Het paradigma van software verschuift van directe manipulatie naar doelgericht delegeren. In de voorhoede van deze transformatie staan AI-agenten—autonome, intelligente entiteiten die in staat zijn om te begrijpen, redeneren en handelen namens gebruikers. Deze whitepaper biedt een technische verkenning van de primaire typen AI-agenten: Conversationeel, Proactief, Omgevingsgericht, Autonoom en Samenwerkingsgericht. Het definieert elk type, presenteert specifieke Customer Relationship Management-gebruikscases (CRM) en biedt een architectonische blauwdruk voor het samenstellen van deze agenten op het Salesforce Agentforce Platform, compleet met technische voorbeelden die gebruikmaken van Flow, Apex, Data 360, Agent2Agent (A2A)-communicatie en Model Context Protocol (MCP)-interoperabiliteit.

Een AI-agent is een systeem dat zijn omgeving waarneemt en acties onderneemt om specifieke doelen te bereiken. Hoewel het concept niet nieuw is, heeft de komst van krachtige Large Language Models (LLM's) hun mogelijkheden vergroot. We kunnen agenten categoriseren op basis van hun primaire werkingsmodus en interactie.

Definitie: Gespreksagenten zijn het meest bekende type agent. Ze werken op een reactieve manier, verzoek-reactie, voornamelijk via interfaces met natuurlijke taal (tekst of spraak). Hun kernfunctie is inzicht te krijgen in de intentie van gebruikers en een relevante reactie te geven, of het nu gaat om het beantwoorden van een vraag, het ophalen van informatie of het uitvoeren van een eenvoudige opdracht.

Belangrijkheid: Gespreksagenten zijn de digitale voordeuren van een organisatie. Ze blinken uit in het afhandelen van goed gedefinieerde, repetitieve taken, waardoor personeel wordt vrijgemaakt. Hun effectiviteit wordt gemeten aan hun vermogen om intents van gebruikers snel en nauwkeurig op te lossen en acties te ondernemen namens gebruikers.

Definitie: In tegenstelling tot gespreksagenten die wachten op een aanwijzing, treden proactieve agenten op als waakzame waarnemers. Ze worden geactiveerd door specifieke events, gegevenswijzigingen of vooraf gedefinieerde voorwaarden binnen een systeem. Wanneer ze worden geactiveerd, voeren ze een taak uit of initiëren ze een werkstroom zonder directe interactie van de gebruiker.

Belangrijkheid: Proactieve agenten transformeren een systeem van een passieve opslagplaats van gegevens tot een actieve deelnemer aan bedrijfsprocessen. Ze identificeren kansen en risico's zodra ze zich voordoen, waardoor bedrijven in staat zijn om in realtime te reageren op kritieke signalen.

Definitie: Omgevingsagenten zijn een specifiek type proactieve agenten die continu op de achtergrond van de werkstroom van een gebruiker werken zonder expliciete opdrachten te vereisen. Gebruikers profiteren vaak van hun acties zonder zich bewust te zijn van hun werking, omdat ze zijn ontworpen om de menselijke mogelijkheden te vergroten en tegelijkertijd een laag profiel te behouden.

Belangrijkheid: Het doel van een omgevingsagent is om de cognitieve belasting van gebruikers te verminderen door het alledaagse "werk over werk" te automatiseren. Ze maken processen efficiënter door ze naadloos te integreren in de tools die medewerkers dagelijks gebruiken, waarbij informatie automatisch wordt vastgelegd en gestructureerd.

Definitie: Autonome agenten vertegenwoordigen een aanzienlijke sprong in complexiteit. Ze krijgen een doel op hoog niveau en kunnen zelfstandig een reeks stappen plannen en uitvoeren om dat doel te bereiken. Ze kunnen redeneren, beslissingen nemen en zelfs leren van hun acties om prestaties in de loop van de tijd te verbeteren.

Belangrijkheid: Dit is het dichtst bij een echte digitale medewerker. Aan autonome agenten kan een complexe doelstelling met meerdere stappen worden gedelegeerd, zoals "Genereer dit kwartaal 50 nieuwe gekwalificeerde leads in de Industriële fabricage-sector" en kan erop worden vertrouwd dat ze een plan opstellen en uitvoeren om dit te bereiken.

Definitie: Samenwerkingsagenten, vaak "agentswarms" genoemd, zijn een verzameling gespecialiseerde agenten die samenwerken om een probleem op te lossen dat te complex is voor één agent om te verwerken. Een "orchestrator" of "master" agent ontbindt vaak een grote taak, delegeert subtaken aan de juiste gespecialiseerde agenten en synthetiseert vervolgens hun uitvoer. Een robuust Agent2Agent (A2A) communicatieprotocol bereikt dit.

Belangrijkheid: Deze benadering weerspiegelt een menselijk team. Door een complex probleem op te splitsen, kan elke gespecialiseerde agent zijn unieke vaardigheden inzetten: de ene is gespecialiseerd in gegevensanalyse, de andere in klantcommunicatie en de derde in systeemintegratie, wat leidt tot een robuustere en uitgebreidere oplossing.

Na het verkennen van de taxonomie van AI-agenten resteert een cruciale vraag: hoe combineren we deze elementen om zakelijke problemen in de praktijk efficiënt en betrouwbaar op te lossen? Dit hoofdstuk beantwoordt die vraag door een opslagplaats van veel voorkomende agentische ontwerppatronen te bieden. Elk patroon is een bewezen oplossing voor een terugkerende uitdaging en biedt een blauwdruk voor alles, van eenvoudige agenten voor één doel tot complexe swarms voor samenwerkende agenten.

Gespreksagenten vormen vaak de voordeur naar de AI-mogelijkheden van een organisatie. Ze worden gedefinieerd door hun vermogen om deel te nemen aan een statige dialoog met meerdere beurten, die fungeert als de primaire interface waarmee gebruikers taken uitvoeren en informatie ophalen met behulp van natuurlijke taal. Deze sectie bevat twee essentiële recepten voor het samenstellen van gespreksagenten, elk afgestemd op een specifiek kanaal: een voor de snelle, interactieve uitwisseling van berichtenverkeersclients en een andere voor het gestructureerde, asynchrone karakter van e-mail.

De intelligentie van een agent in een gesprek wordt afgeleid van zijn vermogen om op het juiste moment toegang te krijgen tot en te redeneren over de juiste gegevens. Dit patroon is gebaseerd op een geavanceerde gegevensbasis die is verbonden met klantenrecords, Knowledge artikelen en bedrijfsanalyses. De volledige, herbruikbare recepten voor deze integraties zijn beschikbaar in hoofdstuk 4: Integratiepatronen.

Probleem

Klanten hebben interactie via vele digitale kanalen en verwachten onmiddellijke, contextuele en intelligente reacties. Traditionele chatbots zijn script- of datablind, wat leidt tot slechte personalisatie, vroege escalaties naar mensen en hoge servicekosten.

Context

• Uw organisatie heeft digitale betrokkenheid via meerdere kanalen (WhatsApp, sms, Slack en Salesforce Experience Cloud).
• Klanten van uw organisatie hebben in meerdere talen interactie met uw organisatie.
• Uw organisatie moet service- en verkoopwerkstromen uitbreiden met agenten die:
  • Haal uit realtime, vertrouwde klantgegevens
  • Respecteer vangrails en nalevingsvereisten
  • Escaleren naar menselijke agenten alleen wanneer noodzakelijk

Belangrijkste componenten

• Channel abstractie: Met de uitgebreide chat van Service Cloud (voorheen Berichtenverkeer voor in-app en web) kan de agent communiceren via meerdere kanalen via één omgeving.
• Agentforce serviceagent: Het gedrag en doel van de agent worden gedefinieerd door de volgende componenten.
  • Onderwerpen en instructies: Definieert de identiteit en het gespreksdoel van de agent voor directe interactie met de gebruiker. Dit omvat de kernopdracht (bijvoorbeeld "U bent een expert in het oplossen van problemen met klantenondersteuning"), instructies over het behouden van een empathische en professionele toon en duidelijke vangrails over de reikwijdte van vragen die het bedrijf mag afhandelen.
  • Acties: Servicegerichte acties die tools zijn die de agent gebruikt om problemen van klanten in realtime te diagnosticeren en op te lossen. Deze tools zijn ontworpen voor het uitvoeren van taken zoals het controleren van de status van een order, zoeken in een Knowledge base naar oplossingen of rechtstreeks vanuit de gespreksinterface een nieuwe ondersteuningscase maken.
  • Vangrails: Vangrails fungeren als een set configureerbare regels en run-time controles die het gedrag van de agent beperken. Fungeert als een veiligheidslaag die aanwijzingen kan onderscheppen, de voorgestelde acties van de agent kan valideren en de uiteindelijke reactie ervan kan filteren om schadelijke inhoud te voorkomen, bedrijfsregels kan afdwingen en ervoor kan zorgen dat de agent binnen het toegewezen bereik werkt.
  • Aanwijzingssjablonen: Herbruikbare sjablonen die dynamisch worden ingevuld met live CRM-gegevens via samenvoegvelden of semantische gegevens uit Data 360 RAG Retrievers. Met deze sjablonen kunnen agenten contextuele, on-brand inhoud genereren, terwijl de Einstein Trust Layer vertrouwelijke informatie veilig maskeert voordat de instructies naar de LLM worden verzonden.
• Data 360
  • Data 360-componenten, waaronder DLO's, DMO's, vectorstores en RAG-retrievers, bieden de agent een uniforme weergave van alle relevante ondernemingsgegevens, van gestructureerde klantrecords tot ongestructureerde Knowledge artikelen, waardoor responsen nauwkeurig en contextueel onderbouwd zijn.
• Service Cloud
  • CRM-gegevens: Verbindt de agent met de volledige casehistorie en biedt cruciale context voor accountdetails, contactpersoonsrecords en rechten
  • Live Agent-wachtrij: Ondersteuning voor escalatie en routering naar een medewerker van de klantenservice met de volledige gesprekscontext geïnjecteerd

Interacties

1. De klant van uw organisatie start een gesprek via een kanaal.
2. Het bericht wordt gerouteerd naar Agentforce, dat bereik (onderwerpen) bepaalt en vangrails toepast.
3. AI stelt responsen samen met behulp van aanwijzingssjablonen, terwijl Flow of Apex back-endlogica kan activeren.
4. Context wordt opgehaald uit Data 360-objecten, vectorstore en CRM via RAG retriever.
5. AI retourneert een contextueel antwoord.
6. Als AI niet kan worden opgelost, escaleert het gesprek naar de Service Cloud Live Agent.

Trade-offs

Gerelateerde patronen

Groter patroon: Een eenvoudig en gemakkelijk te implementeren patroon dat natuurlijke taal gebruikt om de gebruikersintentie te begrijpen en de gebruiker vervolgens naar de juiste servicevertegenwoordiger te leiden

Operatorpatroon: Bouwt voort op de Greeter om verzoeken te routeren naar de juiste gespecialiseerde AI-agent of medewerker van de klantenservice, indien nodig onderhandelingsintentie

Orkestratorpatroon: Beheert een AI-agentswarm. Deze ontvangt een gebruikersverzoek, bepaalt de intentie, maakt een plan, geeft de benodigde gegevens door aan een of meer gespecialiseerde agenten en aggregeert vervolgens de responsen voor de gebruiker. In tegenstelling tot de operator blijft deze het eerste aanspreekpunt.

Probleem

Uw klanten gebruiken grotendeels op e-mail gebaseerde asynchrone gesprekken en dit is nog steeds de beste manier voor contact. Uw organisatie moet deze klanten bereiken via e-mail, maar uw verkoopontwikkelingsvertegenwoordigers kunnen niet reageren op inkomende e-mailberichten binnen de SLA, wat leidt tot leadverlies. Daarnaast besteedt uw personeel tijd aan niet-gekwalificeerde leads.

Context

• Uw organisatie heeft e-mail als primair leadbetrokkenheidskanaal.
• Uw SDR heeft beperkte capaciteit om leads op schaal te kwalificeren.
• Uw verkoopproces heeft multi-touch lead nurturing voordat ze een vergadering hebben met SDR's of vertegenwoordigers van bedrijfsontwikkeling (BDR's).
• Uw organisatie moet de service en verkoop verbeteren met agenten die:
  • Haal uit real-time verkoopondersteuning en verkoopproduct- en marketinggegevens
  • Respect vangrails en naleving
  • Vergaderingen plannen op basis van leadkwalificatiecriteria

Belangrijkste componenten

• E-mailkanaal: Behandelt het vastleggen van inkomende berichten, parseren van hun inhoud en bijlagen, en onderhouden van threadcontinuïteit om asynchrone gesprekken mogelijk te maken.
• Agentforce SDR Agent: Het gedrag en doel van de agent worden gedefinieerd door de volgende componenten.
  • Onderwerpen en instructies: Definieert de missie van de agent om inkomende leads te betrekken en te kwalificeren via gesprekken. Dit omvat instructies voor het begrijpen van de behoeften van prospects, het verzamelen van belangrijke kwalificatiegegevens (bijvoorbeeld budget, autoriteit en tijdlijn) en het begeleiden van het gesprek naar een duidelijke volgende stap, zoals het plannen van een vergadering met een account executive.
  • Acties: Gespecialiseerde verkoopacties waarmee de agent de leadlevenscyclus kan beheren. Deze tools zijn ontworpen voor het uitvoeren van belangrijke SDR-taken, zoals het verrijken van leadgegevens, het verzenden van op sjablonen gebaseerde vervolg-e-mailberichten of het integreren met agendasystemen om ontdekkingsgesprekken te boeken.
  • Vangrails: Vangrails fungeren als een set configureerbare regels en run-time controles die het gedrag van de agent beperken. Fungeert als een veiligheidslaag die aanwijzingen kan onderscheppen, de voorgestelde acties van de agent kan valideren en de uiteindelijke reactie ervan kan filteren om schadelijke inhoud te voorkomen, bedrijfsregels kan afdwingen en ervoor kan zorgen dat de agent binnen het toegewezen bereik werkt.
  • Aanwijzingssjablonen: Herbruikbare sjablonen die dynamisch worden ingevuld met live CRM-gegevens via samenvoegvelden of semantische gegevens uit Data 360 RAG Retrievers. Met deze sjablonen kunnen agenten contextuele, on-brand inhoud genereren, terwijl de Einstein Trust Layer vertrouwelijke informatie veilig maskeert voordat de instructies naar de LLM worden verzonden.
• Data 360
  • Data 360-componenten, waaronder DLO's, DMO's, vectorstores en RAG-retrievers, bieden de agent een uniforme weergave van alle relevante ondernemingsgegevens, van gestructureerde klantrecords tot ongestructureerde Knowledge artikelen, waardoor responsen nauwkeurig en contextueel onderbouwd zijn.
• Sales Cloud
  • CRM-gegevens: Verbindt de agent met de volledige casehistorie en biedt cruciale context voor accountdetails, contactpersoonsrecords en rechten
  • Vergadering tussen klant en SDR plannen: SDR Live Agent-handoff kan worden geconfigureerd om een live vergadering op te zetten met behulp van Taak- en vergaderingsplanning (volgende acties).
  • Activiteit vastleggen: Leg events, taken en e-mailactiviteiten vast en relateer deze aan leads, accounts en opportunities als gevolg van interacties met SDR-agenten.

Interacties

1. De klant verzendt en ontvangt e-mail via het kanaal, dat naar Agentforce routeert.
2. Agentforce past onderwerpen, acties en vangrails toe om intent te parseren.
3. Agentforce stelt contextuele reacties op met behulp van aanwijzingssjablonen die zijn verrijkt met CRM- en Data 360-context.
4. Een e-mailgesprek met meerdere beurten gaat door tot de oplossing of beleidsrichtlijnen.
5. Voor gekwalificeerde leads plant Agentforce een vergadering en werkt CRM bij.
6. Als de intent het bereik van AI overschrijdt, escaleert Agentforce naar Sales Cloud SDR voor een reactie van een vertegenwoordiger van de menselijke service.

Trade-offs

Gerelateerde patronen

Bontpatroon beantwoorden: Een effectief patroon voor selfservice dat generatieve AI gebruikt om natuurlijke taal te begrijpen voor Knowledge retrieval, en niet alleen trefwoorden

Terwijl de gespreksagenten in de vorige sectie uitblinken in het reageren op gebruikersopdrachten, vertegenwoordigen proactieve agenten een paradigmaverschuiving: ze handelen zonder dat ze erom worden gevraagd. Deze sectie biedt de architectonische patronen voor het samenstellen van agenten die autonoom gegevens en events bewaken die zowel buiten als binnen Salesforce afkomstig zijn.

Probleem

Uw organisatie genereert kritieke bedrijfsevents binnen en buiten Salesforce. Er zijn problemen bij het vertalen ervan naar tijdige contextuele actie, omdat ze verspreid zijn over toepassingen en afdelingen.

Context

• Uw bedrijfsprocessen omvatten verschillende systemen voor CRM, betalingsverwerking, verzending, marketingautomatisering, telemetrie en CDP.
• Uw organisatie-events vinden 24/7 plaats, maar de beschikbaarheid van uw personeel is beperkt buiten kantooruren. Systemen staan altijd aan, maar mensen niet.
• De events hebben geen contextbewustzijn—ze missen klantcontext die beschikbaar is in Salesforce, waardoor informatie in meerdere stappen moet worden samengevoegd. Tegenwoordig bestaat implementatie uit afzonderlijke complexe automatisering of wordt handmatig uitgevoerd.
• Mensen fungeren als compiler om de gegevens (in verschillende indelingen) te verzamelen en intelligent te reageren op onsamenhangende events.
• Uw doelacties worden toegepast op meerdere systemen.

Belangrijkste componenten

• Eventbron
  • Door Gegevensactie geactiveerde events nadat externe gegevens zijn opgenomen in Data 360
  • Externe of Salesforce Heroku MCP-servers die events naar Salesforce kunnen verzenden via de Salesforce Pub/Sub-API
  • Externe toepassing die eventkennisgevingen kan verzenden via de Salesforce Pub/Sub-API
• Optionele middleware: MuleSoft of Data 360 voor transformaties
• Agentforce Agent: Het gedrag en doel van de agent worden gedefinieerd door de volgende componenten.
  • Onderwerpen en instructies: Geeft de kernmissie en triggers van de agent aan, inclusief het definiëren van de primaire doelstelling ervan (bijvoorbeeld "Alle cases met hoge prioriteit bewaken en SLA-inbreuken voorkomen"). Bevat de specifieke events of gegevensvoorwaarden waarnaar de agent moet luisteren om zijn taken te starten
  • Acties: Door events geactiveerde en geplande acties die zijn ontworpen om te reageren op externe events. Hoewel deze acties autonoom werken voor routinetaken, omvatten ze vaak de mogelijkheid om werkstromen te organiseren waarbij menselijke tussenkomst nodig is, waarbij ze worden geëscaleerd naar gebruikers voor beoordeling, goedkeuring of afhandeling van scenario's die menselijk oordeel vereisen.
  • Vangrails: Vangrails fungeren als een set configureerbare regels en run-time controles die het gedrag van de agent beperken. Fungeert als een veiligheidslaag die aanwijzingen kan onderscheppen, de voorgestelde acties van de agent kan valideren en de uiteindelijke reactie ervan kan filteren om schadelijke inhoud te voorkomen, bedrijfsregels kan afdwingen en ervoor kan zorgen dat de agent binnen het toegewezen bereik werkt.
  • Aanwijzingssjablonen: Herbruikbare sjablonen die dynamisch worden ingevuld met live CRM-gegevens via samenvoegvelden of semantische gegevens uit Data 360 RAG Retrievers. Met deze sjablonen kunnen agenten contextuele, on-brand inhoud genereren, terwijl de Einstein Trust Layer vertrouwelijke informatie veilig maskeert voordat de instructies naar de LLM worden verzonden.
• Data 360
  • Data 360-componenten, inclusief DLO's en DMO's, waarin eventgegevens worden opgeslagen die zijn gegenereerd door externe systemen en naar salesforce worden verzonden, waardoor streaming of realtime insights worden getransformeerd en samengesteld
  • Berekende, streaming en real-time insights bieden agenten onmiddellijke, relevante gegevens over klanten. Dit maakt preventieve probleemoplossing mogelijk en verzacht escalatie. Gegevensgrafieken brengen proactief relaties en insights uit verschillende gegevensbronnen naar boven, waardoor vroegtijdige detectie van patronen of anomalieën mogelijk is die relevant zijn voor de betrokkenheid, activiteit en profiel van de klant.
  • Data 360 vector store en RAG retrievers bieden de agent een gecombineerde weergave van alle relevante ondernemingsgegevens en ongestructureerde Knowledge artikelen, waardoor responsen nauwkeurig en contextueel gefundeerd zijn.
• Eventdoelen
  • Proactief werknemers informeren of contact opnemen met klanten
  • Uitbreidbaar naar agenten (zie patronen Omgevingsagent en Autonome agent)

Interacties

1. Er treedt een opmerkelijke wijziging op in het externe systeem.
2. Het externe systeem zendt een event uit en publiceert deze naar Salesforce Event Bus via de API (maakt een platformevent) of de Pub/Sub-API, of Event-gegevens worden gestreamd naar Data 360.
3. Abonnees van het event worden geactiveerd. Een stroom wordt geactiveerd.
4. De stroom roept Agentactie aan met de eventgegevens. De agent bepaalt de juiste handelwijze en voert deze uit.
5. De uitkomst is een kennisgeving of een werkstroom die wordt geactiveerd. Kennisgevingen worden geleverd aan een gebruiker in een samenwerkingstool (zoals Slack). Taken of events worden ook gegenereerd. Verder kunnen acties externe systemen aanroepen. De events gaan daarom niet verloren, maar worden proactief uitgevoerd, gesignaleerd en uitgevoerd, waarbij menselijke overhead of complexe automatisering wordt verwijderd om ze te ontdekken.

Trade-offs

Gerelateerde patronen

Judge & Jury patroon: Kan in combinatie met dit patroon worden gebruikt om de nauwkeurigheid en betrouwbaarheid van door AI aangestuurde beslissingen te waarborgen door meerdere "juryleden" en een "rechters"-agent te gebruiken voor congruentiebeoordeling

Model van Modellenpatroon: Dit patroon omvat diverse standpunten van meerdere deskundige agenten om rijkere insights te genereren, die de intelligente reacties van de proactieve AI kunnen aanvullen.

Probleem

Het Salesforce-ecosysteem van uw organisatie genereert een constante stroom van signalen, maar heeft moeite om deze te vertalen naar tijdige contextuele actie, omdat ze bedrijfslogica, governance en mensen vereisen om te testen en te handelen. Vaak gaan de signalen verloren zonder dat er actie wordt ondernomen die leidt tot verloren opportunities.

Context

• Uw organisatie gebruikt een of meer Salesforce-clouds: Verkoop, Service, Marketing, Handel, Gezondheid, Industriële fabricage en anderen.
• U hebt intelligente triaging nodig die verder gaat dan eenvoudige routering of op regels gebaseerde triaging. Uw organisatie onderhoudt honderden complexe bedrijfsregels.
• U hebt real-time of vrijwel real-time reactie op events nodig.
• Soms worden uw meest bevoorrechte beheerders de zwakste schakel in de keten omdat ze de signalen niet zien.

Belangrijkste componenten

• Eventbronlaag
  • CRM-gegevens, Platform-events, CDC-gegevens (Change Gegevensvastlegging) en Real-time Event Monitoring-gegevens (RTEM) van platformactiviteit op laag niveau
• Data 360
  • Data 360-componenten, inclusief DLO's en DMO's, waarin eventgegevens worden opgeslagen die zijn gegenereerd door CRM- of platformevents, waardoor streaming of realtime insights worden getransformeerd en samengesteld
  • Berekende, streaming en real-time insights bieden agenten onmiddellijke, relevante gegevens over de klant, de activiteit van medewerkers of wijzigingen in metagegevens in het systeem. Dit maakt preventieve probleemoplossing mogelijk en verzacht escalatie. Dit real-time situationele bewustzijn stelt agenten in staat om tijdige interventies te leveren voor governance en operationele doorvoer van naleving.
  • Gegevensgrafieken brengen proactief relaties en insights uit verschillende gegevensbronnen naar boven, waardoor vroegtijdige detectie van patronen of anomalieën mogelijk is die relevant zijn voor de betrokkenheid, activiteit en profiel van de klant.
  • Data 360 vector store en RAG retrievers bieden de agent een gecombineerde weergave van alle relevante ondernemingsgegevens en ongestructureerde Knowledge artikelen, waardoor responsen nauwkeurig en contextueel gefundeerd zijn.
• Agentforce Agent: Het gedrag en doel van de agent worden gedefinieerd door de volgende componenten.
  • Onderwerpen en instructies: Geeft de missie van de agent aan om bedrijfsregels af te dwingen en processen te automatiseren op basis van gegevenswijzigingen binnen Salesforce. Het definieert de doelstelling van de agent (bijvoorbeeld "Zorgen dat alle opportunities worden bijgewerkt met een primaire contactpersoon voordat de onderhandelingsfase wordt bereikt") en de specifieke recordcreaties, veldupdates, enzovoort die de agent activeren.
  • Acties: Door events geactiveerde en geplande acties die zijn ontworpen om te reageren op interne Salesforce-events. Hoewel deze acties autonoom werken voor routinetaken, omvatten ze vaak de mogelijkheid om werkstromen te organiseren waarbij menselijke tussenkomst nodig is, waarbij ze worden geëscaleerd naar gebruikers voor beoordeling, goedkeuring of afhandeling van scenario's die menselijk oordeel vereisen.
  • Vangrails: Vangrails fungeren als een set configureerbare regels en run-time controles die het gedrag van de agent beperken. Fungeert als een veiligheidslaag die aanwijzingen kan onderscheppen, de voorgestelde acties van de agent kan valideren en de uiteindelijke reactie ervan kan filteren om schadelijke inhoud te voorkomen, bedrijfsregels kan afdwingen en ervoor kan zorgen dat de agent binnen het toegewezen bereik werkt.
  • Aanwijzingssjablonen: Herbruikbare sjablonen die dynamisch worden ingevuld met live CRM-gegevens via samenvoegvelden of semantische gegevens uit Data 360 RAG Retrievers. Met deze sjablonen kunnen agenten contextuele, on-brand inhoud genereren, terwijl de Einstein Trust Layer vertrouwelijke informatie veilig maskeert voordat de instructies naar de LLM worden verzonden.
• Eventdoelen
  • Proactief werknemers informeren of contact opnemen met klanten.
  • Uitbreidbaar om andere agenten aan te roepen (zie omgevings-AI en autonome AI-patronen)

Interacties

1. Er treedt een opmerkelijke wijziging op binnen het interne systeem, zoals een update van een CRM-record, een wijziging van metagegevens of een gegevensactie die wordt geactiveerd vanuit Data 360.
2. Het interne systeem zendt een event uit en publiceert deze naar Salesforce Event Bus via de API (maakt een platformevent) of de Pub/Sub-API, of eventgegevens worden gestreamd naar Data 360.
3. Abonnees van het event worden geactiveerd en activeren een stroom of Apex.
4. De geactiveerde stroom of Apex roept Agent Action aan.
5. De uitkomst is een kennisgeving of een werkstroom die wordt geactiveerd. Kennisgevingen worden geleverd aan een gebruiker in een samenwerkingstool (zoals Slack). Taken of events worden ook gegenereerd. Verder kunnen acties externe systemen aanroepen.
6. De events gaan daarom niet verloren, maar worden proactief uitgevoerd, gesignaleerd en uitgevoerd, waarbij menselijke overhead of complexe automatisering wordt verwijderd om ze te ontdekken.

Trade-offs

Gerelateerde patronen

Luister-/feedpatroon: Kan worden gecombineerd met het Listener-patroon om proactieve acties te activeren op basis van interne Salesforce-events

Data Steward-patroon: Proactieve AI kan Data Stewards gebruiken om de kwaliteit en consistentie van gegevens te waarborgen bij het reageren op interne events

Zen Data Gardener-patroon: Voor geplande, proactieve gegevensverzorging en standaardisering via interne events of regelmatige intervallen

We zijn begonnen met agenten die interactief reageren in een gesprekskanaal en zijn vervolgens overgegaan naar agenten die reageren op specifieke events. Omgevingsagenten gaan verder dan het eventgestuurde model van proactieve agenten en vertegenwoordigen een paradigmaverschuiving van directe interactie naar proactieve, achtergrondassistentie. Dit zijn headless agenten die de digitale omgeving op de achtergrond observeren. Ze fungeren als de "ogen en oren" van het systeem, nemen context waar van gebruikersactiviteit of gegevensstromen en coördineren vervolgens met andere agenten of mensen om taken te voltooien, insights naar boven te halen of begeleiding te bieden.

Probleem

De bedrijfsactiviteiten van uw organisatie genereren continue stromen van waardevolle informatie (gesprekken, vergaderingen, chats, sensorgegevens en meer), maar deze gegevens verdwijnen in realtime zonder vastlegging of analyse. Tegen de tijd dat mensen deze interacties handmatig documenteren, gaan kritieke inzichten verloren en is het moment voor tijdig ingrijpen voorbij. Organisaties missen de meerderheid van navolgbare intelligentie die in real-time nodig is en begraven ligt in vluchtige stromen, wat leidt tot hiaten, verloren coachingkansen en beslissingen die zonder volledige context worden genomen.

Context

• Uw bedrijfsactiviteiten genereren continue stromen uit verschillende bronnen, waaronder spraak- en videovergaderingen, live chats, sensortelemetrie, schermactiviteit en transactiegegevens.
• U hebt realtime of vrijwel realtime insights nodig (binnen enkele seconden of minuten, en niet uren of dagen) om effectief op deze stromen te kunnen reageren.
• Handmatige documentatieprocessen mislukken en worden gekenmerkt door lage nalevings- en vernieuwingsscores, hoge cognitieve belasting voor werknemers en onvolledige vastlegging van kritieke informatie.
• U hebt multimodaal inzicht nodig, waarbij gegevens uit audio, video, scherm delen, chatten en andere metagegevens worden gecombineerd om een volledige en nauwkeurige context van interacties en events te maken.
• U hebt zowel onmiddellijke analyse voor realtime coaching als waarschuwingen en historische analyse voor samenvattingen van postsamenvattingen en trendidentificatie op de lange termijn nodig.
• Tijdelijke context (episodisch geheugen) is cruciaal voor uw analyse, inclusief inzicht in de volgorde, timing, overgangen en patronen binnen verschillende tijdsbestekken binnen uw gegevensstromen.

Belangrijkste componenten

• Stroombron
  • Spraak en video: Videoconferentietools (zoals Slack Huddle, Zoom, Google Meet en Microsoft Teams) en telefoonsystemen
  • Samenwerkingstools: Slack, Teams en anderen
• Stroomvastleggingsconnectoren
  • Oorspronkelijke SDK: Door de leverancier geleverde SDK die helpt bij het ophalen van transcripties of berichten die realtime stroomsegmenten of transcripties ondersteunen
• (Optioneel) Stroomverwerkingslaag
  • Voor audiostromen, als transcripties niet in real-time beschikbaar zijn, een spraak-naar-tekstmogelijkheid die audio naar tekst vertaalt. U kunt ook een beheerde provider zoals Amazon Transcribe gebruiken.
  • Voor andere gegevensstromen is optioneel een stroomverwerkingsengine zoals Data 360 of Apache Flink beschikbaar
• Data 360
  • Data 360-componenten, inclusief DLO's en DMO's waarin eventgegevens worden opgeslagen, streaming of realtime insights worden getransformeerd en samengesteld
  • Berekende, streaming en realtime insights bieden agenten onmiddellijke, relevante gegevens over klanten, hun activiteit en kritieke insights. Dit maakt preventieve probleemoplossing mogelijk en verzacht escalatie. Dit real-time situationele bewustzijn stelt agenten in staat om tijdige interventies en gepersonaliseerde ondersteuning te bieden aan medewerkers, waardoor de klanttevredenheid en operationele doorvoer worden geoptimaliseerd.
  • Data 360-componenten, inclusief DLO's en DMO's waarin klantgegevens worden opgeslagen, waardoor realtime insights worden getransformeerd en samengesteld
  • Data 360 vector store en RAG retrievers bieden de agent een gecombineerde weergave van alle relevante ondernemingsgegevens en ongestructureerde Knowledge artikelen, waardoor responsen nauwkeurig en contextueel gefundeerd zijn.
• Agenten. Dit patroon richt zich op een omgevingsagent die een continue gegevensstroom observeert, zoals een live gesprekstranscriptie of een videofeed. Het fungeert als een real-time luisteraar en interpreteert ongestructureerde gegevens terwijl het gebeurt. Een agent die naar een live gesprek luistert, kan bijvoorbeeld een Data Discovery-agent aanroepen om de record van een lead te verrijken op basis van de nieuwe context die in het gesprek wordt gedeeld. Hier is een voorbeeld van zo'n headless agent:
  • Feedbackagent. Het gedrag en doel van de agent worden gedefinieerd door de volgende componenten.
    • Onderwerpen en instructies: Definieert de primaire missie van de agent om gespreksstromen te analyseren en gestructureerde feedback en prestatiemeetgegevens te extraheren. Dit omvat instructies voor het bewaken van het klantgevoel, het identificeren van vermeldingen van belangrijke producten of concurrenten en het beoordelen of de menselijke agent zich houdt aan best practices van het bedrijf of een verkoopdraaiboek.
    • Acties: Acties om ongestructureerde gespreksgegevens om te zetten in bruikbare bedrijfsinformatie. Met deze acties kan de agent een record Feedbacksamenvatting maken, verzoeken om productvoorzieningen vastleggen, gesprekken met negatief gevoel signaleren voor beoordeling door de manager en een dashboard bijwerken om de algemene prestaties van de agent bij te houden ten opzichte van de belangrijkste meetgegevens.
    • Vangrails: Vangrails fungeren als een set configureerbare regels en run-time controles die het gedrag van de agent beperken. Fungeert als een veiligheidslaag die aanwijzingen kan onderscheppen, de voorgestelde acties van de agent kan valideren en de uiteindelijke reactie ervan kan filteren om schadelijke inhoud te voorkomen, bedrijfsregels kan afdwingen en ervoor kan zorgen dat de agent binnen het toegewezen bereik werkt.
    • Aanwijzingssjablonen: Gestructureerde, op een sjabloon gebaseerde LLM-instructies die invoer kunnen ontvangen en een door LLM gegenereerde uitvoer kunnen leveren
• Omgevingsdoelen
  • Gebruikers op de oppervlakte informeren waar de agent en gebruiker zijn, zoals in een videogesprek of een desktoptoepassing

Interacties

1. Wanneer een stroom wordt geactiveerd (bijvoorbeeld wanneer een gebruiker deelneemt aan het videogesprek), voegt de agent zich toe als waarnemer.
2. De agent begint stroomgegevens te ontvangen, detecteert incrementeel intents, neemt beslissingen en roept acties aan.
3. De agent contextualiseert op basis van intent en haalt aanvullende gegevens op (gestructureerde of niet-gestructureerde).
4. De agent geeft just-in-time realtime reacties zonder aanwijzing van de gebruiker: deze kan een bezwaar detecteren in een verkoopgesprek en belangrijke informatie bieden om het bezwaar af te handelen.
5. Agenten kunnen een geconsolideerde samenvatting en acties samenstellen en deze delen met andere agenten en gebruikers.

Trade-offs

Gerelateerde patronen

Luister-/feedpatroon: Kan worden gecombineerd met het Listener-patroon om realtime stromen van gespreks- en gebruikersinteractiegegevens te verwerken en relevante context en insights naar boven te halen

Ondervragingspatroon: Kan in combinatie met dit patroon worden gebruikt om context uit meerdere bronnen binnen de stroom te verzamelen en vragen te beantwoorden

Probleem

Uw medewerkers voeren dagelijks honderden bedrijfskritieke activiteiten uit via e-mail, agenda, gesprekken en toepassingen, maar deze activiteiten blijven onzichtbaar voor organisatiesystemen totdat ze handmatig worden vastgelegd—wat zelden gebeurt. Deze activiteitsblindheid betekent dat CRM-gegevens onvolledig zijn, dat AI-modellen niet de signalen hebben die nodig zijn voor intelligente aanbevelingen en dat managers geen realtime zicht hebben op klantbetrokkenheid. Handmatig vastleggen van activiteiten leidt tot een productiviteitsbelasting, terwijl het grootste deel van het feitelijke werk nog steeds ontbreekt.

Context

Net als de stroomwaarnemer is dit een gegevens- en inhoudswaarnemer die navolgbare taken levert of acties uitvoert namens de gebruiker.

Belangrijkste componenten

• Gegevenslaag
  • CRM-gegevens: Klantgegevens die beschikbaar zijn in CRM en die context bieden aan de agent (als de gebruiker bijvoorbeeld op een opportunitypagina is, kan de agent informatie over de opportunity en de gekoppelde account ophalen uit CRM).
  • Data 360-componenten, inclusief DLO's en DMO's waarin relevante klantgegevens worden opgeslagen die uit verschillende bronnen worden opgenomen
  • Berekende, streaming en realtime insights bieden agenten onmiddellijke, relevante gegevens over klanten, hun activiteit en kritieke insights. Dit maakt preventieve probleemoplossing mogelijk en verzacht escalatie.
  • Data 360 vectorstore en RAG retrievers bieden de agent een gecombineerde weergave van alle relevante ondernemingsgegevens en ongestructureerde Knowledge.
• Agentforce Agent: Dit patroon richt zich op een omgevingsagent die de acties van een gebruiker rechtstreeks binnen de UI observeert. Het fungeert als een real-time assistent, die inzicht heeft in de context van de werkstroom van de gebruiker om begeleiding te bieden. Een agent kan bijvoorbeeld een servicevertegenwoordiger bewaken bij het invullen van een caserecord en een relevant Knowledge artikel proactief zichtbaar maken. Hier is een voorbeeld van zo'n headless agent:
  • Feedbackagent. Het gedrag en doel van de agent worden gedefinieerd door de volgende componenten.
    • Onderwerpen en instructies: Definieert de missie van de agent om de acties van een gebruiker binnen de UI te bewaken en contextuele hulp te bieden. Dit omvat de doelstelling ervan (bijvoorbeeld "Een servicevertegenwoordiger door het caseoplossingsproces loodsen") en de specifieke UI-events of gegevensinvoerpatronen waarop deze moet letten om proactief hulp te bieden.
    • Acties: Acties, samengesteld met behulp van Apex of Flow, om relevante informatie en next best actions rechtstreeks binnen de werkstroom van de gebruiker zichtbaar te maken. Met deze acties kan de agent een relevant Knowledge artikel ophalen en weergeven, een geldige volgende stap in een proces voorstellen of een gegevensinvoerveld signaleren dat een bedrijfsregel kan schenden, allemaal als reactie op de realtime activiteit van de gebruiker.
    • Vangrails: Vangrails fungeren als een set configureerbare regels en run-time controles die het gedrag van de agent beperken. Fungeert als een veiligheidslaag die aanwijzingen kan onderscheppen, de voorgestelde acties van de agent kan valideren en de uiteindelijke reactie ervan kan filteren om schadelijke inhoud te voorkomen, bedrijfsregels kan afdwingen en ervoor kan zorgen dat de agent binnen het toegewezen bereik werkt.
    • Aanwijzingssjablonen: Herbruikbare sjablonen die dynamisch worden ingevuld met live CRM-gegevens via samenvoegvelden of semantische gegevens uit Data 360 RAG Retrievers. Met deze sjablonen kunnen agenten contextuele, on-brand inhoud genereren, terwijl de Einstein Trust Layer vertrouwelijke informatie veilig maskeert voordat de instructies naar de LLM worden verzonden.
• Omgevingsdoelen
  • Gebruikers op de oppervlakte informeren waar de agent en gebruiker zijn, zoals op een webpagina of een pagina voor beheerder

Interacties

1. Wanneer een gebruiker een pagina of app bezoekt, voegt de agent zich toe als waarnemer.
2. De agent begint gegevens en acties te inspecteren, detecteert incrementeel intents, neemt beslissingen en roept acties aan.
3. De agent contextualiseert op basis van intent en haalt aanvullende gegevens op (gestructureerde of niet-gestructureerde).
4. De agent biedt just-in-time real-time reacties zonder aanwijzing van de gebruiker en kan de volgende beste acties voorstellen of aanbieden om deze namens de gebruiker uit te voeren.
5. Agenten kunnen dit naadloos delen met andere agenten en gebruikers.

Trade-offs

Gerelateerde patronen

Luister-/feedpatroon: Kan worden gecombineerd met het Listener-patroon om proactieve acties te activeren op basis van geobserveerde activiteit

Data Steward-patroon: AI voor het onderscheppen van activiteiten kan gegevensbeheerders gebruiken om de kwaliteit en consistentie van gegevens te waarborgen bij het vastleggen van onderschepte activiteiten.

Generatorpatroon: Kan worden gebruikt om automatisch activiteitssamenvattingen of vervolgtaken te genereren op basis van onderschepte activiteiten

Deze sectie beschrijft patronen voor samenwerkende agenten, waarbij een of meer agenten samenwerken met een menselijke gebruiker om een gedeeld doel te bereiken. Deze recepten richten zich op het creëren van een naadloze samenwerking: agenten verwerken complexe gegevensverzameling en taakuitvoering, terwijl ze de mens op de hoogte houden van beslissingen, goedkeuringen en strategische begeleiding.

In dit model handelen agenten de automatiseringsonderdelen van een werkstroom af. Het proces wordt een dynamische feedbacklus.

• Een mens kan een taak initiëren via een gespreksagent, waardoor een proactieve agent de back-endstappen beheert.
• Tegelijkertijd kan een Omgevingsagent diens acties observeren om realtime begeleiding te bieden.

Dit proces creëert een naadloze fusie van menselijke en digitale arbeid. Dit patroon laat zien hoe Agentforce een systeem met meerdere agenten en mensen in de lus faciliteert om complexe taken aan te pakken die geen enkele agent, of mens, alleen zou kunnen uitvoeren.

Probleem

Uw bedrijfsprocessen vereisen samenwerking tussen medewerkers van verschillende organisaties – zowel intern als extern – met verschillende taken die verschillende vaardigheden en prioriteiten vereisen. Procesknelpunten kunnen altijd en overal optreden vanwege resourcecapaciteit, vaardigheidsbeperkingen of vanwege de hoeveelheid informatie die wordt uitgewisseld.

Context

• Processen bestrijken alle teams en vereisen meerdere teamleden om samen te werken voor een succesvol resultaat.
• Agentassistenten helpen uw personeel al in één-op-één scenario's als gespreks-, proactieve en omgevingsagenten.
• Processen gebruiken agenten in de juiste segmenten van uw bedrijfsprocessen. Processen vereisen echter ook samenwerking tussen mens en agent. Deze samenwerking kan van mens tot mens met hulp van agenten of van mens tot agent tot mens omvatten.
• Vaardigheidshiaten worden ingevuld door agenten.
• Agenten helpen de samenwerking te verbeteren door menselijke inspanningen te verminderen bij taken zoals follow-ups en het uitwisselen van kritieke informatie om de besluitvorming te vergemakkelijken.
• Agenten kunnen ook samenwerken en delegeren op basis van beleidsvormen en richtlijnen.

Belangrijkste componenten

• Samenwerkingsoppervlak
  Agentische samenwerking vereist een gedeelde ruimte waar alle deelnemers, zowel mensen als agenten, kunnen samenwerken. Deze samenwerkingsoppervlakken zijn niet langer statische, alleen voor mensen bestemde omgevingen. In plaats daarvan zijn het kanalen waar agenten kunnen worden uitgenodigd om lid te worden, bij te dragen en zelfs gesprekken te starten, waardoor de aard van teamwerk fundamenteel verandert. Zo kan een agent een case-swarm maken en initiëren in Slack, waarbij menselijke onderwerpexperts en andere agenten worden uitgenodigd om samen te werken aan de case.

• Agentforce agenten
  Dit patroon gaat verder dan patronen van afzonderlijke agenten om te demonstreren hoe ze convergeren in een model voor Samenwerkingsagenten, en orkestreert complexe processen die de menselijke mogelijkheden intelligent vergroten. De voorgaande patronen—Conversational (2.1), Proactive (2.2) en Ambient (2.3)—definiëren de Agentforce Agent-component.c-richting. Een gespreksagent fungeert als de primaire interface, werkt samen met de mens en fungeert als de interface tussen mensen en alle agenten die betrokken zijn bij de samenwerking. Wanneer een taak te veelzijdig is, initieert de gespreksagent een samenwerkingssessie, waarbij de menselijke gebruikers en de benodigde headless agenten samenkomen om gelijktijdig aan het probleem te werken. Het proces wordt een dynamische feedbacklus waarin een mens een taak kan initiëren, die vervolgens een proactieve agent activeert om de back-endstappen te beheren, terwijl een omgevingsagent kan observeren om realtime begeleiding te bieden, waardoor een naadloze fusie van menselijke en digitale arbeid ontstaat.

• Gegevenslaag
  In het model voor samenwerkingsagenten speelt de gegevenslaag een meer dynamische rol dan alleen het verstrekken van informatie; het wordt het permanente geheugen en de gedeelde werkruimte voor het gehele team van mens-agenten. Hoewel elke betrokken agent zijn eigen specifieke gegevensbehoeften heeft, zoals gedefinieerd in het respectieve patroon, is hun samenwerking voor een complexe taak afhankelijk van een gedeelde gegevensbasis die de status van de algemene taak bijhoudt.

  Deze gedeelde staat is cruciaal. Aangezien een taak wordt overgedragen van een gespreksagent aan een proactieve agent en vervolgens aan een mens voor goedkeuring, moet de gegevenslaag de voortgang, context en beslissingen bijhouden die bij elke stap worden genomen. Dit zorgt ervoor dat iedere deelnemer een consistente en actuele weergave van de aflevering heeft.

Interacties

1. Mensen starten een samenwerkingssessie met andere mensen en agenten.
2. Context, doelen, taken en uitkomsten worden gedefinieerd.
3. De agent verrijkt de context door extra informatie in te brengen en plant proactief de stappen die nodig zijn om de taak te voltooien, samen met eigenaars die mensen of agenten zijn.
4. Voortgang wordt waargenomen, context wordt bijgewerkt en acties worden uitgevoerd.
5. Waar agenten de taak uitvoeren, biedt de agent gedetailleerde informatie om menselijke belanghebbenden te helpen redeneren, feedback te geven en onderscheppingen toe te staan.
6. Agenten voltooien het werk met volledige transparantie en naleving.

Trade-offs

Gerelateerde patronen

Operatorpatroon: Samenwerkingsagenten treden vaak op als operatoren, routeren verzoeken naar de juiste gespecialiseerde AI-agenten of medewerkers van de human service en onderhandelen over intent.

Orkestratorpatroon: In scenario's met samenwerking beheert een doeltreffende agent een zwerm AI-agenten, die hun reacties aggregeren voor een naadloze gebruikerservaring.

Werkruimte (Radar O'Reilly) patroon: Samenwerkingsagenten gebruiken dit patroon voor het beheer van een responsieve UX met één deelvenster, waarbij relevante inhoud in real-time wordt bijgewerkt binnen een gespreksstroom.

In tegenstelling tot samenwerkingspatronen die een gebruiker helpen, zijn autonome agenten ontworpen voor volledige delegatie. Deze sectie biedt de architectonische blauwdrukken voor agenten die zelfstandig complexe taken met meerdere stappen kunnen plannen en uitvoeren om een doel op hoog niveau te bereiken zonder menselijke tussenkomst. De focus ligt hier op het creëren van een systeem dat u kunt belasten met een doelstelling en Trust om het van begin tot eind uit te voeren.

Probleem

Uw organisatie realiseert waarde door middel van een zeer complexe set processen, elk met eigen beleidsgestuurde taken, draaiboeken en specifieke vaardigheden die nodig zijn voor uitvoering. Dit zijn vaak programma's die een aanzienlijke investering van tijd en middelen vereisen.

Het opzetten van een nieuw programma heeft hoge overhead en kan maanden duren voordat het waarde realiseert. Het implementeren van feedback en verbeteringen vergt vaak extra tijd en moeite. Complexiteit wordt voornamelijk bepaald door de structuur van uw organisatie, waarbij gedistribueerde toepassingen en processen afhankelijkheden kunnen veroorzaken die mensen vereisen om het programma te beheren.

Context

• Agenten kunnen van begin tot eind onafhankelijk werken. Agenten zijn zo ontworpen en geconfigureerd dat het doel, het plan en de strategie vooraf zijn vastgesteld.
• Agenten kunnen alle beslissingen nemen zonder menselijke goedkeuring. Agenten worden voorzien van beleids- en nalevingsrichtlijnen.
• Agenten hebben toegang tot de benodigde context en gegevens en kunnen noodzakelijke acties uitvoeren zonder mensen nodig te hebben.
• Mensen worden geïnformeerd, maar zijn niet op de hoogte.

Belangrijkste componenten

• Definitielaag van doel en strategie
  • Speelboeken verwerken: Gedetailleerde beschrijvingen van autonome uitvoering met deterministische regels die agenten moeten volgen
  • Autonome beslissingscriteria: Regels waarmee agenten beslissingen kunnen nemen zonder menselijke goedkeuring
  • Reserveregels: Vooraf gedefinieerde acties voor het afhandelen van standaard- of uitzonderingsscenario's wanneer het primaire proces van een agent mislukt
  • Scopes: Duidelijk afgebakende grenzen die aangeven wat agenten wel en niet kunnen doen, inclusief hoe situaties buiten het bereik moeten worden afgehandeld
  • Succescriteria en definitie van gedaan: De meetgegevens en voorwaarden die bepalen wanneer de taak van een agent met succes is voltooid
• Agentforce agenten
  • Agent orchestrator of choreograaf: De hoofdagent die eigenaar is van het doel, de redenen en de planning van de uitvoering
    • Onderwerpen en instructies: Zodra een doel is gedefinieerd, neemt de orchestrator of choreograaf het voortouw bij het opsplitsen van die overkoepelende doelstelling in kleinere, beheersbare taken of subtaken. Het ontwerpt een uitgebreid plan, dat de volgorde van taken beschrijft en de specifieke agenten of tools identificeert die voor elke stap vereist zijn. Ten slotte zorgt de doeltreffende agent voor een naadloze uitvoering van het plan, bewaakt hij de voortgang, beheert hij afhankelijkheden en brengt hij aanpassingen aan om het doel efficiënt en effectief te bereiken. In het geval van een choreograafagent geeft deze de context en status door aan de agenten verderop in de stroom om de taak tot voltooiing uit te voeren.
    • Acties: Acties roepen tools aan om een functie uit te voeren, gegevens op te halen of te delegeren aan andere headless agenten, waardoor een breder scala aan mogelijkheden en complexere werkstromen mogelijk wordt.
    • Vangrails: Vangrails fungeren als een set configureerbare regels en run-time controles die het gedrag van de agent beperken. Fungeert als een veiligheidslaag die aanwijzingen kan onderscheppen, de voorgestelde acties van de agent kan valideren en de uiteindelijke reactie ervan kan filteren om schadelijke inhoud te voorkomen, bedrijfsregels kan afdwingen en ervoor kan zorgen dat de agent binnen het toegewezen bereik werkt.
• Gegevenslaag
  • CRM Data: Klantgegevens beschikbaar in CRM die context bieden aan een of meer agenten
  • Data 360-componenten, inclusief DLO's en DMO's waarin relevante klantgegevens worden opgeslagen die uit verschillende bronnen worden opgenomen
  • Berekende, streaming en realtime insights bieden agenten onmiddellijke, relevante gegevens over klanten, hun activiteit en kritieke insights. Dit maakt preventieve probleemoplossing (zoals het afhandelen van e-mailretours) mogelijk, waardoor escalatie wordt beperkt.
  • Data 360 vector store en RAG retrievers bieden de agent een gecombineerde weergave van alle relevante ondernemingsgegevens en ongestructureerde Knowledge
  • Slack-kanaalbericht of gespreksgegevens zoals casehistorie en historie van gespreksagenten die gesprekscontext bieden
• Bewaking en overzicht
  • Voortgangsbewaking agentdoel: Houdt de voortgang van sessies van autonome agenten bij om resultaten te meten en te zorgen voor afstemming op doelstellingen
  • Bewaking van agentactiviteiten: Houdt de real-time status van autonome agenten bij voor interventie en probleemoplossing, waardoor een soepele werking wordt gegarandeerd
  • Controle van agentgovernance: Houdt tracerings- en auditlogboeken bij om ervoor te zorgen dat autonome agenten voldoen aan vooraf gedefinieerde doelen, doelstellingen en ethische richtlijnen

Interacties

1. De taak wordt gedefinieerd met duidelijke uitkomsten.
2. De taak wordt geïnitieerd via een van de volgende methoden:
   • Een agent krijgt de taak.
   • Een agent pakt de taak proactief op basis van kwalificaties.
   • Een agent voert de taak op de achtergrond uit.
3. De agent vestigt duidelijk verwachtingen en informeert mensen, met details over het doel, het plan en de strategie. Het plan bevat stapsgewijze processen, gebruikte agenten, gebruikte gegevens, bereik, evaluatieplan voor agenten en controlepunten voor mensen om voortgang, operations en governance te bewaken.
4. De agent begint met de uitvoering. Bij elke mijlpaal wordt de status en voortgang bijgewerkt. Mensen hebben de mogelijkheid om feedback te geven of de agenten naar behoefte te onderscheppen.
5. De agent voltooit de taak. De uitkomst en resultaten zijn beschikbaar in het bewakingsdashboard.

Trade-offs

Gerelateerde patronen

Patroon Projectmanager: Autonome agenten belichamen dit patroon vaak en houden toezicht op langlopende, meervoudige processen van initiatie tot voltooiing met minimale menselijke tussenkomst.

Configurerpatroon: Autonome agenten kunnen dit patroon gebruiken om automatisch configuraties te genereren en valideren op basis van natuurlijke taalvereisten of vooraf gedefinieerde beleidsvormen, waardoor naleving en nauwkeurigheid worden gegarandeerd zonder handmatig toezicht.

Zen Data Gardener-patroon: Dit patroon kan worden gebruikt door autonome agenten voor het verzorgen en standaardiseren van geplande achtergrondgegevens, waardoor de kwaliteit en consistentie van gegevens in de loop van de tijd worden gegarandeerd om nauwkeurige beslissingen van agenten te ondersteunen.

Nu gaan we de agenttaxonomie en agentpatronen tot leven brengen door te verkennen hoe ze worden geïmplementeerd op het Salesforce Platform. Voor degenen die niet vertrouwd zijn met de kerncomponenten van Agentforce, biedt de bijlage een nuttige opfrissing van de belangrijkste technologieën waarnaar in dit hoofdstuk en het volgende wordt verwezen.

Deze sectie behandelt de taxonomie van agenten en illustreert ze allemaal met een veelvoorkomende gebruikscase om te laten zien hoe ze worden gebruikt in toepassingen in de praktijk.

Een klant, Jane, bezoekt de website van een bedrijf om de status van haar recente order te controleren.

• Interactie: Jane opent het chatvenster (de Agentforce Chat Client).
• Agentactie: De gespreksagent begroet haar en vraagt hoe het kan helpen. Jane vraagt: "Waar is mijn laatste bestelling?"
• Process:
  1. De agent, die huisarrest heeft op basis van de klantgegevens van Jane uit Salesforce, identificeert haar meest recente order.
  2. Het voert een query uit op het verzendsysteem (via een MuleSoft-connector) voor de meest recente trackinginformatie en biedt Jane een real-time update en een trackingkoppeling.
  3. Vervolgens wordt het beleid opgezocht en automatisch bijgewerkt naar versnelde verzending.
  4. Wanneer Jane een complexe vraag stelt die de agent niet kan afhandelen, wordt de chat naadloos geëscaleerd naar een menselijke serviceagent, waarbij de volledige transcriptie voor context wordt gegeven.

Recept

Gebruikte patronen: Conversationeel AI-patroon, transactiegegevens integreren naar agenten

Ontwerptijd

1. Stel een gespreksagent in.

   Uitgebreide chat instellen	→	Serviceagent maken	→	Onderwerp Ondersteuningsorders definiëren	→	Actie Order ophalen maken
   						↓
   Omni-Channel-stroom voor uitgaande escalatie toevoegen	←	Onderwerp Maken Escaleren	←	Acties toevoegen aan onderwerpen	←	Actie Status ophalen maken
   ↓
   De agent publiceren

2. Stel Uitgebreide chat in als Jane's chatinvoerpunt zodat ze het Agentforce venster op de webpagina kan openen.
3. Schakel Agentforce in en maak een serviceagent in Agentforce Builder om gesprekken af te handelen en aangepaste acties te activeren.
4. Definieer een onderwerp Ondersteuningsorders met een beschrijving en instructies, zodat de agent "Waar is mijn nieuwste order?" natuurlijk herkent.
   1. Aangepaste agentacties maken:
      1. Actie Laatste order voor contactpersoon ophalen om Jane's meest recente order op te halen
      2. Verzendstatus ophalen op actie Order-ID om trackinginformatie op te halen via MuleSoft
      3. Orkestreer optioneel beide acties in Flow—de nieuwste order ophalen en MuleSoft aanroepen—met behulp van externe serviceacties.
      4. Voeg beide acties toe aan de serviceagent in de samensteller, koppel ze aan het onderwerp Orders en bijhouden en publiceer.
5. Definieer een Escalatieonderwerp met een beschrijving om te escaleren naar een servicevertegenwoordiger.
   • Maak en activeer een uitgaande Omni-Channel-stroom.
   • Voeg deze toe aan het tabblad Verbindingen in de samensteller voor escalatie met een escalatiebericht.
6. Stel Omni-Channel in.

   Omni-Channel configureren

   →

   Escalatieregels definiëren in instructies

   →

   Prioriteiten en capaciteit bepalen

   →

   Testen en valideren

7. Schakel naadloze escalatie naar menselijke serviceagenten in wanneer de AI-agent de query niet kan oplossen. Configureer Omni-Channel-routering om chats toe te wijzen aan servicevertegenwoordigers en de volledige transcriptie over te dragen voor context.
8. Integreer escalatielogica in de Agentforce instructies en een escalatieactie zodat de agent weet wanneer complexe cases moeten worden overgedragen. Beheer routeringsprioriteiten en capaciteit via Omni Supervisor.
9. Test de volledige ervaring: Jane opent de chat en de agent begroet haar, identificeert haar order, haalt verzendgegevens op en escaleert naadloos wanneer menselijke tussenkomst vereist is (zie ook Uitgebreide eventlogboeken inschakelen).
10. Stel gegevensintegratie in.

    Contextgegevens toewijzen

    →

    MuleSoft API-inloggegevens maken

    →

    Externe service MuleSoft registreren

11. Ondersteun de agent met de Salesforce-context van Jane door haar contactpersoons- en orderrecords toe te wijzen via geauthenticeerde chat- of pre-chatformulieren.
12. Verbind Salesforce veilig met de MuleSoft-verzend-API met behulp van externe inloggegevens en benoemde inloggegevens voor authenticatie.
13. Als MuleSoft een OpenAPI-specificatie zichtbaar maakt, registreert u deze als een externe service zodat Flow en de agent deze declaratief kunnen aanroepen.
14. Stel ongestructureerde gegevensintegratie in.
    1. Maak een nieuwe gegevensbibliotheek vanuit Set-up. Noem het "Order and Shipping Policy".
    2. Voeg de PDF-bestanden van polisdocumenten toe, die de uitzonderingen op het verzendbeleid bevatten.
    3. Achter de schermen worden de documenten automatisch in blokken verdeeld, geïndexeerd en gebruiksklaar gemaakt.

Run-time processtroom van agent

Zodra de agent is ingesteld en geïmplementeerd, vindt tijdens run-time de volgende reeks stappen plaats.

1. Chat starten: Jane opent de Agentforce chat (ingebedde service). Sessie en contactpersoonscontext worden geladen nadat Jane is ingelogd.

2. Begroeting en intent: De agent begroet Jane. Jane vraagt naar de status van een order en intentdetectie wijst "meest recente order" toe aan het onderwerp Orders en bijhouden.

3. CRM-opzoekrelatie: De agent activeert de actie Laatste order ophalen en voert een query uit op Salesforce (ordersamenvatting/orders) voor Jane's meest recente record.

4. Verzendquery: De agent roept de MuleSoft-API aan via een benoemd gegeven en /shipping/status/{orderId} retourneert een real-time status en een tracking-URL.

5. Responssamenstelling: Agentforce voegt resultaten samen en stelt een respons samen: "Uw bestelling [OrderID] verzonden via [Vervoerder], morgen aangekomen — [Hier traceren]."

6. Reserves: Als er geen overeenkomst of een API-fout is, verontschuldigt de agent zich en biedt deze aan om opnieuw te proberen eventuele gegevensproblemen op te lossen.

7. Escalering: Complexe of emotionele query's worden automatisch overgedragen aan een mens via Omni-Channel, waarbij de volledige chat en context worden doorgegeven.

8. Vastleggen: Alle intents, acties en uitkomsten worden opgeslagen in interactielogboeken. API-latentie wordt bewaakt in Anypoint Monitoring.

9. Continu verbeteren: Escalaties voeden Agentforce hertraining; veelvoorkomende stromen worden verfijnd in de daaropvolgende release.

Een klant met een hoge waarde, John, heeft meer dan € 1000 aan producten toegevoegd aan zijn online winkelwagentje, maar voltooit de aankoop niet binnen 60 minuten.

• Trigger: Een Salesforce Platform-event, Cart_Abandoned__e, wordt uit het e-commercesysteem ontslagen en bevat de contactpersoons-ID van John en de waarde van het winkelwagentje.
• Agentactie: Een proactieve agent die zich heeft geabonneerd op dit event, komt onmiddellijk in actie.
• Process:
  1. De agent controleert de record van John in Salesforce en ziet dat hij een VIP-klant is.
  2. Hiermee wordt een taak met hoge prioriteit gemaakt voor de accountmanager van John, Sarah, met alle details van het achtergelaten winkelwagentje.
  3. Het stuurt een kennisgeving naar Sarah via Slack, met het verzoek haar op te volgen.
  4. Tegelijkertijd registreert John zich voor een doelgerichte Marketing Cloud-journey die een herinnerings-e-mailbericht verzendt met een tijdelijke kortingscode van 10% om hem aan te moedigen de aankoop te voltooien.

Recept

Dit recept geeft details over de implementatie van een proactieve AI-agent op het Salesforce Platform om het achterlaten van waardevolle winkelwagentjes door VIP-klanten aan te pakken. De oplossing maakt gebruik van Salesforce Platform Events, Data 360 voor Knowledge retrieval en Agentforce om tijdige en intelligente vervolgacties te organiseren, waardoor passieve gegevens worden omgezet in actieve zakelijke betrokkenheid.

Ontwerptijd

1. Stel een event voor verlaten winkelwagentje in om te activeren wanneer John, een VIP-klant, het winkelwagentje verlaat.

   Aangepast veld Contactpersoon maken

   →

   Nieuwe platformevent definiëren

   1. Maak een platformevent Cart_Abandoned__e met de velden Contactpersoons-ID, Winkelwagentje-waarde, Datum/tijd van laatste update van winkelwagentje en Winkelwagentje-details.
   2. Configureer de stopzettingsevent: Maak een platformevent voor Checkout eventkennisgevingen met behulp van Commerce Cloud. Stopzetting wordt gedetecteerd wanneer de status van de Checkout sessie voor winkelwagentje een tussentijdse status heeft en de sessie een time-out ondervindt na een drempelwaarde. Als uw e-commerce een extern systeem is, publiceert u de event naar Salesforce met behulp van een van deze methoden: Stromen, Apex, Salesforce-API's of Pub/Sub-API.
   3. Maak in het object Contactpersoon een nieuw veld, Customer_Tier__c, met de keuzelijstwaarden Standard, Premium en VIP.
2. Ongestructureerde gegevensopname instellen in Data 360: Voeg een kortingsbeleidsdocument toe dat afkomstig is uit een documentrepository aan Data 360 via Amazon S3.

   AWS S3-inloggegevens maken	→	Nieuwe S3-gegevensstroom maken	→	Stroom configureren en implementeren	→	Zoekindex maken
   						↓
   				Testophaalfunctie	←	Index configureren en implementeren

   1. Externe inloggegevens maken voor toegang tot S3: Maak een nieuwe set toegangssleutels en geheimen voor een IAM-gebruiker of IAM Amazon Resource Name (ARN) voor een IdP.
   2. Een nieuwe S3-gegevensstroom maken: Maak op het tabblad Gegevensstromen de gegevensstroom Beleidsdocumentenstroom, selecteer de S3-bron, kies het PDF-bestandstype, stel de vernieuwingsfrequentie in, wijs de metagegevensvelden (bestandsnaam en -grootte) toe en implementeer vervolgens.
   3. Nadat de gegevensstroom is voltooid, maakt u een zoekindex: Gebruik passage-extractie voor blokken, het E5-large-v2-inbeddingsmodel en het hybride zoektype, en implementeer vervolgens de index.
   4. Test de gemaakte ophaalfunctie.
3. Stel de VIP Cart Recovery-agent in.

   Agent maken op basis van sjabloon	→	Onderwerp VIP-winkelwagentje herstellen toevoegen	→	Onderwerpinstructies toevoegen	→	Slack-waarschuwingsactie maken
   						↓
   Acties toevoegen aan onderwerp	←	Actie voor journeyregistratie maken	←	Actie Kortingsaanbieding maken	←	Winkelwagentje herstellen taak maken

   1. Maak een agent op basis van de Agentforce Employee Agent-sjabloon.
   2. Voeg een nieuw onderwerp toe, VIP-winkelwagentje herstellen, met de beschrijving dat deze agent het verlaten van het winkelwagentje met hoge waarde voor VIP-klanten afhandelt.
   3. Voeg onderwerpinstructies toe om de VIP-status te valideren, het winkelwagentje te kwalificeren, de accountmanager in Slack te informeren, een kortingsaanbod aan te bevelen en de klant in te schrijven voor de e-mailjourney voor het herstellen van het winkelwagentje.
   4. Maak acties en een taak.
      • Actie Accountmanager waarschuwen: Verzendt een proactieve Slack-kennisgeving
      • Taak Verlaten winkelwagentje herstellen, toegewezen aan de manager met details van winkelwagentje
      • Actie Kortingsaanbod ophalen: Analyseert beleid en eerdere aankoophistorie. Maak een aanwijzingssjabloon met aarding, verwijs naar de ophaalfunctie in de aanwijzingssjabloon en gebruik de gegevens.
      • Actie Aanmelden voor hersteltraject: Schrijft zich in voor de Marketing Cloud-hersteljourney via de API en neemt alle abonneegegevens en het e-mailbericht met korting op dat door de agent is gegenereerd.
   5. Voeg de acties toe aan het onderwerp.
   6. Maak een hersteljourney voor VIP-klantenkarren met behulp van sjablonen in Marketing Cloud of maak een nieuwe journey.
4. Schakel een platformevent in om de agent te bellen.

   Door events geactiveerde stroom maken

   →

   Abonneren op platformevent

   →

   Aanroepbare actie voor agent toevoegen

   →

   Eventgegevens doorgeven aan agent

   1. Maak een nieuwe door platformevents geactiveerde stroom, VIP-herstel van winkelwagentjes.
   2. Selecteer de event Winkelwagentje verlaten waarop de stroom zich moet abonneren.
   3. Stel een aangepaste aanroepbare actie in Flow Builder in en selecteer de VIP Cart Recovery-agent. Verzend het verzoek om een VIP-herstel van een verlaten winkelwagentje voor de klant te starten en verzend de payload van het platformevent.

Run-time processtroom van agent

Zodra de agent is ingesteld en geïmplementeerd, vindt tijdens run-time de volgende reeks stappen plaats.

1. Detectie van verlaten van winkelwagentje: John voegt $ 1200 toe aan zijn winkelwagentje en geen Checkout of fasevoortgang na 60 minuten activeert verlaten.
2. Publicatie van platformevent: Commerce Cloud publiceert de event Cart_Abandoned__e met de contactpersoons-ID van John, de waarde van het winkelwagentje van € 1200, de datum van wijziging van het winkelwagentje en andere details.
3. Stroominitialisatie: De Platform-event activeert de herstelstroom VIP-winkelwagentje verlaten.
4. Activering van agent van medewerker: Wanneer de stroom wordt uitgevoerd, wordt de VIP Cart Recovery-agent aangeroepen.
5. Onderwerpuitvoering: De agent gaat naar het onderwerp VIP-winkelwagentje herstellen en voert de instructies uit.
6. Aanmaken van kennisgeving: De agent waarschuwt John's accountmanager Sarah in Slack.
7. Taak maken: De agent maakt een taak voor Sarah en adviseert haar over de follow-ups die deze gaat uitvoeren.
8. Kortingsanalyse: De agent voert de kortingsanalyse uit door de Data 360-ophaalfunctie aan te roepen om te vragen naar "maximale toegestane kortingen" op basis van de waarde van het winkelwagentje, de klantlaag en de aankoophistorie. In dit geval beveelt de functie een kortingsaanbod van 10% aan.
9. E-mailvoorbereiding en journeyregistratie: De agent bereidt een e-mailbericht met een kortingsaanbod voor en schrijft John in voor de Marketing Cloud-journey VIP-herstel van winkelwagentje van klant met de nieuwe prijs van winkelwagentje.
10. Vastleggen en toekenning: John wisselt de aanbieding in, waardoor een logboektoewijzing en conversiemeetgegevens worden gemaakt.
11. Feedbackanalyse: De uitkomst wordt geanalyseerd om aanbiedingen, tijd tot herstel en andere optimaliseringsfactoren nader te bepalen.

Een verkoopvertegenwoordiger, David, is betrokken bij een ontdekkingsgesprek met een nieuwe prospect. Een intelligente agent bewaakt het gesprek actief in real-time en biedt David onmiddellijke ondersteuning door de vragen van de prospect te beantwoorden.

Voorbeeld: Als de prospect naar een specifieke productspecificatie vraagt, haalt de agent automatisch de relevante details op en levert deze aan David via Slack of een privébericht.

• Trigger: Een prospect stelt een vraag die specifieke productinformatie vereist tijdens een ontdekkingsgesprek met een verkoopvertegenwoordiger (David).
• Agentactie: De omgevingsagent analyseert continu gesprekkenlogboeken en berichten, waarbij de vereiste informatie intelligent wordt geïdentificeerd en opgehaald.
• Process:
  1. De agent parseert de gesprekstranscriptie in realtime.
  2. Het identificeert automatisch belangrijke actie-items en haalt relevante informatie op.
  3. In dit geval haalt de agent productinformatie rechtstreeks op uit Salesforce.
  4. Vervolgens wordt de opgehaalde informatie automatisch aan David gepresenteerd via Slack of een privébericht.

Recept

Er zijn randvoorwaarden in dit recept die realtime spraak-naar-tekst-mogelijkheden vereisen en we gaan ervan uit dat deze beschikbaar zijn via uw communicatieleverancier. Hier is bijvoorbeeld een recept voor het integreren van Zoom-aanroepen.

Voorwaarde: Voorbeeld van realtime transcriptie van een zoomgesprek:

• Maak een Zoom-app in het Zoom Developer Platform met de vereiste bereiken voor het lezen van opname, webhookverzending en vergaderstroom. Schakel vereiste productvoorzieningen zoals Realtime Media Streams (RTMS) in.
• Stel een tussentijdse signaleringsserver (RTMS-voorbeeld zoomen) in die de audiostroom ontvangt, deze doorstuurt naar de Amazon Transcribe-service en de getranscribeerde tekst terugkrijgt. De transcripties worden vervolgens gepubliceerd naar Salesforce als een platformevent.

Ontwerptijd

1. Stel een agent Realtime reactie verkoopgesprek in.

   Agent maken op basis van sjabloon	→	Onderwerp Gesprek assisteren toevoegen	→	Onderwerpinstructies toevoegen	→	Actie Transcriptieanalyse maken
   						↓
   		Acties toevoegen aan onderwerp	←	Actie Slack-insights maken	←	Actie Productspecificatie maken

   1. Maak een agent op basis van de Agentforce Employee Agent-sjabloon.
   2. Voeg een nieuw onderwerp toe, Gesprek assisteren, met de beschrijving dat deze agent naar live transcripties luistert, de bedoeling begrijpt en helpt met productgegevens.
   3. Voeg onderwerpinstructies toe om transcripties te parseren, productspecificaties op te halen en Slack-berichten te verzenden.
   4. Acties maken.
      • Actie Gesprekstranscriptie analyseren: Analyseert de ontvangen gesprekstranscriptiegegevens in realtime en extraheert belangrijke vragen of acties
      • Actie Productspecificatie ophalen: Query's uitvoeren op product Knowledge artikelen
      • Slack-insights verzenden naar de "interne" gebruiker
   5. Voeg de acties toe aan het onderwerp.
2. Stel een Product Knowledge gegevensbibliotheek in.

   Nieuwe gegevensbibliotheek maken

   →

   Knowledge artikelen toevoegen

   →

   Systeemblokken en indexen

   →

   Grondbibliotheek in actie

   1. Maak een nieuwe gegevensbibliotheek vanuit Set-up. Noem het "Product Knowledge."
   2. Voeg de Knowledge artikelen toe die de productinformatie bevatten.
   3. Achter de schermen worden de documenten automatisch in blokken verdeeld, geïndexeerd en gebruiksklaar gemaakt.
   4. Gebruik de aarding in de actie Productspecificatie ophalen.
3. Publiceer de realtime transcriptie naar Salesforce via de Pub/Sub-API.

   Server ontvangt audiotranscriptie

   →

   Server publiceert platformevent

   1. Maak een platformevent, Transcript_Segment__e, met de velden Gespreks-ID, Sequentie, Luidsprekers, Begintijd van segment, Eindtijd van segment, Duur en Transcriptiegegevens.
   2. Zodra u de getranscribeerde tekst van audio hebt ontvangen, publiceert u de gegevens onmiddellijk op uw signaleringsserver (zie de vereiste sectie) via de event Transcript_Segment__e. U kunt de event naar Salesforce publiceren met behulp van een van deze methoden: Stromen, Apex, Salesforce-API's of Pub/Sub-API.
4. Wire Flow om u te abonneren op de gepubliceerde event Transcript_Segment__e.

   Door events geactiveerde stroom maken	→	Abonneren op event Transcriptie	→	Aanroepbare actie voor agent toevoegen	→	Payload verzenden naar agent
   						↓
   						Agent verzendt Slack DM

   1. Maak een nieuwe door platformevents geactiveerde stroom, Discovery Call Insights.
   2. Selecteer de event Transcript_Segment__e waarop de stroom zich moet abonneren.
   3. Stel een aangepaste aanroepbare actie in Flow Builder in en selecteer de agent Realtime reactie op verkoopgesprek. Verzend de eventpayload om naar het onderwerp Gesprek assisteren te routeren. Nadat de vraag is afgeleid van het onderwerp, wordt de vraag verzonden naar de actie Productspecificatie ophalen voor een antwoord.
   4. Het definitieve antwoord wordt gecompileerd en onmiddellijk naar de gebruiker verzonden via een Slack DM.

Run-time processtroom van agent

Zodra de agent is ingesteld en geïmplementeerd, vindt tijdens run-time de volgende reeks stappen plaats.

1. Oproepinitiatie: David start een ontdekkingsgesprek met een prospect in een zoomgesprek. Zoom RTMS streamt de live audio naar het eindpunt van de transcriptie van de signaleringsserver.
2. Realtime transcriptie: De signaleringsserver ontvangt de audio, transcribeert de audio naar tekst en publiceert een platformevent Transcriptiesegment in Salesforce Platform.
3. Afluisteren van agenten en contextclassificatie: Salesforce ontvangt de Platform-event en activeert de Insights-stroom van Discovery Call.
4. De stroom initieert de agent Realtime reactie verkoopgesprek die het segment ontvangt, identificeert vragen (zoals "Kan de broodrooster 2XP worden geïntegreerd met mobiele apparaten?") en classificeert deze onder het onderwerp Gesprek assisteren.
5. Knowledge ophalen: De agent activeert de actie Productspecificatie ophalen en voert een query uit op de Knowledge gegevens voor overeenkomende antwoorden.
6. Privé Slack DM verzenden: De agent voert Slack-insight verzenden uit en post naar David's Slack-DM: "Product Toaster 2XP kan worden geïntegreerd met Apple- en Android-apparaten en kan worden verbonden via Bluetooth. Zodra de app is geïnstalleerd, verbindt u gewoon via Bluetooth en bedient u de broodrooster. Hier is de link naar de handleiding."
7. Realtime voortzetting: De agent blijft transcriptietekst ontvangen; als er meerdere insights naar voren komen, worden contextuele Slack-antwoorden in threads weergegeven zonder de gespreksstroom te verstoren.
8. Samenvatting na de oproep: Aan het einde van de sessie stelt de agent automatisch een samenvatting samen: belangrijke vragen, ondernomen acties en producten waarnaar wordt verwezen.
9. Continu verbeteren: Agentforce Analytics evalueert transcriptie-responslatentie, nauwkeurigheid van productovereenkomsten en verkoopuitkomsten om onderwerpinstructies in de loop van de tijd te verfijnen.

Een verkoopmanager, Bob, geeft een autonome agent een taak met een doel: "Verhoog onze verkooppijplijn in de Californische Industriële fabricage-sector in de komende 60 dagen met 5 miljoen dollar."

• Trigger: De manager wijst het doel toe via een opdracht in Slack.
• Agentactie: De autonome agent begint zijn plannings- en uitvoeringslus.
• Process:
  1. Onderzoek: De agent voert een query uit op Salesforce Data 360 en externe gegevensbronnen (via MuleSoft) om bedrijven in de Californische Industriële fabricage-sector te identificeren die geen huidige klanten zijn.
  2. Kwalificeer: Het analyseert deze bedrijven op zoek naar koopsignalen zoals recente financieringsrondes, nieuwe leidinggevenden of relevante vacatures. Het scoort en prioriteert de beste 20 prospects.
  3. Contactpersonen identificeren: Ze vindt belangrijke contactpersonen (zoals VP's van operations en plantmanagers) bij deze bedrijven.
  4. Bereik: Het ontwerpt gepersonaliseerde outreach-e-mails voor elke contactpersoon, verwijzend naar specifiek bedrijfsnieuws of pijnpunten. Deze e-mailberichten worden de volgende week verzonden.
  5. Vervolg: Het houdt e-mailopeningen en antwoorden bij. Een positief antwoord van een prospect activeert een analyse van diens agenda om vergadertijden voor te stellen, waardoor automatisch een Salesforce-event en een nieuwe opportunity worden gegenereerd na bevestiging.
  6. Rapport: Het levert wekelijkse Voortgangsrapporten aan de verkoopmanager in Slack.

Recept

Dit is een scenario met meerdere agenten waarin elke agent een specifieke taak uitvoert en de context, gegevens en controle overdraagt aan de volgende agent. We zullen enkele aangepaste headless agenten gebruiken voor onderzoek en kwalificatie, en de kant-en-klare Sales Development Rep (SDR) agent voor prospect outreach en monitoring. We gaan er ook van uit dat het bedrijf van Bob ZoomInfo gebruikt voor zijn marktonderzoek. Het bedrijf ontvangt ook netwerkgegevens van leveranciers die worden bewaard in een database en waardevolle informatie bevatten over de bedrijven waarmee het samenwerkt.

Ontwerptijd

1. Stel architectuur voor meerdere agenten in.

   Onderzoeksagent verzamelt inlichtingen

   →

   Lead voor scores van kwalificatieagenten

   →

   SDR-agent begint outreach

   1. Onderzoeksagent: Query's uitvoeren op Data 360 en externe bronnen via MuleSoft
   2. Kwalificatieagent: Prioriteert, scoort en verrijkt leads
   3. SDR-agent: Haalt leadtoewijzingen op, voert outreach uit, volgt op en plant vergaderingen. Bewaak de activiteit en voortgang van SDR-agenten met Agentforce Analytics voor SDR-agenten.
2. Ontdek en neem nieuwe bedrijfsgegevens op.

   Nieuwe gegevensruimte maken

   →

   Salesforce CRM-gegevens opnemen

   →

   ZoomInfo-gegevens opnemen

   →

   Databasegegevens van leveranciers opnemen

   1. Stel een nieuwe gegevensruimte in met de naam Verkoop en marketing. Deze nieuwe gegevensruimte bevat alle gegevens die nodig zijn voor autonome agenten.
   2. Gebruik Salesforce-connectoren om de CRM-gegevens voor Lead, Account, Contactpersoon en Opportunity naar de gegevensruimte te laten stromen.
   3. Configureer een Data 360-connector voor ZoomInfo. Stroom de gegevens naar de Data 360 Sales and Marketing Data Space.
   4. Configureer de Anypoint Salesforce Data 360-connector om verbinding te maken met de leveranciersdatabase en de gegevens op te nemen in Data 360.
3. Stel een platformevent in om de headless onderzoeks- en kwalificatieagent te starten.

   Nieuwe platformevent maken

   1. Maak een nieuwe platformevent AgentGoal__e met het doel in het veld dat het doel op hoog niveau van de menselijke gebruiker vastlegt.
4. Stel een Goal Orchestrator-agent in, een conversationele AI-agent die het doel van de gebruiker ontvangt en dit naar andere agenten ordent.

   Agent maken op basis van sjabloon	→	Onderwerp Doel parseren toevoegen	→	Onderwerpinstructies toevoegen	→	Actie Doelevent maken
   						↓
   						Actie toevoegen aan onderwerp

   1. Maak een agent op basis van de Agentforce Employee Agent-sjabloon.
   2. Voeg een nieuw onderwerp toe, Doel parseren, met de beschrijving dat deze agent de doelintentie begrijpt en indien nodig extra agenten kan bellen.
      • Voeg onderwerpinstructies toe om het doel te parseren en events te activeren voor andere agenten.
   3. Maak een event Doel, AgentGoal__e.
5. Stel een agent voor leadonderzoek en -kwalificatie in, die wordt geactiveerd door een orkestrerende agent.

   Onderzoeksonderwerp maken	→	Deduplicatieactie maken	→	Actie Leadverrijking maken	→	Actie Leadscores maken
   						↓
   				Acties toevoegen aan onderwerp	←	Leadkwalificatieactie maken

   1. Maak een onderwerp Prospectonderzoek met de beschrijving "Onderzoek nieuwe leads in een regio of staat".
   2. Acties maken.
      • Apex actie Duplicaat lead: Nieuwe leads controleren en valideren ten opzichte van bestaande klanten
      • Apex actie Lead verrijken, die een aanwijzingssjabloon gebruikt: Kijkt naar de ongestructureerde marketinginsight en leveranciersdatabasegegevens om leadgegevens te verrijken
      • Leadactie scoren: Proactief een lead scoren met bijgewerkte leadgegevens
      • Actie Lead kwalificeren voor agent: Wijs op basis van de score parameters toe die de lead kwalificeren voor een SDR-agent
6. Stel een Agentforce SDR-agent in voor het uitvoeren van outreaching, lead nurturing en planning van vergaderingen.

   SDR-agent maken op basis van sjabloon	→	Knowledge base voor agenten configureren	→	E-mailinstellingen voor agenten configureren	→	Leadtoewijzingsregels instellen
   						↓
   						Gekwalificeerde leadcriteria definiëren

   1. Maak een nieuwe SDR-agent vanaf de Set-uppagina met behulp van de vooraf geconfigureerde sjabloon Lead Nurture Agent. Configureer de e-mailinstellingen en leadtoewijzingsregels door het object Lead of het object Contactpersoon te selecteren en de kwalificatiecriteria (drempelleadscore en nieuwe lead) voor toewijzingsregels te definiëren.
   2. Stel Agentforce Lead Nurturing in door de agent te configureren, machtigingen toe te wijzen en de cadans en toewijzingsregels in te stellen.
   3. Configureer benodigde Knowledge voor de SDR-agent om vragen te beantwoorden.
7. Stel een nieuwe stroom in om u te abonneren op de gepubliceerde event AgentGoal__e.

   Door events geactiveerde stroom maken

   →

   Abonneren op event Agent-doel

   →

   Aanroepbare actie voor agent toevoegen

   1. Maak een nieuwe door platformevents geactiveerde stroom met de naam Doelen routeren naar agenten.
   2. Selecteer de event Agent-doel waarop de stroom zich moet abonneren.
   3. Stel een aangepaste aanroepbare actie in Flow Builder in en selecteer de agent voor Leadonderzoek en -kwalificatie.

Run-time processtroom van agent

Zodra de agent is ingesteld en geïmplementeerd, vindt tijdens run-time de volgende reeks stappen plaats.

• Doeltoewijzing: Bob geeft een autonome agent de opdracht om "de pijplijn in Californië met 5 miljoen dollar in 60 dagen te verhogen."
• Doelcombinatie: De autonome Goal Orchestrator-agent ontvangt het doel, parseert de intent en maakt een platformevent, AgentGoal__e. De agent van Goal Orchestrator is ontworpen om zijn mogelijkheden voortdurend uit te breiden om meerdere doelen te verwerken. U kunt deze uitbreiden om extra doeltreffende combinatiemogelijkheden toe te voegen of de gebruiker om uitleg vragen om de bedoeling beter te begrijpen en het doel te initiëren.
• Routering: De Stroomroutedoelen naar agenten wordt geactiveerd en roept de agent voor leadonderzoek en -kwalificatie aan.
• Onderzoek: De agent Leadonderzoek en -kwalificatie voert een query uit op Data 360 voor nieuwe leadgegevens, ontdubbelt gegevens ten opzichte van bestaande klanten, haalt aanvullende marktonderzoeksgegevens op uit Data 360 en verrijkt de lead. De lead wordt verder beoordeeld, belangrijke contactpersonen worden geïdentificeerd en de lead wordt gekwalificeerd.
• Bereik: Zodra de lead is gekwalificeerd, komt de lead in aanmerking voor de SDR-agent via de leadtoewijzingsregels. De SDR-agent doet de initiële contactopname en onderhoudt gesprekken met de contactpersoon door vragen over het product te beantwoorden.
• Vervolg: Aan het einde van de cadans of op verzoek van de lead vraagt de agent om een vergaderplanning als de lead gekwalificeerd is voor betrokkenheid van servicevertegenwoordigers. Vervolgens wordt de vergadering gepland en wordt de stroom verlaten.
• Agent Analytics: Het dashboard SDR Agent Analytics biedt insights in hoe effectief de agent presteert.

Een oude klant ondervindt een probleem met meerdere facetten: er is te veel gefactureerd, het vervangende onderdeel is incorrect en de service is nu verbroken.

• Trigger: De klant initieert een chat en de initiële gespreksagent herkent de complexiteit snel en escaleert naar een agent-swarm.
• Agentactie: Een doeltreffende agent neemt de leiding.
• Process:
  1. Orchestrator: Onderhoudt het gesprek met de klant en zorgt voor updates
  2. Afgevaardigden van orkest: Met behulp van de A2A-protocolimplementatie ontdekt de Orchestrator "gerelateerde agenten" (Facturering, Logistiek en Levering) met de vereiste mogelijkheden en verzendt taken.
     • Aan factureringsagent: "Onderzoek factuur #INV-7890 voor klant X. Zijn er afwijkingen?"
     • Aan logistiek agent: "Controleer volgnummer #TN-12345 voor klant X. Bevestig het verzonden onderdeelnummer en de huidige voorraad voor het juiste onderdeel."
     • Aan leveringsagent: "Controleer de servicestatus voor account #ACC-5678. Indien losgekoppeld, wat is dan de redencode?"
  3. Gespecialiseerde agenten voeren uit: Elke agent ontvangt het A2A-verzoek, voert een query uit op het respectieve systeem en formuleert een respons.
  4. Synthese: De agenten rapporteren hun bevindingen terug aan de Orchestrator via A2A-responsen. De Orchestrator synthetiseert de informatie: “De klant werd inderdaad met $50 overgefactureerd. Het verkeerde onderdeel is verzonden vanwege een magazijnfout. De verbinding met de service werd automatisch verbroken vanwege het factureringsprobleem."
  5. Bevestiging: De Orchestrator informeert de klant over het probleem en biedt aan om het probleem te escaleren naar een medewerker van de klantenservice met duidelijke begeleiding voor de volgende stappen.
  6. Resolutie: Vervolgens stelt de servicevertegenwoordiger een complete oplossing voor goedkeuring voor. De servicevertegenwoordiger neemt deel aan het gesprek. De servicevertegenwoordiger bekijkt snel alle gegevens die relevant zijn voor het probleem, inclusief de aanbevolen oplossing van de agent: "Maak een nieuwe verzendorder voor het rechtergedeelte met versnelde verzending. Initieer een retour voor het verkeerde onderdeel. Keur 10% korting op de nieuwe order goed en verkoop het onderdeel met de nieuwste verbeterde versie. Werk betalingsgegevens bij en bied aan om een terugkerende factureringsregeling in te stellen."

Recept

Dit recept geeft een overzicht van de implementatie van een systeem voor samenwerkende agenten dat is ontworpen om complexe klantenserviceproblemen met meerdere facetten aan te pakken. Door een doeltreffende agent te gebruiken om taken te delegeren aan gespecialiseerde agenten (Facturering, Logistiek en Levering) via een A2A-protocol en vervolgens hun bevindingen samen te stellen, biedt het systeem uitgebreide oplossingen en integreert het naadloos servicevertegenwoordigers voor definitieve goedkeuring en interactie met de klant.

Ontwerptijd

1. Stel Uitgebreide chat in als het chatinvoerpunt van de klant, zodat deze het Agentforce venster op de webpagina kan openen.
2. Stel een Agentforce Billing Agent in, een headless gespecialiseerde agent die een order of factuur kan aannemen en een factureringsaanvraag kan uitvoeren.

   Agent maken op basis van sjabloon

   →

   Onderwerp voor factureringsaanvraag definiëren

   →

   Aangepaste stroomactie maken

   →

   Actie toevoegen aan onderwerp

   1. Schakel Agentforce in en maak een medewerkeragent vanuit de Agentforce Employee Agent-sjabloon.
   2. Definieer een onderwerp, Factureringsaanvraag, met de beschrijving "Factuurverschillen, betalingsproblemen en factureringsfouten onderzoeken".
      1. Voeg een aangepaste stroomactie toe, Factuurverschil controleren, met een invoer van Factuurnummer, Klant-ID en Datumbereik, en een uitvoer van Afwijkingsbedrag, Grondoorzaak en Betroffen transacties.
3. Stel een Agentforce Logistics Agent in, een headless gespecialiseerde agent die verzendingen kan verifiëren, verzendingen kan bijhouden en voorraad kan controleren.

   Agent maken op basis van sjabloon

   →

   Onderwerp Verzendverificatie definiëren

   →

   Aangepaste stroomactie maken

   →

   Actie toevoegen aan onderwerp

   1. Schakel Agentforce in en maak een medewerkeragent vanuit de Agentforce Employee Agent-sjabloon.
   2. Definieer een onderwerp: Verzendverificatie, met een beschrijving om verzending voor factuur te verifiëren.
      1. Voeg een aangepaste stroomactie Verzenddetails verifiëren toe met een invoer van Factuurnummer, Klant-ID en Datumbereik, en een uitvoer van Verzonden onderdeel, Datum en Voorraadstatus.
4. Stel een Agentforce Provisioning Agent in, een headless gespecialiseerde agent die levering en servicestatus kan verifiëren.

   Agent maken op basis van sjabloon

   →

   Onderwerp Servicecontrole definiëren

   →

   Aangepaste stroomactie maken

   →

   Actie toevoegen aan onderwerp

   1. Schakel Agentforce in en maak een medewerkeragent vanuit de Agentforce Employee Agent-sjabloon.
   2. Definieer een onderwerp, Servicecontrole, met een beschrijving om de serviceconnectiviteit en accountstatus te verifiëren.
      1. Voeg een aangepaste stroomactie, Service verifiëren, toe met een invoer van Klant-ID en Activum-ID, en een uitvoer van Servicestatus en Serviceuitzonderingsreden.
5. Maak agenten voor facturering, logistiek en levering zichtbaar als A2A-servers en registreer ze in het Agentenregister.

   Agenten zichtbaar maken via MuleSoft

   →

   Agenten registreren in register

   1. Bij afwezigheid van directe A2A-ondersteuning voor Agentforce Agents kunnen MuleSoft-connectoren worden gebruikt om agent-API's zichtbaar te maken als A2A-servers.
   2. Registreer deze A2A-servers in het agentenregister.
   3. Gebruik Anypoint Agent Fabric voor doeltreffende combinatie van agenten.
      1. MuleSoft Agent Broker kan helpen bij het organiseren van elke agent op verschillende platforms op basis van agentmogelijkheden die op de agentkaarten worden vermeld.
6. Stel een Agentforce Help Agent in, een AI-agent voor gesprekken die interactie heeft met klanten, de complexiteit beoordeelt en met meerdere gespecialiseerde agenten coördineert om het probleem op te lossen.

   Serviceagent maken	→	Onderzoeksonderwerp definiëren	→	Actie Kennisgeving maken	→	Orchestration-onderwerp definiëren
   						↓
   Escalatieonderwerp definiëren	←	Actie Case maken	←	Actie Call Agent maken	←	Agent doeltreffende combinatiestroom maken
   ↓
   Omni-Channel-stroom maken	→	Connect-stroom voor escalatie

   1. Schakel Agentforce in en maak een serviceagent in Agentforce Builder om gesprekken af te handelen en aangepaste acties te activeren.
   2. Definieer een onderwerp, Serviceonderzoek, met een beschrijving en instructies zodat de agent een complex onderwerp met doorgaans meerdere gelijktijdige problemen op natuurlijke wijze herkent.
      1. Aangepaste agentacties maken.
         • Actie Statuskennisgeving om het probleem te bevestigen en voortgangsupdates te bieden
   3. Definieer een doeltreffende combinatie-onderwerp dat andere agenten kan aanroepen via acties.
      1. Maak een actie Call Agent die een stroomactie aanroept. De actie Stroom heeft verschillende agentacties en kan elk van de headless agenten initiëren: de Factureringsagent, de Logistieke agent en de Leveringsagent.
      2. Maak een actie Case maken die een case maakt, details toevoegt en de status instelt.
   4. Definieer een Escalatieonderwerp met een beschrijving om te escaleren naar een servicevertegenwoordiger.
   5. Maak en activeer een uitgaande Omni-Channel-stroom.
      • Voeg deze toe aan het tabblad Verbindingen in Agent voor escalatie met een escalatiebericht.

Stroom van proces voor Agentencombinatie

Anypoint Codesamensteller ondersteunt nu makelaars voor bouwagenten. Een agentmakelaar is een intelligente routerings- en doeltreffende laag die agenten verbindt tussen domeinen en de best passende agenten en tools betrekt. MuleSoft Dev Agent genereert de code voor het opzetten van een basis voor de makelaar.

Op basis van de agentmogelijkheden die worden vermeld op de agentkaarten (A2A-servers), die eerder zijn geregistreerd bij Agentregister, worden verdere configuraties automatisch uitgevoerd door Anypoint Codesamensteller. Tot slot kunnen we deze agentmakelaar implementeren naar de cloud.

Zodra de agentmakelaar beschikbaar is voor verbruik, worden deze verzoeken naar de juiste agenten gerouteerd. Een makelaar ontvangt een aanwijzing en gebruikt de LLM om deze te ontbinden in taken en te bepalen welke agent als eerste moet worden gebeld. In elke herhalende lus wordt bepaald of de oorspronkelijke aanwijzing is verwerkt of dat er met extra agenten moet worden gewerkt om de taak te voltooien.

Run-time processtroom van agent

Zodra de agent is ingesteld en geïmplementeerd, vindt tijdens run-time de volgende reeks stappen plaats.

1. Chat starten: Een klant opent de Agentforce chat (ingebedde service). Sessie en Contactpersoonscontext worden geladen nadat de klant is ingelogd.
2. Begroeting en intent: De agent begroet de klant. De klant ontvangt duidelijke frustraties over te hoge kosten, het verkeerde onderdeel en verbroken service.
3. CRM-opzoekrelatie: De agent activeert de actie Laatste order ophalen en voert een query uit op Salesforce (ordersamenvatting/orders) voor de recentste record van de klant. De agent bevestigt de order vervolgens in context en informeert de klant dat deze de order gaat onderzoeken. Het zoekt verder de factuur-ID, het volgnummer dat aan de factuur is gekoppeld en de activum-ID die aan de service is gerelateerd.
4. Activering van orkest: De doeltreffende agent ontvangt de escalatie en order-ID en maakt vervolgens een case. Deze geeft de contextgegevens door aan en communiceert met drie agenten: de Factureringsagent, de Logistieke Agent en de Leveringsagent.
5. Respons van factuuragent: De Factuuragent retourneert met details over het onderdeel, de eenheidskosten en de totale kosten. Er wordt ook een discrepantie opgemerkt tussen het onderdeel in de order en het onderdeel in de factuur. De Factuuragent zoekt de prijs van het onderdeel in de order en de redenen voor de te hoge kosten.
6. Respons van logistieke agent: De logistiek agent retourneert met details over het verzonden onderdeel en de uitzonderingsnotities die zijn gemaakt door het logistieke systeem, waarin staat dat het verkeerde onderdeel mogelijk is verzonden vanwege problemen met het gebruik van tags. De logistiek agent controleert ook of het probleem nu is opgelost en of het juiste onderdeel beschikbaar is in originele en nieuwere versies.
7. Respons van leveringsagent: De leveringsagent komt terug met details over de serviceverbinding en het probleem met de verlopen betalingsgegevens. Het biedt ook de kennisgevingen die zijn verzonden om de klant te adviseren de betalingsgegevens bij te werken.
8. Orkestratorsynthese: De doeltreffende agent synthetiseert de responsen van al deze agenten en stelt een oplossing samen door Knowledge artikelen voor elk van de problemen te bekijken. Eerst zoekt het informatie op over het verkeerde onderdeel en initieert het een retournering. Ten tweede biedt het een korting voor het probleem op basis van de documenten van het oplossingsbeleid en beveelt het ook een upgrade aan naar een nieuwere versie die de klant kan kopen (maar er is een prijsverschil). Ten derde heeft deze nieuwe betalingsgegevens van de klant nodig, waardoor deze naar de servicerepository escaleert om de oplossing te communiceren.
9. Escalering: De agent van de orchestrator escaleert naar de servicevertegenwoordiger—met alle benodigde context, onderzoeksnotities en aanbevelingen voor oplossingen, samen met de benodigde goedkeuringen—en betrekt de servicevertegenwoordiger bij het gesprek.
10. Mens in de lus: De servicevertegenwoordiger bedankt de klant voor zijn of haar geduld, verontschuldigt zich voor de problemen en legt het probleem uit. De servicevertegenwoordiger biedt dan een korting van 10% voor het onderdeel als compensatie en informeert de klant ook over een nieuw opgewaardeerd onderdeel en de voordelen ervan. Ten slotte leggen ze uit over de verbinding, halen ze de nieuwe betalingsgegevens op en werken ze het systeem bij.
11. Proactieve restauratie: De AI-agent kijkt naar het gesprek en handelt proactief over het herstellen van de service, het bestellen van het bijgewerkte onderdeel en het maken van een nieuwe factuur met de korting en aangepaste prijs.
12. Casesluiting: Ten slotte compileert het de samenvatting, werkt het de case bij en sluit het de case.

Een agent kan alleen effectief zijn als deze kan integreren met een brede set bedrijfsgegevens en tools. Dit biedt de essentiële context die een agent nodig heeft om zijn geconfigureerde doel uit te voeren. Het Agentforce framework biedt een geavanceerde integratiearchitectuur die gegevens integreert die zowel intern zijn voor Salesforce als extern voor Salesforce.

Deze sectie verkent de patronen voor het verbinden van agenten met deze resources. Deze patronen zijn gebaseerd op twee fundamentele benaderingen voor integratie.

• Interne integratie (gegevenstoegang en tooltoegang): Voor resources binnen het Salesforce-ecosysteem heeft een agent twee manieren om te werken.
  • Gegevenstoegang: De Agentforce core runtime is diep geïntegreerd met Data 360, waardoor het direct query's kan uitvoeren op interne gegevensservices. Het kan native query's formuleren en uitvoeren op Gegevensgrafieken om een 360-gradenweergave van de klant te krijgen, semantische zoekopdrachten uitvoeren via RAG om ongestructureerde Knowledge te begrijpen en toegang te krijgen tot bulkinformatie met behulp van de Data 360 Query API. Dit directe pad is geoptimaliseerd voor snelheid en flexibiliteit bij het ophalen van gegevens.
  • Tooltoegang: Wanneer een taak complexe bedrijfslogica of processen met meerdere stappen omvat, of wanneer strikt bestuur vereist is, worden de mogelijkheden ervan samengevat in Acties. Deze acties, die zijn samengesteld met Apex of Flow, bieden een veilige en herbruikbare interface voor de agent om meer te doen dan alleen gegevens lezen—ze stellen de agent in staat om records bij te werken, platformevents te activeren of een gevestigd bedrijfsproces uit te voeren.
• Externe integratie (MCP/A2A): Wanneer een agent informatie nodig heeft buiten Salesforce (bijvoorbeeld van een externe toepassing, een microservice of een andere agent), gebruikt deze het Model Context Protocol (MCP). Deze open standaard biedt een gemeenschappelijke taal voor interoperabiliteit. MCP Servers kunnen worden toegevoegd vanuit AgentExchange of een beheerder kan toevoegen in Agent Registry of een Apex aanroep naar de MCP server. Vervolgens initieert de actie het verzoek naar een externe MCP-server, waarbij de interne en externe wereld op een gestructureerde manier worden overbrugd. Wanneer een agent met een andere agent moet communiceren, vergemakkelijkt het protocol Agent2Agent (A2A) deze interactie. Hierdoor kunnen complexe systemen voor meerdere agenten worden gemaakt waarin gespecialiseerde agenten kunnen samenwerken om complexe problemen op te lossen, wat modulariteit en herbruikbaarheid bevordert.

De volgende patronen zijn georganiseerd rond de specifieke gegevensintegratiethema's die agenten nodig hebben. We zullen demonstreren hoe deze patronen worden toegepast om verschillende gegevensuitdagingen op te lossen, van verbinding met externe toepassingen met behulp van MCP tot toegang tot grote hoeveelheden bulkgegevens in Data 360, real-time transactierecords en ongestructureerde inhoud met behulp van de krachtige combinatie van directe toegang en formele acties binnen Data 360.

Probleem

De effectiviteit van een agent hangt af van het vermogen om externe tools te bedienen. Deze tools, van verouderde ERP's tot moderne SaaS-toepassingen, missen echter een gedeelde taal. Elk heeft een unieke API, een uniek authenticatiemodel en een unieke gegevensindeling. Dit dwingt ontwikkelaars tot een broze en onschaalbare cyclus van het samenstellen en onderhouden van aangepaste, punt-naar-punt integraties voor elke nieuwe tool die de agent moet gebruiken.

Context

Overweeg een agent die is belast met het oplossen van een beschadigde verzendingscase. Om te slagen, moet het werken met drie verschillende externe systemen: het moet een query uitvoeren op de API van een logistieke partner om een nieuwe levering te regelen en toegang krijgen tot een financieel systeem om een krediet te verwerken. Zonder een gemeenschappelijk protocol zou de agent drie afzonderlijke, op maat gemaakte integraties nodig hebben, elk met een potentieel punt van mislukking. MCP biedt een gestandaardiseerde communicatielaag om deze interacties naadloos en betrouwbaar te maken.

Hieronder volgen recepten voor de manier waarop u externe services integreert die via MCP beschikbaar zijn voor uw agent.

Recept 1: Externe tools inschakelen met MCP

Probleem

Organisaties draaien op een mix van verouderde ERP's en moderne SaaS, maar het integreren ervan met een agent is moeilijk omdat er geen gemeenschappelijk protocol is. Elke tool heeft zijn eigen API's, authenticatie en gegevensmodel. Ontwikkelaars bouwen en onderhouden aangepaste punt-naar-punt connectoren voor elke tool, wat fragiele, onschaalbare en kostbare integraties oplevert.

Patroon

De agent roept een externe tool (belicht via MCP) aan via een gestructureerde actie, waardoor deze gespecialiseerde tools kan gebruiken buiten het Salesforce-platform.

Context

• De agent fungeert als proxy voor een set tools die buiten het Salesforce-platform bestaan.
• Deze externe tools kunnen diverse API's, authenticatiemechanismen en gegevensindelingen hebben.
• Een gestandaardiseerd communicatieprotocol is vereist om een naadloze interactie tussen de agent en deze externe tools mogelijk te maken.
• Herbruikbaarheid is een belangrijk punt van zorg, omdat dezelfde externe tools door meerdere agenten voor verschillende doeleinden kunnen worden gebruikt.

Interacties

1. Trigger: Een gebruikersverzoek of een interne event binnen Agentforce vereist het gebruik van een externe tool.
2. Intent to act: De Agentforce Agent identificeert de intent en bepaalt dat een externe op MCP gebaseerde tool vereist is.
3. Planner (intern): De planner van de Agentforce Agent selecteert de juiste MCP-tool of actie op basis van de geconfigureerde instructies en beschikbare tools.
4. Uitvoering: De Agentforce Agent verzendt een MCP-conform verzoek naar de externe MCP-server (bijvoorbeeld via een Apex aanroep naar een MuleSoft eindpunt, dat vervolgens naar de externe MCP-server routeert).
5. Externe verwerking: De externe MCP-server verwerkt het verzoek, heeft een interactie met de onderliggende externe toepassing en bereidt een MCP-conform antwoord voor.
6. Resultaat: De externe MCP-server retourneert de respons naar de Agentforce Agent.
7. Vervolg: De Agentforce Agent verwerkt de respons, werkt de interne status ervan bij en gaat door met zijn taak of geeft feedback aan de gebruiker.

Trade-offs

De besluitvormingslogica van een agent is slechts zo gezond als de onderliggende gegevens ervan. Als een agent intelligent wil handelen, moet deze een rijk, realtime inzicht hebben in de wereld om zich heen. Zonder een gedefinieerde architectuur voor gegevensopname heeft de agent geen toegang tot of verwerking van de realtime informatie met groot volume die essentieel is voor het functioneren ervan.

Transactionele gegevens integreren met agenten

Probleem

Agenten moeten vaak lees-/schrijfbewerkingen met een lage latentie uitvoeren op afzonderlijke records in recordsystemen (bijvoorbeeld het bijwerken van een case of het ophalen van een orderstatus). Deze acties vereisen gegevensintegriteit en betrouwbaarheid om consistentie van het onderliggende gegevensmodel te waarborgen. De belangrijkste architectonische uitdaging is het bieden van een veilig, real-time en schaalbaar patroon voor deze toegang tot transactionele gegevens zonder broze punt-naar-punt integraties te creëren.

Context

Het succesvol verbinden van een agent met deze records vereist een robuuste architectuur die bestaat uit verschillende kerncomponenten.

• Transactiesystemen: Dit zijn de gezaghebbende bronnen van de gegevens, zoals recordsystemen, zoals Salesforce, Workday of SAP, of services die worden gehost op platforms zoals AWS.
• Integratielaag: Een krachtige integratielaag, doorgaans afgehandeld door MuleSoft, is cruciaal voor het veilig verbinden met deze ongelijksoortige systemen, het transformeren van gegevens en het zichtbaar maken ervan voor het Agentforce platform.
• MCP-servers: Om interoperabiliteit te garanderen communiceren agenten met deze externe systemen met behulp van de MCP-standaard. De integratielaag kan verbinding maken met verschillende MuleSoft-, Heroku- of externe MCP-servers die de externe services of agenten hosten.
• Agentuitwisseling: Deze component fungeert als een directory of telefooncentrale, waardoor de Salesforce-agent de juiste externe service of agent kan ontdekken en veilig kan verbinden om zijn taak te voltooien.

Recept 1: Directe recordbewerkingen via MCP

Patroon

De agent gebruikt MCP om verbinding te maken met een transactioneel gegevenssysteem en voert stateful CRUD-bewerkingen uit op specifieke, geïdentificeerde records met onmiddellijke consistentievereisten.

Context

• Conversationele, samenwerkende agenten moeten systeem-of-recordgegevens verwerken in de werkstroom.
• Het recordsysteem is een extern systeem.
• Transacties moeten idempotent zijn.

Belangrijkste componenten

• Agentforce Agent: Met onderwerpen en instructies om een transactionele update uit te voeren. Acties roept een externe MCP-server of een door Agentforce Exchange geregistreerde MCP-server aan.
• MCP-server: De MCP-server die de transactiegegevens en functie zichtbaar maakt (bijvoorbeeld tool=billing.update_record met invoergegevens)
• Extern recordsysteem: Het systeem waarin de statuswijziging optreedt

Interacties

1. Trigger: Er vindt een opdracht of event plaats die een transactie voor een record vereist.
2. Intent to act: Een Agentforce Agent identificeert een intent voor statuswijziging.
3. Planner (intern): De planner kiest een MCP-tool.
4. Uitvoeren: De tool wordt uitgevoerd nadat toegangscontroles op beleids-, record- en veldniveau zijn geslaagd.
5. Resultaat: De MCP-server retourneert een respons
6. Vervolg: De Agentforce Agent verwerkt de respons.

Trade-offs

Recipe 2: Complexe doeltreffende combinatie via Mulesoft API

Patroon

De agent maakt gebruik van de Mulesoft-API voor complexe atomaire transacties met meerdere stappen tussen systemen. Dit biedt één beheerd eindpunt, dat betrouwbare end-to-end verwerking garandeert en consistentie, betrouwbaarheid, latentie en gegevensproblemen vermijdt die verband houden met directe aanroepen naar afzonderlijke systemen.

Context

• Conversationele en autonome agenten moeten vaak meerdere bewerkingen betrouwbaar uitvoeren.
• Er zijn meerdere transactiesystemen en bewerkingen in een transactie.
• Werkstromen vereisen transactie/terugdraaien, opnieuw proberen en beleidsafdwinging.
• Transactiebehoeften zijn real-time, idempotent, waarneembaar en conform.

Interacties

1. Trigger: Er vindt een opdracht of event plaats waarvoor een complexe transactie moet worden voltooid.
2. Intent to act: De Agentforce Agent identificeert de intent.
3. Planner (intern): De planner kiest een aanroepbare actie voor API of API-actie.
4. Uitvoering: De API wordt uitgevoerd en er wordt een respons geretourneerd.
5. Vervolg: De Agentforce Agent verwerkt de respons.

Trade-offs

Analytische gegevens integreren met agenten

Probleem

Organisaties hebben veel geïnvesteerd in analytische infrastructuur (datawarehouses en meren, realtime analysesystemen en business intelligence-platforms), maar AI-agenten blijven losgekoppeld van deze systemen. Hierdoor ontstaat er een hiaat in het vermogen van een agent om een verrijkte context te krijgen (bijvoorbeeld dat een klant het afgelopen kwartaal drie keer onderdelen heeft geretourneerd) om betere beslissingen te nemen (in dit geval escalatie).

Context

De operationele intelligentie van een agent wordt afgeleid van het vermogen om informatie te synthetiseren uit fundamenteel verschillende gegevensindelingen en bronnen. Dit architectonische patroon is daarom niet ontworpen voor één gebruikscase, maar als een fundamenteel framework voor gegevensopname. Een effectieve agent moet zijn uitgerust om gestructureerde bronnen te verwerken voor het uitvoeren van logische, door gegevens gestuurde analyses. Een agent heeft toegang nodig tot gestructureerde feeds met groot volume. Dit omvat integratie met gegevens-lakes voor de onderneming (via zero copy-integratie met Data 360), verwerking van met middleware getransformeerde gegevensstromen of het opnemen van batchbestanden zoals CSV's.

Recept 1: Gegevens-lakes geïntegreerd via Data 360 Zero-Copy

Probleem

Organisaties worden geconfronteerd met hoge kosten wanneer ze traditionele gegevenspijplijnen gebruiken voor het kopiëren, beheren en transformeren van analytische gegevens die zijn opgeslagen in gegevens-lakes (bijvoorbeeld Snowflake). Historisch gezien waren analyses grotendeels offline, wat resulteerde in gemiste kansen voor tijdige actie.

Patroon

De agent voert een query uit op nul kopiegegevens (en berekende insights) die beschikbaar zijn in Data 360, in plaats van een query uit te voeren op externe gegevensmagazijnen voor kritieke insights. Hierdoor kunnen agenten zowel transactionele als analytische gegevens onderbouwen voor betere besluitvorming.

Context

• Uw organisatie slaat klant- en operationele gegevens op in gegevenswarehouses en meren.
• Uw agenten hebben toegang nodig tot geaggregeerde meetgegevens, historische trends en analytische insights.
• De context van uw agent heeft zowel transactionele als analytische gegevens nodig (denk aan de behoefte van een onderzoeksagent aan historische trendgegevens).

Interacties

1. Trigger: Een agent ontvangt een query met betrekking tot een insight die toegang vereist tot analytische gegevens of een berekende insight.
2. Uitvoering: De agent voert een actie uit die Data 360 Berekende insights aanroept via de Query-API en de berekende insight wordt geretourneerd.
3. Vervolg: De Agentforce Agent verwerkt de respons.

Trade-offs

Recipe 2: Acties activeren vanuit gegevensstromen

Probleem

Organisaties genereren continu waardevolle informatie uit bedrijfsactiviteiten zoals websitebezoeken, gesprekken, vergaderingen, chats en sensorgegevens. Maar tegen de tijd dat deze interacties beschikbaar komen of worden opgehaald uit datawarehouses, gaan kritieke insights verloren en is de kans op tijdige interventie voorbij. Hierdoor missen organisaties de meerderheid van navolgbare intelligentie die in real-time nodig is, wat vaak begraven ligt in deze vluchtige stromen. Dit leidt tot hiaten, gemiste coachingopportunities en beslissingen die worden genomen zonder volledige context.

Patroon

De agent ontvangt real-time of bijna-real-time insights van streaming insight of een real-time insight in Data 360 via een gegevensactie, of de agent krijgt toegang tot een streaming insight in real-time door een query uit te voeren op een MCP-server die interfaces heeft met een real-time verwerkingsengine zoals Apache Flink.

Context

• Streamingsystemen zoals platformevents, Pub/Sub-API en RTEM genereren enorme hoeveelheden stroomgegevens.
• Streamverwerkingssystemen zoals Data 360 en Apache Flink verwerken deze afzonderlijke events zodra ze binnenkomen.
• Agentforce moet een query uitvoeren op de stroomsystemen (bijvoorbeeld de meest recente transcriptie van 30 seconden voor de live vergadering met extra context) of wordt geactiveerd door gegevensacties (bijvoorbeeld fraudedetectie).
• Er is behoefte aan vrijwel realtime actie met een lage latentie.

Interacties

1. Stroom uitzenden: Het bronsysteem zendt een continue stroom gegevens uit.
2. Stroomverwerking: Streamverwerkingsengines zoals Data 360 of Apache Flink verwerken de informatie.
3. Transformeren: Insights worden geaggregeerd, getransformeerd en gesynthetiseerd tot agentbewuste gegevens in middleware (voor complexe transformatie) of in Data 360.
4. Event van stroominsight: Een Data 360-gegevensactie wordt geactiveerd voor gesynthetiseerde gegevens (bijvoorbeeld een transcriptie van een audiostroom van 30 seconden).
5. Verrijken: Een agent voegt context toe en detecteert intent.
6. Uitvoeren: De agent voert de actie uit.
7. Vervolg: De agent wacht op de volgende streaming insight.

Trade-offs

Semantische gegevens integreren met agenten

Organisaties hebben bedrijfsobjecten—catalogi, handleidingen, beleidsvormen, Knowledge grafieken, relatiekaarten—in verschillende indelingen en vormen. Om verder te gaan dan eenvoudige taakuitvoering en geavanceerd redeneren, moeten agenten deze gegevens kunnen begrijpen waar de meeste menselijke Knowledge is opgeslagen.

Recept 1: RAG: De kracht van ongestructureerde gegevens voor agenten ontsluiten

Probleem

Organisaties beschikken vaak over niet-doorzoekbare informatie die agenten belemmert om er vol vertrouwen toegang toe te krijgen. Deze tekortkoming leidt vaak tot onvolledige reacties van agenten, zonder de nodige contextuele diepgang en verifieerbare citaten om Trust te vestigen. Daarom is er een duidelijke behoefte aan een gestandaardiseerde methode om agenten in staat te stellen consistent semantisch relevante en nauwkeurige inhoud op te halen.

Patroon

Dit patroon biedt de architectuur waarmee agenten een breed scala aan ongestructureerde informatie kunnen opnemen en interpreteren, van interne documenten tot openbare webinhoud. Een agent toegang geven tot deze gegevens is de sleutel tot het ontgrendelen van geavanceerde mogelijkheden zoals marktgevoelsanalyse, documentsamenvatting en concurrentieonderzoek.

Context

• Knowledge bevindt zich in bestanden in verschillende indelingen en vormen.
• Redundante inhoud komt veel voor in deze documenten.
• Een agent heeft nauwkeurige informatie nodig die kan worden geciteerd.
• Knowledge verandert vaak, dus bestanden moeten worden vernieuwd en opnieuw worden geïndexeerd.

Interacties

De inhoud kan niet worden opgenomen of gebruikt door de agent zoals deze is. De inhoud moet in blokken worden verdeeld, worden ingebed, worden opgeslagen in een vectordatabase en worden geïndexeerd voordat deze kan worden opgehaald en gebruikt door agenten.

Opnemen en bereiden

1. Crawl- en opnamebronnen: Bronnen kunnen op twee manieren worden geïdentificeerd: handmatig, zoals het uploaden van een PDF-bestand, of door hun locatie, zoals AWS S3.
2. Chunking: De opgenomen inhoud wordt opgesplitst in kleinere, beheersbare blokken om efficiënte verwerking en ophalen te vergemakkelijken. Dit is een kritieke stap voor RAG, omdat het ervoor zorgt dat alleen de meest relevante informatie wordt opgehaald, in plaats van hele documenten.
3. Embedding: Elk blok wordt vervolgens geconverteerd naar een numerieke weergave die een inbedding wordt genoemd met behulp van een gespecialiseerd taalmodel. Deze inbedding legt de semantische betekenis van de tekst vast, waardoor op overeenkomsten gebaseerde zoekopdrachten mogelijk zijn.
4. Vectoropslag: De inbeddingen worden opgeslagen in een Data 360-vectorstore, een gespecialiseerde database die is geoptimaliseerd voor hoogwaardige zoekopdrachten naar overeenkomsten. Hierdoor kan de agent snel gerelateerde inhoud vinden.
5. Indexeren: De inhoud en de inbedding ervan worden geïndexeerd binnen de vectorstore, waardoor ze gemakkelijk kunnen worden doorzocht voor ophalen.

Data 360 retriever-functies

• Inhoud ophalen: Deze functie gebruikt een query als invoer en voert een semantische zoekopdracht uit op de Data 360-vectorstore om de meest relevante inhoudsblokken te vinden.
• Filterinhoud: Met deze functie kunt u opgehaalde inhoud filteren op basis van metagegevens, zoals documenttype, auteur of datum, om de resultaten verder te verfijnen.
• Inhoud plaatsing: Deze functie rangschikt de opgehaalde inhoudsblokken op basis van hun gelijksoortigheidsscore (vectorzoekopdracht), trefwoordscore of een combinatie van beide (hybride zoekopdracht).

Ophalen en genereren

• Query: Wanneer een agent informatie nodig heeft, formuleert deze een query die ook is ingebed in een vector.
• Semantische zoekopdracht: De agent voert een semantische zoekopdracht uit op de Data 360-vectorstore, waarbij het inbedden van de query wordt vergeleken met het inbedden van de opgeslagen inhoudsblokken. Hiermee worden de meest semantisch relevante blokken opgehaald op basis van vectorscore of hybride score (vector en trefwoord gecombineerd).
• Ophalen-geaugmenteerde generatie (RAG): De opgehaalde inhoudsblokken worden vervolgens als context aan Agentforce Agenten geleverd, samen met de oorspronkelijke query. De LLM gebruikt deze context om een nauwkeurig, nauwkeurig en citeerbaar antwoord te genereren.
• Respons en citaat: De agent presenteert het gegenereerde antwoord, vaak met vermeldingen naar de oorspronkelijke brondocumenten of webkoppelingen, om Trust op te bouwen en verificatie mogelijk te maken.

Trade-offs

Recipe 2: Gegevensgrafieken: Vooraf berekende gestructureerde grafiekgegevens voor agenten

Probleem

Organisaties beschikken vaak over geïsoleerde relatiegegevens die de mogelijkheid van een agent om deze op te halen belemmeren. Dit probleem leidt er vaak toe dat agenten onvolledige antwoorden geven die onvoldoende contextuele details bevatten om Trust op te bouwen over de manier waarop verschillende entiteiten zijn verbonden, of veroorzaakt vertragingen wanneer agenten informatie moeten ophalen uit meerdere databases.

Patroon

Dit patroon biedt de architectuur waarmee agenten een breed scala aan gestructureerde en semigestructureerde relatiegegevens kunnen opnemen en interpreteren, van interne CRM-gegevens tot externe Knowledge grafieken. Een agent toegang geven tot deze gegevens is de sleutel tot het ontgrendelen van geavanceerde mogelijkheden zoals Customer 360 weergaven, complexe afhankelijkheidsanalyse en dynamische contextvorming.

Context

1. Relatiegegevens zijn verspreid over verschillende systemen en notaties.
2. Agenten moeten inzicht hebben in verbanden tussen entiteiten (bijvoorbeeld een klant, diens cases, diens orders en gerelateerde producten).
3. Knowledge grafieken en verbonden gegevensmodellen zijn essentieel voor het begrijpen van complexe relaties.
4. De agent heeft nauwkeurige informatie nodig over entiteitsrelaties die kunnen worden geciteerd.

Interacties

De relationele gegevens moeten worden geharmoniseerd en weergegeven in een grafiekstructuur voordat ze effectief kunnen worden opgevraagd en gebruikt door agenten.

Opnemen en bereiden

1. Crawland-opnamebronnen: Gegevensbronnen (bijvoorbeeld CRM-systemen, ERP's, externe API's en CSV's) worden geïdentificeerd en opgenomen in Data 360.
2. Gegevens harmonisering: Ruwe gegevens worden toegewezen aan gegevensmodelobjecten (Data Model Objects, DMO's) binnen Data 360, waardoor de structuur ervan wordt gestandaardiseerd en een gecombineerde weergave wordt gemaakt.
3. Identiteitsoplossing: Duplicaatklantprofielen worden geconsolideerd en gerelateerde records worden gekoppeld om één nauwkeurige weergave van elke klant te maken.
4. Gegevensgrafiek maken: DMO's zijn verbonden om een gegevensgrafiek te vormen, die relaties tussen verschillende entiteiten voorstelt (zo is een klant-DMO verbonden met een case-DMO, dat is verbonden met een product-DMO). Deze grafiek maakt efficiënte doorkruising van relaties mogelijk.
5. Berekende insights: Aggregatiemeetgegevens en afgeleide kenmerken (bijvoorbeeld de totale aankoophistorie van een klant) worden berekend en toegevoegd aan de gegevensgrafiek voor een rijkere context.

Ophalen en genereren

1. Query: Wanneer een agent informatie nodig heeft over relaties tussen entiteiten, formuleert deze een query op de gegevensgrafiek (bijvoorbeeld "Wat zijn alle open cases voor deze klant en welke producten zijn eraan gekoppeld?").
2. Grafiekdoorkruising en Query-API: De agent gebruikt de Data 360 Query-API om de gegevensgrafiek te doorlopen en verbonden records, berekende insights en relevante kenmerken op te halen op basis van de query.
3. Contextueel genereren: De opgehaalde relatiebewuste gegevens worden vervolgens als context aan Agentforce Agenten geleverd, samen met de oorspronkelijke query. De LLM gebruikt deze verrijkte context om een nauwkeurig, nauwkeurig en citeerbaar antwoord te genereren dat de onderlinge verbondenheid van de gegevens weerspiegelt.
4. Respons en citaat: De agent presenteert het gegenereerde antwoord, vaak met verwijzingen naar de specifieke records of relaties binnen de gegevensgrafiek die de respons hebben geïnspireerd, om Trust op te bouwen en verificatie mogelijk te maken.

Trade-offs

De onderneming staat aan de rand van een nieuw tijdperk van automatisering en intelligentie, geleid door AI-agenten. Van het afhandelen van eenvoudige klantquery's tot het autonoom uitvoeren van complexe bedrijfsstrategieën, agenten beloven productiviteit en klantbetrokkenheid opnieuw te definiëren. Het Salesforce Agentforce Platform biedt de essentiële, vertrouwde basis voor deze transformatie. Met een robuuste suite van declaratieve en pro-code tools, een gecombineerd gegevensplatform en toewijding aan open standaarden via A2A en MCP biedt Agentforce een uitgebreide en vertrouwde basis voor het samenstellen van elk type agent. Met deze architectuur kunnen organisaties intelligente, doelgerichte agenten implementeren die als verbonden partners fungeren, niet geïsoleerd, om meetbaar zakelijk succes te stimuleren.

Salesforce biedt een krachtige, geïntegreerde set tools, gecombineerd door het Agentforce platform, die als basis dienen voor het samenstellen van geavanceerde agenten. De recepten en voorbeelden in dit document veronderstellen bekendheid met de mogelijkheden van het Agentforce platform en de manier waarop agenten samenwerken. Deze sectie biedt een opfrissing van de belangrijkste componenten die u moet begrijpen om optimaal te profiteren van de recepten en patronen in dit document.

Deze sectie geeft een overzicht van de fundamentele platformmogelijkheden die essentieel zijn voor architecten en ontwikkelaars die agenten bouwen op Agentforce.

• Salesforce-stroom: De primaire tool voor het definiëren van agentlogica. De declaratieve, visuele interface is ideaal voor het organiseren van de stappen die een agent gaat uitvoeren.
• Apex: Biedt de kracht voor complexe aangepaste logica, statusbeheer voor autonome agenten en complexe integraties
• Platformevents: Het zenuwstelsel voor proactieve en samenwerkende agenten, dat dient als de transportlaag voor het A2A-protocol.
• Data 360: Het gecombineerde langetermijngeheugen van de agent. Het biedt de context die nodig is voor intelligente actie en vormt de basis voor retrieval-augmented generation (RAG).
• MuleSoft: De brug van de agent naar de buitenwereld, waardoor zowel systeemintegratie als cross-platform agentcommunicatie via MCP mogelijk is.
• Slack: Een primair oppervlak voor interactie tussen mens en agent, inclusief taken, kennisgevingen en goedkeuringen
• Agentforce Chat Client: De aanpasbare, inbedbare front-end voor klantgerichte gespreksagenten

Agenten zijn pas echt effectief als ze in een silo zitten. Agentforce omvat twee kerninteroperabiliteitspatronen:

• Agent2Agent (A2A)-communicatie: Dit protocol bepaalt hoe agenten binnen het Salesforce-ecosysteem met elkaar communiceren. Het Agentforce platform fungeert als zowel een A2A-client als een server, die respectievelijk verzoeken doet en ernaar luistert, wat cruciaal is voor collaboratieve agent-swarms. Agenten kunnen worden geconfigureerd met gerelateerde agenten om andere agenten met specifieke vaardigheden te ontdekken en aan te roepen, waardoor een dynamisch en uitbreidbaar systeem ontstaat. Platformevents fungeren als het duurzame, asynchrone transportmechanisme voor deze A2A-berichten.

• Model Context Protocol (MCP): Deze standaard zorgt ervoor dat agenten niet zijn vergrendeld in één platform. MCP definieert een gemeenschappelijke berichtindeling waarmee agenten die zijn samengesteld op basis van verschillende frameworks, kunnen communiceren. In dit model fungeert Agentforce als een MCP-client. Zo kan een Salesforce-agent een query uitvoeren op een externe agent die gespecialiseerd is in complexe logistieke berekeningen door een MCP-conform verzoek te verzenden. MuleSoft fungeert als gateway en transformeert het interne A2A-verzoek in een externe API-aanroep in MCP-indeling, waardoor naadloze interoperabiliteit binnen de hele onderneming wordt gegarandeerd.