Bestemme agentisk og tradisjonell arbeidsflytautomatisering

Med Agentforce kan bedrifter nå låse opp nye paradigmer for automatisert arbeid som ikke lett kan reduseres til regler. Disse nye funksjonene inkluderer å løse kundehensikt fra ustrukturerte samtaler, koordinere flerpartsprosesser på tvers av systemer og svare på driftsbetingelser i sanntid. Agentiske arbeidsflyter bruker automatisering utformet for å gi årsaker til utfall i stedet for å utføre forhåndsdefinerte trinn. Oppfyllelse av dette behovet krever en plattform som opererer på tvers av hele spekteret av automatiseringskompleksitet, og et rammeverk som viser hvor hver funksjon passer.

Agentforce kombinerer Einstein Trust Layer, Reasoning Engine, Agent Script, Flow, Apex og Data 360 i en enkelt, forent plattform. Denne kombinasjonen håndterer alt fra enkel automatisering av postutløsere til kompleks orkestrering med flere agenter på tvers av tale, visjon, dokumenter og sanntidstelemetri. MuleSoft utvider denne plattformen med MuleSoft-tekst, styring og orkestrering på tvers av systemer som er nødvendig for å koble sammen agentiske arbeidsflyter på tvers av et foretak. Agentforce Operations (tidligere Agentforce Supply Chain) bruker disse mulighetene til de spesifikke kravene til drifts- og produksjonsprosesser.

Denne veiledningen introduserer rammeverket for orkestreringstetthet og retningslinjer for å ta informerte beslutninger på tvers av dette produktlandskapet. Rammeverket gir arkitekter en gjentagende tilnærming til å velge de riktige verktøyene og mønstrene ved bruk av tetthetsnivåer for brukstilfeller med intelligent automatisering på Salesforce Platform.

Agentforce representerer en grunnleggende endring i måten arbeidet utføres på Salesforce Platform, fra regelbasert automatisering til argumentbaserte arbeidsflyter. For å låse opp potensialet må arkitekter ta målrettede og informerte beslutninger om hvor agenter passer, hvordan de er satt sammen og hva de orkestrerer. Følgende prinsipper gir en gjentagende retningslinje for agentiske beslutninger.

• Bruk riktig verktøy til riktig oppgave. Bruk orkestreringstetthet basert på utførelsesbane, modalitetsblanding og målkompleksitet til å bestemme den best egnede løsningen.

  • Bruk tradisjonell automatisering med flyter og Apex til regelbasert deterministisk arbeid, der utfallet kan være helt omfattende og definert av et sett regler. Tradisjonell automatisering fører til en statisk utførelsesbane, som garanterer forutsigbare og gjentagende utfall og er avgjørende for revisjon. Velg tradisjonell automatisering for oppgaver som krever streng overholdelse og juridisk overholdelse.

  • Bruk Agentforce Grid til masseutledende brukstilfeller med lav til middels orkestreringskompleksitet. Dette mønsteret bruker generativ tenkning med én omgang til å klassifisere, score eller oppsummere data på tvers av et stort antall CRM-poster, slik at det sikres høy gjennomstrømning med umiddelbar revisjonsmulighet.

  • Bruk Agentforce med Agent Script til oppgaver som har åpne mål, der det ønskede utfallet er kjent, men den eksakte utførelsesbanen ikke kan angis på utformingstidspunktet. Bruk dette mønsteret på krav som krever resonans via veiledet deterministisme, for å sikre forutsigbare og sporbare utfall.

  • Bruk Agentforce Operations til å effektivisere og automatisere samarbeidsprosesser med AI-aktivert administrasjon for arbeidsflyter i leverandørkjeden.

• Unngå å bruke agentiske arbeidsflyter på brukstilfeller med lav orkestreringstetthet. Evaluer avveininger mellom tradisjonell og agentisk automatisering for funksjonelle og ikke-funksjonelle krav. Tradisjonell automatisering kan tilby den skalaen, påliteligheten og ytelsen som kreves for bruksområdet.

• Ta i bruk en Agent Automation Hybrid-tilnærming som kombinerer Agentforce og tradisjonell automatisering med flyter og Apex, når denne synergien gir større verdi enn å bruke enten agentisk eller tradisjonell automatisering isolert.

Salesforce sObject er tradisjonelt det primære inngangspunktet for postautomatisering. Systemet utfører logikk basert på regler, som starter umiddelbart etter en DML-hendelse (Data Manipulation Language) som sett inn, oppdater eller slett. For å bestemme mellom verktøy for effektiv postutløst automatisering introduserte vi Automation Density som et middel for å måle kompleksiteten i systemet, med tanke på automatiseringsmengde, postvolum og avhengighet. Tradisjonell automatisering er begrenset av det omfattende forarbeid som kreves for å hente data til en strukturert, skjemasamsvarende og regelbasert konstruksjon.

Agentisk automatisering oppgraderer tradisjonell automatisering ved å bruke brukerhensiktsdata eller ustrukturerte data som inndata der det kan brukes resonans for å oppnå et ønsket utfall. Arkitekter må bestemme når sannsynlighetsgrunnlaget skal brukes på ikke-strukturerte data med flere modaler, og når de skal håndheve veiledede, deterministiske arbeidsflyter for å redusere risikoen for uforutsigbare utfall.

Når kravet skifter fra å utføre regelbaserte trinn til å argumentere mot utfall, trenger arkitekter et standardisert rammeverk for å evaluere begrunnelsesdybden og målkompleksiteten til den foreslåtte løsningen.

Orchestration density (Orkestreringstetthet) er målingen av kompleksiteten i en agentisk arbeidsflyt. Tre faktorer bestemmer orkestreringstettheten: utførelsesbane, målkompleksitet og modalitetsblanding. Automatiseringstetthet måler den fysiske kompleksiteten til systemets regler og volum, mens orkestreringstetthet måler begrunnelseskompleksiteten til agentens bane mot et mål. Bruk den sammensatte orkestreringstettheten til å evaluere designkravene og tilordne til den arkitektoniske standarden.

• Utførelsesbane: Graden som arbeidsflyten kan omfatte fullt ut og angis på utformingstidspunktet. En fullstendig angitt arbeidsflyt betyr at arbeidsflyten definerer hver gren og utfall som fører til en forhåndsbestemt utførelsesbane. En ikke-spesifiserbar arbeidsflyt har en bane som kan dukke opp under kjøretid gjennom begrunnelse mot kontekstuelle data og instruksjoner.
• Målkompleksitet: Antall forskjellige utfall, beslutningspunkter og banevariasjoner som arbeidsflyten må løse ved kjøretid. En arbeidsflyt med lav kompleksitet håndterer en enkelt innebygd oppgave med et forhåndsbestemt utfall, mens et mål med høy kompleksitet går over flere faser med konkurrerende eller motstridende mål med kanttilfeller som ikke kan forutsies på utformingstidspunktet.
• Modalitetsblanding: Området av inndatatyper en arbeidsflyt må behandle, og utdataformene den må produsere. En lavmodalitetssammensetning leser standard CRM-felt og produserer postoppdateringer. En middels modus bruker en blanding av strukturerte CRM-felt og statiske, ustrukturerte data, som e-posttekster eller saksavskrifter, til å produsere postoppdateringer. En høy modalitetsblanding forbruker dynamiske sanntidsstrømmer, som direktelyd eller telemetri, og produserer flermodale utdata på tvers av flere eksterne systemer.

Bestemmelse av det riktige orkestreringstetthetsnivået krever sekvensiell evaluering av utførelsesbanen, målkompleksiteten og modalitetsblandingen. Inspiser utførelsesbanen først. Hvis en bane kan angis fullt ut, starter du med tradisjonell automatisering. Å bruke en Agentisk-løsning bare til å orkestrere og utføre en deterministisk bane uten noen begrunnelseskrav er et motmønster. Det fører til agentspredning (overdreven, ikke-administrert AI-agentproliferasjon) og agentnedgang (lav kvalitet, unødvendige AI-genererte utdata), noe som fører til dårlige verdier.

For delvise eller ikke-spesifiserbare baner fortsetter du å evaluere kompleksiteten av mål. Hvis målkompleksiteten er godt definert, men visse noder langs banen trenger sannsynlighetsvurderinger, kan du vurdere å ringe agenter fra Flyt eller Apex for å dekke det spesifikke lokaliserte behovet. Hvis trinnene i utførelsesbanen krever ett eller flere AI-drevne krav på tvers av et stort sett med poster, kan du i stedet vurdere Agentforce Grid. Rutenettet støtter flertrinns, arkbaserte arbeidsflyter via flere AI- eller agentkolonner. Den passer best til masseutførelse og radorientert utførelse. Denne tilnærmingen sikrer at arbeidsflyten forblir svært ytelsesrik og kan revideres, og kaller opp sannsynlighetsbasert resonans bare der banen ikke kan forhåndsdefineres.

Etter hvert som målkompleksiteten øker med konkurrerende dimensjoner (for eksempel å bestemme utbetaling av forsikringskrav sammen med oppdagelse av svindel, overholdelse av poliser og kundetilfredshet) og ikke-spesifiserbare utførelsesbaner, kan du vurdere Agentforce med Agent Script for veiledet determinisme i automatiseringen. Til brukstilfeller på tvers av firmaer som involverer Salesforce og tredjeparts systemer, bruker du MuleSoft Fabric og Agent Broker.

Avslutningsvis evaluerer du modalitetsblandingen for å identifisere de nødvendige tekniske egenskapene, som flermodal tilkobling eller spesialisert integrering. Modalitetsblanding fungerer som en egenskapsvelger, ikke som en densitetsberegner. Den bidrar til å bestemme infrastrukturen som kreves for å håndtere løsningens inndata- og utdatakilde, uten å endre den grunnleggende orkestreringslogikken.

Bruk denne matrisen til å bestemme den arkitektoniske standarden for agentisk automatisering. Avbalancer traditionel og agentisk automatisering ved at vælge den tilgang, der løser dit automatiseringsproblem.

• Tradisjonell automatisering (lav orkestreringsdensitet): Bruk tradisjonell automatisering når prosessen utløses av en postendring, dataene er strukturert, logikken er regelbasert og forhåndsbestemt, og utfallet må være forutsigbart (for eksempel standardprisberegninger eller automatisk opprettelse av oppgaver).
• Agentforce-rutenett (lav til middels orkestreringstetthet): Bruk Agentforce Grid når masse AI-oppgaver på tvers av eksisterende poster må behandles (for eksempel oppsummere de siste 50 sakene for hver konto i denne listen, beregne stemningsscore og beholde scoren i saksfeltet).
• Hybridorkestrering (høyeste orden forsterket automatisering): Bruk hybridorkestrering når du automatiserer en kompleks ende-til-ende forretningsprosess (for eksempel kravbehandling eller introduksjon) som krever planleggingsfunksjonaliteten til AI, men transaksjonsintegriteten til Flow og Apex.
• Agentforce Agent Script (Høy hensiktskompleksitet): Bruk Agent-skript når inngangspunktet er ustrukturert (for eksempel chat, e-post og tale) og løsningen krever en samtale eller muligheten til å håndtere tvetydige brukerforespørsler.

Denne tabellen inneholder generelle anbefalinger som passer best for ulike brukstilfeller.

Latens

Synkrone postutløste flyter utføres innenfor plattformtransaksjonen og fullføres på millisekunder. Agentforce inferansetid er avhengig av Atlas Reasoning Engine og skaleres med begrunnelsesdybde og modalitetskompleksitet. Agentforce er ikke egnet for høyvolum, synkron postbehandling der latens er en primær begrensning.

Kostnad

Årsakskostnaden for en agentisk arbeidsflyt må være begrunnet i forhold til forretningsverdien til utfallet. For oppgaver med stor trafikk og lav orkestreringstetthet der det finnes en deterministisk bane, kan tradisjonell automatisering eller Agentforce Grid være mer økonomisk enn en ende-til-ende-agentisk arbeidsflyt. Forsikre deg om at utformingen tar hensyn til det riktige mønsteret for ny forsøk med eksplisitte grenser for maksimalt antall forsøk på nytt og avbrudd. Denne sikkerhetslinjen begrenser risikoen for kostnadsoverlappinger som er knyttet til massebehandling.

Governorgrenser

Evaluer agentiske arbeidsflyter med stor trafikk mot daglige plattformgrenser for asynkron utførelse. Batchoperasjoner i Agentforce Grid følger standard plattformtransaksjonsgrenser. Når det gjelder automatisering som involverer Salesforce-objekter, bør du vurdere totalt antall daglige DML-operasjoner, da Salesforce håndhever både delt ressursbehandling i et miljø med flere leietagere og styringsgrenser for å hindre at automatiseringer som utløper, monopoliserer delte ressurser.

Revisjon og etterlevelse

Tradisjonell automatisering produserer fullstendig reviderbare utførelsesspor gjennom Flow Trigger Explorer og Apex logger. Agentforce ende-til-ende- eller hybridmønstre produserer vurderingslogger som gir gjennomsiktighet i agentbeslutninger, men de krever ekspertise for å tolke. Veiledet deterministisme via Agent Script er det anbefalte mønsteret for regulerte bransjer der full revisjon av utførelse er et samsvarskrav.

Eskalering

Agentiske arbeidsflyter som opererer med høy tetthet, bør inkludere eksplisitte godkjennings- eller eskaleringsportaler for handlinger med irreversible konsekvenser, som økonomiske transaksjoner, regulatoriske innsendinger eller leverandørforpliktelser. Betingede agentskriptkontroller sørger for mekanismen for å håndheve disse portene deterministisk i en ellers agentisk arbeidsflyt.

Prioriter enkelhet i orkestreringsutformingen. Start på det minste orkestreringsnivået som kan oppnå målet, valider det under sann innlasting og gjenta. Hver ekstra agent, overføring eller avhengighet i kjeden introduserer en ny overflate som kan gi inkonsekvent virkemåte.

I den angivelige utførelsesbanen begynner du å bygge inn en agent i noder der det kreves årsaker. Følg anbefalte fremgangsmåter for å bygge agenter i Agentforce. Unngå å pakke mange underagenter (tidligere “emner”) og aldri blåse ut instruksjoner. Agenter som er distribuert i automatiseringsbrukstilfeller, har råd til å være smale fordi de ikke er det eneste grensesnittet. Velg riktig primitiv for kjetting. Et orkestreringsmønster (delegering) har strengere kontroll over utførelsessekvensen og kan delegere deloppgaver til spesialister. Unngå koreografiske mønstre (handoff). Hvis du må implementere en overføringsutforming, gir du mottakeragenten mål, kontekst og status slik at den kan optimalisere globalt i stedet for lokale mål.

Unngå utvidede handlinger eller verktøy. Handlinger er stedet der agentenes vurderinger blir realisert, og utformingen av dem bestemmer om de produserer pålitelige utfall eller feil. Hver handling må returnere et strukturert, observerbart svar som AI-agenten kan bruke til å planlegge neste omgang i samtalen.

Hvis du har flere handlinger (og forskjellige utdatakonstruksjoner) for å utføre samme oppgave, reduseres agentens mulighet til å tenke eller velge riktig verktøy for jobben. Det kan føre til at agenten går glipp av nyanser. Overlappende handlingsdefinisjoner kan føre til feil klassifisering. Kontroller at handlingsbiblioteket er revidert, versjonert og samsvarer med Subagent (tidligere Emne)-omfanget.

Angi observerbare mål. Definer målet som et observerbart utfall, ikke bare en prosedyre. Et vagt mål inviterer til agentdrift. Utvid med en spesifiserbar utførelsesbane. Bruk Agentgraf med hybridgjennomgang til å modellere målet som en grafnode med eksplisitt status. Kjøretiden sporer agentens gjeldende posisjon i arbeidsflyten og gjenoppretter den etter tangentielle inndata. Den mister ikke målet når den mottar tilleggsinformasjon i kontekstvinduet.

Test og evaluere. Implementer et robust test- og evalueringsrammeverk for å validere årsaken til sannsynlighetsnoder og utdata fra agentiske automatiseringer. Kontroller utførelsesbaner mot en forventet resultatbane for å sikre at modellen kommer til riktig utfall. Hindre stille feil der en agent falskt rapporterer suksess eller går inn i en uendelig sløyfe eller ikke-gjenopprettingssløyfe, ved å deklarere resultatet ved utførelsestrinn. Bruk øktsporing til å inspisere omvendte interaksjoner, vurdere motorutførelser, handlinger, inndata/utdata for ledetekster og gatewayer, feilmeldinger og endelige svar.

Om forfatteren

Arvind Palaniswamy er Software Engineering Architect på kontoret til Chief Architect, Well-Architected Team. Han liker å ramme komplekse systemer i sine enkleste former ved bruk av førsteprinsipper. Han forstår teknikk, drift og virksomhet gjennom tiår med erfaring og MS/MBA(Kellogg)-opplæring.