O paradigma de software está mudando de manipulação direta para delegação orientada a metas. Na vanguarda dessa transformação estão os agentes de IA, entidades autônomas e inteligentes capazes de entender, raciocinar e agir em nome dos usuários. Este whitepaper fornece uma exploração técnica dos principais tipos de agentes de IA: Conversa, Proativa, Ambiental, Autônoma e Colaborativa. Ele define cada tipo, apresenta casos de uso específicos de Gerenciamento de relacionamento com o cliente (CRM) e fornece um projeto arquitetônico para a criação desses agentes na Plataforma Salesforce Agentforce, completo com exemplos técnicos que aproveitam a interoperabilidade de Fluxo, Apex, Data 360, Comunicação Agent2Agent (A2A) e Protocolo de contexto do modelo (MCP).

Um agente de IA é um sistema que percebe seu ambiente e realiza ações para atingir metas específicas. Embora o conceito não seja novo, o advento de eficientes Modelos de idioma grande (LLMs) aumentou suas funcionalidades. Podemos categorizar agentes com base no modo principal de operação e interação deles.

Definir: Os agentes conversacionais são o tipo mais familiar de agente. Eles operam de maneira reativa, de solicitação-resposta, principalmente por meio de interfaces de linguagem natural (texto ou voz). Sua função principal é entender a intenção do usuário e fornecer uma resposta relevante, esteja ela respondendo a uma pergunta, buscando informações ou executando um comando simples.

Importância: Os agentes conversacionais são a porta inicial digital para uma organização. Eles se destacam ao lidar com tarefas bem definidas e repetitivas, liberando assim recursos humanos. Sua eficácia é medida pela capacidade de resolver a intenção do usuário de modo rápido e preciso e tomar ações em nome dos usuários.

Definir: Diferentemente dos agentes conversacionais que aguardam um aviso, os agentes proativos atuam como observadores vigilantes. Eles são acionados por eventos específicos, alterações de dados ou condições predefinidas em um sistema. Quando acionados, eles executam uma tarefa ou iniciam um fluxo de trabalho sem exigir interação direta do usuário.

Importância: Agentes proativos transformam um sistema de um repositório passivo de dados em um participante ativo em processos de negócios. Eles identificam oportunidades e riscos à medida que aparecem, permitindo que as empresas realizem ações com base em sinais críticos em tempo real.

Definir: Os agentes ambientais são um tipo específico de agentes proativos que operam continuamente em segundo plano do fluxo de trabalho de um usuário sem exigir comandos explícitos. Os usuários costumam se beneficiar de suas ações sem estar cientes de sua operação, pois são projetados para aumentar as capacidades humanas enquanto mantêm um perfil baixo.

Importância: A meta de um agente ambiental é reduzir a carga cognitiva nos usuários automatizando o "trabalho sobre o trabalho" mundano. Eles tornam os processos mais eficientes integrando-os perfeitamente às ferramentas que os funcionários usam todos os dias, capturando e estruturando informações automaticamente.

Definir: Agentes autônomos representam um salto significativo na complexidade. Eles recebem uma meta de alto nível e são capazes de planejar e executar de modo independente uma sequência de etapas para atingir essa meta. Eles podem raciocinar, tomar decisões e até mesmo aprender com suas ações para melhorar o desempenho ao longo do tempo.

Importância: É o mais próximo que chegamos a um verdadeiro funcionário digital. Os agentes autônomos podem ser delegados a um objetivo complexo e de várias etapas, como "gerar 50 novos leads qualificados no setor de manufatura neste trimestre" e ser confiáveis para formular e executar um plano para alcançá-lo.

Definir: Os agentes colaborativos, frequentemente chamados de "mutirões de agentes", são uma coleção de agentes especializados que trabalham juntos para resolver um problema muito complexo para qualquer único agente lidar. Um agente "orquestrador" ou "mestre" frequentemente descompõe uma tarefa grande, delega subtarefas aos agentes especializados apropriados e sintetiza suas saídas. Um protocolo de comunicação robusto Agent2Agent (A2A) consegue isso.

Importância: Essa abordagem espelha uma equipe humana. Ao resolver um problema complexo, cada agente especializado pode trazer suas habilidades únicas: uma se especializa na análise de dados, outra na comunicação com o cliente e outra na integração do sistema, levando a uma solução mais robusta e abrangente.

Depois de explorar a taxonomia dos agentes de IA, uma pergunta crucial permanece: como combinamos esses elementos para resolver problemas de negócios do mundo real de modo eficiente e confiável? Este capítulo responde a essa pergunta fornecendo um repositório de padrões de design agente comuns. Cada padrão é uma solução comprovada para um desafio recorrente, oferecendo um esquema para tudo, de agentes simples de uso único a mutirões de agentes complexos e colaborativos.

Os agentes conversacionais costumam ser a porta de entrada para os recursos de IA de uma organização. Eles são definidos pela capacidade de interagir em um diálogo com vários turnos, atuando como a interface principal por meio da qual os usuários realizam tarefas e recuperam informações usando linguagem natural. Esta seção apresenta duas receitas essenciais para criar agentes conversacionais, cada uma personalizada para um canal específico: uma para trocas rápidas e interativas de clientes de mensagens e outra para a natureza estruturada e assíncrona do email.

A inteligência de um agente conversacional é derivada de sua capacidade de acessar e justificar os dados certos na hora certa. Esse padrão depende de uma base de dados sofisticada que se conecta a registros do cliente, artigos do Knowledge e análises de negócios. As receitas completas e reutilizáveis para essas integrações estão disponíveis no capítulo 4: Padrões de integração.

Problema

Os clientes interagem em muitos canais digitais e esperam respostas instantâneas, contextuais e inteligentes. Os chatbots tradicionais são escritos ou cegos de dados, o que leva a uma personalização deficiente, escalonamentos precoces para humanos e altos custos de serviço.

Contexto

• Sua organização tem engajamento digital de vários canais (WhatsApp, SMS, Slack e Salesforce Experience Cloud).
• Os clientes da sua organização interagem com a sua organização em vários idiomas.
• Sua organização precisa aumentar os fluxos de trabalho de serviço e vendas com agentes que:
  • Obter dados do cliente confiáveis em tempo real
  • Respeitar proteções e requisitos de conformidade
  • Escalar para agentes humanos apenas quando necessário

Principais componentes

• Abstração de canal: O Chat aprimorado do Service Cloud (antigo Messaging para Web e no aplicativo) permite que o agente se comunique em vários canais por meio de uma única experiência.
• Agente de serviço Agentforce: O comportamento e a finalidade do agente são definidos pelos seguintes componentes.
  • Tópicos e instruções: Define a persona e o propósito conversacional do agente para interação direta com o usuário. Isso inclui sua missão principal (por exemplo, "Você é um especialista em resolver problemas de suporte ao cliente"), instruções sobre como manter um tom profissional e empático e proteções claras sobre o escopo das consultas que ele está autorizado a lidar.
  • Ações: Ações orientadas para serviço que são ferramentas que o agente usa para diagnosticar e resolver problemas do cliente em tempo real. Essas ferramentas são projetadas para executar tarefas como verificar o status de um pedido, pesquisar soluções em uma base Knowledge ou criar um novo caso de suporte diretamente na interface conversacional.
  • Guardrails: As proteções atuam como um conjunto de regras configuráveis e verificações de tempo de execução que restringem o comportamento do agente. Atua como uma camada de segurança que pode interceptar avisos, validar as ações propostas do agente e filtrar sua resposta final para evitar conteúdo prejudicial, impor regras de negócios e garantir que o agente opere dentro de seu escopo designado.
  • Modelos de prompt: Modelos reutilizáveis que são preenchidos dinamicamente com dados do CRM ativos por meio de campos de mesclagem ou dados semânticos dos Data 360 RAG Retrievers. Esses modelos permitem que os agentes gerem conteúdo contextual na marca enquanto a Camada de Trust do Einstein mascara com segurança informações confidenciais antes de as instruções serem enviadas ao LLM.
• Data 360
  • Os componentes do Data 360, incluindo DLOs, DMOs, armazenamento vetorial e recuperadores RAG, fornecem ao agente uma visão unificada de todos os dados relevantes da empresa, de registros de clientes estruturados a artigos do Knowledge não estruturados, garantindo que as respostas sejam precisas e fundamentadas no contexto.
• Service Cloud
  • Dados de CRM: Conecta o agente ao histórico de casos completo, fornecendo contexto crucial sobre detalhes da conta, registros de contato e direitos
  • Fila do Live Agent: Suporte para escalonamento e roteamento para um representante de serviço humano com o contexto de conversa completo injetado

Interações

1. O cliente da sua organização inicia a conversa por meio de um canal.
2. A mensagem é encaminhada para o Agentforce, que determina o escopo (tópicos) e aplica proteções.
3. A IA cria respostas usando modelos de instruções, enquanto o Fluxo ou o Apex podem acionar a lógica de backend.
4. O contexto é recuperado de objetos do Data 360, armazenamento de vetores e CRM por meio do RAG retriever.
5. A IA retorna uma resposta contextual.
6. Se a IA não conseguir resolver, a conversa será escalada para o Live Agent do Service Cloud.

Trade-Offs

Padrões relacionados

Padrão de saudação: Um padrão simples e fácil de implementar que usa linguagem natural para entender a intenção do usuário e então encaminha o usuário para o representante de serviço adequado

Padrão do operador: Cria no recepcionista para encaminhar solicitações ao agente de IA especializado ou representante de serviço humano adequado, negociando a intenção, se necessário

Padrão orquestrador: Gerencia um mutirão de agente de IA. Ele recebe uma solicitação do usuário, determina a intenção, cria um plano, passa os dados necessários para um ou mais agentes especializados e agrega as respostas para o usuário. Diferentemente do Operador, ele continua sendo o primeiro ponto de contato.

Problema

Seus clientes usam principalmente conversas assíncronas baseadas em email, e essa ainda é a melhor maneira de entrar em contato. Sua organização precisa entrar em contato com esses clientes por email, mas seus representantes de desenvolvimento de vendas não podem responder a emails de entrada no SLA, levando à perda de lead. Além disso, sua equipe passa tempo em leads não qualificados.

Contexto

• Sua organização tem email como o principal canal de engajamento de lead.
• Seu SDR tem capacidade limitada para qualificar leads em escala.
• Seu processo de vendas tem um desenvolvimento de leads multifator antes de se reunir com SDRs ou representantes de desenvolvimento de negócios (BDRs).
• Sua organização precisa aumentar o serviço e as vendas com agentes que:
  • Obter dados de capacitação de vendas em tempo real e de marketing e produto de vendas
  • Respeitar proteções e conformidade
  • Agende reuniões com base nos critérios de qualificação de lead

Principais componentes

• Canal de email: Lida com a captura de mensagens de entrada, a análise do conteúdo e dos anexos e a manutenção da continuidade da conversa para permitir conversas assíncronas.
• Agente de SDR da Agentforce: O comportamento e a finalidade do agente são definidos pelos seguintes componentes.
  • Tópicos e instruções: Define a missão do agente de engajar e qualificar leads recebidos por meio da conversa. Isso inclui instruções para entender as necessidades do cliente potencial, coletar os principais dados de qualificação (por exemplo, orçamento, autoridade e cronograma) e conduzir a conversa para uma próxima etapa clara, como agendar uma reunião com um executivo de conta.
  • Ações: Ações de vendas especializadas que permitem que o agente gerencie o ciclo de vida do lead. Essas ferramentas são projetadas para executar tarefas de SDR principais, como aprimorar dados de lead, enviar emails de acompanhamento com modelo ou integrar-se a sistemas de calendário para reservar chamadas de descoberta.
  • Guardrails: As proteções atuam como um conjunto de regras configuráveis e verificações de tempo de execução que restringem o comportamento do agente. Atua como uma camada de segurança que pode interceptar avisos, validar as ações propostas do agente e filtrar sua resposta final para evitar conteúdo prejudicial, impor regras de negócios e garantir que o agente opere dentro de seu escopo designado.
  • Modelos de prompt: Modelos reutilizáveis que são preenchidos dinamicamente com dados do CRM ativos por meio de campos de mesclagem ou dados semânticos dos Data 360 RAG Retrievers. Esses modelos permitem que os agentes gerem conteúdo contextual na marca enquanto a Camada de Trust do Einstein mascara com segurança informações confidenciais antes de as instruções serem enviadas ao LLM.
• Data 360
  • Os componentes do Data 360, incluindo DLOs, DMOs, armazenamento vetorial e recuperadores RAG, fornecem ao agente uma visão unificada de todos os dados relevantes da empresa, de registros de clientes estruturados a artigos do Knowledge não estruturados, garantindo que as respostas sejam precisas e fundamentadas no contexto.
• Sales Cloud
  • Dados de CRM: Conecta o agente ao histórico de casos completo, fornecendo contexto crucial sobre detalhes da conta, registros de contato e direitos
  • Agendar reunião entre cliente e SDR: A transferência do Live Agent do SDR pode ser configurada para configurar uma reunião ativa usando Tarefa e agendamento de reunião (próximas ações).
  • Registro de atividades: Capture eventos, tarefas e atividades de email e relacione-os a leads, contas e oportunidades como resultado das interações do agente de SDR.

Interações

1. O cliente envia e recebe emails através do canal, que encaminha para o Agentforce.
2. O Agentforce aplica tópicos, ações e proteções para analisar a intenção.
3. O Agentforce cria respostas contextuais usando modelos de prompt aprimorados com contexto do CRM e do Data 360.
4. Uma conversa por email de vários turnos continua até a resolução ou diretrizes de política.
5. Para leads qualificados, o Agentforce agenda uma reunião e atualiza o CRM.
6. Se a intenção exceder o escopo da IA, o Agentforce será escalado para o Sales Cloud SDR para uma resposta do representante de serviço humano.

Trade-Offs

Padrões relacionados

Padrão do bot de resposta: Um padrão eficaz para autoatendimento que usa IA generativa para entender linguagem natural para recuperação do Knowledge, e não apenas palavras-chave

Enquanto os agentes conversacionais na seção anterior se destacam em reagir a comandos do usuário, os agentes proativos representam uma mudança de paradigma: eles agem sem ser solicitados. Esta seção fornece os padrões arquitetônicos para agentes de criação que monitoram de modo autônomo dados e eventos originados tanto fora quanto dentro do Salesforce.

Problema

Sua organização gera eventos de negócios críticos dentro e fora do Salesforce. Há dificuldade para traduzir-los em ações contextuais oportunas porque eles estão espalhados entre aplicativos e departamentos.

Contexto

• Seus processos de negócios abrangem vários sistemas para CRM, processamento de pagamento, frete, automação de marketing, telemetria e CDP.
• Os eventos da sua organização ocorrem 24 horas por dia, mas a disponibilidade da sua equipe é limitada fora do horário comercial. Os sistemas estão sempre ativos, mas os humanos não.
• Os eventos não têm conhecimento de contexto – eles não têm contexto do cliente disponível no Salesforce, forçando a junção de informações em várias etapas. Hoje, a implementação existe como automação complexa discreta ou é realizada manualmente.
• Os humanos atuam como um compilador para coletar os dados (em diferentes formatos) e reagir de forma inteligente a eventos desagrupados.
• Suas ações de destino são aplicadas a vários sistemas.

Principais componentes

• Fonte do evento
  • Ação de dados acionou eventos depois que dados externos foram ingeridos no Data 360
  • Servidores MCP de terceiros ou do Salesforce Heroku capazes de enviar eventos ao Salesforce por meio da API Salesforce Pub/Sub
  • Aplicativo externo capaz de enviar notificações de evento por meio da API Pub/Sub do Salesforce
• Middware opcional: MuleSoft ou Data 360 para transformações
• Agente Agentforce: O comportamento e a finalidade do agente são definidos pelos seguintes componentes.
  • Tópicos e instruções: Especifica a missão principal do agente e seus acionadores, incluindo definir seu objetivo principal (por exemplo, "Monitore todos os casos de alta prioridade e evite violações de SLA"). Contém os eventos ou condições de dados específicos que o agente deve ouvir para iniciar suas tarefas
  • Ações: Ações acionadas por evento e agendadas projetadas para responder a eventos externos. Embora essas ações operem de modo autônomo para tarefas de rotina, elas geralmente incluem a capacidade de orquestrar fluxos de trabalho que envolvem intervenção humana, escalando para os usuários para revisão, aprovação ou lidar com cenários que exigem julgamento humano.
  • Guardrails: As proteções atuam como um conjunto de regras configuráveis e verificações de tempo de execução que restringem o comportamento do agente. Atua como uma camada de segurança que pode interceptar avisos, validar as ações propostas do agente e filtrar sua resposta final para evitar conteúdo prejudicial, impor regras de negócios e garantir que o agente opere dentro de seu escopo designado.
  • Modelos de prompt: Modelos reutilizáveis que são preenchidos dinamicamente com dados do CRM ativos por meio de campos de mesclagem ou dados semânticos dos Data 360 RAG Retrievers. Esses modelos permitem que os agentes gerem conteúdo contextual na marca enquanto a Camada de Trust do Einstein mascara com segurança informações confidenciais antes de as instruções serem enviadas ao LLM.
• Data 360
  • Componentes do Data 360, incluindo DLOs e DMOs, que armazenam dados de evento gerados por sistemas externos e enviados ao salesforce, transformando e criando percepções de streaming ou em tempo real
  • Percepções calculadas, de streaming e em tempo real fornecem aos agentes dados imediatos e relevantes sobre os clientes. Isso habilita a resolução de problemas preventiva, mitigando a escalação. Os Gráficos de dados revelam proativamente relacionamentos e percepções de fontes de dados diferentes, permitindo a detecção precoce de padrões ou anomalias relevantes para o engajamento, a atividade e o perfil do cliente.
  • O armazenamento vetorial Data 360 e os RAG retrievers fornecem ao agente uma visão unificada de todos os dados relevantes da empresa e artigos do Knowledge não estruturados, garantindo que as respostas sejam precisas e fundamentadas no contexto.
• Objetivos de evento
  • Notificar proativamente os funcionários ou entrar em contato com os clientes
  • Extensível a agentes (consulte os padrões Agente ambiente e Agente autônomo)

Interações

1. Uma alteração notável ocorre no sistema externo.
2. O sistema externo emite um evento e o publica no Salesforce Event Bus por meio da API (criando um evento de plataforma) ou da API Pub/Sub, ou os dados do evento são transmitidos ao Data 360.
3. Os assinantes do evento são acionados. Um fluxo é acionado.
4. O Fluxo chama a Ação do agente com os dados do evento. O agente determina o curso certo da ação e o executa.
5. O resultado é uma notificação ou um fluxo de trabalho sendo acionado. As notificações são entregues a um usuário em uma ferramenta de colaboração (como o Slack). Tarefas ou eventos também são gerados. Além disso, as ações podem chamar sistemas externos. Os eventos, portanto, não são perdidos, mas são executados proativamente, sinalizados e executados, removendo a sobrecarga humana ou a automação complexa para descobri-los.

Trade-Offs

Padrões relacionados

Padrão de juiz e júri: Pode ser usado junto com esse padrão para garantir a precisão e a confiabilidade de decisões baseadas em IA, aproveitando vários agentes "juriosos" e um agente "judicante" para avaliação de congruência

Padrão de modelos: Esse padrão engloba diferentes pontos de vista de vários agentes especializados para gerar percepções mais avançadas, que podem complementar as respostas inteligentes da IA proativa.

Problema

O ecossistema do Salesforce da sua organização gera um fluxo constante de sinais, mas tem dificuldade para convertê-los em ações contextuais oportunas, pois exigem lógica de negócios, governança e humanos para triagem e ação. Muitas vezes, os sinais são perdidos sem nenhuma ação que leve a oportunidade perdida.

Contexto

• Sua organização usa uma ou mais nuvens do Salesforce: Vendas, Serviço, Marketing, Comércio, Saúde, Manufatura e outros.
• Você precisa de triagem inteligente além de roteamento simples ou triagem baseada em regras. Sua organização mantém centenas de regras de negócios complexas.
• Você exige uma resposta em tempo real ou quase em tempo real para eventos.
• Ocasionalmente, seus administradores mais privilegiados se tornam o elo mais fraco da cadeia por não ver os sinais.

Principais componentes

• Camada de origem de evento
  • Dados de CRM, Eventos de plataforma, dados de Captura de dados de alteração (CDC) e dados de Monitoramento de evento em tempo real (RTEM) de atividades de plataforma de baixo nível
• Data 360
  • Componentes do Data 360, incluindo DLOs e DMOs, que armazenam dados de evento gerados por eventos de CRM ou plataforma, transformando e criando percepções de streaming ou em tempo real
  • Percepções calculadas, de streaming e em tempo real fornecem aos agentes dados imediatos e relevantes sobre o cliente, a atividade do funcionário ou alterações de metadados no sistema. Isso habilita a resolução de problemas preventiva, mitigando a escalação. Essa consciência situacional em tempo real capacita os agentes a fornecer intervenções oportunas para taxa de transferência operacional de governança e conformidade.
  • Os Gráficos de dados detectam de forma proativa relacionamentos e percepções de fontes de dados diferentes, permitindo a detecção precoce de padrões ou anomalias relevantes para o engajamento, a atividade e o perfil do cliente.
  • O armazenamento vetorial Data 360 e os RAG retrievers fornecem ao agente uma visão unificada de todos os dados relevantes da empresa e artigos do Knowledge não estruturados, garantindo que as respostas sejam precisas e fundamentadas no contexto.
• Agente Agentforce: O comportamento e a finalidade do agente são definidos pelos seguintes componentes.
  • Tópicos e instruções: Especifica a missão do agente para aplicar regras de negócios e automatizar processos com base em alterações de dados no Salesforce. Ela define o objetivo do agente (por exemplo, "Garantir que todas as oportunidades sejam atualizadas com um contato primário antes de atingir o estágio de negociação") e as criações de registro específicas, atualizações de campo e assim por diante que acionam o agente.
  • Ações: Ações acionadas por evento e agendadas projetadas para responder a eventos internos do Salesforce. Embora essas ações operem de modo autônomo para tarefas de rotina, elas geralmente incluem a capacidade de orquestrar fluxos de trabalho que envolvem intervenção humana, escalando para os usuários para revisão, aprovação ou lidar com cenários que exigem julgamento humano.
  • Guardrails: As proteções atuam como um conjunto de regras configuráveis e verificações de tempo de execução que restringem o comportamento do agente. Atua como uma camada de segurança que pode interceptar avisos, validar as ações propostas do agente e filtrar sua resposta final para evitar conteúdo prejudicial, impor regras de negócios e garantir que o agente opere dentro de seu escopo designado.
  • Modelos de prompt: Modelos reutilizáveis que são preenchidos dinamicamente com dados do CRM ativos por meio de campos de mesclagem ou dados semânticos dos Data 360 RAG Retrievers. Esses modelos permitem que os agentes gerem conteúdo contextual na marca enquanto a Camada de Trust do Einstein mascara com segurança informações confidenciais antes de as instruções serem enviadas ao LLM.
• Objetivos de evento
  • Notifique proativamente os funcionários ou entre em contato com os clientes.
  • Extensível para chamar outros agentes (consulte padrões de IA ambiente e IA autônoma)

Interações

1. Uma alteração notável ocorre no sistema interno, como uma atualização em um registro do CRM, uma modificação de metadados ou uma ação de dados acionada pelo Data 360.
2. O sistema interno emite um evento e o publica no Salesforce Event Bus por meio da API (criando um evento de plataforma) ou da API Pub/Sub, ou os dados do evento são transmitidos ao Data 360.
3. Os assinantes do evento são acionados e ativam um Fluxo ou Apex.
4. O Fluxo ativado ou Apex chama ação do agente.
5. O resultado é uma notificação ou um fluxo de trabalho sendo acionado. As notificações são entregues a um usuário em uma ferramenta de colaboração (como o Slack). Tarefas ou eventos também são gerados. Além disso, as ações podem chamar sistemas externos.
6. Os eventos, portanto, não são perdidos, mas são executados proativamente, sinalizados e executados, removendo a sobrecarga humana ou a automação complexa para descobri-los.

Trade-Offs

Padrões relacionados

Padrão de ouvinte/alimentação: Pode ser combinado com o padrão de Ouvidor para acionar ações proativas com base em eventos internos do Salesforce

Padrão de Steward de dados: A IA proativa pode utilizar controladores de dados para garantir a qualidade e a consistência dos dados ao responder a eventos internos

Zen Data padrão de jardineiro: Para agendamento de dados proativo e padronização acionado por eventos internos ou a intervalos regulares

Começamos com agentes que respondem interativamente em um canal de conversa e então avançamos para agentes que respondem a eventos específicos. Ir além do modelo conduzido por evento de agentes proativos, os agentes ambientais representam uma mudança de paradigma de interação direta para assistência proativa em segundo plano. Esses são agentes autônomos que observam o ambiente digital em segundo plano. Eles atuam como "olhos e ouvidos" do sistema, percebendo o contexto da atividade do usuário ou fluxos de dados e, em seguida, coordenando-se com outros agentes ou humanos para concluir tarefas, revelar percepções ou fornecer orientação.

Problema

As atividades de negócios da sua organização geram fluxos contínuos de informações valiosas (chamadas, reuniões, chats, dados de sensores e muito mais), mas esses dados desaparecem em tempo real sem captura ou análise. Quando os humanos documentam manualmente essas interações, as percepções críticas são perdidas e o momento de intervenção oportuna passou. As organizações não têm a maior parte da inteligência acionável necessária em tempo real e enterrada em fluxos efêmeros, levando a lacunas, oportunidades perdidas de coaching e decisões tomadas sem contexto completo.

Contexto

• Suas atividades de negócios geram fluxos contínuos de várias fontes, incluindo reuniões de voz e vídeo, chats ativos, telemetria de sensores, atividade de tela e dados transacionais.
• Você precisa de percepções em tempo real ou quase em tempo real (em segundos ou minutos, não em horas ou dias) para responder e agir com eficiência nesses fluxos.
• Os processos de documentação manual estão falhando, caracterizados por baixas taxas de conformidade e atualização, alto fardo cognitivo sobre os funcionários e captura incompleta de informações críticas.
• Você precisa de compreensão multimodal, combinando dados de áudio, vídeo, compartilhamento de tela, chat e outros metadados para criar um contexto completo e preciso de interações e eventos.
• Você precisa de análise imediata para coaching e alertas em tempo real e análise histórica para resumos pós-interação e identificação de tendência de longo prazo.
• O contexto temporal (memória episódica) é crucial para sua análise, incluindo a compreensão da sequência, do tempo, das transições e dos padrões em várias janelas de tempo nos fluxos de dados.

Principais componentes

• Fonte de fluxo
  • Voz e vídeo: Ferramentas de videoconferência (como Slack Huddle, Zoom, Google Meet e Microsoft Teams) e sistemas telefônicos
  • Ferramentas de colaboração: Slack, Teams e outros
• Conectores de captura de fluxo
  • SDK nativo: SDK fornecido pelo fornecedor que ajuda a recuperar transcrições ou mensagens que oferecem suporte a segmentos ou transcrições de fluxo em tempo real
• (Opcional) Camada de processamento de fluxo
  • Para fluxos de áudio, se as transcrições não estiverem disponíveis em tempo real, uma funcionalidade de fala para texto que traduza áudio para texto. Você também pode usar um provedor gerenciado, como Amazon Transcribe.
  • Para outros fluxos de dados, como opção, um mecanismo de processamento de fluxo como Data 360 ou Apache Flink
• Data 360
  • Componentes do Data 360, incluindo DLOs e DMOs, que armazenam dados de evento, transformam e criam insights de streaming ou em tempo real
  • Percepções calculadas, de streaming e em tempo real fornecem aos agentes dados imediatos e relevantes sobre os clientes, suas atividades e percepções críticas. Isso habilita a resolução de problemas preventiva, mitigando a escalação. Essa consciência situacional em tempo real capacita os agentes a fornecer intervenções oportunas e suporte personalizado aos funcionários, otimizando a satisfação do cliente e a taxa de transferência operacional.
  • Componentes do Data 360, incluindo DLOs e DMOs, que armazenam dados do cliente, transformam e criam percepções em tempo real
  • O armazenamento vetorial Data 360 e os RAG retrievers fornecem ao agente uma visão unificada de todos os dados relevantes da empresa e artigos do Knowledge não estruturados, garantindo que as respostas sejam precisas e fundamentadas no contexto.
• Agents Agentforce. Esse padrão foca um agente ambiental que observa um fluxo de dados contínuo, como uma transcrição de chamada ativa ou um feed de vídeo. Ele atua como um ouvinte em tempo real, interpretando dados não estruturados conforme acontece. Por exemplo, um agente que está ouvindo uma chamada ativa pode invocar um agente do Data Discovery para aprimorar o registro de um lead com base no novo contexto compartilhado na conversa. Aqui está um exemplo de um agente autônomo:
  • Agente de feedback. O comportamento e a finalidade do agente são definidos pelos seguintes componentes.
    • Tópicos e instruções: Define a missão principal do agente para analisar fluxos conversacionais e extrair métricas de desempenho e feedback estruturado. Isso inclui instruções para monitorar o sentimento do cliente, identificar menções de produtos-chave ou concorrentes e avaliar se o agente humano está seguindo as práticas recomendadas da empresa ou um manual de vendas.
    • Ações: Ações para transformar dados conversacionais não estruturados em inteligência de negócios acionável. Essas ações permitem que o agente crie um registro de "Resumo de feedback", registre solicitações de recurso de produto, sinalize chamadas com sentimento negativo para revisão do gerente e atualize um painel para rastrear o desempenho geral do agente em relação às principais métricas.
    • Guardrails: As proteções atuam como um conjunto de regras configuráveis e verificações de tempo de execução que restringem o comportamento do agente. Atua como uma camada de segurança que pode interceptar avisos, validar as ações propostas do agente e filtrar sua resposta final para evitar conteúdo prejudicial, impor regras de negócios e garantir que o agente opere dentro de seu escopo designado.
    • Modelos de prompt: Instruções de LLM estruturadas baseadas em modelo que podem receber entrada e fornecer uma saída gerada por LLM
• Objectivos ambientais
  • Notificar os usuários na exibição em que o agente e o usuário estão, como em uma chamada de vídeo ou um aplicativo para desktop

Interações

1. Quando um fluxo é ativado (como quando um usuário entra na chamada de vídeo), o agente se anexa como um observador.
2. O agente começa a receber dados de fluxo, detecta intenções incrementalmente, toma decisões e chama ações.
3. O agente se contextua com base na intenção e busca dados adicionais (estruturados ou não estruturados).
4. O agente fornece respostas imediatas em tempo real sem aviso do usuário: ele pode detectar uma objeção em uma chamada de vendas e fornecer informações importantes para lidar com a objeção.
5. Os agentes podem compilar um resumo e ações consolidadas e compartilhá-las com outros agentes e usuários.

Trade-Offs

Padrões relacionados

Padrão de ouvinte/alimentação: Pode ser combinado com o padrão de Ouvidor para processar fluxos em tempo real de dados de conversa e interação do usuário e revelar contexto e percepções relevantes

Padrão do interrogador: Pode ser usado junto com esse padrão para montar contexto de várias origens no fluxo e responder a perguntas

Problema

Seus funcionários realizam centenas de atividades essenciais para os negócios diariamente em email, calendário, chamadas e aplicativos, mas essas atividades permanecem invisíveis aos sistemas organizacionais até serem registradas manualmente, o que raramente acontece. Essa ocultação de atividade significa que os dados do CRM estão incompletos, os modelos de IA não têm os sinais necessários para recomendações inteligentes e os gerentes não têm visibilidade em tempo real do engajamento do cliente. O registro manual de atividades cria um imposto de produtividade enquanto ainda falta a maior parte do trabalho real.

Contexto

Assim como o observador de fluxo, esse é um observador de dados e conteúdo que fornece tarefas acionáveis ou realiza ações em nome do usuário.

Principais componentes

• Caixa de dados
  • Dados de CRM: Dados do cliente disponíveis no CRM que fornecem contexto ao agente (por exemplo, quando o usuário está em uma página de Oportunidade, o agente pode recuperar informações sobre a oportunidade e a conta associada do CRM).
  • Componentes do Data 360, incluindo DLOs e DMOs, que armazenam dados relevantes do cliente ingeridos de diferentes fontes
  • Percepções calculadas, de streaming e em tempo real fornecem aos agentes dados imediatos e relevantes sobre os clientes, suas atividades e percepções críticas. Isso habilita a resolução de problemas preventiva, mitigando a escalação.
  • O armazenamento de vetores Data 360 e os RAG retrievers fornecem ao agente uma visão unificada de todos os dados corporativos relevantes e Knowledge não estruturado.
• Agente Agentforce: Esse padrão foca um agente ambiental que observa as ações de um usuário diretamente na interface do usuário. Ele atua como um assistente em tempo real, compreendendo o contexto do fluxo de trabalho do usuário para fornecer orientação. Por exemplo, um agente pode monitorar um representante de serviço preenchendo um registro de caso e apresentar proativamente um artigo do Knowledge relevante. Aqui está um exemplo de um agente autônomo:
  • Agente de feedback. O comportamento e a finalidade do agente são definidos pelos seguintes componentes.
    • Tópicos e instruções: Define a missão do agente para monitorar as ações de um usuário na UI e fornecer assistência contextual. Isso inclui seu objetivo (por exemplo, "Guiar um representante de serviço pelo processo de resolução de caso") e os eventos de interface do usuário ou padrões de entrada de dados específicos que ele deve observar para oferecer ajuda proativamente.
    • Ações: Ações, criadas usando Apex ou Fluxo, para exibir informações relevantes e as próximas melhores ações diretamente no fluxo de trabalho do usuário. Essas ações permitem que o agente busque e exiba um artigo do Knowledge relevante, sugira uma próxima etapa válida em um processo ou sinalize um campo de entrada de dados que pode violar uma regra de negócios, tudo em resposta à atividade em tempo real do usuário.
    • Guardrails: As proteções atuam como um conjunto de regras configuráveis e verificações de tempo de execução que restringem o comportamento do agente. Atua como uma camada de segurança que pode interceptar avisos, validar as ações propostas do agente e filtrar sua resposta final para evitar conteúdo prejudicial, impor regras de negócios e garantir que o agente opere dentro de seu escopo designado.
    • Modelos de prompt: Modelos reutilizáveis que são preenchidos dinamicamente com dados do CRM ativos por meio de campos de mesclagem ou dados semânticos dos Data 360 RAG Retrievers. Esses modelos permitem que os agentes gerem conteúdo contextual na marca enquanto a Camada de Trust do Einstein mascara com segurança informações confidenciais antes de as instruções serem enviadas ao LLM.
• Objectivos ambientais
  • Notificar os usuários na exibição em que o agente e o usuário estão, como em uma página da Web ou em uma página de administrador

Interações

1. Quando um usuário acessa uma página ou aplicativo, o agente se anexa como um observador.
2. O agente começa a inspecionar dados e ações, detecta intenções incrementalmente, toma decisões e chama ações.
3. O agente se contextua com base na intenção e busca dados adicionais (estruturados ou não estruturados).
4. O agente fornece respostas imediatas em tempo real sem aviso do usuário e pode sugerir as próximas melhores ações ou oferecer para executá-las em nome do usuário.
5. Os agentes podem compartilhar isso perfeitamente com outros agentes e usuários.

Trade-Offs

Padrões relacionados

Padrão de ouvinte/alimentação: Pode ser combinado com o padrão de Ouvidor para acionar ações proativas com base na atividade observada

Padrão de Steward de dados: A IA de intercepção de atividade pode usar controladores de dados para garantir a qualidade e a consistência dos dados ao registrar atividades interceptadas.

Padrão do gerador: Pode ser usado para gerar automaticamente resumos de atividades ou tarefas de acompanhamento com base em atividades interceptadas

Esta seção detalha padrões para agentes colaborativos, em que um ou mais agentes trabalham em conjunto com um usuário humano para alcançar uma meta compartilhada. Essas receitas focam a criação de uma parceria aprimorada: os agentes gerenciam a coleta de dados e a execução de tarefas complexas enquanto mantêm o humano informado sobre decisões, aprovações e orientação estratégica.

Nesse modelo, os agentes processam as partes automatizáveis de um fluxo de trabalho. O processo se torna um loop de feedback dinâmico.

• Uma pessoa pode iniciar uma tarefa por meio de um Agente conversacional, o que aciona um Agente proativo para gerenciar as etapas de back-end.
• Ao mesmo tempo, um agente ambiental pode observar suas ações para fornecer orientação em tempo real.

Esse processo cria uma mesclagem contínua de trabalho humano e digital. Este padrão mostra como a Agentforce facilita um sistema multifator e humano para lidar com trabalhos complexos que nenhum único agente – ou humano – poderia gerenciar sozinho.

Problema

Seus processos de negócios exigem colaboração entre funcionários de diferentes organizações, tanto internas quanto externas, cada uma com trabalhos distintos a serem feitos envolvendo habilidades e prioridades diferentes. Os gargalos de processo podem ocorrer a qualquer momento e em qualquer lugar devido à capacidade do recurso, às restrições de habilidades ou à quantidade de informações trocadas.

Contexto

• Os processos se estendem entre equipes e exigem que vários membros da equipe colaborem para obter um resultado bem-sucedido.
• Os assistentes de agente já ajudam sua equipe em cenários individuais como agentes conversacionais, proativos e ambientais.
• Os processos usam agentes em segmentos adequados de seus processos de negócios. No entanto, os processos também precisam de colaboração entre agentes humanos. Essa colaboração pode envolver colaboração humana para humana com assistência de agentes ou colaboração humana – agente – humana.
• Lacunas de habilidades são preenchidas pelos agentes.
• Os agentes ajudam a melhorar a colaboração reduzindo o esforço humano em tarefas como acompanhamento e troca de informações essenciais para ajudar na tomada de decisão.
• Os agentes também podem colaborar e delegar com base em políticas e diretrizes.

Principais componentes

• Área de colaboração
  A colaboração agente exige um espaço compartilhado em que todos os participantes, tanto humanos quanto agentes, podem interagir. Essas surfaces de colaboração não são mais ambientes estáticos somente humanos. Em vez disso, eles são canais em que os agentes podem ser convidados para participar, contribuir e até mesmo iniciar conversas, alterando fundamentalmente a natureza do trabalho em equipe. Por exemplo, um agente pode criar e iniciar um mutirão de caso no Slack convidando especialistas em assunto humano e outros agentes para colaborar no caso.

• Agents Agentforce
  Esse padrão vai além dos padrões de agente individuais para demonstrar como eles convergem em um modelo de Agente colaborativo, orquestrando processos complexos que aumentam de modo inteligente as capacidades humanas. Os padrões anteriores – Conversational (2.1), Proactive (2.2) e Ambient (2.3) – definem a direção Agentforce Agent components.c. Um Agente Conversal atua como a interface principal, trabalhando junto com o humano e atua como a interface entre os humanos e todos os agentes envolvidos na colaboração. Quando uma tarefa é muito multifacetada, o agente conversacional inicia uma sessão colaborativa, unindo os usuários humanos e os agentes autônomos necessários para trabalhar no problema simultaneamente. O processo se torna um ciclo de feedback dinâmico em que um ser humano pode iniciar uma tarefa, que então aciona um Agente Proativo para gerenciar as etapas de back-end, enquanto um Agente Ambiente pode observar para fornecer orientação em tempo real, criando uma fusão perfeita de trabalho humano e digital.

• Caixa de dados
  No modelo de agente colaborativo, a camada de dados atua em um papel mais dinâmico do que apenas fornecer informações; ela se torna a memória persistente e o espaço de trabalho compartilhado para toda a equipe de agente humano. Embora cada agente envolvido tenha suas próprias necessidades de dados específicas, conforme definido em seu respectivo padrão, sua colaboração em uma tarefa complexa depende de uma base de dados compartilhada que rastreia o estado geral do trabalho.

  Esse estado compartilhado é crucial. Conforme uma tarefa é passada de um agente conversacional para um agente proativo e, em seguida, para um humano para aprovação, a camada de dados deve acompanhar o progresso, o contexto e as decisões tomadas em cada etapa. Isso garante que cada participante tenha uma visualização consistente e atualizada do episódio.

Interações

1. Os humanos iniciam uma sessão colaborativa com outros humanos e agentes.
2. Contexto, metas, trabalhos e resultados são definidos.
3. O agente aprimora o contexto trazendo informações adicionais e planeja proativamente as etapas necessárias para concluir o trabalho, junto com proprietários que são humanos ou agentes.
4. O progresso é observado, o contexto é atualizado e as ações são realizadas.
5. Quando os agentes realizam o trabalho, o agente fornece informações detalhadas para ajudar as partes interessadas humanas a entender o raciocínio, fornecer feedback e permitir interceptações.
6. Os agentes concluem o trabalho com total transparência e conformidade.

Trade-Offs

Padrões relacionados

Padrão do operador: Os agentes colaboradores costumam agir como operadores, encaminhando solicitações para os agentes de IA especializados apropriados ou representantes de serviço humano e negociando a intenção.

Padrão orquestrador: Em cenários envolvendo colaboração, um agente de orquestrador gerencia um mutirão de agentes de IA, agregando suas respostas para uma experiência de usuário perfeita.

Padrão do espaço de trabalho (Radar O'Reilly): Os agentes colaboradores usam esse padrão para gerenciar uma UX de painel único responsiva, atualizando conteúdo relevante em tempo real em um fluxo de conversa.

Ao contrário dos padrões colaborativos que auxiliam um usuário, os agentes autônomos são projetados para delegação total. Esta seção fornece os esquemas arquitetônicos para agentes que podem planejar e executar de modo independente tarefas complexas de várias etapas para alcançar uma meta de alto nível sem exigir intervenção humana. O foco aqui é criar um sistema que você pode tarefa com um objetivo e Trust para execut��-lo do começo ao fim.

Problema

Sua organização realiza valor por meio de um conjunto altamente complexo de processos, cada um com trabalhos, manuais e habilidades específicas orientados por política distintos necessários para execução. Geralmente, esses são programas que exigem um investimento significativo de tempo e recursos.

A configuração de um novo programa tem alta sobrecarga e pode levar meses para perceber o valor. A implementação de feedback e melhorias geralmente requer tempo e esforço adicionais. A complexidade é determinada principalmente pela estrutura da sua organização, em que aplicativos e processos distribuídos podem causar dependências que exigem que os humanos gerenciem o programa.

Contexto

• Os agentes podem operar de forma independente do início ao fim. Os agentes são projetados e configurados para que a meta, o plano e a estratégia sejam predefinidos.
• Os agentes podem tomar todas as decisões sem procurar aprovação humana. Os agentes recebem diretrizes de política e conformidade.
• Os agentes podem acessar o contexto e os dados necessários e realizar as ações necessárias sem precisar de humanos.
• Os humanos são notificados, mas não estão "no loop".

Principais componentes

• Laixa de definição de meta e estratégia
  • Processo playbooks: Descrições detalhadas da execução autônoma com regras determinísticas que os agentes devem seguir
  • Critérios de decisão autónomos: Regras que permitem que os agentes tomem decisões sem exigir aprovação humana
  • Regras de fallback: Ações predefinidas para lidar com cenários de padrão ou exceção quando o processo principal de um agente falha
  • Escopos: Limites claramente definidos descrevendo o que os agentes podem e não podem fazer, incluindo como situações fora do escopo devem ser tratadas
  • Critérios de sucesso e definição de done: As métricas e condições que determinam quando a tarefa de um agente é concluída com sucesso
• Agents Agentforce
  • Orquestrador ou coreógrafo: O agente principal que é o proprietário da execução da meta, dos motivos e dos planos
    • Tópicos e instruções: Depois que uma meta é definida, o agente orquestrador ou coreógrafo assume a liderança na divisão desse objetivo geral em trabalhos ou subtarefas menores e gerenciáveis. Ele elabora um plano abrangente, descrevendo a sequência de trabalhos e identifica os agentes ou ferramentas específicos necessários para cada etapa. Por fim, o agente de orquestrador assegura a execução contínua do plano, monitora o progresso, gerencia as dependências e faz os ajustes necessários para atingir a meta de modo eficiente e eficaz. No caso de um agente de coreógrafo, ele passa o contexto e o estado para os agentes a jusante para levar o trabalho até a conclusão.
    • Ações: As ações chamam ferramentas para realizar uma função, recuperar dados ou delegar a outros agentes autônomos, permitindo uma gama mais ampla de recursos e fluxos de trabalho mais complexos.
    • Guardrails: As proteções atuam como um conjunto de regras configuráveis e verificações de tempo de execução que restringem o comportamento do agente. Atua como uma camada de segurança que pode interceptar avisos, validar as ações propostas do agente e filtrar sua resposta final para evitar conteúdo prejudicial, impor regras de negócios e garantir que o agente opere dentro de seu escopo designado.
• Caixa de dados
  • Dados do CRM: Dados do cliente disponíveis no CRM que fornecem contexto a um ou mais agentes
  • Componentes do Data 360, incluindo DLOs e DMOs, que armazenam dados relevantes do cliente ingeridos de diferentes fontes
  • Percepções calculadas, de streaming e em tempo real fornecem aos agentes dados imediatos e relevantes sobre os clientes, suas atividades e percepções críticas. Isso habilita a resolução de problemas preventiva (como lidar com devoluções de email), mitigando a escalação.
  • Armazenamento vetorial Data 360 e RAG retrievers fornecem ao agente uma visão unificada de todos os dados corporativos relevantes e Knowledge não estruturado
  • Dados de mensagem ou conversa do canal do Slack, como histórico do caso e histórico do agente conversacional, que fornecem contexto da conversa
• Monitoração e supervisão
  • Monitoramento do progresso da meta do agente: Rastreia o progresso de sessões de agente autônomo para medir os resultados e garantir o alinhamento com os objetivos
  • Monitoramento de operações do agente: Rastreia o status em tempo real de agentes autônomos para intervenção e solução de problemas, garantindo uma operação tranquila
  • Monitoramento da governança dos agentes: Rastreia registros de rastreamento e auditoria para garantir que os agentes autônomos cumpram metas, objetivos e diretrizes éticas predefinidos

Interações

1. O trabalho é definido com resultados claros.
2. O trabalho é iniciado por meio de um dos seguintes métodos:
   • Um agente é atribuído.
   • Um agente seleciona proativamente o trabalho com base nas qualificações.
   • Um agente realiza o trabalho em segundo plano.
3. O agente estabelece claramente as expectativas e informa os humanos, detalhando a meta, o plano e a estratégia. O plano detalha processos passo a passo, agentes usados, dados usados, escopo, plano de avaliação do agente e pontos de verificação para humanos monitorarem o progresso, as operações e a governança.
4. O agente inicia a execução. Em cada marco, ele atualiza o estado e o progresso. Os humanos podem fornecer feedback ou interceptar os agentes conforme necessário.
5. O agente conclui o trabalho. O resultado e os resultados estão disponíveis no painel de monitoramento.

Trade-Offs

Padrões relacionados

Padrão do gerente de projeto: Agentes autônomos costumam incorporar esse padrão, supervisionando processos de várias etapas de longa duração, do início à conclusão, com intervenção humana mínima.

Padrão do configurador: Os agentes autônomos podem usar esse padrão para gerar e validar automaticamente configurações com base em requisitos de linguagem natural ou políticas predefinidas, garantindo a conformidade e a precisão sem supervisão manual.

Zen Data padrão de jardineiro: Esse padrão pode ser usado por agentes autônomos para agendamento e padronização de dados em segundo plano, garantindo a qualidade e a consistência dos dados ao longo do tempo para dar suporte à tomada de decisão precisa do agente.

Agora, vamos dar vida à taxonomia do agente e aos padrões do agente explorando como eles são implementados na Salesforce Platform. Para aqueles que não estão familiarizados com os componentes principais do Agentforce, o Anexo fornece uma atualização útil sobre as tecnologias-chave mencionadas neste capítulo e no próximo.

Esta seção usa a taxonomia dos agentes e ilustra cada um com um caso de uso comum para mostrar como eles são usados em aplicativos do mundo real.

Uma cliente, Jane, visita o site da empresa para verificar o status do pedido recente.

• Interação: Jane abre a janela de chat (o Agentforce Chat Client).
• Ação do agente: O agente conversacional a saúda e pergunta como ela pode ajudar. Jane pergunta "Onde está meu pedido mais recente?"
• Processo:
  1. O agente, baseado nas informações do cliente de Jane no Salesforce, identifica seu pedido mais recente.
  2. Ela consulta o sistema de envio (por meio de um conector do MuleSoft) para obter as informações de rastreamento mais recentes e fornece a Jane uma atualização em tempo real e um link de rastreamento.
  3. Ele então pesquisa a política e atualiza automaticamente para envio acelerado.
  4. Quando Jane faz uma pergunta complexa que o agente não pode lidar, ela escalona perfeitamente o chat para um agente de serviço humano, fornecendo a transcrição completa para o contexto.

Receita

Padrões usados: Padrão de IA conversacional, Integrando dados transacionais aos agentes

Tempo de design

1. Configure um agente conversacional.

   Configurar chat aprimorado	→	Criar agente de serviço	→	Tópico Definir pedidos de suporte	→	Criar ação Obter pedido
   						↓
   Adicionar fluxo do Omni-Channel de escalação de saída	←	Criar escalonar tópico	←	Adicionar ações a tópicos	←	Criar ação Obter status
   ↓
   Publicar o agente

2. Configure o Chat aprimorado como o ponto de entrada do chat de Jane para que ela possa abrir a janela Agentforce na página da Web.
3. Habilite o Agentforce e criar um agente de serviço no Agentforce Builder para lidar com conversas e acionar ações personalizadas.
4. Defina um tópico de Pedidos de suporte com uma descrição e instruções para que o agente reconheça naturalmente "Onde está meu último pedido?".
   1. Criar ações personalizadas do agente:
      1. Ação Obter pedido mais recente para contato para recuperar o pedido mais recente de Jane
      2. Obter status de envio por ação de ID do pedido para buscar informações de rastreamento por meio da MuleSoft
      3. Como opção, orquestre ambas as ações no Fluxo (coletar o pedido mais recente e chamar o MuleSoft) usando ações de serviço externas.
      4. Adicione ambas as ações ao agente de serviço no construtor, vincule-as ao tópico Pedidos e rastreamento e publique.
5. Defina um tópico de Escalonamento com uma descrição para escalar para um representante de serviço.
   • Crie e ative um fluxo do Omni-Channel de saída.
   • Adicione-o à guia Conexões no criador para escalonamento com uma mensagem de escalação.
6. Configure o Omni-Channel.

   Configurar o Omni-Channel

   →

   Definir regras de escalação em instruções

   →

   Definir prioridades e capacidade

   →

   Testar e validar

7. Habilite a escalação perfeita para agentes de serviço humano quando o agente de IA não puder resolver a consulta. Configure o roteamento do Omni-Channel para atribuir chats a representantes de serviço e transferir a transcrição completa para contexto.
8. Integre a lógica de escalação às instruções do Agentforce e uma ação de escalação para que o agente saiba quando transferir casos complexos. Gerencie as prioridades e a capacidade de roteamento por meio do Omni Supervisor.
9. Teste a experiência completa: Jane abre o chat, e o agente a saúda, identifica seu pedido, recupera dados de envio e escala perfeitamente quando a intervenção humana é necessária (consulte também Habilitar registros de evento aprimorados).
10. Configure a integração de dados.

    Mapear dados de contexto

    →

    Criar credenciais da API do MuleSoft

    →

    Registrar serviço externo do MuleSoft

11. Baseie o agente no contexto do Salesforce de Jane mapeando seus registros de contato e pedido por meio de formulários de chat ou pré-chat autenticados.
12. Conecte o Salesforce com segurança à API de envio do MuleSoft usando credenciais externas e credenciais nomeadas para autenticação.
13. Se a MuleSoft expor uma especificação OpenAPI, registre-a como um serviço externo para que o Fluxo e o agente possam chamá-la declarativamente.
14. Configure a integração de dados não estruturada.
    1. Crie uma nova biblioteca de dados em Configuração. Dê a ele o nome "Pedido e política de envio".
    2. Adicione os PDFs de documentos de apólice que contêm as exceções da apólice de envio.
    3. Nos bastidores, os documentos são divididos automaticamente, indexados e preparados para uso.

Fluxo do processo de tempo de execução do agente

Depois que o agente é configurado e implementado, a sequência de etapas a seguir ocorre no tempo de execução.

1. Lançamento do chat: Jane abre o chat Agentforce (serviço integrado). Sessão e carregamento de contexto de contato após o login de Jane.

2. Saudação e intenção: O agente saúda Jane. Jane pergunta o status de um pedido, e a detecção de intenção mapeia "pedido mais recente" para o tópico Pedidos e rastreamento.

3. Pesquisa de CRM: O agente aciona a ação Obter pedido mais recente e consulta o Salesforce (resumo do pedido/pedidos) para o registro mais recente de Jane.

4. Consulta de envio: O agente chama a API do MuleSoft por meio de uma credencial nomeada e /shipping/status/{orderId} retorna um status em tempo real e um URL de rastreamento.

5. Composição da resposta: Agentforce mescla os resultados e compõe uma resposta: "Seu pedido [OrderID] enviado por [Transportador], chegando amanhã — [Rastrear aqui]."

6. Fallbacks: Se não houver correspondência ou falha de API, o agente se desculpará e oferecerá para tentar novamente corrigir quaisquer problemas de dados.

7. Escalation: Consultas complexas ou emocionais são transferidas automaticamente para um humano por meio do Omni-Channel, passando o chat completo e o contexto.

8. Registro: Todas as intenções, ações e resultados são armazenados em registros de interação. A latência da API é monitorada no Monitoramento de Anypoint.

9. Melhoramento contínuo: As escalonamentos alimentam o treinamento do Agentforce; os fluxos comuns são refinados na versão subsequente.

Um cliente de alto valor, John, adicionou mais de US$ 1.000 de produtos ao seu carrinho online, mas não conclui a compra em 60 minutos.

• Acionador: Um evento da Salesforce Platform, Cart_Abandoned__e, é acionado do sistema de comércio eletrônico, contendo o ID de contato de John e o valor do carrinho.
• Ação do agente: Um agente proativo, inscrito nesse evento, entra imediatamente em ação.
• Processo:
  1. O agente verifica o registro de John no Salesforce e vê que ele é um cliente VIP.
  2. Ela cria uma tarefa de alta prioridade para a gerente de conta de John, Sarah, com todos os detalhes do carrinho abandonado.
  3. Ele envia uma notificação para Sarah por meio do Slack, solicitando que ela faça um acompanhamento.
  4. Ao mesmo tempo, ele inscreve John em uma jornada direcionada do Marketing Cloud que envia um email de lembrete com um código de desconto de 10% de tempo limitado para incentivá-lo a concluir a compra.

Receita

Esta receita detalha a implementação de um agente de IA proativa na Salesforce Platform para lidar com o abandono de carrinho de alto valor por clientes VIP. A solução utiliza o Salesforce Platform Events, o Data 360 para recuperação de Knowledge e o Agentforce para orquestrar ações de acompanhamento oportunas e inteligentes, transformando dados passivos em engajamento comercial ativo.

Tempo de design

1. Configure um evento de carrinho abandonado para ser acionado quando John, um cliente VIP, sair do carrinho abandonado.

   Criar campo de Contato personalizado

   →

   Definir novo evento de plataforma

   1. Crie um evento de plataforma Cart_Abandoned__e com os campos ID do contato, Valor do carrinho, Data e hora da última atualização do carrinho e Detalhes do carrinho.
   2. Configure o evento de abandono: Usando o Commerce Cloud, criar um evento de plataforma para notificações de evento de checkout. O abandono é detectado quando o estado da sessão de checkout do carrinho está em um estado intermediário e a sessão atinge o tempo limite após um limite. Como alternativa, se o seu comércio eletrônico for um sistema externo, publique o evento no Salesforce usando um destes métodos: Fluxos, Apex, APIs do Salesforce ou API Pub/Sub.
   3. No objeto Contato, crie um novo campo, Customer_Tier__c, com os valores da lista de opções Padrão, Premium e VIP.
2. Configurar a ingestão de dados não estruturada no Data 360: Adicione um documento de política de desconto adquirido de um repositório de documentos ao Data 360 por meio do Amazon S3.

   Criar credenciais do AWS S3	→	Criar novo fluxo de dados do S3	→	Configurar e implementar fluxo	→	Criar índice de pesquisa
   						↓
   				Função de recuperação de teste	←	Configurar e implementar índice

   1. Crie credenciais externas para acessar o S3: Crie um novo conjunto de chaves e segredos de acesso para um usuário do IAM ou Nome do recurso da Amazon (ARN) do IAM para um IdP.
   2. Criar um novo fluxo de dados do S3: Na guia Fluxos de dados, crie o fluxo de dados Fluxo de documentos da apólice, selecione a origem do S3, escolha o tipo de arquivo PDF, defina a frequência de atualização, mapeie os campos de metadados (nome e tamanho do arquivo) e implemente.
   3. Depois que o fluxo de dados estiver concluído, crie um índice de pesquisa: Use a extração de passagem para particionamento, o modelo de integração E5-large-v2 e o tipo de pesquisa híbrida e implemente o índice.
   4. Teste a função de recuperação criada.
3. Configure o agente de Recuperação do carrinho VIP.

   Criar agente a partir do modelo	→	Adicionar o tópico Recuperar carrinho VIP	→	Adicionar instruções sobre o tópico	→	Ação Criar alerta do Slack
   						↓
   Adicionar ações ao tópico	←	Criar ação de inscrição na jornada	←	Ação Criar oferta de desconto	←	Criar tarefa de recuperação do carrinho

   1. Crie um agente usando o modelo Agente do funcionário da Agentforce.
   2. Adicione um novo tópico, Recuperar carrinho VIP, com a descrição de que esse agente lida com o abandono de carrinho de alto valor para clientes VIP.
   3. Adicione instruções sobre o tópico para validar o status VIP, qualificar o carrinho, notificar o gerente de conta no Slack, recomendar uma oferta de desconto e inscrever o cliente na jornada de email de recuperação do carrinho.
   4. Crie ações e uma tarefa.
      • Ação Alertar gerente de contas: Envia uma notificação proativa do Slack
      • Tarefa Recuperar carrinho abandonado, atribuída ao gerente com detalhes do carrinho
      • Ação Obter oferta de desconto: Analisa a apólice e o histórico de compras anteriores. Crie um modelo de prompt com fundamentação, referencie a função de recuperação no modelo de prompt e use os dados.
      • Inscreva-se na ação da Jornada de recuperação: Inscreve-se na jornada de recuperação do Marketing Cloud por meio da API e recebe todos os dados do assinante e a mensagem de email de oferta com desconto gerada pelo agente.
   5. Adicione as ações ao tópico.
   6. Crie uma jornada de recuperação do carrinho do cliente VIP usando modelos no Marketing Cloud ou criie uma nova jornada.
4. Encaminhe um evento de plataforma para chamar o agente.

   Criar fluxo acionado por evento

   →

   Assinar um evento de plataforma

   →

   Adicionar ação invocável do agente

   →

   Passe dados de evento para o agente

   1. Crie um novo fluxo acionado por evento de plataforma, a Recuperação de abandono do carrinho VIP.
   2. Selecione o evento Carrinho abandonado ao qual o fluxo deve se inscrever.
   3. Configure uma ação invocável de agente personalizado no Flow Builder e selecione o agente de Recuperação do carrinho VIP. Envie a solicitação para iniciar uma recuperação de carrinho abandonado VIP para o cliente e enviar a carga útil do evento de plataforma.

Fluxo do processo de tempo de execução do agente

Depois que o agente é configurado e implementado, a sequência de etapas a seguir ocorre no tempo de execução.

1. Detecção de abandono de carrinho: John adiciona $1.200 ao seu carrinho, e nenhum Checkout ou progresso da fase após 60 minutos desencadeia o abandono.
2. Publicação de evento da plataforma: O Commerce Cloud publica o evento Cart_Abandoned__e com o ID de contato de John, o valor do carrinho de US$ 1.200, a data da modificação do carrinho e outros detalhes.
3. Inicialização do fluxo: O evento de plataforma aciona o Fluxo de recuperação de abandono do carrinho VIP.
4. Ativação do agente do funcionário: Quando o Fluxo é executado, o agente de Recuperação do carrinho VIP é chamado.
5. Execução do tópico: O agente resolve o tópico Recuperar carrinho VIP e executa as instruções.
6. Criação da notificação: O agente alerta a gerente de conta de John, Sarah, no Slack.
7. Criação da tarefa: O agente cria uma tarefa para Sarah, aconselhando-a sobre os acompanhamentos que ela realizará.
8. Análise de desconto: O agente executa a análise de desconto chamando a função de recuperação do Data 360 para solicitar "máximo de descontos permitidos" com base no valor do carrinho, no nível do cliente e no histórico de compras. Nesse caso, a função recomenda uma oferta de desconto de 10%.
9. Preparação de e-mail e inscrição de viagem: O agente prepara um email de oferta de desconto e inscreve John na jornada do Marketing Cloud VIP Recuperação do carrinho do cliente com o novo preço do carrinho.
10. Registro e atribuição: John resgata a oferta, que cria uma atribuição de registro e métricas de conversão.
11. Análise de feedback: O resultado é analisado para determinar ainda mais ofertas, tempo para recuperação e outros fatores de otimização.

Um representante de vendas, David, está engajado em uma chamada de descoberta com um novo cliente potencial. Um agente inteligente monitora ativamente a chamada em tempo real, fornecendo suporte imediato a David respondendo às perguntas do cliente potencial.

Exemplo: Se o cliente potencial perguntar sobre uma especificação de produto específica, o agente recuperará automaticamente os detalhes relevantes e os entregará a David por meio do Slack ou de uma mensagem privada.

• Acionador: Um cliente potencial faz uma pergunta exigindo informações específicas sobre o produto durante uma chamada de descoberta com um representante de vendas (David).
• Ação do agente: O agente ambiental analisa continuamente registros de chamada e mensagens, identificando e buscando de modo inteligente as informações necessárias.
• Processo:
  1. O agente analisa a transcrição da chamada em tempo real.
  2. Ele identifica automaticamente os principais itens de ação e recupera informações relevantes.
  3. Nesse caso, o agente busca informações do produto diretamente do Salesforce.
  4. Ele então apresenta automaticamente as informações recuperadas a David por meio do Slack ou de uma mensagem privada.

Receita

Há pré-requisitos nessa receita que exigem recursos de fala para texto em tempo real e presumimos que estão disponíveis por meio do seu provedor de comunicação. Por exemplo, esta é uma receita para integrar chamadas do Zoom.

Pré-requisito: Exemplo de transcrição em tempo real de uma chamada do Zoom:

• Crie um aplicativo Zoom na Plataforma de desenvolvimento Zoom com escopos obrigatórios para gravação de leitura, envio de webhook e fluxo de reunião. Habilite recursos de produto obrigatórios, como Fluxos de mídia em tempo real (RTMS).
• Configure um servidor de sinalização intermediário (amostra do Zoom RTMS) que receba o fluxo de áudio, o encaminhe ao serviço de Transcrição da Amazon e recupere o texto transcrito. As transcrições então são publicadas no Salesforce como um evento de plataforma.

Tempo de design

1. Configure um agente de Resposta de chamada de vendas em tempo real.

   Criar agente a partir do modelo	→	Adicionar tópico de Chamada de assistência	→	Adicionar instruções sobre o tópico	→	Criar ação de análise de transcrição
   						↓
   		Adicionar ações ao tópico	←	Ação Criar percepções do Slack	←	Ação Criar especificação de produto

   1. Crie um agente usando o modelo Agente do funcionário da Agentforce.
   2. Adicione um novo tópico, Chamada de assistência, com a descrição de que esse agente escuta transcrições ativas, entende a intenção e ajuda com os dados do produto.
   3. Adicione instruções sobre o tópico para analisar transcrições, recuperar especificações de produto e enviar mensagens do Slack.
   4. Criar ações.
      • Ação Analisar transcrição de chamada: Analisa os dados de transcrição de chamada recebidos em tempo real e extrai as principais perguntas ou ações
      • Ação Obter especificação do produto: Consultas artigos do Knowledge do produto
      • Enviar percepções do Slack ao usuário "interno"
   5. Adicione as ações ao tópico.
2. Configure uma biblioteca de dados do Product Knowledge.

   Criar nova biblioteca de dados

   →

   Adicionar artigos do Knowledge

   →

   Blocos e índices do sistema

   →

   Biblioteca terrestre em ação

   1. Crie uma nova biblioteca de dados em Configuração. Dê-lhe o nome de "Product Knowledge".
   2. Adicione os artigos do Knowledge que contêm as informações do produto.
   3. Nos bastidores, os documentos são divididos automaticamente, indexados e preparados para uso.
   4. Use a fundamentação na ação Obter especificação do produto.
3. Publique a transcrição em tempo real no Salesforce por meio da API Pub/Sub.

   O servidor recebe transcrição de áudio

   →

   O servidor publica o evento de plataforma

   1. Crie um evento de plataforma, Transcript_Segment__e, com os campos ID da chamada, Sequência, Oradores, Hora de início do segmento, Hora de término do segmento, Duração e Dados de transcrição.
   2. No seu servidor de sinalização (consulte a seção de pré-requisitos), depois de receber o texto transcrito do áudio, publique imediatamente os dados por meio do evento Transcript_Segment__e. Você pode publicar o evento no Salesforce usando um destes métodos: Fluxos, Apex, APIs do Salesforce ou API Pub/Sub.
4. Fluxo de conexão para assinar o evento publicado Transcript_Segment__e.

   Criar fluxo acionado por evento	→	Assinar o evento de transcrição	→	Adicionar ação invocável do agente	→	Enviar carga útil ao agente
   						↓
   						O agente envia o Slack DM

   1. Crie um novo fluxo acionado por evento de plataforma, Insights de chamada de descoberta.
   2. Selecione o evento Transcript_Segment__e ao qual o fluxo deve se inscrever.
   3. Configure uma ação invocável de agente personalizada no Flow Builder e selecione o agente Resposta de chamada de vendas em tempo real. Envie a carga útil do evento para rotear para o tópico Ajudar chamada. Depois que a pergunta é derivada do tópico, a pergunta é enviada para a ação Obter especificação do produto para uma resposta.
   4. A resposta final é compilada e enviada imediatamente ao usuário por meio de um DM do Slack.

Fluxo do processo de tempo de execução do agente

Depois que o agente é configurado e implementado, a sequência de etapas a seguir ocorre no tempo de execução.

1. Início de chamada: David inicia uma chamada de descoberta com um cliente potencial em uma chamada do Zoom. O Zoom RTMS transmite o áudio ao vivo para o ponto de extremidade de transcrição do servidor de sinalização.
2. Transcrição em tempo real: O servidor de sinalização recebe o áudio, transcreve o áudio para texto e publica um evento de plataforma de Segmento de transcrição na Salesforce Platform.
3. Agente de escuta e classificação de contexto: O Salesforce recebe o evento de plataforma e aciona o Fluxo de Insights de chamada de descoberta.
4. O fluxo inicia o agente de Resposta em tempo real à chamada de vendas que recebe o segmento, identifica perguntas (como "O Toaster 2XP se integra a dispositivos móveis?") e as classifica no tópico Chamada de assistência.
5. Recuperação de Knowledge: O agente aciona a ação Obter especificação do produto e consulta os dados do Knowledge para respostas correspondentes.
6. Enviar Slack privado DM: O agente executa Enviar insight do Slack, publicando em David's Slack DM: "O produto Toaster 2XP pode ser integrado a dispositivos Apple e Android e pode ser conectado via Bluetooth. Depois que o aplicativo estiver instalado, basta se conectar por Bluetooth e operar o torradeiro. Aqui está o link para o manual."
7. Continuação em tempo real: O agente continua recebendo texto de transcrição; se surgirem várias percepções, ele encadeia respostas contextuais do Slack sem interromper o fluxo de chamada.
8. Resumo após a chamada: No final da sessão, o agente compila automaticamente um resumo: perguntas-chave, ações realizadas e produtos referenciados.
9. Melhoramento contínuo: O Agentforce Analytics avalia a latência da transcrição-resposta, a precisão da correspondência do produto e os resultados de vendas para refinar as instruções do tópico ao longo do tempo.

Um gerente de vendas, Bob, atribui um agente autônomo com uma meta: "Aumentar nosso pipeline de vendas no setor de manufatura da Califórnia em US$ 5 milhões nos próximos 60 dias."

• Acionador: O gerente atribui a meta por meio de um comando no Slack.
• Ação do agente: O agente autônomo inicia seu ciclo de planejamento e execução.
• Processo:
  1. Pesquisa: O agente consulta o Salesforce Data 360 e origens de dados externas (por meio do MuleSoft) para identificar empresas no setor de manufatura da Califórnia que não são clientes atuais.
  2. Qualificar: Ele analisa essas empresas, procurando sinais de compra, como rodadas de financiamento recentes, novos contratados de executivos ou publicações de trabalhos relevantes. Ela pontua e prioriza os 20 principais clientes potenciais.
  3. Identificar contatos: Ele encontra os principais contatos (como VPs de operações e gerentes de fábrica) nessas empresas.
  4. Outreach: Ele cria rascunhos de emails de alcance personalizados para cada contato, referenciando notícias específicas da empresa ou pontos importantes. Ele agenda esses emails para serem enviados na próxima semana.
  5. Acompanhamento: Ele rastreia aberturas e respostas de email. Uma resposta positiva de um cliente potencial aciona uma análise do calendário para sugerir horários de reunião, gerando automaticamente um evento do Salesforce e uma nova Oportunidade após a confirmação.
  6. Relatório: Ele fornece Relatórios do progresso semanal ao gerente de vendas no Slack.

Receita

Esse é um cenário de vários agentes em que cada agente realiza uma tarefa específica e entrega o contexto, os dados e o controle ao próximo agente. Vamos usar alguns agentes autônomos personalizados para pesquisa e qualificação e o agente Representante de desenvolvimento de vendas (SDR) pronto para uso para alcance e monitoramento de cliente potencial. Também presumiremos que a empresa de Bob usa o ZoomInfo para sua pesquisa de mercado. A empresa também recebe dados da rede de fornecedores que são persistidos em um banco de dados e contêm informações valiosas sobre as empresas com as quais ela faz parceria.

Tempo de design

1. Configure a arquitetura de vários agentes.

   Agente de pesquisa coleta inteligência

   →

   Lead de pontuações do agente de qualificação

   →

   O agente de SDR inicia o esforço de contato

   1. Agente de pesquisa: Consulta o Data 360 e origens externas por meio do MuleSoft
   2. Agente de qualificação: Prioriza, pontua e aprimora leads
   3. Agente de SDR: Obtém atribuições de lead, executa alcance, acompanha e agenda reuniões. Monitore a atividade e o progresso do agente de SDR com o Agentforce Analytics para agente de SDR.
2. Descubra e ingira novos dados da empresa.

   Criar novo espaço de dados

   →

   Ingerir dados do Salesforce CRM

   →

   Ingerir dados do ZoomInfo

   →

   Ingerir dados do banco de dados do fornecedor

   1. Configure um novo espaço de dados chamado Vendas e Marketing. Esse novo espaço de dados conterá todos os dados necessários para agentes autônomos.
   2. Use conectores do Salesforce para fluir os dados do CRM Lead, Conta, Contato e Oportunidade para o espaço de dados.
   3. Configure um conector do Data 360 para ZoomInfo. Transfira os dados para o Espaço de dados de vendas e marketing do Data 360.
   4. Configure o conector do Anypoint Salesforce Data 360 para se conectar ao banco de dados do fornecedor e ingerir os dados no Data 360.
3. Configure um evento de plataforma para iniciar o agente de Pesquisa e qualificação autônomo.

   Criar novo evento de plataforma

   1. Crie um novo evento de plataforma AgentGoal__e com a alvo de campo que capture a meta de alto nível do usuário humano.
4. Configure um agente de Orquestrador de metas, um agente de IA conversacional que recebe a meta do usuário e a orquestra para outros agentes.

   Criar agente a partir do modelo	→	Adicionar tópico Analisar meta	→	Adicionar instruções sobre o tópico	→	Ação Criar evento de meta
   						↓
   						Adicionar ação ao tópico

   1. Crie um agente usando o modelo Agente do funcionário da Agentforce.
   2. Adicione um novo tópico, Analisar meta, com a descrição de que esse agente entende a intenção da meta e pode chamar agentes adicionais conforme necessário.
      • Adicione instruções sobre o tópico para analisar a meta e acionar eventos para outros agentes.
   3. Crie um evento de Meta, AgentGoal__e.
5. Configure um agente de Pesquisa e qualificação de lead, que é acionado por um agente de orquestração.

   Criar tópico Pesquisa	→	Criar ação de desduplicação	→	Criar ação de aprimoramento de lead	→	Criar ação de pontuação de lead
   						↓
   				Adicionar ações ao tópico	←	Criar ação de qualificação de lead

   1. Crie um tópico Pesquisa de clientes potenciais com a descrição "Pesquisar novos leads em uma região ou estado".
   2. Criar ações.
      • Ação Deduplicar lead do Apex: Verificar e validar novos leads em relação a clientes existentes
      • Ação Enrich Lead Apex, que usa um modelo de prompt: Analisa a percepção de marketing não estruturada e os dados do banco de dados do fornecedor para aprimorar os dados de lead
      • Ação Pontuar lead: Pontue proativamente um lead com dados de lead atualizados
      • Ação Qualificar lead para agente: Com base na pontuação, atribua parâmetros que qualificam o lead para um agente de SDR
6. Configure um agente de SDR do Agentforce para realizar esforços de alcance, fomento de leads e agendamento de reuniões.

   Criar agente de SDR a partir do modelo	→	Configurar a base Knowledge do agente	→	Definir configurações de email do agente	→	Definir regras de atribuição de lead
   						↓
   						Definir critérios de qualificação de lead

   1. Crie um novo agente de SDR na página Configuração usando o modelo do Lead Nurture Agent pré-configurado. Defina as configurações de email e as regras de atribuição de lead, selecionando o objeto Lead ou o objeto Contato e definindo os critérios de qualificação (pontuação de lead do limite e novo lead) para regras de atribuição.
   2. Configure o Agentforce Lead Nurturing configurando o agente, atribuindo permissões e configurando as regras de ritmo e atribuição.
   3. Configure o Knowledge necessário para que o agente de SDR responda às perguntas.
7. Configure um novo fluxo para assinar o evento publicado AgentGoal__e.

   Criar fluxo acionado por evento

   →

   Assinar o evento Meta do agente

   →

   Adicionar ação invocável do agente

   1. Crie um novo fluxo acionado por evento de plataforma chamado Rotear metas para agentes.
   2. Selecione o evento Meta do agente ao qual o fluxo deve assinar.
   3. Configure uma ação invocável de agente personalizado no Flow Builder e selecione o agente Pesquisa e qualificação de lead.

Fluxo do processo de tempo de execução do agente

Depois que o agente é configurado e implementado, a sequência de etapas a seguir ocorre no tempo de execução.

• Atribuição de metas: Bob encarrega um agente autônomo de "aumentar o pipeline na manufatura da Califórnia em US$ 5 milhões em 60 dias".
• Orquestração de meta: O agente Autônomo de Orquestrador de metas recebe a meta, analisa a intenção e cria um evento de plataforma, AgentGoal__e. O agente Orquestrador de metas é projetado para expandir continuamente seus recursos para lidar com várias metas. Você pode expandi-lo para adicionar mais recursos de orquestração ou pedir esclarecimento ao usuário para entender melhor a intenção e iniciar a meta.
• Roteamento: A opção Rotear metas do fluxo para agentes é acionada e chama o agente de Pesquisa e qualificação de lead.
• Pesquisa: O agente de Qualificação e Pesquisa de lead consulta o Data 360 para obter novas informações de lead, remove duplicações em relação a clientes existentes, extrai dados de pesquisa de mercado adicionais do Data 360 e aprimora o lead. Ela pontua ainda mais o lead, identifica os principais contatos e qualifica o lead.
• Outreach: Depois que o lead é qualificado, ele se torna elegível para o agente de SDR por meio das regras de atribuição de lead. O agente de SDR realiza o esforço inicial e mantém as conversas com o contato respondendo a perguntas relacionadas ao produto.
• Acompanhamento: No final do ritmo ou a pedido do lead, o agente solicitará uma agenda de reunião se o lead estiver qualificado para engajamento do representante de serviço. Em seguida, ele agenda a reunião e sai do fluxo.
• Agente Analytics: O painel SDR Agent Analytics fornece percepções sobre o desempenho do agente.

Um cliente de longa data está enfrentando um problema multifacetado: ele foi sobrecarregado, a peça de reposição recebida estava incorreta e seu serviço agora está desconectado.

• Acionador: O cliente inicia um chat e o agente conversacional inicial reconhece rapidamente a complexidade e escala para um mutirão de agentes.
• Ação do agente: Um agente de orquestrador assume o controle.
• Processo:
  1. Orquestrador: Mantenha a conversa com o cliente, fornecendo atualizações
  2. Delegados de orquestração: Usando a implementação do protocolo A2A, o Orquestrador descobre "agentes relacionados" (Faturamento, Logística e Provisionamento) com os recursos necessários e despacha tarefas.
     • Para o Agente de faturamento: "Investigar a fatura #INV-7890 para o cliente X. Há discrepâncias?"
     • Para o Agente de Logística: "Confirme o número de rastreamento #TN-12345 para o cliente X. Confirme o número da peça enviada e o inventário atual para a peça correta."
     • Para o agente de provisionamento: "Confirme o status de serviço da conta no #ACC-5678. Se desconectado, qual é o código de motivo?"
  3. Agentes especializados executam: Cada agente recebe a solicitação A2A, consulta seu respectivo sistema e formula uma resposta.
  4. Síntese: Os agentes relatam suas descobertas de volta ao Orquestrador por meio de respostas A2A. O Orquestrador sintetiza as informações: "De fato, o cliente foi sobrecarregado em US$ 50. A peça errada foi enviada devido a um erro de armazém. O serviço foi desconectado automaticamente devido ao problema de faturamento."
  5. Agradecimento: O Orquestrador informa o cliente sobre o problema e se oferece para escalar o problema para um representante de serviço humano com orientação clara sobre as próximas etapas.
  6. Resolução: Em seguida, ele propõe uma solução completa ao representante de serviço para aprovação. O representante de serviço entra para a conversa. O representante de serviço procura rapidamente todos os dados relevantes para o problema, incluindo a solução recomendada pelo agente: "Crie um novo pedido de envio para a parte certa com envio acelerado. Iniciar uma devolução para a peça errada. Aprove um desconto de 10% no novo pedido e venda adicional a peça com a versão aprimorada mais recente. Atualize as informações de pagamento e a oferta para configurar um acordo de faturamento recorrente."

Receita

Esta receita descreve a implementação de um sistema de agente colaborativo projetado para lidar com problemas complexos de atendimento ao cliente envolvendo várias facetas. Ao usar um agente de orquestrador para delegar tarefas a agentes especializados (Faturamento, Logística e Provisionamento) por meio de um protocolo A2A e então sintetizar suas descobertas, o sistema fornece soluções abrangentes e integra perfeitamente os representantes de serviço para aprovação final e interação com o cliente.

Tempo de design

1. Configure o Chat aprimorado como o ponto de entrada do chat do cliente para que ele possa abrir a janela Agentforce na página da Web.
2. Configure um Agentforce Billing Agent, um agente especializado autônomo que pode aceitar um pedido ou fatura e realizar uma consulta de faturamento.

   Criar agente a partir do modelo

   →

   Definir tópico da consulta de faturamento

   →

   Ação Criar fluxo personalizado

   →

   Adicionar ação ao tópico

   1. Habilite o Agentforce e crie um agente do funcionário usando o modelo Agente do funcionário do Agentforce.
   2. Defina um tópico, Consulta de faturamento, com a descrição "Investigar discrepâncias de fatura, problemas de pagamento e erros de faturamento".
      1. Adicione uma ação de fluxo personalizada, Verificar discrepância de fatura, com uma entrada de número de fatura, ID do cliente e intervalo de datas, e uma saída de valor de discrepância, causa raiz e transações afetadas.
3. Configure um Agentforce Logistics Agent, um agente especializado autônomo que pode verificar envios, rastrear envios e verificar inventário.

   Criar agente a partir do modelo

   →

   Definir tópico de Verificação de envio

   →

   Ação Criar fluxo personalizado

   →

   Adicionar ação ao tópico

   1. Habilite o Agentforce e crie um agente do funcionário usando o modelo Agente do funcionário do Agentforce.
   2. Defina um tópico: Verificação de envio, com uma descrição para verificar o envio da fatura.
      1. Adicione uma ação de Fluxo personalizada, Verificar detalhes de envio, com uma entrada de número de fatura, ID do cliente e intervalo de datas, e uma saída de peça enviada, data e status de inventário.
4. Configure um Agentforce Provisioning Agent, um agente especializado autônomo que pode verificar o provisionamento e o status do serviço.

   Criar agente a partir do modelo

   →

   Definir tópico de Verificação de serviço

   →

   Ação Criar fluxo personalizado

   →

   Adicionar ação ao tópico

   1. Habilite o Agentforce e crie um agente do funcionário usando o modelo Agente do funcionário do Agentforce.
   2. Defina um tópico, Verificação de serviço, com uma descrição para verificar a conectividade de serviço e o status da conta.
      1. Adicione uma ação de Fluxo personalizada, Verificar serviço, com uma entrada de ID do cliente e ID do ativo e uma saída de Status de serviço e Motivo da exceção de serviço.
5. Exponha agentes de faturamento, logística e provisionamento como servidores A2A e registre-os no Registro do agente.

   Expor agentes por meio do MuleSoft

   →

   Registrar agentes no registro

   1. Na ausência de suporte direto A2A para agentes Agentforce, os conectores MuleSoft podem ser usados para expor APIs de agente como servidores A2A.
   2. Registre esses servidores A2A no Registro do agente.
   3. Use o Anypoint Agent Fabric para orquestração de agentes.
      1. A MuleSoft Agent Broker pode ajudar a orquestrar qualquer agente entre plataformas com base nas funcionalidades do agente mencionadas nos cartões do agente.
6. Configure um Agente de ajuda do Agentforce, um agente de IA conversacional que interage com os clientes, avalia a complexidade e coordena com vários agentes especializados para resolver o problema.

   Criar agente de serviço	→	Definir tópico de investigação	→	Criar ação de notificação	→	Definir tópico de Orquestração
   						↓
   Definir tópico de escalação	←	Criar ação Criar caso	←	Ação Criar agente de chamada	←	Criar fluxo de orquestração do agente
   ↓
   Criar fluxo do Omni-Channel	→	Conectar fluxo para escalação

   1. Habilite o Agentforce e criar um agente de serviço no Agentforce Builder para lidar com conversas e acionar ações personalizadas.
   2. Defina um tópico, Investigação de serviço, com uma descrição e instruções para que o agente reconheça naturalmente um tópico complexo com, geralmente, vários problemas simultâneos.
      1. Criar ações personalizadas do agente.
         • Ação de Notificação de status para confirmar o problema e fornecer atualizações de progresso
   3. Defina um tópico de Orquestração que possa chamar outros agentes por meio de ações.
      1. Crie uma ação do Agente de chamada que chame uma ação de Fluxo. A ação Fluxo tem várias ações do agente e pode iniciar cada um dos agentes autônomos: o Agente de cobrança, o Agente de logística e o Agente de provisionamento.
      2. Crie uma ação Criar caso que crie um caso, adicione detalhes e defina o status.
   4. Defina um tópico de Escalonamento com uma descrição para escalar para um representante de serviço.
   5. Crie e ative um fluxo do Omni-Channel de saída.
      • Adicione-o à guia Conexões no Agente para escalação com uma mensagem de escalação.

Fluxo de processo de orquestração de agentes

O Criador de código do Anypoint agora oferece suporte à criação de agentes corretores. Um agente de intermediação é uma camada inteligente de roteamento e orquestração que conecta agentes entre domínios e engaja os agentes e ferramentas mais adequados. O MuleSoft Dev Agent gera o código para configurar uma base para o agente.

Com base nos recursos do agente mencionados nos cartões do agente (servidores A2A), que foram registrados anteriormente com o Registro do agente, outras configurações são feitas automaticamente pelo Criador de código do Anypoint. Por fim, podemos implementar esse agente agente na nuvem.

Quando o agente está disponível para consumo, essas solicitações são encaminhadas para os agentes adequados. Um agente recebe um aviso e usa o LLM para descomponê-lo em tarefas e determinar qual agente ligar primeiro. Em cada loop iterativo, ele determina se ele solucionou com sucesso o aviso original ou se precisa trabalhar com agentes adicionais para concluir o trabalho.

Fluxo do processo de tempo de execução do agente

Depois que o agente é configurado e implementado, a sequência de etapas a seguir ocorre no tempo de execução.

1. Lançamento do chat: Um cliente abre o chat Agentforce (serviço integrado). O carregamento do contexto da sessão e do contato após o login do cliente.
2. Saudação e intenção: O agente saúda o cliente. O cliente, com clara frustração, notifica sobre sobrecargas, a peça errada e o serviço desconectado.
3. Pesquisa de CRM: O agente aciona a ação Obter pedido mais recente e consulta o Salesforce (resumo do pedido/pedidos) para o registro mais recente do cliente. O agente então confirma o pedido no contexto e notifica o cliente de que ele irá investigar. Ela pesquisa ainda mais o ID da fatura, o número de rastreamento associado à fatura e o ID do ativo relacionado ao serviço.
4. Ativação do Orquestrador: O agente do orquestrador recebe a escalação e o ID do pedido e então cria um caso. Ele passa os dados de contexto e se comunica com três agentes: o Agente de cobrança, o Agente de logística e o Agente de provisionamento.
5. Resposta do agente Billing: O Agente de faturamento retorna com detalhes sobre a peça, o custo unitário e o custo total. Ele também observa uma discrepância entre a parte no pedido e a parte na fatura. O agente de faturamento pesquisa o preço da parte do pedido e os motivos para a sobrecarga.
6. Resposta do Agente de logística: O Agente de logística retorna com detalhes sobre a peça enviada e as notas de exceção criadas pelo sistema de logística que informam que a peça errada pode ter sido enviada devido a problemas de marcação. O agente de logística também verifica se o problema agora foi corrigido e se a peça correta está disponível nas versões original e mais recente.
7. Resposta do agente de provisionamento: O agente de provisionamento retorna com detalhes sobre a desconexão de serviço e o problema sobre as informações de pagamento expirado. Ele também fornece as notificações enviadas para aconselhar o cliente a atualizar as informações de pagamento.
8. Síntese do Orquestrador: O agente orquestrador sintetiza as respostas de todos esses agentes e compõe uma solução olhando artigos do Knowledge para cada um dos problemas. Primeiro, ele procura informações sobre a parte errada e inicia uma devolução. Em segundo lugar, ele oferece um desconto para o problema com base nos documentos da política de resolução e também recomenda um upgrade para uma versão mais recente que o cliente pode comprar (mas há uma diferença de preço). Em terceiro lugar, ele precisa de novas informações de pagamento do cliente, portanto, ele é escalado para o repositório de serviço para comunicar a resolução.
9. Escalation: O agente do orquestrador é escalado para o representante de serviço, fornecendo todo o contexto necessário, notas de investigação e recomendações de resolução junto com as aprovações necessárias, e leva o representante de serviço para a chamada.
10. Humanos no loop: O representante de serviço agradece ao cliente pela paciência, pede desculpas pelo problema e explica o problema. O representante de serviço então oferece um desconto de 10% para a peça como compensação e também informa o cliente sobre uma nova peça atualizada e seus benefícios. Por fim, eles explicam sobre a desconexão, obtêm as novas informações de pagamento e atualizam o sistema.
11. Restauração proativa: O agente de IA observa a conversa e age proativamente para restaurar o serviço, pedir a peça atualizada e criar uma nova fatura com o desconto e o preço ajustado.
12. Fechamento do caso: Por fim, ele compila o resumo, atualiza o caso e fecha o caso.

Para que um agente seja eficaz, ele deve ser capaz de se integrar a um amplo conjunto de dados e ferramentas empresariais. Isso fornece o contexto essencial de que um agente precisa para realizar sua meta configurada. A estrutura Agentforce fornece uma arquitetura de integração sofisticada que integra dados que são tanto internos ao Salesforce quanto externos ao Salesforce.

Esta seção explora os padrões para conectar agentes a esses recursos. Esses padrões são baseados em duas abordagens fundamentais para integração.

• Integração interna (acesso aos dados e acesso às ferramentas): Para recursos no ecossistema do Salesforce, um agente tem duas maneiras de operar.
  • Acesso aos dados: O tempo de execução principal do Agentforce está profundamente integrado ao Data 360, permitindo que ele consulte serviços de dados internos diretamente. Ele pode formular e executar consultas nativamente com base em Gráficos de dados para obter uma visão de 360 graus do cliente, realizar pesquisas semânticas por meio de RAG para entender Knowledge não estruturado e acessar informações em massa usando a API de consulta do Data 360. Esse caminho direto é otimizado para velocidade e flexibilidade na recuperação de dados.
  • Acesso à ferramenta: Quando uma tarefa envolve lógica de negócios complexa ou processos de várias etapas, ou quando ela exige uma governança rígida, suas capacidades são encapsuladas em Ações. Criadas com o Apex ou o Fluxo, essas ações fornecem uma interface segura e reutilizável para que o agente faça mais do que apenas ler dados: permitem que ele atualize registros, acione eventos de plataforma ou execute qualquer processo de negócios estabelecido.
• Integração externa (MCP/A2A): Quando um agente precisa de informações fora do Salesforce (por exemplo, de um aplicativo externo, um microsserviço ou outro agente), ele usa o Protocolo de contexto de modelo (MCP). Esse padrão aberto fornece uma linguagem comum para interoperabilidade. Os servidores MCP podem ser adicionados do AgentExchange ou um administrador pode adicionar no Registro do agente ou uma chamada do Apex ao servidor MCP. Em seguida, a ação inicia a solicitação para um servidor MCP externo, conectando os mundos interno e externo de maneira estruturada. Da mesma forma, quando um agente precisa se comunicar com outro agente, o protocolo Agent2Agent (A2A) facilita essa interação. Isso permite a criação de sistemas complexos de vários agentes em que agentes especializados podem colaborar para resolver problemas complexos, promovendo a modularidade e a reutilizabilidade.

Os seguintes padrões são organizados em torno dos temas de integração de dados específicos de que os agentes precisam. Vamos demonstrar como esses padrões são aplicados para resolver desafios de dados distintos, desde a conectar-se a aplicativos externos usando MCP até acessar dados em massa de alto volume no Data 360, registros transacionais em tempo real e conteúdo não estruturado usando a poderosa combinação de acesso direto e ações formais no Data 360.

Problema

A eficácia de um agente depende de sua capacidade de operar ferramentas externas. No entanto, essas ferramentas, de ERPs legados a aplicativos SaaS modernos, não têm uma linguagem compartilhada. Cada um tem uma API exclusiva, um modelo de autenticação e um formato de dados. Isso leva os desenvolvedores a um ciclo quebradiço e sem escalonamento de criação e manutenção de integrações personalizadas de ponto a ponto para cada nova ferramenta que o agente precisa usar.

Contexto

Considere um agente encarregado de resolver um caso de envio danificado. Para ter sucesso, ele deve interagir com três sistemas externos diferentes: ele precisa consultar a API do fornecedor para verificar o estoque de substituição, ligar para um serviço de parceiro logístico para organizar uma nova entrega e acessar um sistema financeiro para processar um crédito. Sem um protocolo comum, o agente exigiria três integrações personalizadas separadas, cada uma potencialmente com falha. O MCP fornece uma camada de comunicação padronizada para tornar essas interações transparentes e confiáveis.

A seguir, há receitas para como integrar serviços externos expostos por meio de MCP ao seu agente.

Receita 1: Habilitar ferramentas externas com MCP

Problema

As organizações são executadas em uma combinação de ERPs legados e SaaS moderno, mas integração com um agente é difícil porque não há um protocolo comum: cada ferramenta tem suas próprias APIs, autenticação e modelo de dados. Os desenvolvedores acabam criando e mantendo conectores de ponto a ponto personalizados para cada ferramenta, produzindo integrações frágeis, não escalonáveis e caras.

Padrão

O agente chama uma ferramenta externa (exposta por meio de MCP) por meio de uma ação estruturada, permitindo que ele use ferramentas especializadas além da plataforma Salesforce.

Contexto

• O agente atua como um proxy para um conjunto de ferramentas que existem fora da plataforma Salesforce.
• Essas ferramentas externas podem ter várias APIs, mecanismos de autenticação e formatos de dados.
• É necessário um protocolo de comunicação padronizado para permitir uma interação perfeita entre o agente e essas ferramentas externas.
• A reutilizabilidade é uma preocupação fundamental, pois as mesmas ferramentas externas podem ser utilizadas por vários agentes para diferentes fins.

Interações

1. Acionador: Uma solicitação do usuário ou um evento interno dentro da Agentforce exige o uso de uma ferramenta externa.
2. Intenção de agir: O Agente Agentforce identifica a intenção e determina que uma ferramenta baseada em MCP externa é necessária.
3. Planejador (interno): O planejador do Agente do Agentforce seleciona a ferramenta ou ação de MCP apropriada com base nas instruções configuradas e nas ferramentas disponíveis.
4. Execução: O Agentforce Agent envia uma solicitação em conformidade com MCP para o servidor MCP externo (por exemplo, por meio de uma chamada do Apex para um ponto final do MuleSoft, que então é roteado para o servidor MCP externo).
5. Processamento externo: O servidor MCP externo processa a solicitação, interage com o aplicativo externo subjacente e prepara uma resposta em conformidade com MCP.
6. Resultado: O servidor MCP externo retorna a resposta ao Agente Agentforce.
7. Acompanhamento: O Agente Agentforce processa a resposta, atualiza seu estado interno e continua sua tarefa ou fornece feedback ao usuário.

Trade-Offs

A lógica de tomada de decisão de um agente é tão sólida quanto os dados subjacentes. Para um agente agir de maneira inteligente, ele deve ter uma compreensão avançada e em tempo real do mundo ao seu redor. Sem uma arquitetura de ingestão de dados definida, o agente não pode acessar nem processar as informações em tempo real de alto volume que são essenciais para seu funcionamento.

Integrar dados transacionais com agentes

Problema

Os agentes costumam precisar realizar operações de leitura/gravação de baixa latência em registros individuais que residem em sistemas de registro (por exemplo, atualizar um caso ou buscar um status do pedido). Essas ações exigem integridade e confiabilidade dos dados para garantir a consistência do modelo de dados subjacente. O desafio arquitetônico principal é fornecer um padrão seguro, em tempo real e escalonável para esse acesso a dados transacionais sem criar integrações de ponto a ponto frágeis.

Contexto

Para conectar com sucesso um agente a esses registros, é necessária uma arquitetura robusta composta por vários componentes principais.

• Sistemas transacionais: Essas são as fontes autoritárias dos dados, como sistemas de registro, como o Salesforce, o Workday ou o SAP, ou serviços hospedados em plataformas como a AWS.
• Laixa de integração: Uma camada de integração eficiente, geralmente gerenciada pela MuleSoft, é crucial para conectar-se com segurança a esses sistemas dispares, transformar dados e expô-los à plataforma Agentforce.
• Serviços MCP: Para garantir a interoperabilidade, os agentes se comunicam com esses sistemas externos usando o padrão MCP. A camada de integração pode se conectar a vários servidores MuleSoft, Heroku ou MCP de terceiros que hospedem os serviços ou agentes externos.
• Intercâmbio de agentes: Esse componente atua como um diretório ou um comutador, permitindo que o agente do Salesforce descubra e se conecte com segurança ao serviço externo ou agente correto para concluir sua tarefa.

Receita 1: Operações de registro direto via MCP

Padrão

O agente usa o MCP para se conectar a um sistema de dados transacional e realiza operações de CRUD de estado em registros identificados específicos com requisitos de consistência imediatos.

Contexto

• Os agentes conversacionais e colaborativos devem transacionar dados do sistema de registro no fluxo de trabalho.
• O sistema de registro é um sistema externo.
• As transações precisam ser idempotentes.

Principais componentes

• Agente Agentforce: Com tópicos e instruções para fazer uma atualização transacional. Ações chama um servidor MCP externo ou um servidor MCP registrado no Agentforce Exchange.
• Servidor MCP: O servidor MCP que expõe os dados e funções da transação (por exemplo, tool=billing.update_record com dados de entrada)
• Sistema externo de registro: O sistema em que a alteração de estado ocorre

Interações

1. Acionador: Um comando ou evento ocorre exigindo uma transação em um registro.
2. Intenção de agir: Um agente Agentforce identifica uma intenção de alteração de estado.
3. Planejador (interno): O planejador escolhe uma ferramenta de MCP.
4. Executar: A ferramenta é executada depois que as verificações de acesso em nível de campo, de registro e de política são aprovadas.
5. Resultado: O servidor MCP retorna uma resposta
6. Acompanhamento: O Agente Agentforce processa a resposta.

Trade-Offs

Receita 2: Orquestração complexa via API do Mulesoft

Padrão

O agente utiliza a API do Mulesoft para transações atômicas complexas de várias etapas entre sistemas. Isso fornece um ponto de extremidade único e regulado, garantindo um processamento confiável de ponta a ponta e evitando problemas de consistência, confiabilidade, latência e dados associados a chamadas diretas a sistemas individuais.

Contexto

• Agentes conversacionais e autônomos geralmente precisam realizar várias operações com confiança.
• Há vários sistemas e operações transacionais em uma transação.
• Os fluxos de trabalho exigem transação/rollback, novas tentativas e imposição de apólice.
• As necessidades da transação são em tempo real, idempotentes, observáveis e em conformidade.

Interações

1. Acionador: Um comando ou evento ocorre, exigindo a conclusão de uma transação complexa.
2. Intenção de agir: O Agente Agentforce identifica a intenção.
3. Planejador (interno): O planejador escolhe uma ação invocável para a API ou a ação da API.
4. Execução: A API é executada e uma resposta é retornada.
5. Acompanhamento: O Agente Agentforce processa a resposta.

Trade-Offs

Integrar dados analíticos com agentes

Problema

As organizações investiram muito em infraestruturas analíticas (armazéns e lagos de dados, sistemas analíticos em tempo real e plataformas de inteligência de negócios), mas os agentes de IA permanecem desconectados desses sistemas. Isso cria uma lacuna na capacidade de um agente obter um contexto aprimorado (por exemplo, que um cliente devolveu peças três vezes no último trimestre) para ajudar a tomar decisões melhores (neste caso, escalação).

Contexto

A inteligência operacional de um agente é derivada de sua capacidade de sintetizar informações de fontes e formatos de dados fundamentalmente diferentes. Portanto, esse padrão arquitetônico não é projetado para um único caso de uso, mas como uma estrutura básica de ingestão de dados. Um agente eficaz deve estar equipado para processar fontes estruturadas para realizar uma análise lógica orientada por dados; um agente precisa de acesso a feeds estruturados de alto volume. Isso inclui integração com os lagos de dados corporativos (por meio da integração de cópia zero com o Data 360), processamento de fluxos de dados transformados por middleware ou ingestão de arquivos em lote, como CSVs.

Receita 1: Data Lakes integrado por meio do Data 360 Zero-Copy

Problema

As organizações enfrentam altos custos ao usar pipelines de dados tradicionais para copiar, gerenciar e transformar dados analíticos armazenados em data lakes (por exemplo, Snowflake). Historicamente, a análise está em grande parte offline, resultando em oportunidades perdidas para ação oportuna.

Padrão

O agente consulta dados de cópia zero (e insights calculados) disponíveis no Data 360 em vez de consultar armazéns de dados externos para insights críticos. Isso ajuda os agentes a fundamentar dados transacionais e analíticos para uma melhor tomada de decisão.

Contexto

• Sua organização armazena dados operacionais e do cliente em armazéns de dados e lagos.
• Seus agentes precisam de acesso a métricas agregadas, tendências históricas e percepções analíticas.
• O contexto do agente precisa de dados transacionais e analíticos (considere a necessidade de um agente de pesquisa de dados de tendências históricas).

Interações

1. Acionador: Um agente recebe uma consulta sobre uma percepção que requer acesso a dados analíticos ou a uma percepção calculada.
2. Execução: O agente executa uma ação que chama Insights calculados do Data 360 por meio da API de consulta e a percepção calculada é retornada.
3. Acompanhamento: O Agente Agentforce processa a resposta.

Trade-Offs

Receita 2: Acionar ações de fluxos de dados

Problema

As organizações geram continuamente informações valiosas de atividades de negócios, como visitas ao site da Web, chamadas, reuniões, chats e dados de sensores. No entanto, quando essas interações ficam disponíveis ou são recuperadas de armazéns de dados, as percepções críticas são perdidas e a oportunidade de intervenção oportuna passou. Consequentemente, as organizações perdem a maioria da inteligência acionável necessária em tempo real, que costuma estar enterrada nesses fluxos efetivos. Isso leva a lacunas, oportunidades de coaching perdidas e decisões tomadas sem contexto completo.

Padrão

O agente recebe percepções em tempo real ou quase em tempo real de insights de streaming ou de uma insight em tempo real no Data 360 por meio de uma ação de dados, ou o agente acessa uma percepção de streaming em tempo real consultando um servidor MCP que interage com um mecanismo de processamento em tempo real como o Apache Flink.

Contexto

• Sistemas de streaming, como eventos de plataforma, API Pub/Sub e RTEM, geram grandes quantidades de dados de fluxo.
• Sistemas de processamento de fluxo como o Data 360 e o Apache Flink processam esses eventos individuais conforme eles chegam.
• O Agentforce precisa consultar os sistemas de fluxo (por exemplo, a transcrição de 30 segundos mais recente da reunião ativa com contexto adicional) ou é acionado por uma ação de dados (por exemplo, detecção de fraude).
• Há uma necessidade de ação de baixa latência quase em tempo real.

Interações

1. Emissão de fluxo: O sistema de origem emite um fluxo contínuo de dados.
2. Processamento de fluxo: Mecanismos de processamento de fluxo, como Data 360 ou Apache Flink, processam as informações.
3. Transformação: As percepções são agregadas, transformadas e sintetizadas em dados sensíveis ao agente no middleware (para transformação complexa) ou no Data 360.
4. Eventos de percepção de fluxo: Uma Ação de dados do Data 360 é acionada para dados sintetizados (por exemplo, uma transcrição de um fluxo de áudio de 30 segundos).
5. Enrich: Um agente adiciona contexto e detecta a intenção.
6. Executar: O agente executa a ação.
7. Acompanhamento: O agente espera a próxima percepção de streaming.

Trade-Offs

Integrar dados semânticos com agentes

As organizações têm artefatos de negócios – catálogos, manuais, políticas, gráficos do Knowledge, mapas de relacionamento – em diferentes formatos e formas. Para ir além da execução simples de tarefas e se envolver em raciocínio sofisticado, os agentes devem ser capazes de compreender esses dados onde a maioria do Knowledge humano está armazenado.

Receita 1: RAG: Aproveitando o poder dos dados não estruturados para agentes

Problema

As organizações costumam ter informações não pesquisáveis que impedem a capacidade dos agentes de acessá-las com confiança. Essa deficiência geralmente leva a respostas incompletas dos agentes, sem a profundidade contextual necessária e citações verificáveis para estabelecer Trust. Portanto, há uma clara necessidade de um método padronizado para permitir que os agentes recuperem consistentemente conteúdo semanticamente relevante e preciso.

Padrão

Esse padrão fornece a arquitetura para permitir que os agentes ingiram e interpretem uma ampla variedade de informações não estruturadas, de documentos internos a conteúdo da Web público. Dar a um agente acesso a esses dados é a chave para desbloquear recursos avançados, como análise de sentimento de mercado, resumo de documento e pesquisa de concorrentes.

Contexto

• Knowledge está em arquivos em diferentes formatos e formas.
• O conteúdo redundante é prevalente nestes documentos.
• Um agente precisa de informações precisas que podem ser citadas.
• O Knowledge muda com frequência, portanto, os arquivos precisam ser atualizados e indexados novamente.

Interações

O conteúdo não pode ser ingerido nem usado pelo agente como está. O conteúdo precisa ser dividido em blocos, integrado, armazenado em um banco de dados vetorial e indexado para que possa ser recuperado e usado pelos agentes.

Ingerir e preparar

1. Rastrear e ingerir fontes: As origens podem ser identificadas de duas maneiras: manualmente, como carregar um arquivo PDF, ou pelo local, como o AWS S3.
2. Chunking: O conteúdo ingerido é dividido em partes menores e gerenciáveis para facilitar o processamento e a recuperação eficientes. Esta é uma etapa crítica para o RAG, pois garante que apenas as informações mais relevantes sejam recuperadas, em vez de documentos inteiros.
3. Integração: Cada pedaço é então convertido em uma representação numérica chamada de incorporação usando um modelo de linguagem especializado. Essas integrações capturam o significado semântico do texto, permitindo pesquisas baseadas em similaridade.
4. Armazenamento do vetor: As integrações são armazenadas em uma loja de vetores do Data 360, um banco de dados especializado otimizado para pesquisas de similaridade de alto desempenho. Isso permite que o agente encontre rapidamente conteúdo relacionado.
5. Indexando: O conteúdo e suas integrações são indexados dentro da loja do vetor, tornando-os prontamente pesquisáveis para recuperação.

Funções do Data 360 Retriever

• Recuperar conteúdo: Essa função pega uma consulta como entrada e realiza uma pesquisa semântica em relação à loja do vetor do Data 360 para localizar os blocos de conteúdo mais relevantes.
• Conteúdo do filtro: Essa função permite filtrar o conteúdo recuperado com base em metadados, como tipo de documento, autor ou data, para refinar ainda mais os resultados.
• Rank content: Essa função classifica os blocos de conteúdo recuperados com base em sua pontuação de similaridade (pesquisa vetorial), pontuação de palavra-chave ou uma combinação de ambos (pesquisa híbrida).

Recuperar e gerar

• Question: Quando um agente precisa de informações, ele formula uma consulta que também é integrada a um vetor.
• Pesquisa semântica: O agente realiza uma pesquisa semântica em relação ao repositório de vetores do Data 360, comparando a integração da consulta com as integrações dos blocos de conteúdo armazenados. Isso recupera as partes mais relevantes semanticamente com base na pontuação do vetor ou na pontuação híbrida (vetor e palavra-chave combinados).
• Geração aumentada por recuperação (RAG): Os blocos de conteúdo recuperados são então fornecidos como contexto aos Agentes do Agentforce junto com a consulta original. O LLM usa esse contexto para gerar uma resposta precisa, precisa e citável.
• Resposta e citação: O agente apresenta a resposta gerada, muitas vezes com citações aos documentos de origem ou links da Web, para criar Trust e permitir a verificação.

Trade-Offs

Receita 2: Gráficos de dados: Dados de gráfico estruturado pré-curados para agentes

Problema

As organizações costumam ter dados de relacionamento isolados que impedem a capacidade de um agente de recuperá-los. Esse problema geralmente resulta em agentes que fornecem respostas incompletas que não têm detalhes contextuais suficientes para criar Trust sobre como diferentes entidades estão conectadas, ou causa atrasos quando os agentes precisam recuperar informações de vários bancos de dados.

Padrão

Esse padrão fornece a arquitetura para permitir que os agentes ingeram e interpretem uma ampla variedade de informações de relacionamento estruturadas e semiestruturadas, desde dados internos do CRM até gráficos externos do Knowledge. Dar a um agente acesso a esses dados é a chave para desbloquear recursos avançados, como visualizações Customer 360, análise de dependência complexa e criação de contexto dinâmico.

Contexto

1. Os dados de relacionamento são distribuídos em vários sistemas e formatos.
2. Os agentes precisam entender as conexões entre entidades (por exemplo, um cliente, seus casos, seus pedidos e produtos relacionados).
3. Gráficos do Knowledge e modelos de dados conectados são essenciais para entender relacionamentos complexos.
4. O agente precisa de informações precisas sobre relacionamentos de entidade que podem ser citados.

Interações

Os dados relacionais precisam ser harmonizados e representados em uma estrutura de gráfico para que possam ser consultados e usados de modo eficaz pelos agentes.

Ingerir e preparar

1. Fontes de ingestão de Crawland: Fontes de dados (por exemplo, sistemas CRM, ERPs, APIs externas e CSVs) são identificadas e ingeridas no Data 360.
2. Harmonização dos dados: Os dados brutos são mapeados para Objetos de modelo de dados (DMOs) no Data 360, padronizando sua estrutura e criando uma visualização unificada.
3. Resolução de identidade: Os perfis de cliente duplicados são consolidados e os registros relacionados são vinculados para criar uma visualização única e precisa de cada cliente.
4. Criação de gráfico de dados: Os DMOs são conectados para formar um gráfico de dados, representando relacionamentos entre diferentes entidades (por exemplo, um DMO de cliente é conectado a um DMO de caso, que é conectado a um DMO de produto). Esse gráfico permite uma navegação eficiente de relacionamentos.
5. Insights calculados: Métricas agregadas e atributos derivados (por exemplo, o histórico de compra total de um cliente) são calculados e adicionados ao gráfico de dados para mais contexto.

Recuperar e gerar

1. Question: Quando um agente precisa de informações envolvendo relacionamentos entre entidades, ele formula uma consulta com base no gráfico de dados (por exemplo, "O que são todos os casos abertos para esse cliente e quais produtos estão associados a eles?").
2. Transferência de gráfico e API de consulta: O agente usa a API de consulta do Data 360 para percorrer o gráfico de dados e recuperar registros conectados, percepções calculadas e atributos relevantes com base na consulta.
3. Geração contextual: Os dados sensíveis ao relacionamento recuperados são então fornecidos como contexto aos Agentes do Agentforce junto com a consulta original. O LLM usa esse contexto aprimorado para gerar uma resposta precisa, precisa e citável que reflete a interligação dos dados.
4. Resposta e citação: O agente apresenta a resposta gerada, muitas vezes com referências aos registros ou relacionamentos específicos dentro do gráfico de dados que informaram a resposta, para criar Trust e permitir a verificação.

Trade-Offs

A empresa está à beira de uma nova era de automação e inteligência, liderada por agentes de IA. De lidar com consultas simples do cliente até executar de modo autônomo estratégias de negócio complexas, os agentes prometem redefinir a produtividade e o engajamento do cliente. A plataforma Salesforce Agentforce oferece a base essencial e confiável para essa transformação. Com um conjunto robusto de ferramentas declarativas e pro-código, uma plataforma de dados unificada e compromisso com padrões abertos por meio de A2A e MCP, a Agentforce fornece uma base abrangente e confiável para criar todos os tipos de agentes. Essa arquitetura permite que as organizações implantem agentes inteligentes e orientados a metas que atuam como parceiros conectados, não isolados, para promover o sucesso comercial mensurável.

O Salesforce fornece um conjunto poderoso e integrado de ferramentas, unificadas pela plataforma Agentforce, que servem de base para a criação de agentes sofisticados. As receitas e exemplos neste documento pressupõem familiaridade com as funcionalidades da plataforma Agentforce e como os agentes interagem. Esta seção oferece uma atualização dos principais componentes que você precisa entender para aproveitar ao máximo as receitas e os padrões neste documento.

Esta seção descreve os recursos básicos da plataforma que são essenciais para arquitetos e desenvolvedores criarem agentes no Agentforce.

• Fluxo do Salesforce: A ferramenta principal para definir a lógica do agente. Sua interface declarativa e visual é ideal para orquestrar as etapas que um agente realizará.
• Apex: Fornece o poder para lógica personalizada complexa, gerenciamento de estado para agentes autônomos e integrações complexas
• Eventos de plataforma: O sistema nervoso para agentes proativos e colaborativos, servindo como a camada de transporte para o protocolo A2A.
• Data 360: A memória de longo prazo unificada do agente. Ele fornece o contexto necessário para ação inteligente e é a base para a geração aumentada por recuperação (RAG).
• MuleSoft: A ponte do agente para o mundo exterior, habilitando a integração do sistema e a comunicação entre agentes por meio do MCP.
• Slack: Uma superfície primária para interação entre agentes, incluindo tarefas, notificações e aprovações
• Cliente de chat Agentforce: O front-end personalizável e integrável para agentes conversacionais voltados para o cliente

Para que os agentes sejam realmente eficazes, eles não podem existir em um silo. A Agentforce engloba dois padrões de interoperabilidade essenciais:

• Comunicação do Agent2Agent (A2A): Esse protocolo controla como os agentes no ecossistema do Salesforce se comunicam entre si. A plataforma Agentforce atua como um cliente A2A e um servidor, fazendo e escutando solicitações, respectivamente, o que é crucial para mutirões de agentes colaborativos. Os agentes podem ser configurados com agentes relacionados para descobrir e invocar outros agentes com habilidades específicas, criando um sistema dinâmico e extensível. Os eventos de plataforma servem como o mecanismo de transporte assíncrono durável para essas mensagens A2A.

• Protocolo de contexto do modelo (MCP): Esse padrão garante que os agentes não estejam bloqueados em uma única plataforma. O MCP define um formato de mensagem comum que permite que os agentes criados em diferentes estruturas se comuniquem. Neste modelo, o Agentforce atua como um cliente MCP. Por exemplo, um agente do Salesforce pode consultar um agente externo especializado em cálculos de logística complexos enviando uma solicitação em conformidade com MCP. O MuleSoft serve como o gateway, transformando a solicitação A2A interna em uma chamada de API formatada por MCP externa, garantindo a interoperabilidade perfeita em toda a empresa.