Enterprise Agentic Architecture and Design Patterns brengt structuur aan in de mogelijkheden van architecturen voor meerdere agenten, waarbij wordt geïdentificeerd en benadrukt hoe mogelijkheden die nieuw zijn voor AI-agenten, kunnen worden gecombineerd om betrouwbare, herhaalbare, schaalbare en beheersbare agentische oplossingen te leveren. Geïnspireerd door “Design Patterns” voor objectgeoriënteerd programmeren, leggen we patronen uit die kunnen worden gecombineerd en uitgebreid om de vele spannende uitdagingen op te lossen die voorheen buiten het bereik lagen van bedrijfssystemen die waren gebouwd op traditionele deterministische technologieën.

Na discussie over de redenering voor multi-agent architecturen introduceren we talrijke agentische patronen, van eenvoudige patronen die natuurlijke taalverwerking gebruiken om de intent van gebruikers te bepalen, tot multi-agent patronen die zorgen voor scheiding van zorgen tussen agenten, tot UX-agentische patronen die agentische redenering brengen tot de presentatie en interactie met systemen, informatie en inhoud.

Eerst en vooral krijg je een nieuwe manier van denken over agenten - agenten als componenten, agenten als samenstellers, agenten als acteurs, agenten als bijdragers, en vooral agenten binnen een grotere architectuur die handelen met intentie en handelen binnen hun individuele scope van zorgen.

U krijgt de aanwijzingen die u nodig hebt om rijke agentische oplossingen te bedenken die gebruikersjourneys omvatten en belangrijke agentische ervaringen mogelijk maken, ervaringen die nooit eerder mogelijk waren.

De eerste secties van dit document vormen de onderbouwing voor muti-agent architecturen. Lees deze voor een beter inzicht in de uitdagingen en kansen die multi-agentarchitecturen bieden.

Hieronder volgen definities en beschrijvingen van agentische patronen, van eenvoudig tot complex, die patronen bestrijken die interacties ondersteunen, patronen voor gespecialiseerde agenten, patronen voor achtergrondbewerkingen en langlopende patronen. Elk patroon omvat een diagram van de belangrijkste componenten die het patroon realiseren, plus aanbevelingen voor gebruik en representatieve gebruikscases.

Ten slotte bevat de bijlage voorbeelden van hoe deze patronen worden gecombineerd tot holistische agentische oplossingen die een grotere agentische ervaring ondersteunen, bijvoorbeeld ter ondersteuning van Klantenservice of Bemiddelde verkoop. Raadpleeg deze sectie om te zien hoe een rijke agentische ervaring gebruikmaakt van ontbinding en scheiding van zorgen op agent- en actieniveau om hergebruik op interactieniveau te stimuleren, met gedeelde agenten die zowel interne als externe volmachtgevers ondersteunen, in zowel ondersteunende als autonome modi.

Aangezien enterprisearchitecten Generative AI integreren in hun ecosystemen, moeten ze een veelvoorkomende set ontwerpvragen beantwoorden:

• Hoeveel agenten zijn vereist?
• Hoe gaan agenten samenwerken?
• Wat is de taakverdeling tussen agenten en mensen?
• Hoe worden deze componenten geassembleerd tot een samenhangend systeem?

Dit document presenteert een op patronen gebaseerde methodologie voor het ontwerpen en samenstellen van agentische oplossingen.

Monolithische agenten zijn het uitgangspunt voor de meeste agentische oplossingen. Agenten—en meer specifiek Agentforce agenten—zijn capabele performers voor een reeks onderwerpen. Begin voor veelvoorkomende gebruikscases met één agent.

Naarmate uw organisatie groeit, zijn architecturen voor meerdere agenten de voorkeursbenadering. Multi-agent architectuur maakt grotere schaal, controle en flexibiliteit mogelijk in vergelijking met monolithische, single-agent systemen.

Architectuur voor meerdere agenten biedt deze belangrijke voordelen:

• Verbeterde prestaties en complexiteit: Een systeem van meerdere, gespecialiseerde agenten biedt meer mogelijkheden en vereenvoudigt de naleving van instructies.
• Modulariteit & Uitbreidbaarheid: Individuele agenten kunnen met groter gemak worden toegevoegd, vervangen, gewijzigd en getest, wat de flexibiliteit bevordert.
• Veerkracht en fouttolerantie: Het uitvallen van één component brengt het gehele systeem niet in gevaar, wat leidt tot een betere algemene veerkracht.
• Gedecentraliseerd bestuur: Problemen opsporen en beheren kan worden geïsoleerd voor specifieke agenten en hun bijbehorende toepassingen, wat onderhoud en overzicht vereenvoudigt.

Het rationaliseren van een architectuur voor meerdere agenten begint met het projecteren van kernprincipes van architectuur op de mogelijkheden en structuur van agenten. De resulterende multi-agent architecturen zijn dan een manifestatie van kernprincipes van systeemontwerp en systeemarchitectuur die zijn afgestemd op het unieke 'graan' van AI-technologieën.

Belangrijke principes die deze architectuur aansturen, zijn:

• Complexiteit beheren door ontbinding
• Weerbaarheid verbeteren en broosheid verminderen door ontkoppeling
• Betrouwbaarheid en efficiëntie verbeteren door hergebruik van code
• Betrouwbaarheid van agenten verbeteren door de zorgen van één agent te beperken
• Onderhoud en ontwikkeling van het systeem verbeteren door modulariteit en uitbreidbaarheid
• Agentenbeheer en verantwoording vereenvoudigen door specialisatie

In tegenstelling tot meer primitieve agentische architecturen (bijvoorbeeld die welke zich richten op LLM's als de kernarchitectuurconstructie), werd Agentforce vanaf het begin ontworpen voor multi-agent doeltreffende combinaties. De combinatie van meerdere agenten ligt ten grondslag aan de Atlas Reasoning-engine en het agentische redeneren om dynamische, effectieve programmeertrajecten binnen een agentische respons te maken om de mogelijkheid om een brede, diepe agentische uitbreiding van de gebruikerservaring (UX) te bieden drastisch uit te breiden.

Binnen Agentforce wordt dit type coördinatie mogelijk gemaakt door deze belangrijke open, interoperabele protocollen en Salesforce-producten:

• Agentforce biedt een subsysteem Agent om alle belangrijke elementen van een agent in te kapselen: onderwerpen, instructies, acties, vangrails, context, aanroepen, uitvoer, uitvoeringsdetails, logboeken, enz.
• Acties: voorzie hooks voor toegang tot gegevens, belstromen, roep externe systemen aan en bel andere agenten.
• Data 360: biedt een gegevensvirtualisatielaag om specifieke, geïndividualiseerde context voor de agent te creëren (met behulp van het gecombineerde profiel en de gecombineerde sleutelhanger van Data 360 om specifieke informatie uit de hele onderneming te halen).

En voor agenten in de hele onderneming of voor toegang tot agenten of resources ondersteunen we:

• Model Context Protocol (MCP): is een veilige communicatielaag die agenten verbindt met tools, gegevens en Knowledge voor de onderneming om contextuele nauwkeurigheid te garanderen.
• Agent-to-Agent (A2A) Protocol: is een gestandaardiseerde handdruk voor inter-agentdelegatie die veilige, gecontroleerde coördinatie tussen systemen, organisaties en leveranciers mogelijk maakt.

Deze principes vormen de basis voor het bouwen van een schaalbaar, bestuurbaar systeem van georkestreerde intelligentie.

Robuuste agentische oplossingen vereisen een duidelijke aanpak van de niet-functionele vereisten die ten grondslag liggen aan effectieve technologielevering:

• Beveiliging en governance (Identiteits- en toegangsbeheer, Gegevensprivacy, Gegevensbeveiliging en Dreigingsmodellering).
• Observeerbaarheid en bewaking (gedistribueerde tracering, gecentraliseerd vastleggen, meetgegevens en dashboards).
• Operationalisering en levenscyclusbeheer (specificatie, genereren van testcases, testen, feedback, continu leren, afschrijven).

Dit zijn belangrijke architectonische overwegingen bij het samenstellen van Enterprise Agentic-oplossingen die niet in deze whitepaper worden behandeld; ze zullen echter in toekomstige publicaties worden behandeld.

Voor het beheer van een agentisch landschap voor de hele onderneming moeten architecten agenten classificeren via twee complementaire lenzen: technische functie en bedrijfsimpact.

Deze taxonomie categoriseert de functionele rollen die agenten binnen een architectuur kunnen aannemen.

• Channel-/UX-rollen: Definieer de modaliteit van interactie (bijvoorbeeld Headless, Aanwijzing, Chats en berichten, of door AI beheerde werkruimten).
• Specialistische rollen: Diepgaande Knowledge inkapselen (bijvoorbeeld Domeinexpert, Knowledge Minion, Assistent of Planner).
• Servicerollen voor hulpprogramma's: Afzonderlijke, transactionele taken uitvoeren (bijvoorbeeld Genereren, Samenvatting, Transformatie of Configuratie).
• Onderhoud en proactieve servicerollen: Focus op gezondheid en kwaliteit van gegevens (bijvoorbeeld Curation, Conformation, Data Quality of Data Enrichment).
• Langlopende rollen: Beheer processen over langere perioden (bijvoorbeeld Conciërge, Projectmanager, Verpleegkundige of Kijker/Alerter).

Om een helder ontwerp en duidelijke communicatie te vergemakkelijken, is de Agentische kaart de standaardsjabloon om agentische oplossingen te beschrijven. Het definieert de belangrijkste entiteiten, systemen en interacties binnen een specifiek ontwerppatroon.

Dit zijn de componenten van de Agentic Map-sjabloon:

• Gebruikerslagen definiëren de menselijke actoren in het systeem (bijvoorbeeld Klanten, Geauthenticeerde medewerkers (SF-gebruikers) en Niet-geauthenticeerde medewerkers).
• Agentlagen beschrijven vereiste agenten, tentoongestelde patronen, relaties met elkaar en instructies die worden gebruikt om specifieke patronen te realiseren.
• Context/acties zijn de resources, mogelijkheden of acties die de agent beheert of opent.
• Bronnen zijn de onderliggende gegevens, toepassingen, Knowledge bases en andere systemen waarmee de agenten verbinding maken.

De bijlagen A en B illustreren agentische patronen op systeemniveau door hun samenstelling te demonstreren binnen de zwembanen van de Agentic Map Template.

Bij Salesforce gebruiken we een bibliotheek met agentpatronen om betrouwbare, voorspelbare agentische oplossingen te organiseren en leveren. Deze patronen zijn onze blauwdrukken voor het oplossen van veel voorkomende architectonische problemen.

Ze zijn gegroepeerd in vier primaire categorieën:

• Interactiepatronen: Focus op agentische betrokkenheid en gebruikerservaring (UX).
• Specialist/medewerker patronen: Diepgaande Knowledge of specifieke vaardigheden binnen een bepaald domein inbedden.
• Nuts- en gegevensbeheerpatronen: Voer specifieke, vaak herhaalbare taken uit die andere agenten of processen ondersteunen.
• Langdurige patronen: Beheer processen en werkstromen die zich voordoen over langere perioden, waarbij meerdere stappen nodig zijn.

De volgende secties geven details over de belangrijkste patronen uit elke categorie. Elke patroonbeschrijving biedt een overzicht, uitvoertype, begeleiding bij patroongebruik, representatieve gebruikscases en een oplossingsdiagram, evenals toewijzing aan de rubriek Salesforce Agentic Maturity.

Interactiepatronen zijn basisontwerpen die zich richten op agentische betrokkenheid en gebruikerservaring.

• Overzicht: Het Greeter-patroon is een eenvoudig, gemakkelijk te implementeren patroon dat natuurlijke taal gebruikt om de intent van gebruikers te bepalen. Vervolgens routeert het de gebruiker naar de juiste menselijke agent.

• Uitvoertype: Hand-off/escaleren naar de volgende resource.

• Bedrijfswaarde: Faciliteer een naadloos, efficiënt eerste contact voor klanten en maximaliseer de oplossing van intents en het verzamelen van context voor serviceproviders.

• Begeleiding bij patroongebruik: Configureer de agent als de primaire betrokkenheidsresource voor merkkanalen. Geef instructies over "branding", producten en services die worden gekoppeld aan routeringsinstructies op basis van de intent van de gebruiker. De agent verzamelt en vat intent samen om een warme handoff te leveren.

• Representatieve gebruikscase: Stelt u zich een webpagina voor die een chatbot gebruikt om een menu met opties te presenteren, waarin gebruikers door alle opties moeten klikken voordat ze naar een mens worden gerouteerd. Om de productiviteit en efficiëntie van back-office te verbeteren, gebruiken chatbots vaak complexe, complexe werktrajecten en interacties. Dit leidt tot een vermoeidheidsscenario "fill, choose and click" (invullen, kiezen en klikken) voor klanten, dat vaak tot frustratie leidt als hun context buiten de beschikbare menuopties valt. Door traditionele chatbots te vervangen door de Agentic Front Door, die natuurlijke taalinteracties gebruikt, wordt de last verlicht en ontstaat een menselijke interactie.

• Agentforce recept:

  • Agentforce serviceagent: Een serviceagent samenstellen
    • De in een pakket opgenomen serviceagent heeft configureerbare overdrachtsmogelijkheden die overdracht ondersteunen:
      • Aan menselijke agenten
      • Naar AI-agenten
      • Naar externe agenten
  • Sectorspecifieke patronen die codevoorbeelden bevatten

• Diagram:

• Salesforce Agentic Maturity: Niveau 1 (of niveau 0 als u de kant-en-klare serviceagent met ingebouwde overdracht en escalatie gebruikt)

• Overzicht: Het Operator-patroon bouwt voort op het Greeter-patroon door verzoeken te routeren naar de juiste gespecialiseerde agent of menselijke en onderhandelingsintentie (indien nodig).

• Uitvoertype: Overdracht/overdracht naar de volgende resource.

• Begeleiding bij patroongebruik: Koppel merk- en servicespecifieke instructies aan instructies over waar de gebruiker naartoe moet op basis van intent. Escalatieresources definiëren, die mensen of andere agenten kunnen zijn.

• Representatieve gebruikscase: Gebruik de Agentische voordeur voor scenario's waarin een hoge mate van specialisatie bestaat tussen menselijke of AI-vertegenwoordigers.

• Diagram:

• Salesforce Agentic Maturity: Level 2

• Overzicht: Het Orchestrator-patroon beheert een AI Agent "Swarm". Wanneer het een gebruikersverzoek ontvangt, geeft het de uiting door aan een of meer gespecialiseerde agenten en aggregeert vervolgens de responsen voor de gebruiker. In tegenstelling tot het Operator-patroon blijft het het eerste aanspreekpunt (POC).

• Uitvoertype: Respons(en) van medewerkersagenten verzamelen en voorbereiden.

• Begeleiding bij patroongebruik: Geconfigureerd als de primaire deelnemer. Geef instructies op voor elke ondersteunende medewerkeragent (bijvoorbeeld een Prioriteerder of Domein-MKB) waarmee de orchestrator uitingen aan hen kan doorgeven.

• Representatieve gebruikscase: Gebruik het orkestpatroon als de agentische voordeur om klanten te helpen die mogelijk meerdere onderwerpen per gesprek moeten bespreken, wat oplossingen voor meerdere agenten en consistente interacties vereist. Overweeg in een architectuur met meerdere systemen het orkestpatroon voor het coördineren van responsen tussen systemen en met de samenwerking van externe agenten.

• Diagram:

• Salesforce Agentic Maturity: Niveau 3

• Overzicht: Het Luister-/feedpatroon maakt context en insights zichtbaar tijdens de stroom van een gesprek. De luisteraar wordt geactiveerd tijdens elke gespreksbeurt om relevante informatie voor een medewerker te vinden en weer te geven.

• Uitvoertype: Geef relevante context op basis van een gesprek, die kan worden ingedeeld op effect (bijvoorbeeld vergelijkingen maken of belangrijke punten markeren).

• Begeleiding bij patroongebruik: Koppel de luisteraar aan een kanaal met een andere beurt (bijvoorbeeld chat, spraak of sms). Definieer onderwerpen voor elk vakgebied. De agent verbruikt de transcriptie, identificeert onderwerpen en roept acties aan om te zoeken naar relevante inhoud en deze te posten naar een actieve feed voor de medewerker.

• Representatieve gebruikscase: Gebruik de Universele assistent om klantenservice- of verkoopvertegenwoordigers te helpen.

• Diagram:

• Salesforce Agentic Maturity: Niveau 3

• Overzicht: Het werkruimtepatroon (Radar O'Reilly) beheert een responsieve UX van één deelvenster in de stroom van een gesprek. Het verwerkt elke uiting om delen van de UX bij te werken met relevante inhoud.

• Uitvoertype: Geef relevante context op in een portlet binnen een grotere weergave met één deelvenster.

• Begeleiding bij patroongebruik: Een orkestagent geeft uitingen door aan een reeks onderwerpagenten. Elke onderwerpagent beoordeelt de instructie om te bepalen of een UX-update noodzakelijk is. Als dit het geval is, pusht het dynamische updates naar de corresponderende LWC.

• Representatieve gebruikscase: Dit functioneert als een geavanceerde agentische voordeur.

• Diagram:

• Salesforce Agentic Maturity: Niveau 3

Specialistische patronen omvatten diepe Knowledge of vaardigheden in een bepaald domein, en ze worden doorgaans geordend door Interactiepatronen.

• Overzicht: Het Answerbot-patroon is een effectief patroon voor selfservice dat GenAI gebruikt om natuurlijke taal te bepalen voor Knowledge retrieval, niet alleen trefwoorden.

• Uitvoertype: Samenvatting Knowledge en verwijzingen/citaties naar ondersteunend materiaal.

• Begeleiding bij patroongebruik: Orden en neem betrouwbaar bronmateriaal (bijvoorbeeld Knowledge Stores of Veelgestelde vragen) op om de agent te configureren. Positioneer de agent op bedrijfswebsites of binnen interne portals. Bewaak vragen om Knowledge hiaten te identificeren en op te lossen.

• Representatieve gebruikscase: Het faciliteren van zoekopdrachten met natuurlijke taal op een bedrijfswebsite, interactie met een HR Benefits Bot en het bieden van selfservicecomponenten voor alle volmachtgevers.

• Diagram:

• Salesforce Agentic Maturity: Level 1

• Overzicht: Het mkb-patroon Domein is een basispatroon dat een front-end met natuurlijke taal biedt voor een bedrijfsdomein (bijvoorbeeld Orders of Claims).

• Uitvoertype: Geef relevante inhoud, onderwerpen, gegevens en opgemaakte informatie over het domein op.

• Begeleiding bij patroongebruik: Gebruik dit patroon om een onderwerp of bedrijfsdomein samen te vatten. Configureer de agent met de mogelijkheid om de juiste CRUD-bewerkingen uit te voeren. Maak deze agenten beschikbaar via Interactiepatronen (bijvoorbeeld Orchestrator of Listener).

• Representatieve gebruikscase: Gatekeeping van een bedrijfsgegevensdomein, het leveren van een "Orderagent" of "Voorraadagent" en het leveren van een agentische interface voor een bedrijfsdomein.

• Diagram:

• Salesforce Agentic Maturity: Level 2

• Overzicht: Het patroon Ondervraging is een MKB-agent die kan worden ondervraagd over een onderwerp om context uit meerdere bronnen te verzamelen om vragen te beantwoorden. De belangrijkste agentische mogelijkheid die wordt benut, is het vermogen om context te trekken en concepten te verbinden binnen een hoofdtekst van inhoud, op de manier waarop een mens dat zou doen na het lezen en internaliseren van de inhoud. Dit patroon vermindert de noodzaak van "draaistoel-integratie".

• Uitvoertype: Geef antwoorden op vragen.

• Begeleiding bij patroongebruik: Het wordt vaak geconfigureerd als een consolewidget die is gekoppeld aan de huidige context van de gebruiker, zodat deze rechtstreeks vragen kan stellen. Het wordt ook gebruikt in combinatie met Knowledge resources zoals Veelgestelde vragen, Polissen en Productcatalogi. Koppel het patroon Ondervrager aan standaardaanwijzingen om veelvoorkomende antwoorden op veelgestelde vragen te schalen.

• Representatieve gebruikscase: Gebruik als contractassistent; Assistent voor vragen over uitkering of agent van gespecialiseerde medewerker in patronen van meerdere agenten (bijvoorbeeld Luisteraar of Werkruimte).

• Diagram:

• Salesforce Agentic Maturity: Level 2

• Overzicht: Het prioriteringspatroon wordt gebruikt om een set taken of werkobjecten te ordenen op basis van een gedefinieerde doelstelling. Het maakt gebruik van GenAI voor kwalitatieve analyse, ongestructureerde gegevensanalyse of integratieve analyse over meerdere gegevensdomeinen.

• Uitvoertype: Zorg voor generatieve insights.

• Begeleiding bij patroongebruik: Gebruik natuurlijke taal om de gewenste kwaliteiten voor prioritering te beschrijven. Aard de agent met behulp van een set selecteerbare opties. Combineer met het patroon Luisteraar om een responsieve "Next Best Action" te maken in de werkstroom.

• Representatieve gebruikscase: Gebruik dit als een Next Best Action generator of als een gespecialiseerde medewerkeragent in patronen met lange uitvoeringen of meerdere agenten.

• Diagram:

• Salesforce Agentic Maturity: Level 2

Nutspatronen voeren specifieke, herhaalbare taken uit die andere agenten of processen ondersteunen.

• Overzicht: Het generatorpatroon is een basispatroon voor het maken van nieuwe inhoud (bijvoorbeeld casesamenvattingen of e-mailconcepten) op basis van bestaande invoer en standaarden. Het wordt vaak geïmplementeerd als een aanwijzing en kan zijn ingebed in andere agenten.

• Uitvoertype: Lever gegenereerde inhoud die voldoet aan de aangevraagde indeling en intent.

• Begeleiding bij patroongebruik: Het Generator-patroon kan binnen de meeste andere patronen of als zelfstandig patroon worden gebruikt. Context kan worden geboden door middel van het verzoek, hydratatie tijdens uitvoering of extra verrijkingsstappen.

• Representatieve gebruikscase: Casesamenvattingen, e-mailconcepten, Knowledge artikelen of voorstellen/reacties aan QBR's leveren.

• Diagram:

• Salesforce Agentic Maturity: Level 1

• Overzicht: Het Data Steward-patroon is een autonoom achtergrondpatroon dat een agentische stap in gegevensbewerkingen introduceert om consistente gegevenskwaliteit, conformiteit en verrijking te garanderen.

• Uitvoertype: Geef bijgewerkte record- en gegevensvelden op voordat u opslaat.

• Begeleiding bij patroongebruik: Bed de gegevenskwaliteit in op het moment dat gegevens worden gemaakt door gegevensbeheerders toe te voegen die triggerstromen vastleggen voordat gegevens worden opgeslagen. Helpt bij een consistente toepassing van categoriserings-, overzichts- en statusgegevens.

• Representatieve gebruikscase: Zorgen voor consistente "Pizza-Tracker"-stijlupdates, het verrijken van accountgegevens en het elimineren van niet-overeenkomende postcodes en adressen.

• Diagram:

• Salesforce Agentic Maturity: Level 2

• Overzicht: Het Zen Data Gardener-patroon is een gepland achtergrondpatroon dat wordt gebruikt om gegevens te verzorgen en te standaardiseren, waarbij gebruik wordt gemaakt van goedkoop redeneren voor het valideren, verrijken en conformeren van gegevens over anders niet-verbonden gegevensdomeinen.

• Uitvoertype: Geef bijgewerkte records en/of gegevensbeheertaken op.

• Begeleiding bij patroongebruik: Gebruik het patroon om regelmatige, periodieke gegevenscontrole en validatie in te schakelen. Plan voor langzaam veranderende gegevens de agent op een langzame cadans (bijvoorbeeld maandelijks). Combineer met het Data Steward Pattern om prospectieve en retrospectieve bewerkingen voor gegevenskwaliteit te bieden.

• Representatieve gebruikscase: Zorgen voor afstemming tussen verkochte voordelen en het claimsysteem, evenals periodieke validatie van makelaarslicenties ten opzichte van nationale registers.

• Diagram:

• Salesforce Agentic Maturity: Niveau 4

• Overzicht: Het Configurer-patroon genereert configuratie-artefacten (bijvoorbeeld SQL/SOQL, JSON en CSV's) op basis van natuurlijke taalvereisten. Deze kan ook omgekeerd worden uitgevoerd om een bestaande configuratie te valideren op basis van vereisten.

• Uitvoertype: Zorg voor bijgewerkte records, gegevensbeheertaken of stel problemen/fouten samen voor correcties.

• Begeleiding bij patroongebruik: Aard de agent aan de hand van specifieke normen, richtlijnen of voorbeelden. Configureer vereisten voor samenstellen met behulp van bronnen zoals contracten of productspecificaties. Verbind het configuratorpatroon met het doelsysteem om de gegenereerde configuratie te pushen.

• Representatieve gebruikscase: Productconfiguratierecords genereren voor zorgverzekeringsproducten en contract-/betalingsvoorwaarden valideren voor zorgaanbieders.

• Diagram:

• Salesforce Agentic Maturity: Niveau 4

• Overzicht: Het Judge & Jury-patroon is ontworpen om hallucinaties te minimaliseren door middel van een ensemble van "juryleden" en een "rechters"-agent die de congruentie van responsen beoordeelt om ervoor te zorgen dat ze materieel consistent en geaard zijn.

  • De Ensemblebenadering is ingebed in Agentforce en de Atlas Reasoning-engine om de waarheidsgetrouwheid en relevantie van respons aan te pakken. Het Judge and Jury-patroon bouwt voort op deze mogelijkheid wanneer hoge niveaus van nauwkeurigheid essentieel zijn.
  • De combinatie van Data Grounding (bijvoorbeeld "zoek uw antwoord in deze records/documenten") en Prompt Engineering (bijvoorbeeld "geef alleen een antwoord als het wordt gevonden in deze records" of "valideer uw antwoord aan de hand van deze externe bron") zijn ook effectieve manieren om hallucinaties te minimaliseren.

• Uitvoertype: Zorg voor generatieve insights.

• Begeleiding bij patroongebruik: Gebruik dit wanneer er een sterke behoefte is aan consistente en geaarde generatieve uitvoer. Een rechteragent stelt een aanwijzing met huisarrest samen en geeft deze door aan twee of meer juryagenten, waarna de rechter de reacties beoordeelt. Voor de beste resultaten gebruikt u verschillende modellen (bijvoorbeeld een van OpenAI en een andere van Anthropic) voor elke jurylidagent.

• Representatieve gebruikscase: Zorg voor hifi-responsen met feiten om hallucinaties te minimaliseren.

• Diagram:

• Salesforce Agentic Maturity: Level 2

• Overzicht: Het Model van modellen-patroon maakt gebruik van meerdere deskundige agenten om een breed scala aan perspectieven te genereren en extraheert vervolgens de consensus. In tegenstelling tot het Judge & Jury-patroon omvat dit patroon meerdere gezichtspunten om de rijkdom te vergroten.

  • Dit patroon kan ook het patroon van het panel van experts worden genoemd wanneer er expertmodellen zijn met verschillende standpunten (POV's) waarop het handig kan zijn om te tikken.
  • In tegenstelling tot het rechter- en jurypatroon, waarbij de bedoeling is om ervoor te zorgen dat de agentische respons convergeert naar een algemeen toegankelijke 'waarheid', breidt het Model van modellen-patroon het bereik van de respons uit door diversiteit in de agentische omgeving te benutten.
  • Dit patroon gaat ervan uit dat er extra agenten zijn die een afzonderlijke POV hebben. Zo biedt het Model van modellen-patroon in een omgeving met meerdere organisaties, agenten met meerdere leveranciers en verschillende technische stacks een structuur voor het integreren van meerdere POV's.
  • Denk bij het overwegen van dit patroon ook aan andere, vaak meer lichtgewicht benaderingen:
    • In plaats van meerdere deskundige agenten te definiëren, geeft u meerdere aanwijzingen op en laat u het systeem werken als een ensemble van aanwijzingen.
    • Maak gebruik van "aarding" via acties die toegang hebben tot contextueel geschikte gegevens.

• Uitvoertype: Zorg voor generatieve insights.

• Begeleiding bij patroongebruik: De rol van een aggregatieagent is het samenstellen en retourneren van een rijke POV op basis van de belangrijkste concepten die de agenten van het model hebben geretourneerd. Modelagenten bepalen een respons op basis van hun unieke POV.

• Representatieve gebruikscase: Gebruik dit in situaties die mogelijk baat hebben bij het combineren van verschillende standpunten om de kwaliteit van de reacties te verbeteren. Bijvoorbeeld een agentische omgeving voor meerdere systemen waarin geprivilegieerde agenten (bijvoorbeeld een ERP-agent) een POV kunnen hebben die waardevol en anders ontoegankelijk is.

• Diagram:

• Salesforce Agentic Maturity: Level 2

Langdurige procespatronen beheren processen die zich over langere perioden voordoen en meerdere stappen en actoren omvatten.

• Overzicht: Het projectmanagerpatroon is een complex patroon dat een langlopend project overziet. Het coördineert activiteiten, houdt voltooiing bij, informeert gebruikers en vertegenwoordigt de projectstatus bij belanghebbenden.

• Uitvoertype: Er zijn meerdere uitvoer (bijvoorbeeld cases, taken, statusupdates en kennisgevingen).

• Begeleiding bij patroongebruik: Gebruik dit als een overkoepelend patroon ter ondersteuning van regelmatige, herhaalde activiteiten met meerdere stappen. Het projectmanagerpatroon gebruikt een invoersjabloon/overzicht van een project—inclusief taken, rollen en afhankelijkheden—en instantieert vervolgens cases en activiteiten en wijst deze toe aan gebruikers.

• Representatieve gebruikscase: Gebruik dit voor beheer van accountinstallaties en verkoopbetrokkenheid voor ondernemingen.

• Diagram:

• Salesforce Agentic Maturity: Niveau 4

Patronen beschrijven agentrollen, maar orkestratiearchetypen definiëren de blauwdrukken op systeemniveau voor de manier waarop een vloot agenten samenwerkt. Deze archetypen verduidelijken de rollen van Agentforce als doeltreffende brein en MuleSoft als de universele connector en adapter.

Archetype 1: SOMA (Enige organisatie, meerdere agenten)

• Definitie: Meerdere agenten werken samen binnen één Salesforce-organisatie die gedeelde governance en gegevens gebruikt.
• Architectural Flow: In Agentforce fungeert een supervisoragent als één voordeur en routeert verzoeken naar gespecialiseerde agenten binnen de organisatie. Voor externe functionaliteit gebruiken agenten de Agentforce MCP Client met MuleSoft als MCP-wrapper voor niet via MCP ingeschakelde API's.
• Belangrijkste overwegingen: Dit patroon centraliseert de doeltreffende combinatielogica in Salesforce (vergelijkbaar met CRM-context en Data 360) om gecombineerd bestuur, identiteit, machtigingen en waarneembaarheid te behouden.

Archetype 2: MOMA (meerdere organisaties, meerdere agenten)

• Definitie: Agenten werken samen binnen meerdere Salesforce-organisaties, wat veilige coördinatie vereist tussen gegevens- en machtigingsgrenzen.
• Architectural Flow: Een supervisoragent in de ene organisatie delegeert een taak aan een agent in een andere organisatie via het gestandaardiseerde agent-naar-agent (A2A) protocol. Deze handdruk zorgt voor Trust op organisatieniveau, gebruikersidentiteitsstroom en gedeelde gesprekscontext.
• Belangrijkste overwegingen: Dit patroon behoudt de autonomie van de organisatie en maakt ondernemingsbrede werkstromen mogelijk, wat een basis vormt voor coherente agentische bewerkingen in complexe estates met meerdere organisaties.

Archetype 3: Multi-Vendor A2A (door Salesforce geleide doeltreffende combinatie)

• Definitie: Een supervisoragent in Salesforce coördineert werk binnen een mix van Salesforce-eigen agenten en agenten van andere leveranciers (bijvoorbeeld Google/Vertex of LangGraph) via het A2A-protocol.
• Architectural Flow: De supervisoragent verwerkt de aanvraag en organiseert een plan, waarbij interne en externe leveranciersagenten worden aangeroepen via het A2A-protocol. Voor externe systemen die niet geschikt zijn voor A2A, kan MuleSoft een "lichtgewicht agentgevel" blootleggen die het bestaande gereedschap omwikkelt en communiceert met de A2A.
• Belangrijkste overwegingen: Dit archetype houdt de doeltreffende combinatiehersenen dicht bij CRM en Data 360 door A2A te gebruiken om een zuivere, beheersbare compositie te produceren zonder een afzonderlijke doeltreffende combinatielaag.

Archetype 4: Multi-Vendor A2A (door MuleSoft geleide doeltreffende combinatie)

• Definitie: Orchestration wordt geïnitieerd vanaf een niet-Salesforce-invoerpunt, waarvoor een neutrale, externe orchestrator nodig is om redenering en routering uit te voeren.
• Architectural Flow: Een UI-agent in een extern systeem stuurt het verzoek door naar een doeltreffende service (geconceptualiseerd als MuleSoft Conductor), die intent interpreteert en de taak plant. De conducteur gebruikt de A2A vervolgens om gesprekken te routeren naar leveranciersagenten, inclusief Agentforce agenten voor CRM- of serviceacties.
• Belangrijkste overwegingen: Dit patroon is bedoeld voor niet-Salesforce-invoerpunten waar een neutrale orchestrator architectonisch de voorkeur heeft. Het houdt de UX in het domeinsysteem en centraliseert redenering, governance, beleid en waarneembaarheid in MuleSoft.

Deze individuele patronen en doeltreffende archetypen zijn architectonische bouwstenen die zijn ontworpen om te worden samengesteld tot end-to-end oplossingen. De Agentic Solution Map wordt gebruikt om te visualiseren hoe deze componenten met elkaar zijn verbonden.

• Een Member Services-oplossing voor een zorgaanbieder is een standaardimplementatie van het SOMA-archetype. Het gebruikt een Antwoordbot voor anonieme gebruikers, een Orchestrator voor geauthenticeerde leden en meerdere KMO-agenten voor domeinen (bijvoorbeeld Case, Claims en Voordelen) om specifieke verzoeken te verwerken.
• Een B2C Broker Portal is een complexe samenstelling die een Portal Orchestrator agent gebruikt om een langlopende Project Manager agent aan te roepen voor een RFP-proces, dat op zijn beurt Headless, Data Steward en Interrogator agenten gebruikt voor back-office gegevensbewerkingen.

Een methodologie voor agentische ontwerppatronen biedt de architectonische discipline die nodig is om robuuste, schaalbare en onderhoudbare AI-systemen voor de onderneming te bouwen. Door complexiteit te verminderen en modulariteit te bevorderen, stellen deze patronen architecten in staat om betrouwbare, voorspelbare agentische oplossingen te leveren.

De keuze van het archetype doeltreffende combinatie is een strategische beslissing op basis van waar gebruikers werken, waar context zich bevindt en hoe de onderneming de interactie tussen mensen, agenten en systemen regelt. Door het onderscheid te begrijpen tussen het samenstellen van agenten en het orkestreren ervan—en door gebruik te maken van open protocollen zoals MCP en A2A—kunnen architecten verder gaan dan het maken van geïsoleerde bots naar het ontwikkelen van een samenhangend, beheerd en gedistribueerd ondernemingsredenerend systeem. Deze benadering biedt een gedeelde taal en een set herbruikbare blauwdrukken om een duurzame agentische architectuur te bouwen.

Deze bijlage geeft concrete voorbeelden van de manier waarop agentische patronen zijn samengesteld tot oplossingen op systeemniveau.

Dit diagram illustreert hoe vijf basispatronen aan elkaar kunnen worden gekoppeld om een gemeenschappelijke klantenservicewerkstroom te maken.

1. Answerbot: Een anonieme gebruiker stelt een vraag, die wordt afgehandeld door een op Knowledge gebaseerde agent.
2. Operator: De vraag van een medewerker wordt beoordeeld door een operator, die het gesprek uitvoert en het overdraagt aan een meer gespecialiseerde agent.
3. Orkestrator: Een geauthenticeerde gebruiker (SF-gebruiker) heeft contact met een Orchestrator die meerdere agenten coördineert om een potentieel veelzijdige vraag af te handelen.
4. Domein MKB: Gespecialiseerde agenten (bijvoorbeeld HR-agenten of Benefits Agents) worden door de orchestrator aangeroepen om onderwerpupdates uit te voeren en specifieke gegevens op te halen.
5. Generator: Agenten voor hulpprogramma's worden gebruikt om accountdetails samen te vatten of een case af te ronden nadat de interactie is voltooid.

Deze oplossingstoewijzing geeft details over een agentische architectuur voor een gebruikscase voor Services voor leden, waarbij de samenstelling van meerdere patronen wordt gedemonstreerd.

• Gebruikersprofielen: De oplossing bedient drie verschillende gebruikerstypen: Anonieme gebruiker, Geauthenticeerd lid en SF-gebruiker (bijvoorbeeld een menselijke klantenservicemedewerker).
• Interactiepatronen: Een antwoordbot verwerkt anonieme "Find-A-Doc"-query's, terwijl een Orchestrator (Agentic Front Door) geauthenticeerde gebruikersvragen beheert. Een Listener/Feed-patroon helpt de SF-gebruiker.
• Hergebruik door domeinagent: Gespecialiseerde KMO-agenten voor domeinen (bijvoorbeeld Caseagent, Claimagent of Benefits Agent) worden hergebruikt in verschillende interactiestromen.
• Autonoom en ondersteunend: Het systeem combineert autonome agenten (om interactie met gebruikers te sturen) en ondersteunende agenten (om menselijke klantenservicemedewerkers aan te vullen).
• Gegevensbronnen: De architectuur integreert een mix van openbare en zakelijke gegevensbronnen, met uitgebreid gebruik van Data 360 en MuleSoft voor connectiviteit.

Dit diagram illustreert een logische architectuur voor een Ondersteunende AI-oplossing in een contactcentrum, georganiseerd in functionele lagen.

• Orkestratoragenten: Beheer gebruikerservaringen voor verschillende identiteiten (bijvoorbeeld anoniem, extern lid of klantenservicemedewerker) en organiseer de algehele interactiestroom.
• Werknemersagenten: Meerdere MKB-agenten zijn gericht op kernbedrijfsdomeinen zoals Knowledge, Case/Claims/Voordelen en Provider Directory. Een Next Best Action-agent is ook inbegrepen.
• Nutsagenten: Voer specifieke, herbruikbare taken uit, zoals Vertaling, Cases afronden en Gesprekssamenvatting. Integratie- en kernsystemen: Het gehele agentische systeem is via een platformonafhankelijke integratielaag verbonden met ongestructureerde gegevensresources, gestructureerde gegevensresources en kernsystemen van de onderneming.
• Bestuur: Een governancelaag biedt observatie, evaluatie en beheer voor de LLM's/SLM's die door de agenten worden gebruikt.

Deze oplossingskaart geeft details over een complexe, langdurige agentische interactie voor een B2B-portal voor zorgverzekeraars. Het model omvat een portalagent (orkestleider) die de journey van de makelaar door meerdere stappen faciliteert (bijvoorbeeld het indienen van een RFP en het ontvangen van een voorstel). Deze orchestrator roept een agent voor projectmanager aan, die op zijn beurt diverse headless agenten coördineert voor back-officegegevenskwaliteit en -transformaties, zoals een RFP-extractor, Census-transformatie en Data Steward.

Dit diagram toont een logische architectuur voor een B2C Broker-oplossing, die een soortgelijke gelaagde benadering van het contactcentrum demonstreert. Het omvat Orkestrator-agenten voor verschillende gebruikersidentiteiten, herbruikbare medewerkersagenten voor belangrijke domeinen (bijvoorbeeld Knowledge, Ledenservices of Commissies) en Nutsagenten voor specifieke functies zoals vertaling en samenvatting.

Dit diagram toont een logische architectuur voor een Provider Contracting-oplossing. Orkestratoragenten beheren volledige interacties, medewerkeragenten beheren specifieke intents binnen een domein (bijvoorbeeld een agent van een contracterend MKB) en agenten van nutsbedrijven voeren afzonderlijke taken uit, zoals het vergelijken van contracten of genereren van insights.

De volgende tabel geeft een overzicht van diverse belangrijke interactiepatronen, typische gebruikerservaringen en primaire architectonische doeleinden.

David Harshbarger is een succesvolle ondernemer en technologieleider die voor veel toonaangevende softwarebedrijven heeft gewerkt. Hij ontwerpt oplossingen die de architectuur en de business op elkaar afstemmen, zodat technologen werken met hun technologie, niet tegen hun technologie in. Tegenwoordig werkt David als Principal Enterprise Architect bij Salesforce en ondersteunt hij Health & Life Sciences.

Chacha Choudhury is een zeer ervaren en visionaire IT-CTO/Chief Architect met tientallen jaren ervaring. Momenteel is hij werkzaam als Principal Enterprise Architect en leidt hij het Salesforce Architecture Program en de Global Community of Architects. Hij wordt erkend voor zijn expertise in het bepalen van technologiestrategieën voor de hele onderneming, het stimuleren van architectuurmodernisering en baanbrekende innovatieve oplossingen, waaronder Generative AI en Agentic AI-toepassingen.