Otimização de recursos e custos – Padrões de agentes

Saiba mais sobre Otimização de custo e recursos bem arquitetados → Otimização de custo e recursos empresariais para agentes

Padrões

Onde procurar	Qual é a boa aparência
Agentforce \| Ação	✅ Ações de design que aceitam coleções. O agente que processa 50 atualizações de caso chama Ação única com coleção de IDs de caso, não 50 invocações separadas
Agentforce \| Ação	✅ Use consultas de relacionamento recuperando dados pai e filho em instruções SOQL únicas para gerenciar o orçamento SOQL entre cadeias de ação
Plataforma \| Cache da plataforma	✅ Armazenar dados de referência em cache da plataforma para eliminar consultas repetidas entre ações na mesma conversa
Plataforma \| Apex	✅ Mova operações de agente que excedem limites síncronos para o Apex enfileirável ou em lote.
Plataforma \| Apex	✅ Ações de perfil em carregamento com registros de execução do Apex. Mover o processamento pesado em computação para o contexto assíncrono ao se aproximar do limite síncrono
Agentforce \| Ação	✅ Projetar ações com limites de registro filho rígidos e paginação para cenários de desvio de dados
Agentforce \| Ação	✅ Implemente a amostragem quando os volumes excederem limites para agentes que podem solicitar “todo o histórico” de modo imprevisível
Plataforma \| Centro de escala	✅ Use rastreamentos de transação do Centro de escala para identificar quais ações consomem consultas excessivas

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Agentforce \| Ação	Invoque ações separadas para cada registro (por exemplo, 50 chamadas separadas para 50 atualizações de caso) em vez de aceitar coleções
Plataforma \| Apex	Executar 5-10 consultas SOQL por ação em fluxos de trabalho complexos de 10-15 ações, se aproximando do limite de 100 SOQL síncronos
Plataforma \| Apex	Executar processamento grande de forma síncrona em uma ação em vez de em um contexto assíncrono (por exemplo, pontuar mais de 1.000 leads no Apex síncrono)
Agentforce \| Ação	Permitir que os agentes recuperem registros filho ilimitados de contas com 15 mil oportunidades ou casos com 5 mil atividades sem codificação defensiva

Padrões

Onde procurar	Qual é a boa aparência
Plataforma \| Monitoramento de evento	✅ Monitore o consumo da API no Monitoramento de evento durante a fase piloto para entender o uso real antes da distribuição completa
Data 360 \| Configuração	✅ Defina os principais limites na pesquisa vetorial para recuperar apenas o número de resultados realmente usados
Data 360 \| Analytics	✅ Monitorar a utilização dos resultados da pesquisa do vetor no Data 360 Analytics para ajuste dos principais parâmetros
Plataforma \| Eventos de plataforma	✅ Publicar eventos de plataforma quando as condições exigirem intervenção do agente, em vez de pesquisas agendadas consumindo chamadas à API independentemente da existência do trabalho
Integração \| Ação	✅ Usar padrões compostos: criar uma única API do MuleSoft Experience para agregar várias verificações do sistema (inventário, precificação, crédito) em paralelo, o agente invoca uma Ação externa consumindo uma chamada
Integração \| Ação	✅ Projetar fluxos do MuleSoft únicos que executam todas as atualizações a jusante em vez de vários fluxos sequenciais por interação do agente
Agentforce \| Configuração do agente	✅ Integre agentes a páginas do Lightning usando componentes padrão para evitar o consumo de chamadas à API por interação
Negócios \| Planejamento	✅ Avaliar modelos de licenciamento do MuleSoft (com base em transação vs. licenciamento de plataforma) em relação aos volumes de transação projetados do agente para determinar a melhor economia

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Data 360 \| Configuração	Recuperar os 50 principais resultados da pesquisa vetorial usando apenas os 5 principais, desperdiçando 90% do orçamento de contexto e computação
Plataforma \| Trabalhos agendados	⚡️ Pesquisa agendada consumindo chamadas à API independentemente da existência de trabalho (por exemplo, verificando a cada cinco minutos não encontrar trabalho 80% do tempo)
Integração \| Credenciais nomeadas	⚡️ Usar três ações separadas consumindo três chamadas em vez de uma única API composta agregando várias chamadas do sistema
Plataforma \| Apex	⚡️ LWCs personalizados que fazem solicitações de API explícitas consumindo chamadas de API quando componentes padrão do Lightning podiam evitar isso
Integração \| Sistemas externos	⚡️ Sistemas externos pesquisando no Salesforce alterações de estado que consomem centenas de chamadas de API diárias em vez de assinar eventos da CDC
Integração \| Ação	Fazer chamadas de API sequenciais para cada etapa (consulte o cliente, consulte produtos, verifique o inventário, crie um pedido, atualize o inventário, notifique o envio) consumindo mais de 12 chamadas por transação quando padrões compostos reduzirem o consumo em 75%
Integração \| Configuração do agente	Orquestrar ações do agente em muitos sistemas sem avaliar se cada interação do sistema é necessária, multiplicando o consumo da API com cada sistema adicionado

Padrões

Onde procurar	Qual é a boa aparência
Agentforce \| Modelo de prompt	✅ Minimizar o comprimento do aviso: remover instruções verbosas, exemplos redundantes e contexto desnecessário. O contexto seletivo melhora a latência e a qualidade
Plataforma \| Apex	✅ Use SOQL seletivo com filtros indexados. Aproveite a Ferramenta do plano de consulta identificando índices ausentes que causam verificações de tabela completa
Agentforce \| Configuração do agente	✅ Use a execução de Ação paralela quando não houver dependências. Recuperar detalhes e oportunidades da conta simultaneamente reduz a latência para metade versus a recuperação sequencial
Plataforma \| Cache da plataforma	✅ Armazenar em cache os dados de referência acessados com frequência (catálogos de produtos, mapeamentos de território, regras de precificação) eliminando SOQL repetido
Plataforma \| Cache da plataforma	✅ Implemente o armazenamento em cache semântico que corresponde consultas semelhantes para atender solicitações repetidas sem nova inferência
Plataforma \| Apex	✅ Processe solicitações não urgentes de modo assíncrono (atualizações de status, processamento em lote, geração de relatório) usando limites generosos do controlador assíncrono
Plataforma \| Apex	✅ Ações de perfil em volumes de dados realistas. Uma ação que toma 3s se torna gargalos independentemente da inferência rápida do LLM
Agentforce \| Ação	✅ Implementar massificação em ações para minimizar o tempo de execução por operação

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Agentforce \| Modelo de prompt	Incluir contexto exaustivo que adiciona ruído em vez de contexto seletivo que melhora a latência e a qualidade
Agentforce \| Configuração do agente	Executar ações em sequência quando não há dependências (por exemplo, consulta de conta 2s + consulta de oportunidades 2s = sequência de 4s em vez de paralelo de 2s)
Plataforma \| Apex	Executar verificações de tabela completa devido a índices ausentes em vez de usar SOQL seletivo com filtros indexados
Plataforma \| Cache da plataforma	Consultar o Data 360 repetidamente (1,5s por chamada) para dados comuns que podem ser armazenados em cache (50ms do Cache da plataforma)
Agentforce \| Configuração do agente	⚡️ Exigindo conclusão síncrona para operações não urgentes (atualizações de status, processamento em lote, geração de relatório)

Padrões

Onde procurar	Qual é a boa aparência
Data 360 \| Configuração	✅ Particionar artigos do Knowledge, documentos de produto, histórico de casos em segmentos semânticamente significativos de 250-750 palavras
Data 360 \| Configuração	✅ Valide o tamanho do bloco em relação aos padrões de consulta do agente. Precisão de balanceamento (blocos menores) versus completude do contexto (blocos maiores)
Data 360 \| Configuração	✅ Use integrações correspondentes aos padrões de consulta do agente. Validar a seleção em relação a consultas representativas que medem a precisão da recuperação e o recall
Data 360 \| Configuração	✅ Aprimore a similaridade do vetor com filtros de metadados que garantem restrições de negócios (por exemplo, filtre para produtos ativos excluindo itens descontinuados, independentemente da similaridade semântica)
Data 360 \| Configuração	✅ Use perfis unificados agregando dados do cliente de várias origens em uma só visualização. Acesse o contexto completo (atributos, percepções, engajamento, previsões) em uma única consulta
Data 360 \| Configuração	✅ Habilitar a Resolução de identidade fornecendo correspondência precisa de clientes entre sistemas
Data 360 \| Configuração	✅ Configure instâncias do Data 360 em regiões que correspondam aos requisitos regulatórios para conformidade de residência de dados

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Data 360 \| Configuração	⚡️ Usar partes grandes demais que incluem informações irrelevantes diluindo a relevância nos resultados da pesquisa do vetor
Data 360 \| Configuração	⚡️ Dependendo apenas da similaridade semântica sem filtros de metadados, retornando resultados descontinuados ou de baixa qualidade
Data 360 \| Configuração	Orquestrar várias consultas de origem separadas em vez de usar perfis unificados do Data 360 para o contexto do cliente completo
Data 360 \| Configuração	⚡️ Usar modelos de integração que não correspondem aos padrões de consulta do agente (por exemplo, integrações de classificação de documento para similaridade entre perguntas e respostas)
Data 360 \| Configuração	⚡️ Processamento de dados do cliente europeu em instâncias não europeias do Data 360, violando os requisitos de residência de dados

Padrões

Onde procurar	Qual é a boa aparência
Agentforce \| Configuração do agente	✅ Priorizar contexto explicitamente: histórico de conversas recentes (mais alto), dados de negócios críticos/estado do registro/permissões (segundo), contexto histórico (mais baixo, apenas quando o espaço permitir)
Agentforce \| Configuração do agente	✅ Após 10-15 turnos, resuma a conversa inicial em uma visão geral concisa mantendo fatos críticos sem histórico literal completo
Data 360 \| Configuração	✅ Armazene contexto estendido no Data 360 ou objetos personalizados, em vez de histórico completo em cada chamada de LLM. Consulta sobre a demanda mantendo avisos focados nas necessidades atuais
Agentforce \| Ação	✅ Retorne apenas campos essenciais de respostas de Ação. A recuperação de conta retorna campos relevantes para a tarefa atual, não todos os 50 campos
Agentforce \| Configuração do agente	✅ Projetar lógica de priorização explícita versus truncamento arbitrário para alocação de janela de contexto

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Agentforce \| Configuração do agente	Truncamento arbitrário de contexto sem lógica de priorização explícita
Agentforce \| Configuração do agente	⚡️ Manter o histórico completo de conversas verbais além de 10-15 turnos, esgotando o orçamento de contexto
Agentforce \| Configuração do agente	Incluir histórico completo em cada chamada de LLM em vez de armazenar contexto estendido externamente e consultar sob demanda
Agentforce \| Ação	⚡️ Retornar todos os 50 campos da recuperação de conta quando apenas um subconjunto for relevante para a tarefa atual, consumindo orçamento de contexto
Agentforce \| Configuração do agente	Alocar orçamento de contexto sem reservar espaço suficiente para geração de resposta

Padrões

Onde procurar	Qual é a boa aparência
Plataforma \| Ação	✅ Desenvolva bibliotecas de Ação centralizadas abrangendo CRUD de registro, aprovações, notificações, relatórios e validação. Equipes da plataforma mantêm a consistência garantindo comportamento, segurança e desempenho
Agentforce \| Configuração do agente	✅ Criar agentes especializados focados com profundo conhecimento em domínios (agente de serviço para gerenciamento de caso, agente de vendas para orientação de oportunidade) mantendo contexto mais estreito e limites mais claros
Agentforce \| Configuração do agente	✅ Usar agentes especializados na coordenação de orquestração do Criador de agentes para necessidades entre domínios
Agentforce \| Modelo de prompt	✅ Mantenha padrões de prompts validados no Criador de prompts. Os modelos capturam abordagens comprovadas para formação de consulta RAG, raciocínio de várias etapas, formatação de resposta
Agentforce \| Modelo de prompt	✅ Modelos de prompt de versão que habilitam testes A/B de melhorias
Data 360 \| Configuração	✅ Mantenha bases de Knowledge compartilhadas no Data 360 atendendo a vários agentes. Base de Knowledge de produto único agentes de vendas, serviço e portal do parceiro
Agentforce \| Configuração do agente	✅ Componha novos agentes com base em blocos de construção comprovados: definir propósito, selecionar Ações, configurar avisos (dias versus semanas para compilações personalizadas)

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Agentforce \| Modelo de prompt	Criar avisos ad-hoc para cada agente em vez de reutilizar bibliotecas de modelos de avisos validados
Agentforce \| Ação	⚡️ Reimplementar ações para cada agente em vez de usar bibliotecas de ação reutilizáveis centralizadas
Agentforce \| Configuração do agente	⚡️ Criar agentes universais tentando todos os cenários em vez de agentes especializados focados com conhecimento profundo sobre domínio
Data 360 \| Configuração	Duplicar bases de Knowledge por agente em vez de compartilhar uma única base de Knowledge que baseia vários agentes

Padrões

Onde procurar	Qual é a boa aparência
Plataforma \| Tipos de metadados personalizados	✅ Use Tipos de metadados personalizados e Criador de prompts controlando o comportamento sem alterações de código. Os administradores modificam modelos de prompt e parâmetros de raciocínio sem ciclos de desenvolvimento
Agentforce \| Configuração do agente	✅ Encaminhe subconjuntos para versões experimentais comparando métricas de qualidade, satisfação e conclusão da tarefa antes da distribuição completa (por exemplo, 10% para v2, 90% na v1)
Agentforce \| Configuração do agente	✅ Monitorar o período de validação e manter o recurso de reversão se problemas forem descobertos durante o teste A/B
Agentforce \| Ação	✅ Defina contratos de interface claros entre componentes: As ações especificam entradas, saídas, erros e expectativas de desempenho
Agentforce \| Configuração do agente	✅ Expanda gradualmente versões bem-sucedidas (10% a 25% a 50% a 100%) ao longo de períodos de distribuição de várias semanas
Agentforce \| Ação	✅ Substituir implementações de Ação sem modificações do agente quando os contratos da interface forem preservados

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Plataforma \| Apex	Exigir alterações de código para modificar o comportamento do agente em vez de usar abordagens orientadas por configuração (Tipo de metadados personalizados, Criador de prompts)
Agentforce \| Configuração do agente	Distribuição completa de novas versões do agente sem teste A/B em um subconjunto comparando métricas de qualidade e satisfação
Agentforce \| Ação	⚡️ Agentes dependendo de detalhes da implementação de Ação em vez de contratos de interface, interrompendo quando as implementações mudam
Agentforce \| Configuração do agente	⚡️ Implementar novas versões para 100% dos usuários imediatamente sem distribuição graduada
Agentforce \| Configuração do agente	⚡️ Operando sem funcionalidade de reversão durante testes de versão experimental

Padrões

Onde procurar	Qual é a boa aparência
Agentforce \| Configuração do agente	✅ Resolva cada solicitação com o menor número possível de ações do agente – Créditos flexíveis são consumidos por ação, portanto, consolidar a lógica de várias etapas em uma única ação reduz o custo diretamente
Agentforce \| Configuração do agente	✅ Modelar projeções de custo mensal com base em taxas de consumo de crédito flexível documentadas e volumes de interação esperados que permitem o planejamento do orçamento
Einstein \| Monitoramento	✅ Monitore o consumo de Flex Credit por agente, caso de uso e população de usuários para identificar padrões de alto consumo que precisam de otimização
Einstein \| Monitoramento	✅ Comparar o consumo real com as projeções para informar o planejamento futuro e identificar oportunidades de otimização

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Agentforce \| Configuração do agente	Cadear muitas ações pequenas em que uma ação consolidada resolveria a solicitação, multiplicando o consumo de Crédito flexível por interação
Negócios \| Planejamento	⚡️ Descobrir que o consumo de crédito flexível excede as projeções apenas após a implementação da produção porque nenhuma modelagem de custo por interação foi realizada

Padrões

Onde procurar	Qual é a boa aparência
Agentforce \| Configuração do agente	✅ Projete limites e tempos limite de sessão para que uma conversa persista adequadamente sem encerrar prematuramente e forçar uma nova conversa faturável
Agentforce \| Configuração do agente	✅ Concentre a funcionalidade do agente na resolução da primeira conversa para que uma tarefa seja concluída na conversa inicial em vez de exigir um acompanhamento faturável
Einstein \| Monitoramento	✅ Acompanhe a taxa de resolução da primeira conversa como a métrica de custo-eficiência em Precificação por conversa
Agentforce \| Configuração do agente	✅ Lide com problemas relacionados no contexto da conversa existente em vez de abrir conversas separadas que geram uma tarifa fixa

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Agentforce \| Configuração do agente	⚡️ Encerrar conversas prematuramente por meio de tempos limite de sessão curtos, forçando os usuários a iniciar novas conversas faturáveis para concluir uma única tarefa
Einstein \| Monitoramento	⚡️ Monitorar apenas o volume total da conversa sem rastrear a taxa de resolução da primeira conversa, sem a alavanca de custo principal em Precificação por conversa

Padrões

Onde procurar	Qual é a boa aparência
Negócios \| Documentação	✅ Promova a adoção para que os usuários licenciados engajem ativamente o agente, pois o valor de precificação por usuário não medido vem do uso, em vez de minimizar cada interação
Einstein \| Monitoramento	✅ Rastreie a utilização para identificar usuários licenciados de uso baixo para treinamento direcionado ou realocação de licença
Negócios \| Documentação	✅ Conecte interações do agente aos resultados de negócios por preenchimento de usuário para que casos de uso de alto valor justifiquem o investimento por lugar
Negócios \| Planejamento	✅ Revise as populações de usuários em um ritmo para que as licenças permaneçam alinhadas ao uso real, em vez de se desviarem para uma sobrelicenciamento

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Negócios \| Planejamento	⚡️ Provisionar licenças por usuário sem um plano de adoção, pagando um custo fixo por lugar para usuários que raramente engajam o agente
Einstein \| Monitoramento	⚡️ Nunca revisar a utilização pela população de usuários, deixando as licenças se desviarem para o mesmo excesso de licenças que desperdiça assentos tradicionais

Padrões

Onde procurar	Qual é a boa aparência
Agentforce \| Configuração do agente	✅ Implemente agentes de triagem que lidam com o roteamento inicial com lógica simples, direcionando os usuários para um agente especializado apenas quando a complexidade o exigir
Plataforma \| Fluxo	✅ Volte para a automação de fluxo para cenários determinísticos em que a lógica baseada em regras é suficiente, reservando o raciocínio do agente para as situações ambíguas que realmente precisam dela
Data 360 \| Configuração do agente	✅ Recupere dados de fundamentação seletivamente, invocando a pesquisa vetorial e a recuperação de documentos apenas quando o raciocínio do agente o exigir, em vez de em cada interação

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Agentforce \| Configuração do agente	⚡️ Roteamento de cada solicitação diretamente para um agente especializado, incorrendo em invocações complexas caras para solicitações que a lógica de triagem simples poderia ter tratado
Plataforma \| Fluxo	⚡️ Usar o raciocínio do agente para fluxos de trabalho baseados em regras determinísticas que um fluxo executaria a um custo menor sem consumo variável
Data 360 \| Configuração do agente	Recuperar dados de fundamentação em cada interação independentemente de o raciocínio exigir ou não, gerando um consumo do Data 360 que não rastreie a necessidade real

Padrões

Onde procurar	Qual é a boa aparência
Data 360 \| Configuração do agente	✅ Integrações do catálogo de produtos em cache com ritmo de atualização definido (por exemplo, 24 horas), recuperação do cache para perguntas de rotina e consulta do Data 360 apenas para dados novos ou específicos do cliente
Data 360 \| Configuração do agente	✅ Implementar estratégias de cache para reduzir consultas repetidas para solicitações comuns, equilibrando a otimização de custo com os requisitos de atualização de dados
Data 360 \| Organização	✅ Custos de ingestão e processamento de dados antecipados (harmonização, resolução de identidade, geração de integração) separados dos custos de crescimento incremental
Data 360 \| Configuração do agente	✅ Avaliar se a sobrecarga de RAG justifica melhorias de qualidade para casos de uso específicos antes de adicionar geração aumentada por recuperação

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Data 360 \| Configuração do agente	⚡️ Nenhum armazenamento em cache implementado, embora a maioria das consultas seja de perguntas comuns idênticas, consumindo créditos flexíveis para respostas idênticas repetidas
Data 360 \| Organização	⚡️ Implementar armazenamento em cache agressivo sem considerar os requisitos de atualização de dados, fornecendo informações obsoletas aos usuários

Padrões

Onde procurar	Qual é a boa aparência
Plataforma \| Organização	✅ Use o sandbox de Cópia parcial com amostra de dados do cliente direcionada para desenvolvimento do agente, reservando o sandbox de Cópia completa exclusivamente para validação pré-produção
Plataforma \| Organização	✅ Planeje os custos da infraestrutura de desenvolvimento com antecedência, incluindo capacidade do Data 360, créditos flexíveis para testes imediatos e conectividade de integração

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Plataforma \| Organização	⚡️ Cada desenvolvedor provisionando sandboxes de Cópia completa para desenvolvimento do agente, multiplicando o custo do sandbox por 5 vezes
Plataforma \| Organização	⚡️ Contando com testes manuais ad-hoc fornecendo cobertura insuficiente, descobrindo problemas de qualidade apenas na produção
Negócios \| Planejamento	⚡️ Tornar os custos da infraestrutura de desenvolvimento invisíveis durante o planejamento, resultando em custos inesperados significativos durante a implementação

Padrões

Onde procurar	Qual é a boa aparência
Negócios \| Documentação	✅ Crie um modelo de TCO abrangente cobrindo todas as seis categorias de custo: desenvolvimento, inferência (créditos flexíveis), infraestrutura (Data 360 + MuleSoft), operações, governança e gerenciamento de mudanças
Negócios \| Documentação	✅ Crie modelos de TCO da planilha projetando custos de 3-5 anos com pressuposições documentadas para volumes de interação, taxas de consumo de crédito e trajetórias de crescimento
Negócios \| Documentação	✅ Realize a análise de confidencialidade revelando quais pressuposições mais afetam o investimento total, habilitando esforços de validação focados
Negócios \| Documentação	✅ Modele os custos operacionais contínuos como uma fração recorrente significativa dos custos de desenvolvimento anualmente para agentes maduros, obtidos de referências gerais do setor do agente de IA, em vez de um número fixo do Salesforce
Negócios \| Planejamento	✅ Inclua os custos de gerenciamento de mudanças (treinamento do usuário, adaptação do processo de negócios, alteração organizacional) que costumam ser subestimados

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Negócios \| Planejamento	Incluir apenas o custo de desenvolvimento no caso de negócios do agente sem modelar o consumo contínuo (Flex Credits, Data 360, operações), descobrindo custos anuais não planejados significativos após a implementação
Negócios \| Planejamento	Omitir a sobrecarga de governança (revisões de segurança, infraestrutura de supervisão humana, registro de auditoria, validação de conformidade), que aumenta com a autonomia e o nível de risco dos agentes
Negócios \| Planejamento	Subestimar os custos de alteração, especialmente para agentes que criam turnos de fluxo de trabalho significativos, levando a escassez de orçamento

Padrões

Onde procurar	Qual é a boa aparência
Negócios \| Documentação	✅ Avaliar agentes do Agentforce predefinidos versus desenvolvimento personalizado por meio de uma comparação abrangente de TCO de 3 anos, incluindo custos de manutenção
Negócios \| Documentação	✅ Criação de documentos vs. decisões de compra em Registros de decisão de arquitetura habilitando reavaliação futura conforme os custos e os recursos mudam
Agentforce \| Configuração do agente	✅ Considere a personalização de agentes pré-criados por meio do Criador de prompts e configuração de ação como meio entre o pronto para uso e totalmente personalizado
Negócios \| Planejamento	✅ Critérios de decisão de fator além do custo: tempo para valor, capacidade de desenvolvimento organizacional, valor de diferenciação estratégica e tolerância à dependência do fornecedor

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Negócios \| Planejamento	Criar agente personalizado porque “queremos controle” sem modelar TCO de três anos mostrando a opção pré-criada pode ser significativamente mais barato
Negócios \| Planejamento	⚡️ Escolher construir ou comprar com base apenas nos custos do primeiro ano sem projetar benefícios de manutenção em andamento, consumo de crédito e atualização do fornecedor ao longo de vários anos

Padrões

Onde procurar	Qual é a boa aparência
Negócios \| Documentação	✅ Compare o TCO do agente com alternativas de automação tradicionais (Flow, Apex, processos manuais) antes da implantação, validando a justificação do investimento
Negócios \| Documentação	✅ Estabelecer linha de base de processo manual, incluindo custos de funcionários totalmente carregados, taxas de erro, tempo de processamento e capacidade de rendimento para revelar possíveis economias
Agentforce \| Configuração do agente	✅ Implemente agentes para tarefas que exigem compreensão de linguagem natural, raciocínio adaptativo ou lidar com alta variabilidade de cenário em que a automação tradicional não corresponde à funcionalidade
Plataforma \| Fluxo	✅ Use a automação de fluxo para fluxos de trabalho determinísticos com regras claras, fornecendo resultados equivalentes a um custo menor sem consumo de inferência variável

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Agentforce \| Configuração do agente	⚡️ Implementar agente para tarefa de roteamento determinístico simples que consome US$ 15 mil em créditos anuais quando o Fluxo forneceria funcionalidade equivalente sem custos variáveis
Negócios \| Planejamento	⚡️ Abordagem padrão do agente para toda a automação sem avaliar se a automação tradicional fornece resultados equivalentes a um custo total menor

Padrões

Onde procurar	Qual é a boa aparência
Einstein \| Monitoramento	✅ Criar painéis de consumo de crédito flexível mostrando o consumo por agente, população de usuários, período e tipo de interação para identificação rápida de picos de consumo
Einstein \| Monitoramento	✅ Implementar a atribuição de custo por interação conectando o consumo de crédito a transações comerciais (custo por caso resolvido, custo por lead qualificado, custo por pedido processado)
Einstein \| Monitoramento	✅ Configure o alerta de orçamento em limites de exemplo, como 70% e 85% por agente e caso de uso (não apenas em toda a organização), habilitando intervenção proativa antes de substituições
Einstein \| Monitoramento	✅ Implementar detecção de anomalia identificando padrões de consumo incomuns (picos súbitos indicando ineficiências de prompt, padrões de uso inesperados ou abuso)
Negócios \| Documentação	✅ Compartilhe painéis de custo com partes interessadas de negócios e equipes técnicas, criando transparência que habilita o uso de agente sensível ao custo
Negócios \| Documentação	✅ Realize análises de orçamento trimestrais comparando o consumo real com as projeções, avaliando os resultados dos negócios e ajustando as alocações com base no valor demonstrado
Negócios \| Planejamento	✅ Reserve 10-15% do orçamento de crédito para experimentação e crescimento de consumo inesperado, evitando gargalos de inovação
Negócios \| Planejamento	✅ Criar projeções de vários anos com base em tendências de adoção do agente, novas implantações e casos de uso expandidos que permitem o planejamento de capacidade e as negociações do fornecedor

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Einstein \| Monitoramento	⚡️ Monitorar o consumo de crédito apenas por meio de revisão de fatura mensal, descobrir excedentes de orçamento de seis semanas no trimestre sem tempo para otimizar antes da renovação
Einstein \| Monitoramento	⚡️ Configurar alertas de orçamento apenas no nível da organização, sem picos de consumo por agente e por caso de uso que indicam oportunidades de otimização
Negócios \| Planejamento	⚡️ Exigir aumentos de orçamento de emergência porque o monitoramento de consumo não foi implementado com antecedência suficiente para identificar e lidar com excedentes proativamente
Negócios \| Planejamento	⚡️ Definir um orçamento anual uma vez no início do ano fiscal sem revisões, frustrando agentes de alto valor por créditos enquanto agentes de baixo ROI consomem a alocação
Negócios \| Planejamento	Alocar zero de reserva orçamental para experimentação, forçando as equipes a justificar cada novo caso de uso por meio de aprovação prolongada antes de qualquer exploração

Padrões

Onde procurar	Qual é a boa aparência
Einstein \| Monitoramento	✅ Acompanhe o consumo por instância do agente habilitando a comparação entre tipos de agente e casos de uso, revelando quais agentes proporcionam o melhor ROI
Negócios \| Documentação	✅ Conecte o consumo a processos de negócios (qualificação de lead, resolução de caso, processamento de pedido) permitindo que os líderes de negócios avaliem o alinhamento estratégico
Einstein \| Monitoramento	✅ Acompanhe o consumo por departamento, papel ou segmento de usuário revelando onde a adoção do agente é mais alta e onde os custos se concentram
Negócios \| Planejamento	✅ Use análises de custo trimestrais para comparar o ROI do agente em todo o portfólio e realocar o investimento de agentes com baixo ROI para agentes com alto ROI com base no valor demonstrado

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Negócios \| Planejamento	Alocar todos os custos do agente ao orçamento de TI sem atribuição de unidade de negócios, impedindo que os líderes de negócios avaliem se o gasto está alinhado às prioridades
Negócios \| Planejamento	⚡️ Tratar o consumo do agente como um custo não diferenciado sem conectar o consumo aos resultados dos negócios, impossibilitando o cálculo do ROI

Padrões

Onde procurar	Qual é a boa aparência
Negócios \| Documentação	✅ Implementar relatórios de showback fornecendo visibilidade de consumo por unidade de negócios, criando consciência de custo permitindo decisões de uso informadas sem disputas de charge-back controversas
Negócios \| Documentação	✅ Use a alocação híbrida com charge-back para agentes de produção de alto volume e showback para agentes experimentais ou de baixo volume, equilibrando a responsabilidade com flexibilidade de inovação
Negócios \| Documentação	✅ Realize análises trimestrais discutindo se o consumo está alinhado ao valor entregue, levando a compromissos de otimização

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Negócios \| Planejamento	Implementar o reembolso total para agentes experimentais, desencorajando a inovação e a exploração imediatamente impondo a responsabilidade do orçamento a casos de uso emergentes

Padrões

Onde procurar	Qual é a boa aparência
Agentforce \| Modelo de prompt	✅ Elimine a verbosidade desnecessária em avisos do sistema reconhecendo cada token adicional adiciona preenchimento prévio de computação e latência em todas as interações – cortar avisos do sistema para o que o agente realmente usa
Agentforce \| Modelo de prompt	✅ Inclua apenas informações relevantes por meio de recuperação de contexto seletiva com classificação de relevância garantindo que as informações de maior valor se encaixem nos limites de contexto
Agentforce \| Modelo de prompt	✅ Especifique formatação de resposta concisa para interações de rotina, minimizando tokens de conclusão evitando solicitações de formatação elaborada ou explicações extensas
Agentforce \| Modelo de prompt	✅ Reutilizar modelos de prompts padronizados em agentes semelhantes, amortizando o investimento de otimização de prompts enquanto cria consistência e eficiência

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Agentforce \| Modelo de prompt	⚡️ Escrever avisos conversacionalmente sem otimização consumindo tokens 2K+ por interação, incluindo instruções verbosas e exemplos extensos que os agentes raramente fazem referência
Agentforce \| Modelo de prompt	Recuperar todos os dados potencialmente relacionados para contexto em vez de incluir seletivamente apenas informações relevantes, aumentando o consumo de token de prompt
Agentforce \| Modelo de prompt	Criar modelos de prompts exclusivos para cada agente em vez de padronizar padrões, multiplicando o esforço de engenharia de prompts sem benefício de qualidade proporcional

Padrões

Onde procurar	Qual é a boa aparência
Agentforce \| Configuração do agente	✅ Armazenar em cache respostas comuns do agente para perguntas frequentes atendidas diretamente do cache para consultas duplicadas (taxas de interação de cache acima de 30% indicam uma oportunidade de otimização significativa)
Data 360 \| Configuração do agente	✅ Contexto do Knowledge estável em cache (catálogos de produtos, documentos de políticas, materiais de referência) reduzindo a sobrecarga de recuperação para cada interação referenciando informações comuns
Agentforce \| Configuração do agente	✅ Implemente o armazenamento em cache da conversa em sessões do usuário mantendo o contexto entre turnos sem reenviar o histórico completo, reduzindo o consumo de token em interações de vários turnos
Agentforce \| Configuração do agente	✅ Defina estratégias de invalidação de cache com base na volatilidade do conteúdo (cache de informações do produto para horas/dias, dados em tempo real não devem ser armazenados em cache)

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Agentforce \| Configuração do agente	⚡️ Nenhum armazenamento em cache implementado, embora 60% das consultas sejam perguntas comuns idênticas, consumindo créditos flexíveis desnecessariamente para respostas idênticas repetidas
Agentforce \| Configuração do agente	⚡️ Armazenamento em cache de dados em tempo real (níveis de inventário, precificação, disponibilidade) que exigem atualidade, fornecendo informações obsoletas que levam a respostas incorretas do agente
Agentforce \| Configuração do agente	⚡️ Nunca atualizar respostas em cache levando a respostas desatualizadas conforme produtos, políticas ou processos mudam

Padrões

Onde procurar	Qual é a boa aparência
Negócios \| Documentação	✅ Exigir caso de negócios, incluindo TCO de três anos projetado, resultados de negócios esperados com metodologia de medida, comparação com alternativas e avaliação de risco
Negócios \| Documentação	✅ Defina limites de aprovação que separam os investimentos que um departamento pode autorizar dos que precisam de aprovação executiva para que os agentes de investimento mais alto ou de risco mais alto recebam rigor executivo proporcional
Negócios \| Documentação	✅ Mandar implantações piloto para validar pressuposições (consumo, qualidade, adoção) antes do investimento total na produção
Negócios \| Documentação	✅ Inclua o cálculo do ROI em propostas do agente (por exemplo, retorno de 4:1 demonstrado por meio de casos resolvidos e economia de custos manual)

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Negócios \| Planejamento	⚡️ Implementar agentes sem caso de negócios, descobrir três vezes o consumo de crédito projetado enquanto fornece valor de negócios obscuro, criando consumo anual não planejado sem ROI documentado
Negócios \| Planejamento	⚡️ Ignorar a implantação piloto e ir diretamente para a produção completa, sem oportunidade para validar pressuposições de consumo antes de confirmar o orçamento completo
Negócios \| Planejamento	Aprovar investimentos do agente sem comparação com abordagens alternativas (processos manuais, automação tradicional) que podem fornecer valor equivalente a um custo menor

Padrões

Onde procurar	Qual é a boa aparência
Negócios \| Documentação	✅ Realize a revisão anual do portfólio avaliando todos os agentes comparando custo, uso, valor comercial e alinhamento estratégico para revelar oportunidades de otimização perdidas pela revisão agente por agente
Negócios \| Documentação	✅ Defina critérios de pôr do sol (abundante adoção, ROI ruim, funcionalidade substituída, custo excessivo) para evitar o acúmulo de agentes de baixo valor que consomem orçamento
Negócios \| Planejamento	✅ Pratique a realocação contínua de recursos de investimento que mudam de agentes de baixo desempenho para oportunidades de alto valor alinhadas a prioridades de negócios em evolução
Negócios \| Documentação	✅ Categorize agentes por nível de ROI (por exemplo, os dois principais fornecem 70% de valor a 50% de custo = excelente; o meio 4 fornece 25% de valor a 35% de custo = aceitável; o inferior 2 fornece 5% de valor a 15% de custo = candidatos ao pôr do sol)

Anti-Padrões

Onde procurar	Qual é a aparência ruim
Negócios \| Planejamento	⚡️ Agentes implantados permanecendo em produção indefinidamente sem análise de valor ou utilização, acumulando agentes de baixo valor consumindo orçamento que poderia financiar oportunidades de valor maior
Negócios \| Planejamento	⚡️ Avaliar agentes apenas individualmente sem perspectiva de portfólio, perdendo a percepção de que alguns agentes fornecem mais valor enquanto muitos consomem recursos desproporcionados