위합니다. 인벤션 비용은 선택한 가격 책정 모델에 따라 다르며 Flex 크레딧의 예상 작업 볼륨, 대화 단위의 대화 볼륨 또는 사용자 단위의 라이센스 사용자 수를 모델링해야 합니다. 대규모 Knowledge 자료에 기반한 에이전트의 경우 기초 교육을 지원하는 Data 360 인프라스트럭처는 추론 비용을 경쟁하거나 초과할 수 있습니다. Data 360 및 MuleSoft 라이센스, 추가 Sandbox 및 모니터링 인프라스트럭처에 대한 인프라 비용은 주로 용량 계층에 따라 고정 또는 단계별로 적용됩니다. 운영 비용은 모니터링 운영, 신속한 세분화, 사고 대응 및 사용자 지원을 포함하며, 성숙한 에이전트 프로그램의 경우 일반적으로 연간 개발 비용의 상당 부분을 차지하며, Salesforce별 수치가 아닌 AI 에이전트의 일반적인 업계 기준에 부합합니다. 안전 검토, 인적 감독, 감사 기록, 규정 준수 검증에 대한 관리 비용은 에이전트의 자율성과 위험에 따라 증가하며, 공정성 기둥은 필수 프로그램 구성 요소를 다룹니다. 변경 비용은 사용자 교육, 비즈니스 프로세스 적응 및 조직변경 관리에 해당하며, 이는 가장 자주 과소평가되는 범주 팀입니다.
3~5년 비용을 예상하는 스프레드시트 TCO 모델을 구축합니다. 상호 작용 볼륨, 작업 수, 성장에 대한 가정을 문서화합니다. 민감도 분석을 실행하여 합계에 가장 영향을 미치는 가정을 식별한 다음, 해당 가정에 대한 유효성 검사를 집중합니다. 최적의 구조는 사용 패턴에 따라 달라지며 에이전트가 프로덕션에 들어간 후 잘못된 선택을 수행하는 데 많은 비용이 소요되므로 커밋하기 전에 예상 사용량을 기준으로 세 가지 비용 구조(유연한 크레딧, 대화당, 사용자당)를 모두 모델링합니다.
에이전트에 대한 빌드 및 구매 결정은 모든 Salesforce 기능과 동일한 논리를 따르며, 3~5년 TCO 구간에 걸친 사용자 정의 빌드의 정확한 적합성에 대해 즉각적인 솔루션 가치 가치를 가중시킵니다. 상품 워크플로는 구매를 선호하고, 독점적 차별화를 유도하는 핵심 기능은 구축을 정당화합니다. 에이전트 엔터프라이즈는 이진 선택 항목 대신 다양한 옵션을 제공합니다. 서비스 에이전트 또는 세일즈 개발 담당자 같은 사전 구축된 Agentforce 에이전트는 빠른 배포 및 플랫폼에서 유지되는 업데이트를 통해 검증된 기능을 제공합니다. 선택한 가격 책정 모델에서 크레딧을 사용합니다. Salesforce 독립 소프트웨어 공급업체(ISV) 커뮤니티의 상업적으로 사용 가능한 에이전트는 AgentExchange를 통해 제공되며, 여기에서 이미 요구 사항을 충족하는 솔루션을 구축하지 않고 찾을 수 있습니다. 에이전트 빌더를 사용하여 구축된 사용자 정의 에이전트는 사전 개발과 지속적인 신속한 세분화 및 서비스 점검을 비롯해 정확한 맞춤과 경쟁적 차별화를 제공합니다. 프롬프트 빌더 및 작업 구성을 통해 사전 구축된 에이전트를 사용자 정의하면 전체 사용자 정의 개발 비용보다 비용이 적은 중간 지점을 제공하며, 해당 에이전트를 조직에 맞게 조정할 수 있습니다. 비용을 초과하여 시간-가치 요구 사항, 내부 개발 역량, 전략적 차별화, 공급업체-종속성 허용 여부를 가중시키고 아키텍처 의사 결정 레코드에 결정을 기록하여 요구 사항이 변경되면 다시 평가할 수 있습니다.
기본 비용 구조를 명확하게 이해한 에이전트를 구현하면 자율 기능 확장이 예산 풀을 사용하지 않고 지속적으로 확장됩니다. 최적화 레버는 가격 책정 모델에 따라 다릅니다. 비용을 제어하기 위해 조정하는 내용은 작업당 결제, 대화당 결제, 사용자당 결제 간에 다릅니다. 세 가지 모두에서 원칙은 실제로 전달된 값을 기준으로 소비를 조정하는 것입니다. 그러면 자격이 있는 에이전트가 비즈니스 결과를 반환하는 것보다 더 빨리 예산을 조용히 사용하지 않도록 할 수 있습니다.
유연한 크레딧 아래에서 최적화는 품질을 유지하면서 비즈니스 결과별로 작업을 최소화함을 의미합니다. 다단계 워크플로가 아닌 단일 작업으로 간단한 요청을 해결합니다. 그러면 FAQ에 답변하거나 정기적인 조회를 수행하면 3단계 작업 체인의 크레딧이 사용되지 않습니다. 하나의 작업이 작동할 때 각각의 비용을 별도로 지불하는 대신 검색, 분석, 응답을 결합하여 작업을 합리적인 단일 작업으로 통합합니다. 동일한 모든 쿼리에서 새 작업을 사용하는 대신 자주 묻는 질문이 캐시에서 제공되도록 반복 요청에 대한 응답을 캐시합니다. 이는 의미 있는 쿼리 점유율이 반복될 때 이 모델에서 가장 큰 단일 효율성 레버입니다.
대화별 가격 책정에서 최적화는 여러 개의 대화가 아닌 단일 대화 내에서 문제를 해결함을 의미합니다. 세션 경계 및 시간 제한을 설계하여 사전에 종료하고 새 청구 가능한 대화를 강제로 수행하지 않고 대화가 적절하게 지속되도록 합니다. 후속 조치가 필요하지 않고 초기 대화 내에서 과업이 완료되도록 첫 번째 대화 해결에 에이전트 기능에 초점을 맞춥니다. 첫 번째 대화 해결률을 비용 효율 메트릭으로 추적하고 사용자가 기존 대화 컨텍스트에서 처리했을 수 있는 관련 문제에 대해 별도의 대화를 여는 범위 확장을 방지합니다.
사용자별 구독에서 최적화는 소비량이 계량되지 않으며 비용은 자리당 고정되어 있으므로 라이센스가 있는 각 사용자가 반환하는 값을 극대화함을 의미합니다. 라이센스가 있는 사용자가 에이전트와 적극적으로 소통할 수 있도록 채택에 초점을 맞추고, 사용량을 추적하여 표적 교육 또는 라이센스 재할당을 위해 사용량이 적은 사용자를 식별하고, 사용자 집단별로 에이전트 상호 작용을 비즈니스 결과에 연결하여 가치가 높은 사용 사례가 투자를 정당화하는 반면, 가치가 낮은 사용량이 최적화 또는 다른 가격 책정 모델이 필요하다는 신호를 표시합니다. 라이센스가 실제 사용량에 맞게 유지되도록 케이던스에서 사용자 모집단을 검토합니다.
가격 책정 모델과 상관없이 아키텍처는 비용에 영향을 미칩니다. 복잡성이 필요할 경우에만 간단한 논리로 초기 라우팅을 처리하고 사용자를 전문 에이전트로 안내하는 정렬 에이전트를 구현하여 비용이 많이 드는 복잡한 호출이 보장되는 경우에만 발생하도록 합니다. 규칙 기반 논리가 충분한 결정적 시나리오에서 플로가 결정적 경로를 낮은 비용으로 처리하고 에이전트가 진정한 이유가 필요한 모호한 상황을 처리할 수 있도록 전통적인 자동화를 사용합니다. Data 360 사용량이 실제 요구를 추적하도록 모든 상호 작용이 아닌 에이전트의 이유에 따라 필요한 경우에만 벡터 검색 및 문서 검색을 호출하여 선택적으로 기초 교육 데이터를 검색합니다. 이러한 패턴은 아키텍처의 추론 및 소비 비용을 작업의 어려움에 비례하게 유지합니다.
에이전트가 예측 가능한 요청 응답 패턴을 따르지 않으므로 자동 에이전트의 비용 모니터링이 기존의 작업 부하보다 어려워집니다. 에이전트는 다단계 이유를 반복하고 런타임 조건을 기반으로 도구를 적응적으로 호출하거나 다른 에이전트를 조율하여 예측하기 어려운 매우 변수적인 크레딧 소비를 생성할 수 있습니다. 모니터링 없이 심층 반복 작업을 수행하는 에이전트는 중재하기 전에 대량의 크레딧을 소비할 수 있으며, 비효율적인 프롬프트 설계 또는 중복적인 추론 루프는 전체 에이전트 플리트의 예산을 조용하게 소모할 수 있습니다. 따라서 효과적인 관리를 위해서는 에이전트 및 작업당 소비량에 대한 실시간 가시성, 자동 경고, 런어 비용을 방지하는 제어가 있어 에이전트에게 유용한 자율성을 유지해야 합니다. 또한 에이전트의 재무 관리는 정적 계산 비용이 아닌 변수 소비에 맞춰 구축된 명확한 소유권 및 계층화된 승인이 필요합니다.
Salesforce Digital Wallet Agentforce Flex 크레딧을 비롯한 소비 기반 제품을 모니터링하기 위한 내장형 도구이며, Flex 크레딧을 사용하는 조직은 제공하는 항목을 복제하기 위해 사용자 정의 대시보드를 구축하는 대신 기본 비용 모니터링 메커니즘으로 설정해야 합니다. Digital Wallet 작업 수준 사용 인사이트, 가장 많이 소비하는 에이전트를 보여주는 에이전트별 분석, 사전 예방적 소비 경고, 패턴 분석 및 예측에 대한 내역 추세가 포함된 거의 실시간 소비 데이터를 제공합니다. 가격 책정 모델에 모니터링을 일치시킵니다. Flex 크레딧 아래에서 에이전트, 사용자 모집단, 기간, 작업 유형별로 소비를 추적하고, 비즈니스 트랜잭션에 크레딧 소비를 연결하는 사용자 정의 대시보드를 사용하여 Digital Wallet 보완합니다. 대화당 가격 책정 아래에서 대화량, 평균 길이, 완료율을 모니터링합니다. 사용자별 구독 아래에서 소비 대신 사용량을 모니터링하고 사용자당 활성 사용자 및 비즈니스 가치를 추적하여 라이센스 투자가 비례 가치를 제공하도록 표시합니다.
상호 작용별 비용 귀속은 소비를 비즈니스 트랜잭션에 연결하고 해결된 사례당, 적격 리드당 또는 처리된 주문당 비용을 표시하므로 ROI 계산 및 교차 사용 사례 비교가 가능합니다. 예산 경고는 예산의 70% 및 85%와 같은 임계값에서 소비가 정의된 임계값에 도달하면 알림을 트리거하므로 제한에 도달하기 전에 최적화가 수행됩니다. 조직 전체가 아닌 에이전트 및 사용 사례별로 경고를 구성하여 문제를 소스로 현지화합니다. 변칙 감지는 예기치 않은 사용 패턴이나 조사가 필요한 추론 루프를 신호하는 갑작스러운 소비 급증을 표시합니다. 비용 대시보드를 비즈니스 이해당사자 및 기술 팀과 공유하여 투명성이 비용을 인식하는 에이전트 사용을 촉진합니다.
에이전트 아키텍처에 지출을 커밋하기 전에 재무 관리를 적용합니다. 선택한 가격 책정 모델에서 3~5년 동안 예상되는 TCO, 측정 방법으로 예상되는 비즈니스 결과, 수동 프로세스 및 기존 자동화를 비롯한 대안과 비교, 품질, 안전, 운영 위험을 포함하는 위험 평가를 포함하는 에이전트 투자에 대한 비즈니스 사례가 필요합니다. 부서에서 승인할 수 있는 투자와 경영진의 승인이 필요한 투자를 구분하는 승인 임계값을 정의하여 투자가 많은 에이전트 또는 위험이 높은 에이전트가 적절한 검사를 받도록 합니다. 파일럿은 프로덕션 투자 결정 및 가격 책정 모델 선택에 모두 정보를 제공하는 실제 소비, 품질, 채택을 표시하므로 전체 프로덕션 전에 가정을 확인하는 파일럿 배포를 위임합니다.
포트폴리오 보기에 단일 에이전트 검토에서 놓친 최적화 기회가 표시되므로 에이전트별로 에이전트가 아닌 포트폴리오로 에이전트를 관리합니다. 모든 에이전트를 함께 검토하고 비용, 사용량, 비즈니스 가치, 전략적 정렬을 비교하고 채택이 낮거나 ROI가 낮거나 기능이 대체되었거나 비용이 지나치게 많은 에이전트를 사용 중지하는 낮은 기준을 정의하여 저가치 에이전트가 예산을 무기한에 누적하고 소비하지 않도록 합니다. 일회성 정리 대신 변화하는 우선 순위에 따른 지출을 조정하는 연속적인 방법으로 성과가 낮은 에이전트의 투자를 가치가 높은 기회에 재할당합니다.
비용 할당은 에이전트 소비에 대한 책임을 생성하며 조직은 플랫폼의 나머지 부분에 적용되는 동일한 두 가지 모델을 통해 구현합니다. 내부 비용 없이 비즈니스 단위별로 에이전트 비용을 표시하면 비용 인식이 생성되고 내부 청구 문제가 없어도 최적화 토론에 정보를 제공합니다. 차지백은 실제 에이전트 비용을 소비하는 사업부에 할당하므로 비용이 부서 예산에 직접적으로 영향을 미치지만 분쟁을 피하기 위해 정확한 할당 방법이 필요하므로 더욱 강력한 최적화 동작을 유도합니다. 하이브리드 접근 방식은 대량 프로덕션 에이전트에 지불 거절을 적용하고 실험적 또는 대량 에이전트에 대한 쇼백을 사용하여 주요 투자에 대한 책임과 혁신을 위한 유연성에 대한 균형을 맞춥니다.
에이전트 아키텍처는 대규모 언어 모델 추론이 계산에 집약적이므로 자체적인 지속 가능성 고려 사항을 도입하며, 일부 에이전트는 개별 사용자 트리거 트랜잭션이 아닌 연속적으로 실행됩니다. 사전 예방적, 아웃바운드, 예약된 에이전트는 루프에 있는 사용자 없이 작동하며, 대화 에이전트는 여러 번에 걸쳐 소비를 누적하며, 벡터 검색, 컨텍스트 준비, 작업 실행 모두 인프라 부하에 추가됩니다. 지속 가능 에이전트 설계는 환경을 반응형으로 유지하면서 계산 폐기물을 최소화합니다. 자원 및 비용 최적화 기둥에서와 마찬가지로 하나의 솔루션과 데이터 센터 배출 간의 관계는 간접적입니다. 단일 테넌트의 효율성은 배출량을 직접 낮추지 않습니다. 그러나 모든 테넌트 전반에서 효율성 향상을 통해 Salesforce가 인프라를 활용률이 높고 수용력 확장을 지연할 수 있습니다. 그리고 리소스 및 비용 최적화 기둥의 기본 지속 가능성 관행은 에이전트에 적용되며, 다음과 같은 효율성 전략은 대규모 언어 모델 기반 대화 시스템과 관련된 사항을 다룹니다. 또한 각각의 비용은 비용을 절감하므로 지속 가능성과 비용당 가치가 서로 다른 결과에 대해 측정되는 동일한 규칙입니다.
추론은 에이전트 아키텍처에서 가장 자원 집약적인 구성 요소이므로 프롬프트 길이, 컨텍스트 사용, 캐싱으로 효율성이 향상됩니다. 더 짧은 프롬프트는 응답 생성 계산을 변경하지 않더라도 사전 채우기 계산이 비례적으로 줄어들기 때문에 구체적인 명령과 중복 예제를 제거하여 더 적은 수의 토큰으로 의도를 전달하도록 프롬프트를 최적화합니다. 처음 몇 번의 전환 후 대화 내역을 요약하고 각 작업에서 필수 필드만 반환하여 모든 추론으로 가져온 토큰 예산이 대화에 따라 증가하지 않고 경계가 유지되도록 컨텍스트 창을 관리합니다.
벡터 검색 및 통합 프로필 쿼리는 계산 자원을 사용하므로, 기초 교육 비용을 제어하는 동일한 결과 제한 및 필터링 규칙은 기초 교육의 인프라 부하도 줄입니다. 에이전트가 사용하는 결과만 반환하도록 상위-k 제한을 설정합니다. 5개가 답변을 알릴 때 50개를 검색하면 45개의 사용되지 않은 결과를 가져오며, 그라운딩 토큰 예산을 사용하지 않으며, 메타데이터 필터를 사용하여 유사도 순위 이전의 검색 범위를 좁힙니다. 통합 프로필을 쿼리하여 한 번에 여러 개체에 대해 별도의 쿼리를 발행하는 대신 하나의 작업으로 전체 컨텍스트를 어셈블하고, 고정 계정 집합을 작업하는 세일즈 에이전트와 같은 사용자 친화도가 높은 에이전트에 대한 프로필을 캐시하여 반복 컨텍스트 어셈블리가 쿼리를 반복하지 않도록 합니다.
에이전트 작업은 SOQL 쿼리, DML 작업, CPU 시간을 사용하므로 자원 및 비용 최적화 기둥의 대량 처리, 캐싱, 비동기적 규칙이 에이전트 작업에 직접 적용됩니다. 여러 레코드를 업데이트하는 것이 여러 레코드가 아닌 하나의 작업이 되도록 컬렉션을 수용하는 작업을 설계하고, 관계 쿼리를 사용하여 단일 문에서 상위 및 하위 데이터를 검색하고, 플랫폼 캐시에서 참조 데이터를 캐시하고, 레코드별이 아닌 컬렉션 전체에서 DML을 배치합니다. 동기 제한을 초과하는 작업을 대기 가능한 Apex 또는 배치 Apex 이동하고, 대량 점수 매기기 또는 내역 보강과 같은 비급한 작업을 비동기식으로 처리하고, 가능하면 업무 시간에 집중하지 않고 시간에 걸쳐 로드가 분산되도록 비최대 기간 동안 에이전트가 트리거하는 배치 작업을 예약합니다. 대기열 백로그가 실패하기 전에 수용력 계획이 필요하도록 비동기 실행을 모니터링합니다.
에이전트 소비 패턴은 사용량이 증가함에 따라 발전하므로 지속 가능성을 위해 일회성 통과가 아닌 지속적인 모니터링이 필요합니다. 증가하는 프롬프트 크기가 최적화 기회를 표시할 수 있도록 사용 가능한 사용량 Telemetry를 통해 추론당 평균 토큰을 추적하고, 무제한 대화가 과업 경계 문제를 드러내도록 대화-길이 분포를 모니터링하고, 이벤트 모니터링에서 작업 실행 주기를 분석하여 고주파 작업이 최적화 우선 순위가 되도록 합니다. Data 360 쿼리 패턴을 검토하여 캐싱하거나 사전 계산할 수 있는 일반적인 쿼리를 찾고, 비율이 낮아 임계값 조정이 트리거되도록 시맨틱 캐시 일치 비율을 추적하고, 꼬리 대기 시간이 지체 지점을 노출할 수 있도록 대기 시간 백분율을 측정합니다. 범위 드리프트에 대한 에이전트 사용을 정기적으로 검토합니다. 예를 들어 평균 대화 길이가 몇 번에서 여러 번으로 증가하는 에이전트를 조사합니다. 에이전트의 경계를 세분화하여 소비가 계획으로 돌아갑니다. 일부 모니터링 영역은 추론별 추가 로그가 아닌 집계 대시보드에서 사용량을 노출하므로 모니터링을 설계할 때 구성에 사용할 수 있는 정확한 텔레메트리를 확인합니다.
리소스 최적화는 모집단이 성장하고 사용 사례가 확대될 때 에이전트 아키텍처의 규모를 결정하고, 비용 최적화는 해당 규모가 비즈니스 가치를 반환하는지 여부를 결정합니다. 다음 두 가지 결정은 단일 의무입니다.
- 아키텍처 효율성: 대량 처리를 사용하여 작업을 설계하고, 작업 체인 전반에서 SOQL을 예산하고, 대량 처리를 비동기화로 전환하고, 복합 및 이벤트 중심 패턴을 통해 API 소비를 최적화하고, 우선 순위 및 요약을 통해 컨텍스트 창을 관리하고, 재사용 가능한 구성 요소에서 구성 가능한 아키텍처를 구축합니다.
- 재무 지침: 가격 책정 모델을 의도적으로 선택하고, 커밋하기 전에 TCO를 완료하여 모델링하고, 비즈니스 결과 대비 소비를 모니터링하고, 계층화된 승인 및 포트폴리오 검토를 통해 투자를 관리합니다.
해당 패턴을 관리하는 조직은 에이전트가 반환하는 값에 맞춰 지출을 유지하면서 플랫폼 제약 내에서 반응형 에이전트 환경을 제공합니다.
성능 최적화, 총괄자 제한, TCO 분석, 라이센스 규제, 비용 관리 등 모든 Salesforce 솔루션에 대한 기본 리소스 및 비용 최적화 지침은 리소스 및 비용 최적화 기둥에 있습니다. 에이전트 지배, 인적 감독 및 안전 프로그램 구성 요소는 Trust 및 Fairness 기둥에 연결됩니다. 이 문서의 자세한 에이전트 구현 지침(자원 효율, 경제, 작업 최적화, 거버넌스, 지속 가능성)은 에이전트 패턴 라이브러리에 수집되어 있습니다.