Enterprise Agentic Architecture and Design Patterns gir struktur til mulighetene for fleragentarkitekturer, og identifiserer og fremhever hvordan funksjoner som er nye for AI-agenter, kan kombineres for å levere pålitelige, gjentagende, skalerbare og administrerbare agentiske løsninger. Inspirert av "Design Patterns" for objektorientert programmering, legger vi opp mønstre som kan kombineres og utvides for å løse de mange spennende utfordringene som før agentiske teknologier lå utenfor omfanget av forretningssystemer som bygger på tradisjonelle deterministiske teknologier.

Etter å ha diskutert grunnlaget for fleragentarkitekturer introduserer vi en rekke agentiske mønstre, fra enkle mønstre som bruker naturlig språkbehandling til å bestemme brukerhensikt, til fleragentmønstre som sørger for at bekymringer skilles mellom agenter, til UX-agentiske mønstre som bringer agentisk resonans til presentasjonen og samhandlingen med systemer, informasjon og innhold.

Først og fremst får du en ny måte å tenke på agenter på - agenter som komponenter, agenter som utformere, agenter som skuespillere, agenter som medarbeidere, og viktigst av alt agenter i en større arkitektur som handler med hensikt og handler innenfor sitt individuelle omfang av bekymringer.

Du får de pekere du trenger for å tenke på rike agentiske løsninger som spenner over brukerreiser og gir informasjon om betydelige agentiske opplevelser, opplevelser som aldri har vært mulig før.

De første delene av dette dokumentet gir grunnlaget for mutiagentarkitekturer. Les disse for å få en bedre forståelse av utfordringene og salgsmulighetene som fleragentarkitekturer presenterer.

Følgende er definisjoner og beskrivelser av agentiske mønstre, fra enkle til komplekse, som dekker mønstre som støtter interaksjoner, mønstre for spesialagenter, mønstre for bakgrunnsoperasjoner og mønstre som kjører lenge. Hvert mønster inneholder et diagram over nøkkelkomponentene som realiserer mønsteret, pluss anbefalinger for bruk og representative brukstilfeller.

Til slutt inkluderer tilfellet eksempler på hvordan disse mønstrene kombineres til holistiske agentiske løsninger som støtter en større agentisk opplevelse, for eksempel for å støtte Kundeservice eller Brokered Sales. Referer til denne delen for å se hvordan en rik agentopplevelse benytter dekomponering og adskillelse av bekymringer på agent- og handlingsnivå for å fremme gjenbruk på interaksjonsnivå, med delte agenter som støtter både interne og eksterne bestanddeler, i både assistive og autonome moduser.

Etter hvert som bedriftsarkitekter integrerer generativ AI i sine økosystemer, må de løse et vanlig sett med designspørsmål:

• Hvor mange agenter kreves?
• Hvordan vil agenter samhandle?
• Hva er arbeidsdeling mellom agenter og personer?
• Hvordan settes disse komponentene sammen til et koherent system?

Dette dokumentet presenterer en mønsterbasert metodikk for utforming og bygging av agentiske løsninger.

Monolittiske agenter er utgangspunktet for de fleste agentiske løsninger. Agenter – og mer spesifikt Agentforce – er dyktige utøvere på tvers av en rekke emner. I vanlige brukstilfeller starter du med én enkelt agent.

Etter hvert som organisasjonen vokser, er fleragentarkitekturer den foretrukne løsningen. Multiagent-arkitektur gir større skalering, kontroll og fleksibilitet sammenlignet med monolittiske enkeltagentsystemer.

Fleragentarkitektur gir disse viktige fordelene:

• Økt ytelse og kompleksitetsfordeling: Et system med flere, spesialiserte agenter gir økt funksjonalitet og forenkler overholdelse av instruksjoner.
• Modularity & Extensibility: Individuelle agenter kan legges til, erstattes, modifiseres og testes med større letthet, noe som fremmer smidighet.
• Resilience & Fault Tolerance: Feilen for en enkelt komponent kompromitterer ikke hele systemet, noe som fører til bedre generell fleksibilitet.
• Decentralisert styring: Feilsøking og behandling kan isoleres til bestemte agenter og deres tilhørende programmer, noe som forenkler vedlikehold og oversikt.

Rationalisering av en fleragentarkitektur starter med å projisere kjernearkitektoniske prinsipper på funksjonene og strukturen til agenter. De resulterende fleragentarkitekturene er da en manifestasjon av kjernesystemutforming og systemarkitekturprinsipper som er i samsvar med den unike "grenen" av AI-teknologier.

Nøgleprincipper, der driver denne arkitektur, inkluderer:

• Behandle kompleksitet via dekomponering
• Forbedre fleksibilitet og redusere sprøhet gjennom frakobling
• Forbedre pålitelighet og effektivitet gjennom gjenbruk av kode
• Forbedre agentens pålitelighet ved å begrense omfanget av en enkelt agents bekymringer
• Forbedre systemvedlikehold og -utvikling gjennom modulalitet og utvidbarhet
• Forenkle agentbehandling og -ansvar gjennom spesialisering

Til forskjell fra mer primitive agentic arkitekturer (for eksempel de som fokuserer på LLMs som kjerne arkitektonisk konstruksjon), Agentforce ble designet for multi-agent orkestrering fra begynnelsen. Orkestrering med flere agenter ligger til grunn for Atlas-motoren for resonans og agentisk resonans for å opprette dynamiske, effektive programmeringsbaner i et agentisk svar for å dramatisk utvide muligheten til å levere en bred, dyp agentisk utvidelse til brukeropplevelsen (UX).

I Agentforce er denne typen koordinering muliggjort av disse viktige åpne, interoperable protokollene og Salesforce-produktene:

• Agentforce tilbyr et Agent-undersystem for å innkapsling av alle nøkkelelementene i en agent: emner, instruksjoner, handlinger, guardrails, kontekst, kall, utdata, utførelsesdetaljer, logger, etc.
• Handlinger: Tilby haker for tilgang til data, kaldeflyter, kalle opp eksterne systemer og kalle opp andre agenter.
• Data 360: gir et datavirtualiseringslag for å bringe spesifikk, individualisert kontekst til agenten (bruk av Data 360s forente profil og nøkkelkjede for å hente spesifikk informasjon fra hele virksomheten).

Og for agenter på tvers av virksomheten eller for å få tilgang til agenter eller ressurser, støtter vi:

• Model Context Protocol (MCP): er et sikkert kommunikasjonslag som kobler agenter til virksomhetens verktøy, data og Knowledge for å sikre kontekstpresisjon.
• Agent-til-agent-protokoll (A2A): er et standardisert håndtak for delegering mellom agenter som muliggjør sikker, styrt koordinering på tvers av systemer, organisasjoner og leverandører.

Disse prinsippene gir grunnlaget for å bygge et skalerbart, styrbart system med orkestrerte intelligenser.

Robuste agentiske løsninger krever tydelige tilnærminger til de ikke-funksjonelle kravene som ligger til grunn for effektiv teknologilevering:

• Sikkerhet og styring (Identitets- og tilgangsbehandling, Datapersonvern, Datasikkerhet og Trusselmodellering).
• Observabilitet og overvåking (distribuert sporing, sentralisert logging, målinger og kontrollpaneler).
• Operasjonalisering og livssyklusbehandling (spesifikasjon, generering av testsaker, testing, tilbakemelding, kontinuerlig opplæring, avverging).

Dette er viktige arkitektoniske vurderinger ved bygging av Enterprise Agentic-løsninger som ikke dekkes i denne hviteboken, men de vil bli løst i fremtidige publikasjoner.

For å kunne behandle et foretaksomfattende agentlandskap må arkitekter klassifisere agenter gjennom to komplementære linser: teknisk funksjon og forretningseffekt.

Denne taksonomien kategoriserer de funksjonelle rollene som agenter kan anta i en arkitektur.

• Kanal/UX-roller: Definer interaksjonsmodaliteten (for eksempel Headless, Prompt, Chats and Messages eller AI-administrerte arbeidsområder).
• Spesialistroller: Innkapsl dyppdomene Knowledge (for eksempel Domain Expert, Knowledge Minion, Assistant eller Planner).
• Verktøyserviceroller: Utføre diskrete transaksjonsoppgaver (for eksempel Generering, Sammendrag, Transformasjon eller Konfigurasjon).
• Vedlikehold og proaktive tjenesteroller: Fokuser på datatilstand og -kvalitet (for eksempel kurering, samsvar, datakvalitet eller dataforbedring).
• Langvarige roller: Behandle prosesser over lengre tidsperioder (for eksempel Concierge, Project Manager, Nurturer eller Watcher/Alerter).

For å lette klar design og kommunikasjon er Agent Kart standardmalen for å beskrive agente løsninger. Den definerer viktige enheter, systemer og interaksjoner innenfor et bestemt utformingsmønster.

Her er komponentene i Agentisk kartmal:

• Brukerlag definerer de menneskelige aktørene i systemet (for eksempel Kunder, Godkjente ansatte (SF-brukere) og Ikke-godkjente ansatte).
• Agentlag beskriver nødvendige agenter, eksponerte mønstre, relasjoner med hverandre og instruksjoner som brukes til å realisere bestemte mønstre.
• Kontekst/handlinger er ressursene, funksjonene eller handlingene som agenten behandler eller har tilgang til.
• Kilder er underliggende data, programmer, Knowledge-baser og andre systemer som agentene kobler til.

Tillegg A og B illustrerer agentiske mønstre på systemnivå ved å demonstrere sammensetningen deres i Agentisk kartmal-svømmebaner.

I Salesforce bruker vi et bibliotek med agentmønstre til å organisere og levere pålitelige, forutsigbare agentløsninger. Disse mønstrene er våre utkast til løsning av vanlige arkitektoniske problemer.

De er gruppert i fire primære kategorier:

• Interaksjonsmønstre: Fokuser på agentisk engasjement og brukeropplevelse (UX).
• Spesialist/Arbeidermønstre: Innkapsl dype Knowledge eller spesifikke ferdigheter innenfor et bestemt domene.
• Verktøy og databehandlingsmønstre: Utfør spesifikke, ofte gjentagende oppgaver som støtter andre agenter eller prosesser.
• Langvarige mønstre: Behandle prosesser og arbeidsflyter som skjer over lange perioder, som involverer flere trinn.

Følgende deler beskriver nøkkelmønstre fra hver kategori. Hver mønsterbeskrivelse inneholder en oversikt, utdatatype, veiledning om mønsterbruk, representative brukstilfeller og et løsningsdiagram, i tillegg til tilordningen til Salesforce Agent Maturity Rubric.

Interaksjonsmønstre er grunnleggende design som fokuserer på agentisk engasjement og brukeropplevelse.

• Oversikt: Greeter-mønsteret er et enkelt, enkelt å implementere mønster som bruker naturlig språk til å bestemme brukerhensikt. Deretter ruter den brukeren til den riktige menneskeagenten.

• Utdatatype: Håndhev/Eskaler til neste ressurs.

• Forretningsverdi: Legge til rette for en sømløs og effektiv første kontakt for kunder samtidig som du maksimerer hensiktsløsning og kontekstsamling for tjenesteleverandører.

• Veiledning om mønsterbruk: Konfigurer agenten som den primære engasjementressursen for merkeprofileringskanaler. Gi instruksjoner om merkeprofilering, produkter og tjenester som er paret med rutingsinstruksjoner basert på brukerhensikt. Agenten samler inn og oppsummerer hensikten om å levere en varm overføring.

• Representative brukstilfelle: Tenk deg en nettside som bruker en chatterobot til å presentere en meny med alternativer der brukere må klikke gjennom alle alternativene før de rutes til et menneske. For å forbedre produktiviteten og effektiviteten i serverkontoret bruker chatbotene ofte komplekse, kompliserte arbeidsbaner og interaksjoner. Dette fører til et "fyll ut, velg og klikk"-tretthetsscenario for kunder, som ofte fører til frustrasjon hvis konteksten deres ligger utenfor de tilgjengelige menyalternativene. Ved å erstatte tradisjonelle chatbot-roboter med Agent Front Door – som bruker interaksjoner med naturlig språk – lindrer det byrden og gir en menneskelig interaksjon.

• Agentforce oppskrift:

  • Agentforce tjenesteagent: Bygge en tjenesteagent
    • Den pakkede tjenesteagenten har konfigurerbare overføringsfunksjoner som støtter overføring:
      • Til humane agenter
      • Til AI-agenter
      • Til eksterne agenter
  • Bransjespesifikke mønstre som inneholder kodeeksempler

• Diagram:

• Salesforce Agentic Maturity: Nivå 1 (eller nivå 0 hvis du bruker Forhåndsdefinert tjenesteagent med innebygd overføring og eskalering)

• Oversikt: Operator-mønsteret bygger på Greeter-mønsteret ved å rute forespørsler til den aktuelle spesialistagenten eller menneskelig og forhandlerhensikt (hvis nødvendig).

• Utdatatype: Tildeling/overføring til neste ressurs.

• Veiledning om mønsterbruk: Par merkeprofilerings- og tjenestespesifikke instruksjoner med instruksjoner om hvor brukeren skal sendes basert på hensikt. Definer eskaleringsressurser, som kan være personer eller andre agenter.

• Representative brukstilfelle: Bruk Agent Front Door til scenarier der det er en høy grad av spesialisering blant menneskelige eller AI-representanter.

• Diagram:

• Salesforce Agentic Maturity: Nivå 2

• Oversikt: Orchestrator-mønsteret håndterer en AI Agent "Sverm". Når den mottar en brukerforespørsel, overfører den ytringen til én eller flere spesialistagenter, og deretter samler den svarene for brukeren. Til forskjell fra Operator-mønsteret forblir det det første kontaktpunktet (POC).

• Utdatatype: Samle og klargjør svar(e) fra agenter.

• Veiledning om mønsterbruk: Konfigurert som primærengasjør. Gi instruksjoner for hver støttende arbeideragent (for eksempel en Prioritizer- eller domene-SME) som tillater orkestreringen å videresende ytringer til dem.

• Representative brukstilfelle: Bruk Orchestrator-mønsteret som den agenteriske inngangsdøren for å hjelpe kunder som kan ha behov for å diskutere flere emner per samtale, noe som krever løsninger for flere agenter og konsistente interaksjoner. I en flersystemarkitektur kan du vurdere Orchestrator-mønsteret for å koordinere svar på tvers av systemer og med samarbeid fra eksterne agenter.

• Diagram:

• Salesforce Agentic Maturity: Nivå 3

• Oversikt: Listener/Feed-mønsteret viser kontekst og innsikt i løpet av en samtale. Listener utløses under hver samtale for å finne og vise relevant informasjon for en ansatt.

• Utdatatype: Gi relevant kontekst basert på diskusjon, som kan formateres for effekt (for eksempel for å gjøre sammenligninger eller fremheve viktige punkter).

• Veiledning om mønsterbruk: Legg Lytter ved en turbasert kanal (for eksempel chat, tale eller SMS). Definer emner for hvert emneområde. Agenten forbruker avskriften, identifiserer emner og kaller opp handlinger for å søke etter og legge inn relevant innhold i en kjørende feed for den ansatte.

• Representative brukstilfelle: Bruk den universelle assistenten til å hjelpe kundeservice- eller salgsrepresentanter.

• Diagram:

• Salesforce Agentic Maturity: Nivå 3

• Oversikt: Arbeidsområdet (Radar O’Reilly)-mønsteret administrerer et responsivt enkeltglass-grensesnitt i en samtaleflyt. Den behandler hver ytring for å oppdatere deler av brukergrensesnittet med relevant innhold.

• Utdatatype: Oppgi relevant kontekst som er plassert i et portlet i en større visning med ett enkelt vindu.

• Veiledning om mønsterbruk: En orkestrator agent overfører ytringer til en pakke med emneagenter. Hver Emne-agent vurderer setningen for å finne ut om en brukergrensesnittoppdatering er nødvendig. Hvis den gjør det, overfører den dynamiske oppdateringer til den tilhørende LWC-en.

• Representative brukstilfelle: Denne fungerer som en avansert agentisk frontdør.

• Diagram:

• Salesforce Agentic Maturity: Nivå 3

Spesialmønstre innkapsler dyp Knowledge eller ferdigheter i et bestemt domene, og de er vanligvis orkestrerte av Interaksjonsmønstre.

• Oversikt: Answerbot-mønsteret er et effektivt mønster for selvbetjening som bruker GenAI til å bestemme naturlig språk for Knowledge-henting, ikke bare nøkkelord.

• Utdatatype: Oppsummert Knowledge og referanser/anførselstegn til støttemateriell.

• Veiledning om mønsterbruk: Organiser og hent pålitelige kildematerialer (for eksempel Knowledge Stores eller Vanlige spørsmål) for å konfigurere agenten. Plasser agenten på firmanettsteder eller i interne portaler. Overvåk spørsmål for å identifisere og løse Knowledge.

• Representative brukstilfelle: Forenkle søk med naturlig språk på et firmanettsted, samhandle med en HR Benefits-robot og tilby selvbetjeningskomponenter for alle deltagere.

• Diagram:

• Salesforce Agentic Maturity: Nivå 1

• Oversikt: Domenemønsteret SME er et grunnleggende mønster som gir et naturlig språk for et forretningsdomene (for eksempel Bestillinger eller Krav).

• Utdatatype: Gi relevant innhold, emner, data og formatert informasjon om domenet.

• Veiledning om mønsterbruk: Bruk dette mønsteret til å kapsle inn et emne eller forretningsdomene. Konfigurer agenten med mulighet til å utføre riktige CRUD-operasjoner. Gjør disse agentene tilgjengelige via Interaksjonsmønstre (for eksempel - Orchestrator eller Listener).

• Representative brukstilfelle: Vedlikehold av et forretningsdatadomenet, oppgi en "bestillingsagent" eller "lagerbeholdningsagent" og oppgi et agentisk grensesnitt for et forretningsdomene.

• Diagram:

• Salesforce Agentic Maturity: Nivå 2

• Oversikt: Interrogator-mønsteret er en SME-agent som kan spørres på et emne for å samle sammen kontekst fra flere kilder for å svare på spørsmål. Den viktige agentiske funksjonaliteten som brukes, er muligheten til å trekke kontekst og koble sammen konsepter på tvers av et innhold, på samme måte som en person ville etter å ha lest og internalisert innholdet. Dette mønsteret reduserer behovet for "integrering med svingestol".

• Utdatatype: Gi svar på spørsmål.

• Veiledning om mønsterbruk: Den konfigureres ofte som en konsollwidget som er koblet til brukerens gjeldende kontekst slik at brukeren kan stille spørsmål direkte. Den brukes også sammen med Knowledge som Vanlige spørsmål, policyer og produktkataloger. Par Interrogator-mønsteret med standardledetekster for å skalere vanlige svar på vanlige spørsmål.

• Representative brukstilfelle: Brukes som en kontraktassistentagent, Assistent for fordelspørringer eller Spesialist arbeideragent i mønstre for flere agenter (for eksempel Listener eller Workspace).

• Diagram:

• Salesforce Agentic Maturity: Nivå 2

• Oversikt: Prioritizer-mønsteret brukes til å ordne et sett oppgaver eller arbeidsobjekter basert på et definert mål. Den benytter GenAI til kvalitativ analyse, ustrukturert dataanalyse eller integrativ analyse på tvers av flere datadomener.

• Utdatatype: Gi generativ innsikt.

• Veiledning om mønsterbruk: Bruk naturlig språk til å beskrive de ønskede egenskapene for prioritering. Juster agenten med et sett valgbare alternativer. Kombiner med Listener-mønsteret for å opprette en responsiv Next Best Action i arbeidsflyten.

• Representative brukstilfelle: Brukes som en Next Best Action generator eller en spesialist arbeider agent i langvarige eller multi-agent mønstre.

• Diagram:

• Salesforce Agentic Maturity: Nivå 2

Verktøymønstre utfører spesifikke, gjentagende oppgaver som støtter andre agenter eller prosesser.

• Oversikt: Generator-mønsteret er et grunnleggende mønster for å opprette nytt innhold (for eksempel saksoppsummeringer eller e-postutkast) fra eksisterende inndata og standarder. Den implementeres ofte som en ledetekst og kan bygges inn i andre agenter.

• Utdatatype: Sørg for generert innhold som samsvarer med det forespurte formatet og hensikten.

• Veiledning om mønsterbruk: Generator-mønsteret kan brukes i de fleste andre mønstre eller som en frittstående. Kontekst kan gis via forespørselen, hydratisering under utførelse eller flere anrikingstrinn.

• Representative brukstilfelle: Gi saksoppsummeringer, e-postutkast, Knowledge eller forslag/svar til QBR-er.

• Diagram:

• Salesforce Agentic Maturity: Nivå 1

• Oversikt: Data Steward-mønsteret er et autonomt bakgrunnsmønster som introduserer et agentisk trinn i dataoperasjoner for å sikre ensartet datakvalitet, samsvar og berikelse.

• Utdatatype: Oppgi oppdaterte post- og datafelt før lagring.

• Veiledning om mønsterbruk: Bygg inn datakvalitet på datapunktet ved å legge til dataansvarlige som utløser postflyter før data lagres. Bidrar til å sikre konsistent bruk av kategoriserings-, sammendrags- og delstatsdata.

• Representative brukstilfelle: Sikre konsistente oppdateringer av "Pizza-Tracker"-stilen, forbedre kontodata og eliminere feil samsvarende postnumre og adresser.

• Diagram:

• Salesforce Agentic Maturity: Nivå 2

• Oversikt: Zen Data Gardener-mønsteret er et planlagt bakgrunnsmønster som brukes til å tilpasse og standardisere data, ved å benytte rimelig resonnement for å validere, berike og samsvare data på tvers av ellers ikke-tilkoblede datadomener.

• Utdatatype: Gi oppdaterte poster og/eller databehandlingsoppgaver.

• Veiledning om mønsterbruk: Bruk mønsteret til å aktivere regelmessig, periodisk datagjennomgang og validering. For data som endres tregt, planlegger du agenten med en treg kadens (for eksempel månedlig). Kombiner med Data Steward-mønsteret for å gi prospektive og retrospektive datakvalitetsoperasjoner.

• Representative brukstilfelle: Sikre justering mellom solgte fordeler og kravsystemet, i tillegg til periodisk validering av meglerlisenser mot nasjonale registre.

• Diagram:

• Salesforce Agentic Maturity: Nivå 4

• Oversikt: Konfigurasjonsmønsteret genererer konfigurasjonsartefakter (for eksempel SQL/SOQL, JSON og CSV) fra krav til naturlig språk. Den kan også kjøres omvendt for å validere en eksisterende konfigurasjon mot krav.

• Utdatatype: Gi oppdaterte poster, databehandlingsoppgaver eller bygg problemer/feil for korrigering.

• Veiledning om mønsterbruk: Grunnlegge agenten med bestemte standarder, retningslinjer eller eksempler. Konfigurer byggekrav ved bruk av kilder som kontrakter eller produktspesifikasjoner. Koble Konfigurasjonsmønsteret til målsystemet for å overføre den genererte konfigurasjonen.

• Representative brukstilfelle: Generere produktkonfigurasjonsposter for helseforsikringsprodukter og validere kontrakts- eller betalingsbetingelser for helseleverandører.

• Diagram:

• Salesforce Agentic Maturity: Nivå 4

• Oversikt: Dommer & jurymønsteret er utformet for å minimere hallusinasjoner ved å bruke et ensemble av "jury" agenter og en "judge" agent som vurderer kongruensen av svar for å sikre at de er materielt konsistente og grunnlagde.

  • Ensemble-tilnærmingen er innebygd i Agentforce og Atlas Reasoning-motoren for å løse svarets sannhet og relevans. Dommer- og jurymønsteret bygger på denne muligheten når høye nøyaktighetsnivåer er avgjørende.
  • Kombinasjonen av Data Grounding (for eksempel “Finn svaret ditt i disse postene/dokumentene”) og Prompt Engineering (for eksempel “Returnere et svar bare hvis det finnes i disse postene” eller “validere svaret ditt mot denne eksterne kilden”) er også effektive måter å minimere hallusinasjoner.

• Utdatatype: Gi generativ innsikt.

• Veiledning om mønsterbruk: Brukes når det er et sterkt behov for konsistente og jordbaserte generative utdata. En dommeragent samler en grunnlagt melding og sender den til to eller flere juroragenter, og deretter vurderer dommeren svarene. For å få best mulig resultat bruker du forskjellige modeller (for eksempel én fra OpenAI og en annen fra Anthropic) for hver juroragent.

• Representative brukstilfelle: Gi svar med høy troverdighet og faktabaserte svar for å minimere hallusinasjoner.

• Diagram:

• Salesforce Agentic Maturity: Nivå 2

• Oversikt: Modellmodellmønsteret bruker flere eksperter til å generere et bredt spekter av perspektiver, og deretter trekker det ut konsensusen. Til forskjell fra dommer- og jurymønsteret omfatter dette mønsteret flere synspunkter for å øke rikdommen.

  • Dette mønsteret kan også kalles Ekspertpanel-mønsteret når det finnes ekspertmodeller med forskjellige visningspunkter (POV) som det kan være nyttig å trykke på.
  • I motsetning til dommer- og jurymønsteret der hensikten er å sikre at den agentiske responsen samsvarer med en vanlig tilgjengelig "sannhet", utvider Modellmodellmønsteret omfanget av svaret ved å utnytte mangfold i det agentiske miljøet.
  • Dette mønsteret forutsetter at det er flere agenter som har en distinkt POV. I et miljø for flere organisasjoner, med flere agenter, eller et miljø med flere leverandørleverte agenter på tvers av teknologistakker, gir modellmønsteret en struktur for å integrere flere POV-er.
  • Når du vurderer dette mønsteret, bør du også vurdere andre, ofte enklere tilnærminger:
    • I stedet for å definere flere ekspertagenter, angir du flere ledetekster og får systemet til å fungere som en samling ledetekster.
    • Dra nytte av "grunning" gjennom handlinger som gir tilgang til kontekstuelt riktige data.

• Utdatatype: Gi generativ innsikt.

• Veiledning om mønsterbruk: En aggregeringsagents rolle er å danne og returnere en rik POV basert på nøkkelbegrepene som modellagentene returnerte. Modellagenter bestemmer et svar basert på deres unike POV.

• Representative brukstilfelle: Brukes i situasjoner som kan ha nytte av å samle ulike synspunkter for å øke kvaliteten på svarene. For eksempel et flersystemagentisk miljø der privilegerte agenter (for eksempel en ERP-agent) kan ha en POV som er verdifull og ellers utilgjengelig.

• Diagram:

• Salesforce Agentic Maturity: Nivå 2

Langvarige prosessmønstre håndterer prosesser som skjer over lange perioder og involverer flere trinn og aktører.

• Oversikt: Prosjektledermønsteret er et komplekst mønster som overvåker et langvarig prosjekt. Den koordinerer aktiviteter, sporer fullføring, varsler brukere og viser prosjektstatus til interessenter.

• Utdatatype: Det er flere utdata (for eksempel saker, oppgaver, statusoppdateringer og varsler).

• Veiledning om mønsterbruk: Brukes som et paraplymønster for å støtte regelmessige, gjentatte, flertrinns aktiviteter. Prosjektledermønsteret tar en inndatamal/utkast for et prosjekt – inkludertoppgaver, roller og avhengigheter – og instansierer deretter saker og aktiviteter og tildeler dem til brukere.

• Representative brukstilfelle: Brukes til kontoinstalleringsbehandling og forretningssalgsengasjement.

• Diagram:

• Salesforce Agentic Maturity: Nivå 4

Mønstre beskriver agentroller, men orkestreringsarketyper definerer systemplanene for hvordan en flåte av agenter samarbeider. Disse arketypene klargjør rollene til Agentforce som orkestreringshjernen og MuleSoft som universell kobling og adapter.

Arketype 1: SOMA (En enkelt organisasjon, flere agenter)

• Definition: Flere agenter samarbeider i én Salesforce-organisasjon som bruker delt styring og data.
• Arkitektonisk flyt: I Agentforce fungerer en overordnet agent som en enkelt frontdør og ruter forespørsler til spesialister i organisasjonen. For ekstern funksjonalitet bruker agenter Agentforce MCP Client med MuleSoft som en MCP-bryter for ikke-MCP-aktiverte APIer.
• Nøkkelvurderinger: Dette mønsteret sentraliserer orkestreringslogikken i Salesforce (likner CRM-kontekst og Data 360) for å bevare forent styring, identitet, tillatelser og observasjon.

Arkitype 2: MOMA (flere organisasjoner, flere agenter)

• Definition: Agenter samarbeider på tvers av flere Salesforce-organisasjoner, noe som krever sikker koordinering på tvers av grenser for data og tillatelser.
• Arkitektonisk flyt: En overordnet agent i én organisasjon delegerer en oppgave til en agent i en annen organisasjon via den standardiserte agent-til-agent-protokollen (A2A). Denne håndtaken sikrer Trust på organisasjonsnivå, brukeridentitetsflyt og delt diskusjonskontekst.
• Nøkkelvurderinger: Dette mønsteret beholder organisasjonsautonomi samtidig som det aktiverer foretaksomfattende arbeidsflyter, noe som gir et grunnlag for sammenhengende agentiske operasjoner i komplekse, flerorganisasjonsfasiliteter.

Arketype 3: Multi-Vendor A2A (Salesforce-ledet orkestrering)

• Definition: En overordnet agent i Salesforce koordinerer arbeidet på tvers av en blanding av Salesforce-baserte agenter og agenter fra andre leverandører (for eksempel Google/Vertex eller LangGraph) via A2A-protokollen.
• Arkitektonisk flyt: Den overordnede agenten behandler forespørselen og orkestrerer en plan ved å kalle opp interne og eksterne leverandøragenter via A2A-protokollen. For eksterne systemer som ikke er A2A-kompatible, kan MuleSoft vise en "lett agentfasade" som vikler det eksisterende verktøyet og kommuniserer med A2A.
• Nøkkelvurderinger: Denne arketypen holder orkestreringshjernen nær CRM og Data 360 ved å bruke A2A til å produsere ren, styrbar sammensetning uten et separat orkestreringsnivå.

Arketype 4: Multi-Vendor A2A (MuleSoft-ledet orkestrering)

• Definition: Orchestration startes fra et ikke-Salesforce-inngangspunkt, som krever en nøytral, ekstern orkestrator for å utføre resonnement og ruting.
• Arkitektonisk flyt: En grensesnittagent i et eksternt system videresender forespørselen til en orkestreringstjeneste (konseptualisert som MuleSoft Conductor), som tolker hensikt og planlegger oppgaven. Lederen bruker deretter A2A til å rute samtaler til leverandøragenter, inkludert Agentforce for CRM- eller tjenestehandlinger.
• Nøkkelvurderinger: Dette mønsteret er for ikke-Salesforce-inngangspunkter der en nøytral orkestrator er arkitektonisk foretrukket. Den beholder brukergrensesnittet i domenesystemet samtidig som den sentraliserer tenkning, styring, policy og observasjon i MuleSoft.

Disse individuelle mønstrene og orkestreringsarketypene er arkitektoniske byggeblokker som er utformet for å bli satt sammen til endelige løsninger. Agentisk løsningskart brukes til å visualisere hvordan disse komponentene er koblet sammen.

• En medlemstjenesteløsning for en helseleverandør er en standardimplementering av SOMA-arketypen. Den bruker en Answerbot for anonyme brukere, en Orchestrator for godkjente medlemmer og flere SME-agenter (for eksempel Sak, Krav og Fordeler) til å håndtere spesifikke forespørsler.
• En B2C Broker Portal er en kompleks sammensetning som bruker en Portal Orchestrator agent til å kalle opp en langvarig Prosjektlederagent for en RFP-prosess, som i sin tur bruker hodeløse, Data Steward og Interrogator-agenter til back-office-databehandlinger.

En agentisk utformingsmønstermetodologi gir den arkitektoniske disiplinen som kreves for å bygge robuste, skalerbare og vedlikeholdbare AI-systemer for virksomheten. Ved å bryte ned kompleksitet og fremme modularitet gir disse mønstrene arkitekter mulighet til å levere pålitelige, forutsigbare agentiske løsninger.

Valget av orkestreringsarketype er en strategisk beslutning basert på hvor brukere arbeider, hvor konteksten befinner seg, og hvordan virksomheten styrer interaksjonen mellom personer, agenter og systemer. Ved å forstå forskjellen mellom byggeagenter og orkestrering av dem – og ved å benytte åpne protokoller som MCP og A2A – kan arkitekter gå utover å lage isolerte roboter til å utvikle et sammenhengende, styrt og distribuert system for virksomhetens resonnement. Denne tilnærmingen gir et delt språk og et sett gjenbrukbare utkast for å bygge en bærekraftig agentarkitektur.

Dette tilfellet gir konkrete eksempler på hvordan agentiske mønstre er satt sammen til løsninger på systemnivå.

Dette diagrammet illustrerer hvordan fem grunnleggende mønstre kan kobles sammen for å opprette en felles arbeidsflyt for kundeservice.

1. Svarrobot: En anonym bruker stiller et spørsmål, som håndteres av en Knowledge agent.
2. Operator: Et ansattes spørsmål sorteres av en Operator, som feltet samtalen og sender den til en mer spesialisert agent.
3. Orkestrator: En godkjent bruker (SF-bruker) engasjerer seg i en orkestrator som koordinerer flere agenter for å håndtere en potensielt flerfasettert spørring.
4. Domene SMB: Spesialagenter (for eksempel HR-agenter eller fordelagenter) kalles opp av orkestreringen for å utføre emneoppdateringer og hente spesifikke data.
5. Generator: Verktøyagenter brukes til å oppsummere kontodetaljer eller avbryte en sak etter at interaksjonen er fullført.

Dette løsningskartet beskriver en agentisk arkitektur for et medlemstjenestebrukstilfelle og demonstrerer sammensetningen av flere mønstre.

• Brukerprofiler: Løsningen betjener tre forskjellige brukertyper: Anonym bruker, Godkjent medlem og SF-bruker (for eksempel en kundeservicerepresentant).
• Interaksjonsmønstre: En Answerbot håndterer anonyme "Find-A-Doc"-spørringer, mens en Orchestrator (Agent Front Door) håndterer godkjente brukerforespørsler. Et Listener/Feed-mønster hjelper SF-brukeren.
• Gjenbruk av domeneagent: Specialized Domain SME-agenter (for eksempel saksagent, Claims Agent eller Benefits Agent) brukes på nytt på tvers av forskjellige interaksjonsflyter.
• Autonom & Assistive: Systemet kombinerer autonome agenter (for å direkte brukerinteraksjon) og hjelpemidler (for å øke menneskelig CSR).
• Datakilder: Arkitekturen integrerer en blanding av offentlige og virksomhetens datakilder, med omfattende bruk av Data 360 og MuleSoft for tilkobling.

Dette diagrammet illustrerer en logisk arkitektur for en hjelpsom AI-løsning i et kontaktsenter, organisert i funksjonelle lag.

• Orkestratoragenter: Behandle brukeropplevelser for forskjellige personligheter (for eksempel Anonym, Eksternt medlem eller Kundeservicerepresentant) og orkestrere den generelle interaksjonsflyten.
• Arbeidsagenter: Flere SME-agenter er fokusert på kjerneforretningsdomener som Knowledge, Case/Claims/Benefits og Leverandørkatalog. En Next Best Action agent er også inkludert.
• Verktøyagenter: Utfør spesifikke, gjenbrukbare oppgaver som Oversettelse, Saksavslutning og Samtalesammendrag. Integrasjon og kjernesystemer: Hele det agentiske systemet er koblet via et integrasjonslag på tvers av plattformer til ustrukturerte dataresurser, strukturerte dataresurser og kjerneforetakssystemer.
• Styring: Et styringslag sørger for observasjon, evaluering og behandling av LLM-er/SLM-er som brukes av agentene.

Dette løsningskartet beskriver en kompleks, langvarig agentisk interaksjon for en B2B-helseforsikringsmeklerportal. Modellen inkluderer en portalagent (Orchestrator) som letter meglerens reise gjennom flere trinn (for eksempel å sende inn en RFP og motta et forslag). Denne orkestreren kaller opp en prosjektleder-agent, som i sin tur koordinerer flere "hodeløse" agenter for back-office-datakvalitet og transformasjoner, som en RFP-uttrekking, en Census-transformasjon og en Data Steward.

Dette diagrammet viser en logisk arkitektur for en B2C Broker-løsning, som viser en lignende lagdelt tilnærming til Kontaktsenter. Den inkluderer Orchestrator-agenter for forskjellige brukerpersoner, gjenbrukbare Arbeidsagenter for viktige domener (for eksempel Knowledge, medlemstjenester eller provisjoner) og verktøyagenter for spesifikke funksjoner som oversettelse og oppsummering.

Dette diagrammet viser en logisk arkitektur for en leverandørkontrakteringsløsning. Orkestreragenter administrerer fullstendige interaksjoner, Arbeidsagenter administrerer spesifikke hensikter innenfor et domene (for eksempel en kontraktør for SMB), og verktøyagenter utfører diskrete oppgaver som å sammenligne kontrakter eller generere innsikt.

Følgende tabell oppsummerer flere viktige interaksjonsmønstre, typiske brukeropplevelser og primære arkitektoniske formål.

David Harshbarger er en vellykket entreprenør og teknologileder som har jobbet for mange ledende programvareselskaper, og har laget løsninger som tilpasser arkitekturen til forretningens kjerne, slik at teknologer arbeider med, ikke mot, deres aktiverende teknologi. I dag arbeider David som hovedforetaksarkitekt i Salesforce, som støtter Health & Life Sciences.

Chacha Choudhury er en dyktig og visjonær IT-CTO/sjefarkitekt med tiår med erfaring, og fungerer for øyeblikket som hovedforetaksarkitekt som leder Salesforce-arkitekturprogrammet og det globale arkitektfellesskapet. Han er anerkjent for sin ekspertise når det gjelder å angi en bedriftsomfattende teknologistrategi, drive arkitekturmodernisering og banebrytende innovative løsninger, inkludert generative AI- og agentlige AI-programmer.