Operational Excellence - Agentische patronen

Lees meer over EPS Kisten van 75 x 70cm → Agentic Enterprise Operational Excellence

Patronen

Waar te zoeken	Hoe goed eruitziet
Agentforce \| Sessietracering	✅ Gebruik het native Session Tracing Data Model (STDM) voor het vastleggen van agentinteracties in een gecombineerd gegevensmodel op Data 360 in plaats van een parallel telemetriesysteem te bouwen — waarbij elk gesprek wordt vastgelegd als een traceringshiërarchie van sessies, interacties (beurten) en stappen (UserInputStep, LLMExecutionStep, FunctionStep)
Agentforce \| Sessietracering	✅ Vertrouw op de standaard STDM-objecten (AIAgentSession, AIAgentSessionParticipant, AIAgentInteraction, AIAgentInteractionStep, AIAgentInteractionMessage), die acties vastleggen als interactiestappen in plaats van een afzonderlijk actielogboek te vereisen
Agentforce \| Sessietracering	✅ Haal tokengebruik, model en aanwijzingsdetails op door interactiestappen samen te voegen met hun LLM-aanroeprecords (via GenerationId en GenAiGatewayRequest / Response-verwijzingen) in plaats van ze op te slaan als aangepaste sessievelden
Agentforce \| Sessietracering	✅ Leg redeneringssporen vast vanuit de Atlas Reasoning Engine — Sessietracering legt de stappen van de planner vast als onderdeel van elke interactie — om beslissingsprocessen van agenten te onthullen en de foutopsporing te verbeteren
Agentforce \| Agentconfiguratie	✅ Logboek turn-level details inclusief gebruikersinvoer, agent reactie, redenering verklaring, vertrouwensscores, opgehaalde context, acties geprobeerd, en fouten aangetroffen
Einstein \| Trust laag	✅ Schakel het Einstein Trust Layer-controletraject voor genererende AI in (aanwijzings- en reactietekst, via PII gemaskeerde versies, aardingsgegevens, veiligheids- en toxiciteitsscores, modeldetails) dat naar Data 360 wordt gestreamd, plus Einstein Generatieve AI en Gegevensverzameling en -opslag voor feedback voor langdurige bewaring
Platform \| Aangepaste objecten	✅ Reserveer aangepaste vastleggingsobjecten voor opzettelijke uitzonderingen, zoals een lichtgewicht object dat het gedrag van agenten correleert met bedrijfsuitkomsten, in plaats van ze tot het primaire substraat voor vastlegging te maken
Platform \| Dashboard	✅ Correleer gedrag van agenten met bedrijfsresultaten, identificeer verbeteropportunities door middel van patroonanalyse en voer continue leerpijplijnen met voorbeelden met kwaliteitslabels

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Platform \| Aangepaste objecten	⚠️ Het handmatig samenstellen van aangepaste transactionele objecten als het primaire substraat voor het vastleggen van gesprekken in plaats van het native gegevensmodel Sessietracering, met schaalproblemen bij het opslaan van gesprekken met meerdere beurten, grote JSON-payloads en snelle gegevensgroei
Agentforce \| Sessietracering	⚠️ Een parallel telemetriesysteem samenstellen wanneer Agentforce Sessietracering al interacties vastlegt in een gecombineerd gegevensmodel op Data 360
Agentforce \| Agentconfiguratie	⚠️ Vastleggen van alleen agentreacties zonder invoer, redeneringstraces, opgehaalde context en ondernomen acties vast te leggen
Einstein \| Trust laag	⚠️ Het controletraject Einstein Trust Layer uitschakelen in productie of Feedbackgegevensverzameling en -opslag niet inschakelen voor langdurige bewaring in Data 360
Platform \| Bewaking	⚠️ Uitsluitend vertrouwen op succes / mislukking van gesprekken zonder tokengebruik, model en aanwijzingsdetails vast te leggen via de STDM LLM-aanroepjoins

Patronen

Waar te zoeken	Hoe goed eruitziet
Platform \| Bewaking	✅ Meet responslatentie bij percentielen (p50, p95, p99) die typische prestaties en worst-case ervaringen onthullen
Platform \| Bewaking	✅ Instrument elke latentiefase afzonderlijk (model gevolgtrekking, context ophalen, actie-uitvoering, netwerk) voor gerichte optimalisering
Platform \| Bewaking	✅ Waarschuwing wanneer p95 latentie drempelwaarden overschrijdt, wat aangeeft dat de prestaties afnemen
Platform \| Bewaking	✅ Track token distributie (aanwijzingstokens, voltooiingstokens, totale tokens) per gesprek, per agent en per gebruikscase
Platform \| Bewaking	✅ Detecteren uitschieters gesprekken verbruiken buitensporige tokens suggereren prompt problemen of misbruik
Platform \| Bewaking	✅ Vergelijk huidige doorvoer met bekende snelheidslimieten of capaciteitsbaselines die waarschuwen wanneer drempelwaarden worden benaderd
Platform \| Bewaking	✅ Bereken foutenpercentages als percentage van het totale aantal verzoeken waardoor vergelijking tussen agenten en tijdsperioden mogelijk is
Platform \| Bewaking	✅ Maak onderscheid tussen foutcategorieën (modelfouten, machtigingsfouten, integratiefouten) die verschillende reacties vereisen
Platform \| Bewaking	✅ Beschikbaarheid berekenen als percentage van de tijd dat agenten met succes reageren op verzoeken en bijhouden op basis van SLO’s
Platform \| Proactive Monitoring	✅ Configureer Proactive Monitoring drempelwaarden op basis van baseline agent gedragspatronen in plaats van het accepteren van standaardwaarden
Platform \| Schaalcentrum	✅ Schaalcentrumgegevens beoordelen na het implementeren van nieuwe agenten of het aanbrengen van belangrijke prompte wijzigingen door het valideren van resourceverbruik komt overeen met verwachtingen

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Platform \| Bewaking	⚠️ Meten van alleen gemiddelde latentie in plaats van percentielen, maskeren van slechtste gebruikerservaringen
Platform \| Bewaking	⚠️ Bijhouden van totale latentie zonder instrumentering afzonderlijke fasen (conferentie, ophalen, actie-uitvoering)
Platform \| Bewaking	⚠️ Alle fouten hetzelfde behandelen in plaats van categoriseren op type (model, machtiging, integratie) voor de juiste reactie
Platform \| Proactive Monitoring	⚠️ Accepteren van standaard Proactive Monitoring drempelwaarden zonder af te stemmen op baseline agent gedragspatronen
Platform \| Schaalcentrum	⚠️ Nieuwe agenten implementeren of snelle wijzigingen aanbrengen zonder Scale Center-gegevens te controleren om resourceverbruik te valideren
Platform \| Bewaking	⚠️ Het negeren van tokenverbruikspatronen en het niet detecteren van uitschietersgesprekken die 10x typische tokens verbruiken

Patronen

Waar te zoeken	Hoe goed eruitziet
Agentforce \| Testcentrum	✅ Begin met native test- en evaluatietooling: onderhoud herbruikbare testcasesets in Agentforce-testcentrum en voer agenten in batches tegen ze uit, waarbij wordt gecontroleerd of de agent het verwachte onderwerp en de verwachte actie heeft geselecteerd en een acceptabele respons heeft geproduceerd
Agentforce \| Testcentrum	✅ Gebruik eigen beoordelaars — kant-en-klare kwaliteitsdimensies en de LLM-als-rechter-benadering voor het scoren van gesprekskwaliteit — en schrijf aangepaste beoordelaars voor organisatiespecifieke criteria, met behulp van representatieve gesprekken zodat evaluatie het werkelijke gebruik weerspiegelt
Agentforce \| Testcentrum	✅ Voor feitelijke vragen met bekende antwoorden handhaaft u definities van bekende antwoorden als herhaalbare testcases in het Testcentrum; voor vragen met een open einde voegt u een menselijke beoordeling van gesprekken uit de steekproef toe
Data 360 \| Kwaliteit van ophalen	✅ Gebruik voor agenten die zijn gebaseerd op een Knowledge base, native analyse van de kwaliteit van ophalen om contextrelevantie, relevantie van antwoorden en getrouwheid (gegrondheid) van responsen te beoordelen
Einstein \| Trust laag	✅ Vertrouw op de Einstein Trust Layer run-time toxiciteitsdetectie als de eerste verdedigingslinie en verbeter vervolgens de veiligheidsbewaking door middel van inhoudfiltering, handmatige beoordelingsbemonstering, gebruikersrapportage en fairness-audits voor demografische groepen
Gegevens 360 \| GenAIFeedback	✅ Leg gebruikerstevredenheid vast via Agentforce feedback die in de GenAIFeedback / GenAIFeedbackDetail-DMO’s in Data 360 stroomt (duim omhoog / omlaag, accepteren / afwijzen, bewerkingen, woordelijke opmerkingen) naast gatewayverzoek- en generatiegegevens
Platform \| Analytics	✅ Expliciete feedback (gevraagd vóór escalatie, na gesprek, vervolgenquêtes) combineren met impliciete signalen (voltooiingsscores, escalatie, opgeven, opnieuw proberen), correleren met gesprekskenmerken om de prioriteit van verbeteringen te sturen

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Agentforce \| Testcentrum	⚠️ Een aangepaste testuitrusting samenstellen en uitvoeren in plaats van te beginnen met de herbruikbare testsets en native evaluatoren van Agentforce-testcentrum
Agentforce \| Testcentrum	⚠️ Uitsluitend vertrouwen op geautomatiseerde evaluatie zonder menselijke beoordeling voor kwaliteitsbeoordeling van open responsen
Platform \| Bewaking	⚠️ Bewaking van alleen nauwkeurigheid zonder relevantie, veiligheid en dimensies van gebruikerstevredenheid bij te houden
Gegevens 360 \| GenAIFeedback	⚠️ Het niet verzamelen van feedback van gebruikers (expliciet of impliciet) over de reactiekwaliteit van agenten wanneer Agentforce feedback al naar de GenAIFeedback DMO’s stroomt
Agentforce \| Agentconfiguratie	⚠️ Eerlijkheidscontroles overslaan die uitkomstverdelingen over demografische groepen beoordelen

Patronen

Waar te zoeken	Hoe goed eruitziet
Agentforce \| Agentconfiguratie	✅ Stel baselineprestaties vast onmiddellijk na de implementatie van agenten en meet nauwkeurigheid, relevantie, veiligheid en tevredenheid voor representatieve testcases
Agentforce \| Agentconfiguratie	✅ Periodiek opnieuw evalueren op basis van dezelfde testcases, waardoor prestatiewijzigingen onafhankelijk van diensten van gebruikspatronen worden onthuld
Platform \| Bewaking	✅ Waarschuwing wanneer kwaliteitsmeetgegevens afnemen boven acceptabele drempelwaarden gedefinieerd door tolerantie voor bedrijfsimpact
Platform \| Analytics	✅ Bewaak invoerkenmerken (vraaglengte, onderwerpdistributie, taalcomplexiteit, domeinterminologie) die significante distributieverschuivingen detecteren
Platform \| Bewaking	✅ Bewaak responskenmerken (gemiddelde responslengte, actieaanroepingsscores, escalatiefrequenties, foutpatronen) om gedragsuitgangswaarden vast te stellen
Platform \| Bewaking	✅ Configureer geautomatiseerde waarschuwingen die worden geactiveerd wanneer meetgegevens over drift drempelwaarden overschrijden, waardoor onderzoek en herstel worden geactiveerd

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Agentforce \| Agentconfiguratie	⚠️ Het niet vaststellen van baselineprestaties na de initiële agentimplementatie, waardoor drift niet detecteerbaar is
Platform \| Bewaking	⚠️ Distributiedrift negeren wanneer invoerpatronen van gebruikers aanzienlijk veranderen ten opzichte van waarvoor agenten zijn ontworpen
Platform \| Bewaking	⚠️ Het niet bewaken van gedragsveranderingen (responslengte, actiescores, escalatiefrequenties) ten opzichte van vastgestelde baselines
Platform \| Bewaking	⚠️ Geen automatische waarschuwing voor meetgegevens over drift, alleen vertrouwen op handmatige observatie om degradatie te detecteren

Patronen

Waar te zoeken	Hoe goed eruitziet
Platform \| Bewaking	✅ Monitor tokenverbruiksdistributies en detecteer uitschietersgesprekken en onderzoek die 10x typische tokens verbruiken
Platform \| Bewaking	✅ Plotselinge toenames in foutpercentages, nieuwe fouttypen die niet in baseline liggen, of gelokaliseerde foutconcentraties detecteren die specifieke gebruikers of agenten betreffen
Platform \| Analytics	✅ Houd gespreksbeëindiging bij door gespreksfase te identificeren of gebruikers opgeven tijdens de eerste interactie, halverwege het gesprek of na voltooiing van de taak
Platform \| Bewaking	✅ Routeer kritieke agentfouten onmiddellijk naar oproepbare engineers, kwaliteitsvermindering naar productteams tijdens kantooruren en kleine anomalieën naar dagelijkse samenvattingen

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Platform \| Bewaking	⚠️ Het behandelen van alle waarschuwingen met dezelfde urgentie, waardoor waarschuwingsmoeheid en gemiste kritieke mislukkingen ontstaan
Platform \| Bewaking	⚠️ Negeren van kostenanomalieën zoals pieken in tokenverbruik die kunnen duiden op prompte problemen, misbruik of infrastructuurproblemen
Platform \| Analytics	⚠️ Het niet bijhouden van percentages voor het verlaten van gesprekken of het niet analyseren van het verlaten op fase
Platform \| Bewaking	⚠️ Wachten op gebruikersrapporten in plaats van proactief foutenpercentagepieken te detecteren via geautomatiseerde bewaking

Patronen

Waar te zoeken	Hoe goed eruitziet
Platform \| Bronbeheer	✅ Sla aanwijzingssjablonen op in Git naast toepassingscode en behandel aanwijzingen als kritieke toepassingslogica die codebeoordeling, testen en gecontroleerde implementatie verdient
Einstein \| Aanwijzingensamensteller	✅ Gebruik Aanwijzingensamensteller voor herhalende aanwijzingsontwikkeling met versiehistorie en testmogelijkheden en exporteer vervolgens naar versiebeheer voor implementatiepijplijnen
Platform \| Bronbeheer	✅ Store-configuraties (modelselectie, temperatuur, tokenlimieten, ophaalconfiguraties, actiemachtigingen, functievlaggen) als code voor omgevingsspecifieke waarden en driftdetectie
Platform \| Bronbeheer	✅ Pas semantische versiebeheer toe op agentcomponenten: major (brekende wijzigingen), minor (voorzieningen), patch (bugfixes) met versienummers die worden weergegeven in logboeken
Platform \| Documentatie	✅ Documenteren wat er is gewijzigd, waarom het is gewijzigd, welke testen de wijziging hebben gevalideerd en welke terugdraaiprocedures er zijn voor elke aanwijzing en configuratiewijziging

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Einstein \| Aanwijzingensamensteller	⚠️ Snelle wijzigingen aanbrengen zonder codebeoordeling, testen of gecontroleerde implementatieprocessen
Platform \| Configuratie	⚠️ Agentconfiguraties opslaan buiten broncontrole waar drift niet kan worden gedetecteerd en implementaties niet kunnen worden geautomatiseerd
Platform \| Documentatie	⚠️ Snelle wijzigingen aanbrengen zonder de reden, testresultaten of terugdraaiprocedures te documenteren
Platform \| Bronbeheer	⚠️ Het niet toepassen van semantische versiebeheer, waardoor het onmogelijk is om incidenten te correleren met specifieke implementaties

Patronen

Waar te zoeken	Hoe goed eruitziet
Platform \| Documentatie	✅ Houd een modelregister bij waarin wordt vastgelegd welke modelversies waar worden geïmplementeerd, inclusief modelfamilie, specifieke versie, finetuningstatus, omgeving, implementatiedatum en verantwoordelijk team
Platform \| Documentatie	✅ Log elke agent implementatie inclusief versie, omgeving, tijdstempel, implementerende gebruiker, verkregen goedkeuringen en implementatie-uitkomst
Platform \| Documentatie	✅ Wijs afhankelijkheden tussen agenten, aanwijzingen, Knowledge bases, acties en integraties expliciet in plaats van ze te ontdekken tijdens incidenten
Zakelijk \| Proces	✅ Stel een afschrijvingsschema op met een door polissen ondersteunde minimale opzegtermijn die ruim van tevoren wordt gecommuniceerd, waardoor geplande migraties mogelijk worden in plaats van noodmaatregelen op gedwongen afschrijvingen
Platform \| Documentatie	✅ Document rollback procedures voor elke agent inclusief doelversie, uitvoeringsstappen, validatie testen en kennisgevingsvereisten
Platform \| Fasering	✅ Test terugdraaiprocedures in niet-productieomgevingen waarbij ze worden gevalideerd voordat ze ervan afhankelijk worden tijdens productie-incidenten

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Platform \| Documentatie	⚠️ Afhankelijkheden tussen agenten, aanwijzingen en Knowledge bases alleen tijdens incidenten ontdekken in plaats van expliciete afhankelijkheidskaarten te onderhouden
Zakelijk \| Proces	⚠️ Onvoldoende kennisgeving van afschrijving, waardoor noodmigraties worden afgedwongen in plaats van geplande overgangen
Platform \| Documentatie	⚠️ Ongeteste terugdraaiprocedures die mislukken wanneer dat het meest nodig is tijdens productie-incidenten
Platform \| Implementatie	⚠️ Agenten implementeren zonder versie, omgeving, goedkeuringen of uitkomst vast te leggen, waarbij het vermogen om incidenten te correleren met implementaties verloren gaat

Patronen

Waar te zoeken	Hoe goed eruitziet
Platform \| UI	✅ Verzamel expliciete feedback (duimen omhoog / omlaag, kwaliteitsscores, opmerkingen) en impliciete feedback (voltooiingsscores, escalatiefrequenties, patronen voor opnieuw proberen) systematisch
Data 360 \| Gegevensbeheer	✅ Curate gesprek logt in trainingsgegevenssets door te filteren op kwaliteit, het verwijderen van problematische voorbeelden, het waarborgen van representativiteit, en dupliceren
Data 360 \| Aarding	✅ Agenten aanpassen aan domeinvocabulaire, bedrijfsprocessen en organisatiespecifieke Knowledge voornamelijk via RAG gebaseerd op Data 360 en prompt tuning — het Salesforce-eigen aanpassingspad
Einstein \| BYOLLM	✅ Wanneer aarding en prompt tuning onvoldoende zijn, verfijnt u een model extern en verbindt u het via BYOLLM in plaats van in-platform generatieve fine-tuning te verwachten
Einstein \| Aanwijzingensamensteller	✅ Vaststellen van regelmatige prompt review cadans onderzoeken van recente gesprekken, kwaliteit meetgegevens en feedback van gebruikers identificeren van verbeteringsopportuniteiten
Einstein \| Aanwijzingensamensteller	✅ Implementeren prompt wijzigingen incrementeel met A / B testen valideren verbeteringen vóór volledige implementatie
Agentforce \| Agentconfiguratie	✅ Onderhoud testsets die happy paths, edge cases, tegenstandersinvoer en historische probleemscenario’s bestrijken, en breid continu uit naarmate nieuwe edge cases worden ontdekt

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Platform \| Gegevens	⚠️ Proberen te verbeteren zonder systematisch feedback te verzamelen, waardoor verbetering giswerk wordt in plaats van gegevensgestuurd
Data 360 \| Gegevensbeheer	⚠️ Gebruik van niet-gemodereerde gesprekslogboeken voor training inclusief veiligheidsschendingen, fouten en niet-representatieve voorbeelden
Data 360 \| Aarding	⚠️ Het bereiken van externe fine-tuning voordat RAG-aarding en prompt tuning uitgeput raken, het native pad dat de meeste domeinaanpassingsbehoeften oplost zonder een aangepast model
Einstein \| Aanwijzingensamensteller	⚠️ Het behandelen van prompt engineering als een eenmalige oefening in plaats van continue praktijk aangepast als gebruikspatronen evolueren
Agentforce \| Agentconfiguratie	⚠️ Het hebben van statische testsets die nooit uitbreiden om nieuwe edge cases ontdekt in productie te dekken

Patronen

Waar te zoeken	Hoe goed eruitziet
Platform \| Typen aangepaste metagegevens	✅ Implementeer functievlaggen met behulp van aangepaste metagegevenstypen of aangepaste instellingen om implementatie los te koppelen van release voor agentwijzigingen met hoog risico
Platform \| Machtigingensets	✅ Implementeer kanarie-implementaties waarbij wijzigingen van agenten eerst worden vrijgegeven aan een kleine gebruikerssubset met behulp van machtigingensets die toegang tot agenten bepalen
Agentforce \| Agentconfiguratie	✅ Bewaak het kanariecohort intensief door successcores, kwaliteit, foutscores, latentie, tokenverbruik en tevredenheid te meten, en breid de implementatie alleen uit wanneer de kanarie overeenkomt met of beter is dan de controlegroep die de vorige agentversie uitvoert
Platform \| Analytics	✅ Definieer succescriteria voordat u begint met A / B-tests om onduidelijke resultaten te voorkomen, afgestemd op bedrijfsdoelstellingen
Agentforce \| Agentconfiguratie	✅ Implementeer kampioen-uitdager testen met behoud van bewezen versie als reserveversie tijdens vergelijking met verbeterde challengerversie
Zakelijk \| Proces	✅ Objectieve criteria voor speciale acties vaststellen, waaronder minimale steekproefgrootte, kwaliteitsdrempels en evaluatieduur vóór beslissingen over speciale acties

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Agentforce \| Agentconfiguratie	⚠️ Agentwijzigingen tegelijkertijd implementeren voor alle gebruikers zonder kanarietests, waardoor de straal van problemen wordt gemaximaliseerd
Platform \| Implementatie	⚠️ Agentwijzigingen met hoog risico implementeren zonder voorzieningsvlaggen waardoor onmiddellijke terugdraaiing zonder herimplementatie mogelijk is
Platform \| Analytics	⚠️ A/B-tests uitvoeren zonder vooraf gedefinieerde succescriteria, wat leidt tot onduidelijke resultaten en slechte beslissingen
Platform \| Analytics	⚠️ Uitvoeren van experimenten met onvoldoende steekproefgrootte die luidruchtige resultaten opleveren die leiden tot onjuiste conclusies
Agentforce \| Agentconfiguratie	⚠️ Functievlaggen gebruiken voor elke kleine aanwijzingswijziging in plaats van deze te reserveren voor risicovolle wijzigingen voor bedrijfskritieke agenten

Patronen

Waar te zoeken	Hoe goed eruitziet
Platform \| Bewaking	✅ Agentfouten detecteren via geautomatiseerde bewakingswaarschuwingen voor foutpercentages, kwaliteitsdegradatie van meetgegevens, kostenanomalieën, latentieverhogingen en gebruikersescalaties
Platform \| Bewaking	✅ Vul geautomatiseerde detectie aan met gebruikersrapportagemechanismen die escalatie van problemen mogelijk maken
Zakelijk \| Proces	✅ Definieer ernstcriteria objectief op basis van impact van de gebruiker, blaststraal, risico op gegevensintegriteit en urgentie van herstel
Platform \| Documentatie	✅ Document initiële reactieprocedures als runbooks uitvoerbaar door on-call engineers zonder diepgaande agent expertise
Agentforce \| Agentconfiguratie	✅ Opnemen in de eerste reactie: uitschakelen falende agent (stroomonderbreker), route naar reserve, diagnose verzamelen, belanghebbenden informeren, incidentcommunicatie starten

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Platform \| Bewaking	⚠️ Vertrouwen op gebruikersrapporten als primair detectiemechanisme in plaats van geautomatiseerde bewaking voor agentfouten
Zakelijk \| Proces	⚠️ Gebruik van subjectieve ernstclassificatie die leidt tot onder-escalerende echte problemen of over-escalerende kleine problemen
Platform \| Documentatie	⚠️ Hebben geen runbooks, die incidentspecifiek onderzoek door ingenieurs met diepe agentenexpertise tijdens elk incident vereisen
Zakelijk \| Proces	⚠️ Falen van agenten identiek behandelen aan traditionele mislukte toepassingen zonder rekening te houden met hallucinaties, off-topic reacties of veiligheidsschendingen

Patronen

Waar te zoeken	Hoe goed eruitziet
Platform \| Apex	✅ Implementeer stroomonderbrekers met configureerbare foutdrempel (bijv. 50% foutpercentage), duurvenster (bijv. 5 min rollend venster) en hersteltests (periodieke proefaanvragen)
Agentforce \| Agentconfiguratie	✅ Ontwerp reservehiërarchieën: Primaire geavanceerde agent → Eenvoudigere back-upagent → Statische antwoorden op veelgestelde vragen → Menselijke overdracht
Platform \| doeltreffende combinatie	✅ Implementeer reservelogica in doeltreffende combinatielaag in plaats van binnen afzonderlijke agenten, waardoor consistente werking binnen het ecosysteem van agenten mogelijk is
Agentforce \| Agentconfiguratie	✅ Ontwerp menselijke overdrachtswerkstromen met behoud van gesprekscontext, communiceren van reden voor overdracht en routering naar de juiste menselijke agent met relevante expertise
Platform \| Bewaking	✅ Monitor overdrachtspercentages op onderwerp, agent en reden voor mislukking om hiaten in de capaciteit van agenten te identificeren
Agentforce \| Agentconfiguratie	✅ Wanneer geavanceerd redeneren mislukt, terugvallen op eenvoudigere logica; wanneer real-time gegevens niet beschikbaar zijn, werken op cachegegevens; wanneer integraties mislukken, werken in de alleen-lezen modus
Platform \| doeltreffende combinatie	✅ Test reservepaden regelmatig valideren dat ze werken wanneer nodig

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Agentforce \| Agentconfiguratie	⚠️ Het hebben van geen stroomonderbrekers, waardoor falende agenten herhaaldelijk gebruikers kunnen treffen terwijl problemen worden opgelost
Platform \| doeltreffende combinatie	⚠️ Implementeren van reservelogica binnen afzonderlijke agenten in plaats van op de doeltreffende laag, waardoor inconsistent gedrag ontstaat
Agentforce \| Agentconfiguratie	⚠️ Het ontwerpen van binaire pass / fail agenten die ofwel perfect werken of volledig mislukken zonder sierlijke degradatie opties
Platform \| doeltreffende combinatie	⚠️ Nooit reservepaden testen, ontdekken dat ze niet alleen werken tijdens feitelijke incidenten
Agentforce \| Agentconfiguratie	⚠️ Menselijke handoff die gesprekscontext verliest waardoor gebruikers informatie moeten herhalen

Patronen

Waar te zoeken	Hoe goed eruitziet
Zakelijk \| Proces	✅ Voer onberispelijke beoordelingen na het incident uit met de focus op systeemverbeteringen in plaats van individuele fouten die psychologische veiligheid creëren
Zakelijk \| Proces	✅ Maak gedetailleerde tijdlijn van de initiële voorwaarden door middel van detectie, onderzoek, reactie, herstel en validatie met tijdstempels
Zakelijk \| Proces	✅ Gebruik “Five Whys” techniek boren van symptomen naar fundamentele oorzaken in plaats van simplistische conclusies
Zakelijk \| Proces	✅ Analyseer bijdragende factoren, waaronder bewakingshiaten, testhiaten, documentatiehiaten, automatiseringshiaten en architectonische hiaten
Zakelijk \| Proces	✅ Evalueer de detectie: welk signaal had het probleem eerder moeten detecteren, welke bewaking maakt snellere detectie mogelijk
Zakelijk \| Proces	✅ Geef concrete, toegewezen, tijdgebonden actie-items op die herhaling voorkomen (bijv. “waarschuwing toevoegen voor foutenpercentage van meer dan 5% meer dan 10 minuten - toegewezen: Alex - vervallen: 2 weken”)
Zakelijk \| Proces	✅ Track actie-item voltooiing in daaropvolgende beoordelingen ervoor zorgen dat continue verbetering daadwerkelijk gebeurt
Platform \| Documentatie	✅ Document post-incident beoordelingen in gedeelde Knowledge base met tagging inschakelen van patroonanalyse over meerdere incidenten
Zakelijk \| Proces	✅ Deel beoordelingen na het incident ruimschoots buiten directe incidentresponsers via teamvergaderingen of lunch-and-learn-sessies

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Zakelijk \| Proces	⚠️ Op schuld gerichte autopsie die de psychologische veiligheid vermindert en eerlijke beoordeling van mislukkingen verhindert
Zakelijk \| Proces	⚠️ Simplistische conclusies over de hoofdoorzaak (“de agent had een bug”) in plaats van specifieke bevindingen die een effectieve oplossing mogelijk maken
Zakelijk \| Proces	⚠️ Vage actie-items zoals “monitoring verbeteren” in plaats van specifieke, toegewezen, tijdgebonden taken
Zakelijk \| Proces	⚠️ Lage voltooiingsscores van actie-items die duiden op continue mislukking van het verbeteringsproces
Zakelijk \| Proces	⚠️ Post-incident learnings verborgen houden voor directe responders in plaats van breed te delen voor organisatorisch leren

Patronen

Waar te zoeken	Hoe goed eruitziet
Zakelijk \| Proces	✅ Valideren van pre-implementatie controlelijst inclusief testen, beveiligingsbeoordeling, nalevingsvalidatie, documentatie, bewakingsconfiguratie en goedkeuring van belanghebbenden
Zakelijk \| Proces	✅ Evalueer risico op basis van blaststraal, gegevensgevoeligheid, actieautoriteit, integratieafhankelijkheden, herstelcomplexiteit en gevolgen voor naleving
Zakelijk \| Proces	✅ Schaal goedkeuringsvereisten op basis van risico: hoog risico vereist goedkeuring door leidinggevenden, beveiligingsbeoordeling en geleidelijke implementatie; laag risico vereist peer review en standaardtests
Platform \| Goedkeuringsprocessen	✅ Implementeer geautomatiseerde, bijgehouden en controleerbare goedkeuringswerkstromen met behulp van Salesforce-goedkeuringsprocessen of externe implementatietools
Zakelijk \| Proces	✅ Noodprocedures definiëren die goedkeuring van het management, motiveringsdocumentatie en versnelde beoordeling na de implementatie vereisen
Platform \| Bewaking	✅ Volg noodimplementaties afzonderlijk; hoge implementatiefrequentie voor noodgevallen geeft procesproblemen aan die onderzoek vereisen

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Zakelijk \| Proces	⚠️ Een uniforme goedkeuringsdiepte toepassen ongeacht het risicoprofiel van agenten, inspanningen verspillen aan agenten met een laag risico of agenten met een hoog risico onderbeoordelen
Zakelijk \| Proces	⚠️ Productieagenten implementeren zonder validatie van test-, beveiligings-, nalevings- en bewakingscontrolelijsten vóór de implementatie
Platform \| Implementatie	⚠️ Het hebben van geen nood bypass procedures, waardoor kritieke fix vertragingen tijdens productie-incidenten
Zakelijk \| Proces	⚠️ Vereist vaak implementaties in noodgevallen, wat duidt op verbroken standaardprocessen in plaats van uitzonderlijke omstandigheden

Patronen

Waar te zoeken	Hoe goed eruitziet
Agentforce \| Agentconfiguratie	✅ Testuitvoerkenmerken (bevat verplichte informatie, handhaaft de juiste toon, omvat citaten) in plaats van exacte tekst voor niet-deterministische agentuitvoeren
Agentforce \| Agentconfiguratie	✅ Vaststellen van minimale kwaliteitsdrempels (bijv. “95% nauwkeurigheid op gehouden testset, nul veiligheidsschendingen, eerlijkheidsaudit toont geen demografische verschillen van meer dan 5%“)
Agentforce \| Agentconfiguratie	✅ Voer veiligheidstests uit met vijandige invoer, waaronder prompt injectie, jailbreakpogingen, verzoekescalatie en verzoeken buiten bereik
Agentforce \| Agentconfiguratie	✅ Laat veiligheidstests uitvoeren door teamleden die niet betrokken zijn bij de ontwikkeling van agenten en biedt een nieuw perspectief op kwetsbaarheden
Platform \| Prestatietests	✅ Test onder realistische belasting, waaronder gelijktijdige gesprekken, typische gespreksduur en geprojecteerd gebruiksvolume
Platform \| Beveiliging	✅ Valideren dat agenten geen toegang hebben tot ongeautoriseerde gegevens, geen ongeautoriseerde acties kunnen uitvoeren en dat promptinjectie geen privileges kan escaleren
Platform \| CI/CD	✅ Scannen van beveiliging integreren in de implementatiepijplijn met behulp van Salesforce Code Analyzer en gespecialiseerde AI-beveiligingstools

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Agentforce \| Agentconfiguratie	⚠️ Agenten testen voor exacte tekstovereenkomst op niet-deterministische uitvoer in plaats van uitvoerkenmerken te testen
Platform \| Prestatietests	⚠️ Alleen testen met scenario’s voor één gebruiker, ontbrekende beheerlimietproblemen, resourcebeperkingen en knelpunten in de schaalbaarheid
Agentforce \| Agentconfiguratie	⚠️ Veiligheidstests overslaan of ontwikkelaars hun eigen agenten laten testen zonder een nieuw perspectief op kwetsbaarheden
Platform \| Beveiliging	⚠️ Niet testen of prompt injectie agentrechten kan escaleren of toegang kan krijgen tot ongeoorloofde gegevens
Agentforce \| Agentconfiguratie	⚠️ Het hebben van statische testsets die geen echte gebruiksdiversiteit vertegenwoordigen, waaronder verschillende gebruikerstypen en gesprekscomplexiteiten

Patronen

Waar te zoeken	Hoe goed eruitziet
Platform \| Documentatie	✅ Documenteer elke wijziging: wat er is gewijzigd, waarom, welke testen het hebben gevalideerd en welke terugdraaiprocedure er bestaat
Zakelijk \| Communicatie	✅ Informeer alle belanghebbenden (gebruikers, ops teams, ondersteuning, bedrijf) beschrijven wat er verandert, wanneer, welke voordelen, welke risico’s, en met wie contact op te nemen
Zakelijk \| Communicatie	✅ Communicatiesjablonen opstellen voor verschillende wijzigingstypen, berichten standaardiseren en voorbereidingsoverhead verminderen
Platform \| Event Monitoring	✅ Tijdagentimplementaties tijdens perioden met weinig gebruik op basis van Event Monitoring-gegevens die feitelijke gebruikspatronen tonen
Zakelijk \| Proces	✅ Implementeer belangrijke agentwijzigingen vroeg tot halverwege de week en vermijd weekends met verminderde incidentresponsmogelijkheden
Zakelijk \| Proces	✅ Vaststellen van bevriezingsperioden voor belangrijke zakelijke events (fiscaal jaareinde, productlanceringen, grote marketingcampagnes)
Zakelijk \| Proces	✅ Documentwijziging bevriezen kalender jaarlijks communiceren beperkte perioden ruim van tevoren

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Platform \| Implementatie	⚠️ Implementeren tijdens piekgebruik, maandeinde sluiten, kwartaaleinde sluiten of belangrijke zakelijke events
Platform \| Implementatie	⚠️ Implementeren op maandag (oplopend) of vrijdag (minder personeel) wanneer de incidentresponsmogelijkheden beperkt zijn
Zakelijk \| Proces	⚠️ Het hebben van bovenmatige verandering bevriest die verbeteringssnelheid zonder evenredige risicovermindering vertragen
Zakelijk \| Communicatie	⚠️ Agentwijzigingen implementeren zonder betroffen gebruikers, operationele teams, ondersteuningsteams of zakelijke belanghebbenden te informeren
Platform \| Documentatie	⚠️ Veranderingen aanbrengen zonder de grondgedachte te documenteren, organisaties creëren die lessen herontdekken in plaats van voort te bouwen op ervaring

Patronen

Waar te zoeken	Hoe goed eruitziet
Platform \| UI	✅ Implementeer feedbackverzameling binnen de UI voor gesprekken, waardoor onmiddellijke reactie mogelijk is terwijl interactie vers is in plaats van vertraagd verzamelen
Platform \| Analytics	✅ Query gesprekslogboeken analyseren van vraagtypen, gespreksduur, successcores op onderwerp en gebruikerstevredenheid op gesprekskenmerken
Platform \| Analytics	✅ Analyseer foutlogboeken groepering op type fout, betroffen gebruikers, gesprekspatronen en tijdelijke distributie om systematische problemen te onthullen
Platform \| Analytics	✅ Prioriteer foutherstel op frequentie en impact: hoogfrequente fouten die veel gebruikers treffen, vereisen onmiddellijke aandacht
Platform \| Bewaking	✅ Kwaliteitsbaselines vaststellen na de initiële implementatie en continue kwaliteit bewaken ten opzichte van baselines die waarschuwen wanneer trends afnemen

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Platform \| UI	⚠️ Feedbackverzameling vertragen (bijv. vervolg-e-mailberichten dagen later) waardoor reactiescores worden verlaagd en vertekening bij terugroepen wordt geïntroduceerd
Platform \| Analytics	⚠️ Het niet analyseren van gebruikspatronen om te bepalen of agenten operationele complexiteit rechtvaardigen of dat mogelijkheden onderbenut zijn
Platform \| Analytics	⚠️ Alle fouten gelijk behandelen in plaats van prioriteren op frequentie en impact op het bedrijf
Platform \| Bewaking	⚠️ Beslissingen nemen over verbeteringen zonder gegevens, zonder baselines van kwaliteit en trendbewaking

Patronen

Waar te zoeken	Hoe goed eruitziet
Zakelijk \| Proces	✅ Verstrek consistente experimentstructuur: hypothese, experimenteel ontwerp, meetgegevens, steekproefgrootte, en succescriteria
Zakelijk \| Proces	✅ Documentexperimenten vóór uitvoering voorkomen van ambigue interpretatie van resultaten
Platform \| Analytics	✅ Varianttoewijzing bijhouden in gespreksmetagegevens waardoor uitkomstcorrelatie per variant mogelijk is
Platform \| Analytics	✅ Vereiste steekproefgrootte berekenen vóór experimenten op basis van verwachte effectgrootte, statistische kracht en acceptabele foutpercentages
Platform \| Analytics	✅ Gebruik multi-armige bandietoptimalisatie om dynamisch meer verkeer toe te wijzen aan beter presterende varianten die opportunitykosten verlagen
Platform \| Documentatie	✅ Onderhoud experiment catalogus met varianten getest, uitkomsten gemeten, resultaten bereikt, en beslissingen genomen om te voorkomen dat het opnieuw testen mislukte benaderingen

Anti-patronen

Waar te zoeken	Hoe slecht eruitziet
Zakelijk \| Proces	⚠️ Uitvoeren van experimenten zonder vooraf gedefinieerde hypothesen en succescriteria die leiden tot onduidelijke resultaten
Platform \| Analytics	⚠️ Onvoldoende steekproefgrootten gebruiken die luidruchtige resultaten veroorzaken die leiden tot slechte verbeteringsbeslissingen
Platform \| Documentatie	⚠️ Geen experimentcatalogus hebben, waardoor teams eerder mislukte benaderingen opnieuw testen en organisatorische Knowledge verliezen
Platform \| Analytics	⚠️ Niet bijhouden welke gebruikers welke varianten hebben ontvangen, waardoor uitkomstcorrelatie onmogelijk is