Парадигма программного обеспечения меняется с прямого манипулирования на делегирование полномочий, ориентированных на достижение целей. В авангарде этой трансформации находятся агенты искусственного интеллекта — самостоятельные интеллектуальные объекты, способные понимать, рассуждать и действовать от имени пользователей. В этом документе содержится техническое исследование основных типов агентов на основе искусственного интеллекта: Диалоговый, активный, окружающий, автономный и совместный. Он определяет каждый тип, представляет конкретные сценарии использования управления взаимосвязями с клиентами (CRM) и предоставляет архитектурный образец для создания этих агентов на Salesforce Agentforce Platform вместе с техническими примерами, использующими совместимость Flow, Apex, Data 360, Agent2Agent (A2A) и Model Context Protocol (MCP).

Агент на основе искусственного интеллекта - это система, воспринимающая окружающую среду и предпринимающая действия для достижения определенных целей. Хотя эта концепция не нова, появление мощных моделей большого языка (LLM) повысило их возможности. Мы можем разделить агентов на категории на основе их основного режима работы и взаимодействия.

Определение: Диалоговые агенты — это наиболее известный тип агентов. Они работают в режиме «реактивно», запрос-ответ, в основном посредством естественно-языковых интерфейсов (текстовых или голосовых). Их основная функция - понимать намерения пользователя и предоставлять соответствующий ответ, будь то ответ на вопрос, извлечение информации или выполнение простой команды.

Важность: Агенты диалогов — это цифровые входные двери в организацию. Они успешно справляются с четко определенными и повторяющимися задачами, высвобождая тем самым людские ресурсы. Эффективность определяется их способностью быстро и точно определять намерения пользователей и предпринимать действия от имени пользователей.

Определение: В отличие от диалоговых агентов, ожидающих напоминания, активные агенты действуют как бдительные наблюдатели. Они запускаются определенными событиями, изменениями данных или предопределенными условиями в системе. При запуске они выполняют задачу или инициируют бизнес-правило, не требуя прямого взаимодействия с пользователем.

Важность: Активные агенты трансформируют систему из пассивного хранилища данных в активного участника бизнес-процессов. Они определяют возможности и риски по мере их появления, позволяя предприятиям реагировать на критические сигналы в режиме реального времени.

Определение: Агенты окружающей среды — это определенный тип активных агентов, которые постоянно работают в фоновом режиме бизнес-правил пользователя, не требуя четких команд. Пользователи часто получают выгоду от своих действий, не осознавая сознательно свою работу, поскольку они созданы для расширения возможностей человека, не привлекая внимания.

Важность: Цель окружающего агента - снизить когнитивную нагрузку на пользователей, автоматизировав обыденную "работу о работе". Они делают процессы более эффективными, без труда интегрируя в инструменты, используемые сотрудниками ежедневно, собирая и структурируя информацию автоматически.

Определение: Автономные агенты представляют собой значительный скачок в сложности. Они ставят перед собой цель высокого уровня и способны самостоятельно планировать и осуществлять последовательность шагов для достижения этой цели. Они могут рассуждать, принимать решения и даже учиться на своих действиях, чтобы повысить производительность в динамике.

Важность: Это ближе всего к настоящему цифровому сотруднику. Автономным агентам может быть делегирована сложная многоэтапная цель, например, «Создание 50 новых квалифицированных интересов в производственном секторе в этом квартале», и им можно доверять разработку и выполнение плана по ее достижению.

Определение: Совместные агенты, часто называемые «групповыми обработками агентов», — это совокупность специализированных агентов, которые совместно работают над решением проблемы, слишком сложной для обработки любым отдельным агентом. Агент «оркестратор» или «мастер» часто разлагает большие задачи, делегирует подзадачи соответствующим специализированным агентам, а потом объединяет их результаты. Этого добивается надежный протокол связи Agent2Agent (A2A).

Важность: Этот подход повторяет человеческий коллектив. Разрушая сложную проблему, каждый специализированный агент может применить свои уникальные навыки: один специализируется на анализе данных, другой - на общении с клиентами, а третий - на интеграции системы, что приведет к более надежному и универсальному решению.

Изучив таксономию агентов на основе искусственного интеллекта, остается важнейшим вопрос: как объединить эти элементы для эффективного и надежного решения реальных бизнес-проблем? Данная глава отвечает на этот вопрос, предоставляя хранилище распространенных агентских схем создания. Каждая схема является проверенным решением повторяющейся проблемы, предлагая образец для всего, от простых агентов с одной целью до сложных совместных групповых обработок агентов.

Агенты диалогов часто являются входом в возможности искусственного интеллекта организации. Они определяются их способностью участвовать в многооборотном диалоговом окне, являющемся основным интерфейсом, посредством которого пользователи выполняют задачи и извлекают информацию посредством естественного языка. В этом разделе представлены два важных рецепта создания диалоговых агентов, каждый из которых настроен на определенный канал: один для быстрого интерактивного обмена клиентами службы сообщений, а другой для структурированного, асинхронного характера электронной почты.

Интеллектуальность разговорного агента определяется его способностью открывать и рассуждать над нужными данными в нужное время. Эта схема опирается на сложный фундамент данных, связывающий с записями клиентов, статьями Knowledge и бизнес-аналитикой. Полные многоразовые рецепты этих интеграций содержатся в главе 4: Схемы интеграции.

Проблема

Клиенты работают во многих цифровых каналах и ожидают мгновенных, контекстуальных и интеллектуальных ответов. Традиционные чатботы являются скриптовыми или неактивными, что приводит к плохой персонализации, раннему переходу на людей и высокой стоимости обслуживания.

Контекст

• Организация использует многоканальную цифровую занятость (WhatsApp, SMS, Slack и Salesforce Experience Cloud).
• Клиенты вашей организации взаимодействуют с вашей организацией на нескольких языках.
• Вашей организации необходимо дополнить бизнес-правила обслуживания и продаж агентами, которые:
  • Извлечение из надежных данных клиентов в реальном времени
  • Соблюдение ограждений и требований к соблюдению
  • Расширение до агентов-людей только при необходимости

Ключевые компоненты

• Абстракция канала: Расширенный чат Service Cloud (ранее служба сообщений для внутрипрограммных и веб-сообщений) позволяет агенту общаться в нескольких каналах посредством одного взаимодействия.
• Агент обслуживания Agentforce: Поведение и цель агента определяются следующими компонентами.
  • Темы и инструкции: Определяет образ агента и цель разговора для прямого взаимодействия с пользователем. Это включает его базовую миссию (например, «Вы являетесь экспертом в решении проблем поддержки клиентов»), инструкции по поддержанию эмпатического и профессионального тона и четкие инструкции по диапазону запросов, которые он уполномочен обрабатывать.
  • Действия: Сервисно-ориентированные действия, являющиеся инструментами, используемыми агентом для диагностики и решения проблем клиентов в режиме реального времени. Эти инструменты предназначены для выполнения задач, например, проверки статуса заказа, поиска решений в базе Knowledge или создания нового обращения в службу поддержки непосредственно в диалоговом интерфейсе.
  • Ограждения: Ограждения действуют как набор настраиваемых правил и проверок среды выполнения, ограничивающих поведение агента. Действует как уровень безопасности, который может перехватывать напоминания, проверять предложенные действия агента и фильтровать его итоговый ответ для предотвращения вредоносного содержимого, внедрения бизнес-правил и обеспечения работы агента в пределах назначенной области.
  • Шаблоны напоминаний: Многоразовые шаблоны, динамически заполненные оперативными данными CRM посредством полей слияния или семантические данные из Data 360 RAG Retrievers. Эти шаблоны позволяют агентам создавать контекстное содержимое в фирменном стиле, в то время как слой Einstein Trust безопасно маскирует конфиденциальную информацию перед отправкой инструкций в LLM.
• Data 360
  • Компоненты Data 360, включительно с DLO, DMO, векторным магазином и RAG-извлекателями, предоставляют агенту объединенное представление всех актуальных корпоративных данных, от структурированных записей клиентов до неструктурированных статей Knowledge, обеспечивая точность и контекстуальную приземленность ответов.
• Service Cloud
  • Данные CRM: Подключает агента к полному журналу обращений, предоставляя важный контекст для сведений об организации, записей контактов и прав
  • Очередь Live Agent: Поддержка расширения и маршрутизации торговому представителю с полным контекстом разговора

Взаимодействия

1. Клиент организации инициирует разговор по каналу.
2. Сообщение перенаправляется в Agentforce, которая определяет область (темы) и применяет ограждения.
3. Искусственный интеллект создает ответы посредством шаблонов напоминаний, в то время как Flow или Apex могут инициировать фоновую логику.
4. Контекст извлекается из объектов Data 360, векторного магазина и CRM посредством RAG retriver.
5. ИИ возвращает контекстный ответ.
6. Если искусственный интеллект не может решить проблему, разговор переходит к агенту Service Cloud Live.

Компромиссы

Связанные схемы

Большая картина: Простая и понятная схема, использующая естественный язык для понимания намерений пользователя, а потом перенаправляющая пользователя соответствующему представителю службы поддержки

Схема оператора: Создание на основе приветственного слова для маршрутизации запросов соответствующему агенту искусственного интеллекта или представителю по обслуживанию людей, при необходимости переговорное намерение

Шаблон оркестратора: Управление групповой обработкой агентов на основе искусственного интеллекта. Он получает запрос пользователя, определяет намерение, создает план, передает необходимые данные одному или нескольким агентам-специалистам, а потом агрегирует ответы для пользователя. В отличие от оператора, он остается первой точкой контакта.

Проблема

Ваши клиенты в основном используют асинхронные диалоги на основе электронной почты, и это лучший способ охвата. Вашей организации нужно связаться с этими клиентами по электронной почте, но представители по развитию продаж не могут отвечать на входящие сообщения эл. почты в рамках SLA, что приводит к потере интереса. Кроме того, сотрудники тратят время на неквалифицированные интересы.

Контекст

• Электронная почта используется организацией в качестве основного канала взаимодействия интересов.
• У вашего SDR ограничена возможность определения интересов в масштабе.
• Ваш процесс продаж поддерживает мультитач интереса перед встречей с SDR или представителями по развитию бизнеса (BDR).
• Вашей организации необходимо расширить обслуживание и продажи с агентами, которые:
  • Извлечение из включения продаж в реальном времени и данных о продуктах продаж и маркетинге
  • Уважение ограждений и соответствие
  • Планирование встреч на основе критериев квалификации интересов

Ключевые компоненты

• Канал эл. почты: Обрабатывает сбор входящих сообщений, анализ их содержимого и вложений и поддержание непрерывности потока для включения асинхронных разговоров.
• Agentforce SDR Agent: Поведение и цель агента определяются следующими компонентами.
  • Темы и инструкции: Определяет миссию агента для взаимодействия и определения входящих интересов посредством разговора. Сюда входят инструкции по пониманию потенциальных потребностей, сбор ключевых квалификационных данных (например, бюджет, полномочия и временная шкала) и направление разговора к четкому следующему этапу, например, планированию встречи с менеджером по работе с клиентами.
  • Действия: Специализированные действия по продажам, позволяющие агенту управлять жизненным циклом интереса. Эти инструменты созданы для выполнения базовых задач SDR, например, пополнение данных интересов, отправка шаблонных дополнительных сообщений эл. почты или интеграция с календарными системами для резервирования вызовов обнаружения.
  • Ограждения: Ограждения действуют как набор настраиваемых правил и проверок среды выполнения, ограничивающих поведение агента. Действует как уровень безопасности, который может перехватывать напоминания, проверять предложенные действия агента и фильтровать его итоговый ответ для предотвращения вредоносного содержимого, внедрения бизнес-правил и обеспечения работы агента в пределах назначенной области.
  • Шаблоны напоминаний: Многоразовые шаблоны, динамически заполненные оперативными данными CRM посредством полей слияния или семантические данные из Data 360 RAG Retrievers. Эти шаблоны позволяют агентам создавать контекстное содержимое в фирменном стиле, в то время как слой Einstein Trust безопасно маскирует конфиденциальную информацию перед отправкой инструкций в LLM.
• Data 360
  • Компоненты Data 360, включительно с DLO, DMO, векторным магазином и RAG-извлекателями, предоставляют агенту объединенное представление всех актуальных корпоративных данных, от структурированных записей клиентов до неструктурированных статей Knowledge, обеспечивая точность и контекстуальную приземленность ответов.
• Sales Cloud
  • Данные CRM: Подключает агента к полному журналу обращений, предоставляя важный контекст для сведений об организации, записей контактов и прав
  • Запланировать встречу между клиентом и SDR: Передача Live Agent SDR может быть настроена на настройку оперативной встречи посредством задач и планирования встреч (Следующие действия).
  • Запись действий: Собирайте события, задачи и действия электронной почты и связывайте их с интересами, организациями и возможностями в результате взаимодействий агентов SDR.

Взаимодействия

1. Клиент отправляет и получает электронное сообщение через канал, который перенаправляет в Agentforce.
2. Agentforce применяет темы, действия и ограждения для анализа намерения.
3. Agentforce создает черновики контекстуальных ответов посредством шаблонов напоминаний, обогащенных контекстом CRM и Data 360.
4. Многооборотный диалог электронной почты продолжается до принятия решения или рекомендаций политики.
5. Для квалифицированных интересов Agentforce планирует встречу и обновляет CRM.
6. Если намерение превышает область искусственного интеллекта, Agentforce расширяется до Sales Cloud SDR для ответа представителя службы поддержки.

Компромиссы

Связанные схемы

Шаблон бота ответа: Эффективная схема для самообслуживания, использующая генеративный искусственный интеллект для понимания естественного языка для извлечения Knowledge, а не только ключевых слов

Хотя диалоговые агенты в предыдущем разделе преуспели в реакции на команды пользователя, активные агенты представляют смену парадигмы: они действуют без спроса. Данный раздел содержит архитектурные схемы для создания агентов, которые автономно отслеживают данные и события, исходящие как извне, так и внутри Salesforce.

Проблема

Ваша организация создает важные бизнес-события в Salesforce и за его пределами. Их трудно перевести в плоскость своевременных контекстуальных действий, поскольку они разбросаны по разным приложениям и отделам.

Контекст

• Ваши бизнес-процессы охватывают несколько систем для CRM, обработки оплаты, доставки, автоматизации маркетинга, телеметрии и CDP.
• События организации происходят круглосуточно, но доступность сотрудников ограничена за пределами рабочего дня. Системы всегда включены, а люди нет.
• События не осознают контекста - они упускают клиентский контекст, доступный в Salesforce, вынуждая многоэтапно объединять информацию. Сегодня внедрение либо существует как дискретная сложная автоматизация, либо выполняется вручную.
• Люди выступают в качестве компиляторов для сбора данных (в разных форматах) и разумной реакции на разрозненные события.
• Ваши целевые действия применяются к нескольким системам.

Ключевые компоненты

• Источник события
  • Действие над данными инициировало события после приема внешних данных в Data 360
  • Сторонние серверы или серверы Salesforce Heroku MCP, способные отправлять события в Salesforce посредством Salesforce Pub/Sub API
  • Внешнее приложение, способное отправлять уведомления о событиях посредством Salesforce Pub/Sub API
• Дополнительная промежуточная программа: MuleSoft или Data 360 для трансформаций
• Agentforce Agent: Поведение и цель агента определяются следующими компонентами.
  • Темы и инструкции: Указывает основную миссию агента и ее триггеры, включая определение ее основной цели (например, «Отслеживание всех высокоприоритетных обращений и предотвращение нарушений соглашения об уровне обслуживания»). Содержит определенные события или условия данных, которые должен прослушать агент для запуска задач
  • Действия: Запущенные событиями и запланированные действия, предназначенные для реагирования на внешние события. Хотя эти действия действуют автономно для рутинных задач, они часто содержат возможность оркестрации бизнес-правил, связанных с человеческим вмешательством, переходя к пользователям для проверки, утверждения или обработки сценариев, требующих человеческого суждения.
  • Ограждения: Ограждения действуют как набор настраиваемых правил и проверок среды выполнения, ограничивающих поведение агента. Действует как уровень безопасности, который может перехватывать напоминания, проверять предложенные действия агента и фильтровать его итоговый ответ для предотвращения вредоносного содержимого, внедрения бизнес-правил и обеспечения работы агента в пределах назначенной области.
  • Шаблоны напоминаний: Многоразовые шаблоны, динамически заполненные оперативными данными CRM посредством полей слияния или семантические данные из Data 360 RAG Retrievers. Эти шаблоны позволяют агентам создавать контекстное содержимое в фирменном стиле, в то время как слой Einstein Trust безопасно маскирует конфиденциальную информацию перед отправкой инструкций в LLM.
• Data 360
  • Компоненты Data 360, включая DLO и DMO, которые хранят данные о событиях, созданные внешними системами и отправленные в Salesforce, трансформируя и создавая потоковые или важные данные в реальном времени
  • Вычисленные, потоковые и актуальные важные данные предоставляют агентам немедленные актуальные данные о клиентах. Это активирует упреждающее решение проблемы, смягчая эскалацию. Графики данных упреждающе отображают взаимосвязи и важные данные из разрозненных источников данных, позволяя заблаговременно обнаруживать закономерности или аномалии, связанные с занятостью, активностью и профилем клиента.
  • Извлекатели Data 360 vector store и RAG предоставляют агенту объединенное представление всех соответствующих корпоративных данных и неструктурированных статей Knowledge, обеспечивая точность и контекстуальную обоснованность ответов.
• Цели события
  • Активное уведомление сотрудников или обращение к клиентам
  • Доступно агентам (см. схемы «Агент окружающей среды» и «Автономный агент»)

Взаимодействия

1. Заметное изменение происходит во внешней системе.
2. Внешняя система излучает событие и публикует его в шине событий Salesforce посредством API (создает событие платформы) или Public/Sub API, или данные события транслируются в Data 360.
3. Подписчики события запускаются. Поток запускается.
4. Поток вызывает действие агента с данными события. Агент определяет правильный порядок действий и выполняет его.
5. Результатом является уведомление или запуск бизнес-правила. Уведомления доставляются пользователю посредством инструмента сотрудничества (например, Slack). Также создаются задачи или события. Кроме того, действия могут вызывать внешние системы. Таким образом, события не теряются, а выполняются активно, сигнализируются и действуют, удаляя над головой человека или сложную автоматизацию для их обнаружения.

Компромиссы

Связанные схемы

Шаблон «Судья и присяжные»: Может использоваться совместно с этой схемой для обеспечения точности и надежности решений, принимаемых на основе искусственного интеллекта, путем использования нескольких агентов "присяжных" и агента "судьи" для оценки конгруэнтности

Схема модели моделей: Эта схема использует разные точки зрения от нескольких экспертов-агентов для создания более подробных важных данных, которые могут дополнить интеллектуальные ответы на основе активного искусственного интеллекта.

Проблема

Экосистема Salesforce вашей организации генерирует постоянный поток сигналов, но не может преобразовать их в своевременные контекстуальные действия, поскольку они требуют бизнес-логики, управления и людей для сортировки и действий. Много раз сигналы теряются без каких-либо действий, ведущих к потере возможности.

Контекст

• Организация использует как минимум одно облако Salesforce: Продажи, обслуживание, маркетинг, коммерция, здравоохранение, производство и прочие.
• Требуется интеллектуальная сортировка помимо простой маршрутизации или сортировки на основе правил. Организация поддерживает сотни сложных бизнес-правил.
• Вам требуется реакция на события в реальном или близком к реальному времени.
• Иногда самые привилегированные администраторы становятся самым слабым звеном в цепи, поскольку не видят сигналов.

Ключевые компоненты

• Исходный слой события
  • данные CRM, события платформы, данные сбора данных об изменении (CDC) и данные мониторинга событий в реальном времени (RTEM) из низкоуровневой деятельности платформы
• Data 360
  • Компоненты Data 360, включая DLO и DMO, которые хранят данные о событиях, созданные событиями CRM или платформы, трансформацией и созданием потоковой передачи или важных данных в реальном времени
  • Вычисленные, потоковые и актуальные важные данные предоставляют агентам немедленные и актуальные данные, касающиеся клиента, действий сотрудника или изменений метаданных в системе. Это активирует упреждающее решение проблемы, смягчая эскалацию. Эта ситуационная осведомленность в реальном времени позволяет агентам предоставлять своевременные вмешательства для управления и выполнения операционной производительности.
  • Графики данных упреждающе отображают взаимосвязи и важные данные из разрозненных источников данных, что позволяет заблаговременно обнаруживать закономерности или аномалии, связанные с занятостью, активностью и профилем клиента.
  • Извлекатели Data 360 vector store и RAG предоставляют агенту объединенное представление всех соответствующих корпоративных данных и неструктурированных статей Knowledge, обеспечивая точность и контекстуальную обоснованность ответов.
• Agentforce Agent: Поведение и цель агента определяются следующими компонентами.
  • Темы и инструкции: Указывает миссию агента по внедрению бизнес-правил и автоматизации процессов на основе изменений данных в Salesforce. Он определяет цель агента (например, «Убедитесь, что все возможности обновлены посредством основного контакта до достижения этапа переговоров») и конкретные создания записей, обновления полей и т. д., которые инициируют агента.
  • Действия: Запущенные событиями и запланированные действия, предназначенные для реагирования на внутренние события Salesforce. Хотя эти действия действуют автономно для рутинных задач, они часто содержат возможность оркестрации бизнес-правил, связанных с человеческим вмешательством, переходя к пользователям для проверки, утверждения или обработки сценариев, требующих человеческого суждения.
  • Ограждения: Ограждения действуют как набор настраиваемых правил и проверок среды выполнения, ограничивающих поведение агента. Действует как уровень безопасности, который может перехватывать напоминания, проверять предложенные действия агента и фильтровать его итоговый ответ для предотвращения вредоносного содержимого, внедрения бизнес-правил и обеспечения работы агента в пределах назначенной области.
  • Шаблоны напоминаний: Многоразовые шаблоны, динамически заполненные оперативными данными CRM посредством полей слияния или семантические данные из Data 360 RAG Retrievers. Эти шаблоны позволяют агентам создавать контекстное содержимое в фирменном стиле, в то время как слой Einstein Trust безопасно маскирует конфиденциальную информацию перед отправкой инструкций в LLM.
• Цели события
  • Активно уведомляйте сотрудников или обращайтесь к клиентам.
  • Доступно для вызова других агентов (см. схемы искусственного окружения и автономного искусственного интеллекта)

Взаимодействия

1. Во внутренней системе происходят заметные изменения, например, обновление записи CRM, изменение метаданных или действие над данными, запущенное из Data 360.
2. Внутренняя система излучает событие и публикует его в шине событий Salesforce посредством API (создает событие платформы) или Public/Sub API, либо данные события транслируются в Data 360.
3. Подписчики события запускаются и активируют Flow или Apex.
4. Активированный поток или Apex вызывает Agent Action.
5. Результатом является уведомление или запуск бизнес-правила. Уведомления доставляются пользователю посредством инструмента сотрудничества (например, Slack). Также создаются задачи или события. Кроме того, действия могут вызывать внешние системы.
6. Таким образом, события не теряются, а выполняются активно, сигнализируются и действуют, удаляя над головой человека или сложную автоматизацию для их обнаружения.

Компромиссы

Связанные схемы

Схема прослушивания/ленты: Может сочетаться со схемой Listener для запуска активных действий на основе внутренних событий Salesforce

Шаблон распорядителя данных: Активный искусственный интеллект может использовать распорядителей данных для обеспечения качества и последовательности данных при реагировании на внутренние события

Шаблон Zen Data Gardener: Для запланированной активной подготовки данных и стандартизации, инициированной внутренними событиями или через регулярные промежутки времени

Мы начали с агентов, которые отвечают интерактивно в канале разговора, а потом перешли к агентам, реагирующим на определенные события. Выходя за пределы модели активных агентов, управляемой событиями, внешние агенты представляют смену парадигмы от прямого взаимодействия к активной фоновой помощи. Это агенты без заголовка, наблюдающие цифровую среду в фоновом режиме. Они действуют как «глаза и уши» системы, воспринимая контекст из действий пользователя или потоков данных, а потом координируя с другими агентами или людьми выполнение задач, поверхностные важные данные или предоставление рекомендаций.

Проблема

Бизнес-деятельность организации создает непрерывные потоки ценной информации (вызовы, встречи, чаты, данные датчиков и прочее), но эти данные исчезают в режиме реального времени без сбора или анализа. К тому времени, как человек вручную документирует эти взаимодействия, критические важные данные теряются и момент для своевременного вмешательства упущен. Организации упускают большую часть оперативной аналитической информации, необходимой в режиме реального времени и скрытой в эфемерных потоках, что приводит к пробелам, упущенным возможностям обучения и решениям, принимаемым без полного контекста.

Контекст

• Ваши бизнес-действия создают непрерывные потоки из разных источников, включительно с голосовыми и видео встречами, чатами в реальном времени, сенсорной телеметрией, действиями экрана и транзакционными данными.
• Вам нужны важные данные в реальном или близком к реальному времени (в течение нескольких секунд или минут, а не часов или дней), чтобы эффективно реагировать на эти потоки и реагировать на них.
• Процессы ручной документации не выполняются, что характеризуется низким уровнем соответствия и обновления, высокой когнитивной нагрузкой на сотрудников и неполным сбором важных сведений.
• Требуется мультимодальное понимание, объединение данных из аудио, видео, общего доступа к экрану, чата и других метаданных для создания полного и точного контекста взаимодействий и событий.
• Требуется немедленный анализ для обучения и предупреждений в реальном времени, а также архивный анализ для сводок пост-взаимодействий и долгосрочного определения трендов.
• Временной контекст (эпизодическая память) имеет решающее значение для анализа, включая понимание последовательности, времени, переходов и схем в разных временных окнах в потоках данных.

Ключевые компоненты

• Источник потока
  • Voice и видео: Инструменты видеоконференций (например, Slack Huddle, Zoom, Google Meet и Microsoft Teams) и телефонные системы
  • Инструменты сотрудничества: Slack, рабочие группы и другие
• Коннекторы для сбора потока
  • Собственный SDK: Предоставленный поставщиком SDK, помогающий извлекать транскрипты или сообщения, поддерживающие сегменты потока в реальном времени или транскрипты
• (Дополнительно) Слой обработки потока
  • В аудиопотоках, если транскрипты недоступны в режиме реального времени, возможность преобразования речи в текст, которая переводит аудио в текст. Вы также можете использовать управляемого поставщика, например, Amazon Transcribe.
  • Для других потоков данных, по желанию, механизм обработки потоков, например, Data 360 или Apache Flink
• Data 360
  • Компоненты Data 360, включая DLO и DMO, которые хранят данные о событиях, трансформируют и создают потоковые или оперативные важные данные
  • Вычисленные, потоковые и актуальные важные данные предоставляют агентам немедленные, актуальные данные о клиентах, их действиях и критических важных данных. Это активирует упреждающее решение проблемы, смягчая эскалацию. Эта ситуационная осведомленность в реальном времени позволяет агентам предоставлять своевременные вмешательства и персонализированную поддержку сотрудникам, тем самым оптимизируя качество обслуживания клиентов и производительность операций.
  • Компоненты Data 360, включая DLO и DMO, которые хранят данные клиентов, трансформируют и создают важные данные в реальном времени
  • Извлекатели Data 360 vector store и RAG предоставляют агенту объединенное представление всех соответствующих корпоративных данных и неструктурированных статей Knowledge, обеспечивая точность и контекстуальную обоснованность ответов.
• Agentforce Agents. Данная схема фокусируется на внешнем агенте, наблюдающем непрерывный поток данных, например, транскрипт оперативного вызова или видеоленту. Он действует в качестве слушателя в реальном времени, интерпретируя неструктурированные данные по мере необходимости. Например, агент, прослушивающий оперативный вызов, может вызвать агента Data Discovery для пополнения записи интереса на основе нового контекста, общедоступного в разговоре. Ниже указан пример такого агента без заголовка:
  • Агент обратной связи. Поведение и цель агента определяются следующими компонентами.
    • Темы и инструкции: Определяет основную миссию агента для анализа потоков разговора и извлечения структурированных отзывов и показателей производительности. Сюда входят инструкции по мониторингу настроения клиентов, определению упоминаний ключевых продуктов или конкурентов и оценке того, придерживается ли человек-агент рекомендаций компании или сценария продаж.
    • Действия: Действия по трансформации неструктурированных диалоговых данных в действенные бизнес-аналитики. Эти действия позволяют агенту создавать запись «Сводка отзывов», регистрировать запросы функций продукта, отмечать вызовы с отрицательным настроением для проверки менеджером и обновлять панель мониторинга для отслеживания общей производительности агента по ключевым показателям.
    • Ограждения: Ограждения действуют как набор настраиваемых правил и проверок среды выполнения, ограничивающих поведение агента. Действует как уровень безопасности, который может перехватывать напоминания, проверять предложенные действия агента и фильтровать его итоговый ответ для предотвращения вредоносного содержимого, внедрения бизнес-правил и обеспечения работы агента в пределах назначенной области.
    • Шаблоны напоминаний: Структурированные шаблонные инструкции LLM, которые могут получать вводные данные и предоставлять выводные данные LLM
• Цели окружающей среды
  • Уведомление пользователей на поверхности, где находятся агент и пользователь, например, в видеовызове или настольном приложении

Взаимодействия

1. Когда поток активируется (например, когда пользователь присоединяется к видеовызову), агент прикрепляется в качестве наблюдателя.
2. Агент начинает получать данные потока, инкрементно обнаруживает намерения, принимает решения и вызывает действия.
3. Агент контекстуализируется на основе намерения и извлекает дополнительные данные (структурированные или неструктурированные).
4. Агент предоставляет своевременные ответы в режиме реального времени без запроса пользователя: он может обнаружить возражение в вызове продаж и предоставить важную информацию для обработки возражения.
5. Агенты могут составлять сводку и действия и предоставлять к ним общий доступ другим агентам и пользователям.

Компромиссы

Связанные схемы

Схема прослушивания/ленты: Может сочетаться со схемой «Слушатель» для обработки потоков данных разговора и взаимодействия пользователя в реальном времени, а также поверхностного актуального контекста и важных данных

Шаблон следователя: Может использоваться совместно с этой схемой для сбора контекста из нескольких источников в потоке и ответа на вопросы

Проблема

Ваши сотрудники выполняют сотни важных для бизнеса действий ежедневно в электронной почте, календаре, вызовах и приложениях, но эти действия остаются недоступными для организационных систем до их регистрации вручную, что случается редко. Эта слепота действий означает, что данные CRM неполные, модели на основе искусственного интеллекта не содержат сигналов, необходимых для интеллектуальных рекомендаций, а менеджеры не имеют доступа к вовлечению клиентов в режиме реального времени. Журналирование действий вручную создает налог на производительность, но при этом пропускает большую часть фактической работы.

Контекст

Подобно наблюдателю потока, это наблюдатель данных и содержимого, предоставляющий действенные задачи или выполняющий действия от имени пользователя.

Ключевые компоненты

• Слой данных
  • Данные CRM: Данные клиентов, доступные в CRM, которые предоставляют контекст агенту (например, когда пользователь находится на странице возможности, агент может извлечь сведения о возможности и связанной организации из CRM).
  • Компоненты Data 360, включая DLO и DMO, которые хранят актуальные данные клиентов, принятые из разных источников
  • Вычисленные, потоковые и актуальные важные данные предоставляют агентам немедленные, актуальные данные о клиентах, их действиях и критических важных данных. Это активирует упреждающее решение проблемы, смягчая эскалацию.
  • Data 360 vector store и RAG retrievers предоставляют агенту объединенное представление всех соответствующих корпоративных данных и неструктурированных Knowledge.
• Agentforce Agent: Данная схема фокусируется на внешнем агенте, наблюдающем за действиями пользователя непосредственно в пользовательском интерфейсе. Он действует в качестве помощника в реальном времени, понимая контекст бизнес-правил пользователя для предоставления рекомендаций. Например, агент может отслеживать представителя службы поддержки, заполняющего запись обращения, и активно публиковать соответствующую статью Knowledge. Ниже указан пример такого агента без заголовка:
  • Агент обратной связи. Поведение и цель агента определяются следующими компонентами.
    • Темы и инструкции: Определяет миссию агента для отслеживания действий пользователя в пользовательском интерфейсе и предоставления контекстной помощи. Это включает его цель (например, «Помогите представителю пройти процесс решения обращения») и определенные события пользовательского интерфейса или схемы ввода данных, которые он должен отслеживать для активного предложения справки.
    • Действия: Действия, созданные посредством Apex или Flow, для отображения актуальной информации и следующих лучших действий непосредственно в бизнес-правиле пользователя. Эти действия позволяют агенту извлечь и отобразить соответствующую статью Knowledge, предложить допустимый следующий этап процесса или отметить поле ввода данных, которое может нарушить бизнес-правило, и все это в ответ на действия пользователя в реальном времени.
    • Ограждения: Ограждения действуют как набор настраиваемых правил и проверок среды выполнения, ограничивающих поведение агента. Действует как уровень безопасности, который может перехватывать напоминания, проверять предложенные действия агента и фильтровать его итоговый ответ для предотвращения вредоносного содержимого, внедрения бизнес-правил и обеспечения работы агента в пределах назначенной области.
    • Шаблоны напоминаний: Многоразовые шаблоны, динамически заполненные оперативными данными CRM посредством полей слияния или семантические данные из Data 360 RAG Retrievers. Эти шаблоны позволяют агентам создавать контекстное содержимое в фирменном стиле, в то время как слой Einstein Trust безопасно маскирует конфиденциальную информацию перед отправкой инструкций в LLM.
• Цели окружающей среды
  • Уведомление пользователей на поверхности, где находятся агент и пользователь, например, на веб-странице или странице администратора

Взаимодействия

1. Когда пользователь посещает страницу или приложение, агент прикрепляется в качестве наблюдателя.
2. Агент начинает проверять данные и действия, инкрементно обнаруживает намерения, принимает решения и вызывает действия.
3. Агент контекстуализируется на основе намерения и извлекает дополнительные данные (структурированные или неструктурированные).
4. Агент предоставляет своевременные ответы в режиме реального времени без запроса пользователя и может предложить следующие лучшие действия или предложить их выполнить от имени пользователя.
5. Агенты могут беспрепятственно предоставлять общий доступ к нему другим агентам и пользователям.

Компромиссы

Связанные схемы

Схема прослушивания/ленты: Может сочетаться со схемой «Слушатель» для запуска активных действий на основе наблюдаемого действия

Шаблон распорядителя данных: Искусственный интеллект перехвата действий может использовать распорядителей данных для обеспечения качества и последовательности данных при регистрации перехваченных действий.

Схема генератора: Может использоваться для автоматического создания сводок действий или последующих задач на основе перехваченных действий

Данный раздел содержит схемы для совместных агентов, где один или несколько агентов работают совместно с пользователем-человеком для достижения общей цели. Эти рецепты фокусируются на создании безупречного партнерства: агенты обрабатывают сложные сборы данных и выполнение задач, поддерживая в курсе решений, утверждений и стратегических рекомендаций.

В этой модели агенты обрабатывают автоматизируемые части бизнес-правила. Процесс становится динамическим циклом обратной связи.

• Человек может инициировать задачу посредством диалогового агента, который запускает инициативного агента для управления фоновыми этапами.
• Одновременно агент окружающей среды может наблюдать за своими действиями для предоставления рекомендаций в реальном времени.

Этот процесс создает безупречное слияние человеческого и цифрового труда. Эта схема показывает, как Agentforce облегчает многоагентную систему «человек в цикле» для обработки сложных заданий, с которыми не справился бы в одиночку ни один агент — или человек.

Проблема

Ваши бизнес-процессы требуют сотрудничества между сотрудниками из разных организаций, как внутренних, так и внешних, каждая из которых должна выполнять разные задачи, связанные с разными навыками и приоритетами. Подводные камни процесса могут возникнуть в любое время и в любом месте из-за нагрузки ресурса, ограничений навыков или из-за объема обмениваемой информации.

Контекст

• Процессы охватывают все рабочие группы и требуют участия нескольких участников для достижения успешного результата.
• Помощники агента уже помогают сотрудникам в сценариях «один к одному» в качестве диалоговых, активных и внешних агентов.
• Процессы используют агентов в соответствующих сегментах бизнес-процессов. Однако, процессы также требуют сотрудничества человека и агента. Это сотрудничество может включать сотрудничество между людьми при содействии агентов или сотрудничество между людьми.
• Пробелы в навыках заполняются агентами.
• Агенты помогают улучшить сотрудничество, сокращая усилия человека в решении таких задач, как последующая деятельность и обмен важной информацией для содействия принятию решений.
• Агенты также могут сотрудничать и делегировать полномочия на основе политик и рекомендаций.

Ключевые компоненты

• Поверхность сотрудничества
  Агентское сотрудничество требует общего пространства, где могут взаимодействовать все участники, как люди, так и агенты. Эти поверхности сотрудничества больше не являются статичными средами только для человека. Вместо этого, это каналы, куда агентов можно пригласить присоединиться, внести свой вклад и даже инициировать разговоры, коренным образом меняя природу совместной работы. Например, агент может создать и инициировать групповую обработку обращений в Slack, приглашая экспертов по человеческим темам и других агентов к сотрудничеству над обращением.

• Agentforce Agents
  Эта схема выходит за рамки отдельных схем агентов и демонстрирует, как они сходятся в модели «Совместный агент», организуя сложные процессы, интеллектуально дополняющие возможности человека. Предыдущие схемы — диалоговые (2.1), активные (2.2) и окружающие (2.3) — определяют направление Agentforce Agent components.c. Разговорный агент выступает в качестве основного интерфейса, работая вместе с человеком и действуя в качестве интерфейса между человеком и всеми агентами, участвующими в сотрудничестве. Если задача слишком многогранна, диалоговый агент инициирует совместный сеанс, объединяющий пользователей-людей и необходимых агентов без заголовка для совместной работы над проблемой. Процесс становится динамическим циклом обратной связи, где человек может инициировать задачу, которая потом запускает активного агента для управления фоновыми этапами, в то время как окружающий агент может наблюдать за предоставлением руководства в реальном времени, создавая безупречное слияние человеческого и цифрового труда.

• Слой данных
  В модели совместного агента уровень данных выполняет более динамичную роль, чем просто предоставление информации; он становится постоянной памятью и общим рабочим пространством для всей рабочей группы человека-агента. Хотя у каждого задействованного агента есть свои определенные потребности в данных, как определено в соответствующей схеме, их сотрудничество в сложной задаче зависит от общедоступной основы данных, отслеживающей состояние общей задачи.

  Это общее состояние крайне важно. Когда задача передается от разговорного агента активному агенту, а потом человеку на утверждение, слой данных должен отслеживать прогресс, контекст и решения, принятые на каждом этапе. Это обеспечивает последовательное и актуальное представление эпизода каждому участнику.

Взаимодействия

1. Люди инициируют сеанс сотрудничества с другими людьми и агентами.
2. Контекст, цели, задания и результаты определены.
3. Агент обогащает контекст, добавляя дополнительные сведения и активно планирует действия, необходимые для выполнения задания, вместе с ответственными людьми или агентами.
4. Наблюдается прогресс, обновляется контекст и выполняются действия.
5. Там, где агенты выполняют работу, агент предоставляет подробные сведения, чтобы помочь заинтересованным лицам понять мотивацию, предоставить отзыв и разрешить перехваты.
6. Агенты выполняют работу с полной прозрачностью и соответствием.

Компромиссы

Связанные схемы

Схема оператора: Агенты-соавторы часто выступают в качестве операторов, перенаправляя запросы соответствующим агентам на основе искусственного интеллекта или представителям по обслуживанию людей и согласовывая намерения.

Шаблон оркестратора: В сценариях, связанных с сотрудничеством, агент оркестранта управляет группой агентов на основе искусственного интеллекта, агрегируя их ответы для безупречного взаимодействия пользователя.

Шаблон рабочего пространства (Radar O'Reilly): Агенты сотрудничества используют эту схему для управления адаптивным UX с одним стеклом, обновляя актуальное содержимое в режиме реального времени в потоке разговора.

В отличие от схем сотрудничества, помогающих пользователю, автономные агенты созданы для полного делегирования полномочий. Данный раздел содержит архитектурные схемы для агентов, которые могут самостоятельно планировать и выполнять сложные многоэтапные задачи для достижения цели высокого уровня, не требуя вмешательства человека. Основное внимание здесь уделяется созданию системы, которую можно поставить перед целью и Trust для ее выполнения от начала до конца.

Проблема

Ваша организация получает ценность с помощью сложного набора процессов, каждый из которых содержит разные задания под управлением политик, тетради и определенные навыки, необходимые для выполнения. Часто это программы, требующие значительных затрат времени и ресурсов.

Настройка новой программы требует больших затрат времени и может занять несколько месяцев. Внедрение отзывов и улучшений часто требует дополнительного времени и усилий. Сложность определяется в первую очередь структурой организации, где распространенные приложения и процессы могут привести к зависимостям, требующим управления программой человеком.

Контекст

• Агенты могут работать независимо от начала и до конца. Агенты создаются и настраиваются таким образом, чтобы цель, план и стратегия были предварительно установлены.
• Агенты могут принимать все решения, не требуя утверждения человеком. Агентам предоставляются политика и рекомендации по соблюдению.
• Агенты имеют доступ к необходимому контексту и данным и могут выполнять необходимые действия, не нуждаясь в людях.
• Люди получают уведомления, но не находятся "в курсе".

Ключевые компоненты

• Слой определения цели и стратегии
  • Плейбуки процессов: Подробные описания автономного выполнения с детерминистскими правилами, которым должны следовать агенты
  • Критерии автономного решения: Правила, позволяющие агентам принимать решения без необходимости утверждения человеком
  • Базовые правила: Предопределенные действия для обработки стандартных сценариев или сценариев исключения при сбое основного процесса агента
  • Области: Четко определенные границы, определяющие, что агенты могут и не могут делать, в том числе порядок обработки выходящих за рамки
  • Критерии успешности и определение завершения: Показатели и условия, определяющие успешное выполнение задачи агента
• Agentforce Agents
  • Оркестрант-агент или хореограф: Основной агент, ответственный за цель, причины и планирование выполнения
    • Темы и инструкции: После определения цели оркестрант или хореограф берет на себя ведущую роль в разбивке этой общей цели на более мелкие, управляемые задания или подзадачи. Он составляет комплексный план, описывающий последовательность заданий и определяющий конкретных агентов или инструменты, необходимые для каждого этапа. Наконец, агент оркестранта обеспечивает безупречное выполнение плана, отслеживание хода выполнения, управление зависимостями и внесение необходимых поправок для эффективного и результативного достижения цели. В случае агента-хореографа он передает контекст и состояние агентам в нисходящем направлении для выполнения задания.
    • Действия: Действия вызывают инструменты для выполнения функций, извлечения данных или делегирования другим агентам без заголовка, что позволяет расширить диапазон возможностей и усложнить бизнес-процессы.
    • Ограждения: Ограждения действуют как набор настраиваемых правил и проверок среды выполнения, ограничивающих поведение агента. Действует как уровень безопасности, который может перехватывать напоминания, проверять предложенные действия агента и фильтровать его итоговый ответ для предотвращения вредоносного содержимого, внедрения бизнес-правил и обеспечения работы агента в пределах назначенной области.
• Слой данных
  • Данные CRM: Данные клиентов, доступные в CRM и предоставляющие контекст одному или нескольким агентам
  • Компоненты Data 360, включая DLO и DMO, которые хранят актуальные данные клиентов, принятые из разных источников
  • Вычисленные, потоковые и актуальные важные данные предоставляют агентам немедленные, актуальные данные о клиентах, их действиях и критических важных данных. Это включает упреждающее решение проблемы (например, обработка отклонений электронной почты), смягчение расширения.
  • Векторное хранилище данных 360 и RAG-извлекатели предоставляют агенту объединенное представление всех актуальных корпоративных данных и неструктурированных Knowledge
  • Сообщение канала Slack или данные разговора, например, журнал обращения и журнал разговорного агента, предоставляющие контекст разговора
• Мониторинг и надзор
  • Отслеживание хода достижения цели агента: Отслеживание хода выполнения автономных сеансов агентов для оценки результатов и обеспечения соответствия целям
  • Отслеживание операций агента: Отслеживание статуса автономных агентов в реальном времени для вмешательства и устранения неполадок, обеспечивая бесперебойную работу
  • Отслеживание управления агентами: Отслеживание и проверка журналов для обеспечения соответствия автономных агентов предопределенным целям, задачам и этическим рекомендациям

Взаимодействия

1. Задача определена с четкими результатами.
2. Задание запускается одним из следующих методов:
   • Агент получает задание.
   • Агент активно подбирает задание на основе квалификации.
   • Агент выполняет задание в фоновом режиме.
3. Агент четко устанавливает ожидания и информирует людей, определяя цель, план и стратегию. План содержит пошаговые процессы, использованных агентов, использованные данные, область, план оценки агентов и контрольные точки для отслеживания прогресса, операций и управления.
4. Агент начинает выполнение. На каждой контрольной точке обновляется состояние и ход выполнения. Люди могут предоставлять отзывы или перехватывать агентов при необходимости.
5. Агент выполняет задание. Результат и результаты доступны в панели мониторинга мониторинга.

Компромиссы

Связанные схемы

Схема менеджера проекта: Автономные агенты часто воплощают эту схему, контролируя длительные многоэтапные процессы от запуска до завершения с минимальным вмешательством человека.

Шаблон конфигуратора: Автономные агенты могут использовать эту схему для автоматического создания и проверки конфигураций на основе требований естественного языка или предопределенных политик, обеспечивая соответствие и точность без ручного контроля.

Шаблон Zen Data Gardener: Эта схема может использоваться автономными агентами для планирования, обработки фоновых данных и стандартизации, обеспечивая качество и последовательность данных в динамике для поддержки точного принятия решений агентом.

Теперь мы оживим таксономию агентов и схемы агентов, изучив их внедрение на Salesforce Platform. Для тех, кто не знаком с базовыми компонентами Agentforce, добавление обеспечивает полезную обновленную информацию о ключевых технологиях, на которые ссылаются в настоящей и следующих главах.

Данный раздел содержит таксономию агентов и иллюстрирует каждый из них с общим сценарием использования для отображения их использования в реальных приложениях.

Клиентка, Джейн, посещает веб-сайт компании, чтобы проверить статус недавнего заказа.

• Взаимодействие: Джейн открывает окно чата (клиент чата Agentforce).
• Действие агента: Диалоговый агент приветствует её и спрашивает, чем это может помочь. Джейн спрашивает: "Где мой последний заказ?"
• Процесс:
  1. Агент на основе сведений о клиенте Джейн из Salesforce определяет ее последний заказ.
  2. Он запрашивает систему доставки (посредством коннектора MuleSoft) для получения последних сведений о отслеживании и предоставляет Джейн обновление в реальном времени и ссылку отслеживания.
  3. Потом он ищет политику и автоматически переходит на ускоренную отправку.
  4. Когда Джейн задает сложный вопрос, с которым агент не может справиться, он плавно расширяет чат до агента обслуживания человека, предоставляя полный транскрипт для контекста.

Рецепт

Используемые схемы: Схема диалогового искусственного интеллекта, интеграция транзакционных данных в агентов

Время проектирования

1. Настройте диалогового агента.

   Настройка расширенного чата	→	Создание агента обслуживания	→	Тема «Определение заказов на поддержку»	→	Действие «Создать заказ»
   						↓
   Добавление исходящего потока мультиканала расширения	←	Создание темы расширения	←	Добавление действий в темы	←	Действие создания статуса получения
   ↓
   Опубликовать агента

2. Настройте расширенный чат в качестве точки входа Джейн в чат, чтобы она могла открыть окно Agentforce на веб- странице.
3. Включите Agentforce и создайте агента обслуживания в Agentforce Builder для обработки разговоров и запуска настраиваемых действий.
4. Определите тему «Заказы на поддержку» с описанием и инструкциями, чтобы агент, естественно, узнал «Где мой последний заказ?».
   1. Создание настраиваемых действий агента:
      1. Действие получения последнего заказа для связи для извлечения последнего заказа Джейн
      2. Получение статуса отправки по действию кода заказа для извлечения сведений отслеживания посредством MuleSoft
      3. По желанию, оркестрируйте оба действия в потоке, извлекая последний заказ и вызывая MuleSoft, посредством действий внешней службы.
      4. Добавьте оба действия к агенту обслуживания в конструкторе, свяжите их с темой «Заказы и отслеживание» и опубликуйте.
5. Определите тему «Расширение» с описанием для расширения до сервисного представителя.
   • Создайте и активируйте исходящий поток мультиканала.
   • Добавьте его во вкладку «Подключения» в конструкторе для расширения посредством сообщения о расширении.
6. Настройте мультиканал.

   Настройка мультиканала

   →

   Определение правил расширения в инструкциях

   →

   Определение приоритетов и возможностей

   →

   Тестирование и проверка

7. Включите беспрепятственное распространение на агентов службы поддержки, если агент на основе искусственного интеллекта не может решить запрос. Настройте маршрутизацию мультиканала для назначения чатов представителям службы поддержки и передачи полного транскрипта для контекста.
8. Интегрируйте логику расширения в инструкции Agentforce и действие расширения, чтобы агент знал, когда передавать сложные обращения. Управление приоритетами и возможностями маршрутизации посредством Администратора мультиканала.
9. Протестируйте полную версию: Джейн открывает чат, и агент приветствует ее, определяет заказ, извлекает данные доставки и расширяет без проблем, когда требуется человеческое вмешательство (см. также «Включение расширенных журналов событий»).
10. Настройте интеграцию данных.

    Соотнесение данных контекста

    →

    Создание регистрационных данных MuleSoft API

    →

    Регистрация внешней службы MuleSoft

11. Запретите агенту доступ к контексту Salesforce Джейн, соотнеся записи ее контактов и заказов посредством проверенного чата или предчатовых форм.
12. Безопасно подключите Salesforce к MuleSoft shipping API посредством внешних регистрационных данных и именованных регистрационных данных для проверки подлинности.
13. Если MuleSoft открывает спецификацию OpenAPI, зарегистрируйте ее как внешнюю службу, чтобы поток и агент могли вызвать ее декларативно.
14. Настройте интеграцию неструктурированных данных.
    1. Создание новой библиотеки данных в меню «Настройка». Назовите его "Заказ и политика отправки".
    2. Добавьте PDF-документы политики, содержащие исключения из политики доставки.
    3. В фоновом режиме документы автоматически разделяются на фрагменты, индексируются и готовятся к использованию.

Процесс выполнения агента

После настройки и развертывания агента во время выполнения выполняется следующая последовательность действий.

1. Запуск чата: Джейн открывает чат Agentforce (встроенная служба). Контекст сеанса и контакта загружается после входа Джейн.

2. Приветствие и намерение: Агент приветствует Джейн. Джейн запрашивает статус заказа, и обнаружение намерения соотносит «последний заказ» с темой «Заказы и отслеживание».

3. Поиск CRM: Агент запускает действие «Получить последний заказ» и запрашивает Salesforce (сводка заказа/заказы) для последней записи Джейн.

4. Запрос доставки: Агент вызывает MuleSoft API посредством именованных регистрационных данных, а /shipping/status/{orderId} возвращает статус в реальном времени и URL-адрес отслеживания.

5. Состав ответа: Agentforce объединяет результаты и создает ответ: "Ваш заказ [OrderID] отправлен через [Carrier], прибудет завтра — [Отслеживать здесь]."

6. Запасные варианты: При отсутствии совпадения или сбоя API агент приносит извинения и предлагает повторить попытку исправления проблем с данными.

7. Расширение: Сложные или эмоциональные запросы автоматически передаются человеку посредством мультиканала, передавая полный чат и контекст.

8. Запись: Все намерения, действия и результаты сохраняются в журналах взаимодействия. Задержка API отслеживается в Anypoint Monitoring.

9. Постоянное улучшение: Эскалации подают переобучение Agentforce; распространенные потоки уточняются в последующем выпуске.

Ценный клиент Иван добавил в онлайн-корзину продуктов на сумму более 1000 долларов, но не выполнил покупку в течение 60 минут.

• Триггер: Событие Salesforce Platform, Cart_Abandoned__e, запускается из системы ecommerce, содержащей код контакта Ивана и значение корзины.
• Действие агента: Активный агент, подписанный на это событие, немедленно вступает в действие.
• Процесс:
  1. Агент проверяет запись Ивана в Salesforce и видит, что он является ВИП-клиентом.
  2. Это создает высокоприоритетную задачу для менеджера организации Ивана, Сары, со всеми сведениями о брошенной корзине.
  3. Оно отправляет уведомление Саре через Slack, призывая ее продолжить.
  4. Одновременно он регистрирует Ивана в целевом путешествии Marketing Cloud, которое отправляет электронное напоминание с ограниченным по времени кодом скидки 10%, чтобы стимулировать его к завершению покупки.

Рецепт

Этот рецепт подробно описывает внедрение активного агента искусственного интеллекта на Salesforce Platform для решения проблемы отказа от корзины ВИП-клиентами. Решение использует события Salesforce Platform, Data 360 для извлечения Knowledge и Agentforce для организации своевременных и интеллектуальных последующих действий, тем самым трансформируя пассивные данные в активное вовлечение бизнеса.

Время проектирования

1. Настройте событие заброшенной корзины для запуска, когда Иван, ВИП-клиент, оставит корзину заброшенной.

   Создание настраиваемого поля контакта

   →

   Определение нового события платформы

   1. Создайте событие платформы Cart_Abandoned__e с полями «Код контакта», «Значение корзины», «Дата и время последнего обновления корзины» и «Сведения о корзине».
   2. Настройте событие отказа: С помощью Commerce Cloud создайте событие платформы для уведомлений о событии Checkout. Отмена определяется, когда состояние сеанса cart Checkout находится в промежуточном состоянии, а время сеанса истекает после порога. Если ваша электронная торговля является внешней системой, опубликуйте событие в Salesforce с помощью любого из указанных методов: Flows, Apex, Salesforce API или Pub/Sub API.
   3. В объекте «Контакт» создайте новое поле «Customer_Tier__c» со значениями раскрывающегося списка «Стандартный», «Премиальный» и «ВИП-персонал».
2. Настройка неструктурированного приема данных в Data 360: Добавьте документ политики скидок, полученный из хранилища документов в Data 360 посредством Amazon S3.

   Создание регистрационных данных AWS S3	→	Создание нового потока данных S3	→	Настройка и развертывание потока	→	Создание поискового индекса
   						↓
   				Функция тестового извлечения	←	Настройка и развертывание индекса

   1. Создайте внешние регистрационные данные для доступа к S3: Создайте новый набор ключей и секретов доступа для пользователя IAM или имя ресурса IAM Amazon (ARN) для IdP.
   2. Создайте новый поток данных S3: Во вкладке «Потоки данных» создайте поток данных «Поток документов политики», выберите источник S3, выберите тип PDF-файла, задайте частоту обновления, соотнесите поля метаданных (имя файла и размер), а потом разверните.
   3. После завершения потока данных создайте поисковый индекс: Используйте извлечение отрывка для фрагментации, модель встраивания E5- big-v2 и гибридный тип поиска, а потом разверните индекс.
   4. Протестируйте созданную функцию извлечения.
3. Настройте агента восстановления ВИП-корзины.

   Создание агента по шаблону	→	Добавление темы восстановления ВИП-корзины	→	Добавление инструкций по теме	→	Действие создания предупреждения Slack
   						↓
   Добавление действий в тему	←	Действие создания регистрации путешествия	←	Действие создания предложения скидки	←	Создание задачи восстановления корзины

   1. Создайте агента на основе шаблона Agentforce Employee Agent.
   2. Добавьте новую тему «Восстановление ВИП-корзины» с описанием, что этот агент обрабатывает отказ от ценных корзин для ВИП-клиентов.
   3. Добавьте инструкции по темам для проверки статуса ВИП, определения корзины, уведомления менеджера организации в Slack, рекомендации предложения скидки и регистрации клиента в электронном путешествии восстановления корзины.
   4. Создайте действия и задачу.
      • Действие предупреждения менеджера организации: Отправляет активное уведомление Slack
      • Задача восстановления невыполненной корзины, назначенная менеджеру со сведениями о корзине
      • Действие получения предложения скидки: Анализирует политику и предыдущий журнал покупок. Создайте шаблон напоминания с заземлением, ссылайтесь на функцию извлечения в шаблоне напоминания и используйте данные.
      • Действие регистрации в путешествии восстановления: Регистрируется в путешествии восстановления Marketing Cloud посредством API и принимает все данные подписчика и сообщение эл. почты со скидкой предложения, созданное агентом.
   5. Добавьте действия к теме.
   6. Создайте путешествие восстановления корзины VIP-клиента с помощью шаблонов в Marketing Cloud или создайте новое путешествие.
4. Проведите событие платформы для вызова агента.

   Создание потока, запущенного событием

   →

   Подписаться на событие платформы

   →

   Добавить вызываемое действие агента

   →

   Передача данных события агенту

   1. Создайте новый поток, запущенный событием платформы, восстановление отказа от вип-корзины.
   2. Выберите событие «Корзина прекращена», на которое должен подписаться поток.
   3. Настройте настраиваемое вызываемое действие агента в Flow Builder и выберите агента восстановления вип-корзины. Отправьте запрос на инициирование восстановления VIP-покинутой корзины для клиента и отправьте полезные данные события платформы.

Процесс выполнения агента

После настройки и развертывания агента во время выполнения выполняется следующая последовательность действий.

1. Обнаружение отказа от корзины: Джон добавляет $1200 в корзину, и no Checkout или прогрессирование этапа через 60 минут запускает отказ.
2. Публикация события платформы: Commerce Cloud публикует событие Cart_Abandoned__e с кодом контакта Ивана, стоимостью корзины $1200, датой изменения корзины и другими сведениями.
3. Инициализация потока: Событие платформы запускает поток восстановления отказа от вип-корзины.
4. Активация агента сотрудника: При выполнении потока вызывается агент восстановления вип-корзины.
5. Выполнение темы: Агент переходит к теме восстановления ВИП-корзины и выполняет инструкции.
6. Создание уведомлений: Агент предупреждает менеджера организации Ивана Сару в Slack.
7. Создание задачи: Агент создает задачу для Сары, сообщая ей о последующих действиях, которые она будет выполнять.
8. Анализ скидки: Агент выполняет анализ скидки, вызывая функцию ретривера Data 360 для запроса «максимально допустимых скидок» на основе значения корзины, уровня клиента и журнала покупок. В этом случае функция рекомендует предложение скидки 10%.
9. Подготовка электронной почты и регистрация в путешествии: Агент готовит электронное предложение скидки и регистрирует Джона в путешествии Marketing Cloud «Восстановление корзины VIP-клиента» с новой ценой корзины.
10. Запись и атрибуция: Иван возвращает предложение, которое создает атрибуцию журнала и показатели преобразования.
11. Анализ отзывов: Результат анализируется для дальнейшего определения предложений, времени восстановления и других факторов оптимизации.

Торговый представитель Дэвид участвует в звонке с новым потенциальным клиентом. Интеллектуальный агент активно отслеживает вызов в режиме реального времени, оказывая немедленную поддержку Дэвиду, отвечая на вопросы потенциального клиента.

Пример: Если потенциальный клиент запрашивает конкретную спецификацию продукта, агент автоматически извлекает соответствующие сведения и передает их Дэвиду посредством Slack или личного сообщения.

• Триггер: Потенциальный клиент задает вопрос, требующий конкретных сведений о продукте во время звонка с торговым представителем (Дэвид).
• Действие агента: Агент окружающей среды постоянно анализирует журналы вызовов и сообщения, интеллектуально определяя и извлекая требуемую информацию.
• Процесс:
  1. Агент анализирует транскрипт вызова в режиме реального времени.
  2. Он автоматически определяет ключевые элементы действия и извлекает актуальные сведения.
  3. В данном случае агент извлекает сведения о продукте напрямую из Salesforce.
  4. Потом он автоматически передает извлеченные сведения Дэвиду посредством Slack или личного сообщения.

Рецепт

В этом рецепте есть предпосылки, требующие возможностей речевого преобразования текста в реальном времени, и мы предполагаем, что они доступны посредством поставщика связи. Например, вот рецепт интеграции вызовов масштабирования.

Предварительно: Пример транскрибирования вызова Zoom в реальном времени:

• Создайте приложение Zoom на платформе разработчика Zoom с обязательными областями для чтения записи, отправки веб-хука и потока встреч. Включите обязательные функции продукта, например, медиапотоки в реальном времени (RTMS).
• Настройте промежуточный сервер сигнализации (образец RTMS увеличения), который получает аудиопоток, перенаправляет его в службу Amazon Transcribe и возвращает транскрибированный текст. Транскрипты потом публикуются в Salesforce как событие платформы.

Время проектирования

1. Настройте агента «Ответ на вызов в реальном времени».

   Создание агента по шаблону	→	Добавление темы «Вызов помощи»	→	Добавление инструкций по теме	→	Действие создания анализа транскрипта
   						↓
   		Добавление действий в тему	←	Действие создания важных данных Slack	←	Действие создания спецификации продукта

   1. Создайте агента на основе шаблона Agentforce Employee Agent.
   2. Добавьте новую тему «Помощь при вызове» с описанием, что этот агент прослушивает транскрипты в реальном времени, понимает намерение и помогает с данными о продукте.
   3. Добавьте инструкции по темам для анализа транскриптов, извлечения характеристик продукта и отправки сообщений Slack.
   4. Создание действий.
      • Действие анализа транскрипта вызова: Анализ данных транскрипта вызова, полученных в режиме реального времени, и извлечение ключевых вопросов или действий
      • Действие получения спецификации продукта: Запросы статей базы Knowledge о продуктах
      • Отправка важных данных Slack "внутреннему" пользователю
   5. Добавьте действия к теме.
2. Настройка библиотеки данных Product Knowledge.

   Создание новой библиотеки данных

   →

   Добавить статьи Knowledge

   →

   Системные фрагменты и индексы

   →

   Грунтовая библиотека в действии

   1. Создание новой библиотеки данных в меню «Настройка». Назовите его «Knowledge продукта».
   2. Добавьте статьи Knowledge, содержащие сведения о продукте.
   3. В фоновом режиме документы автоматически разделяются на фрагменты, индексируются и готовятся к использованию.
   4. Используйте заземление в действии получения спецификации продукта.
3. Опубликуйте транскрипт в реальном времени в Salesforce посредством Public/Sub API.

   Сервер получает аудио транскрипт

   →

   Сервер публикует событие платформы

   1. Создайте событие платформы Transcript_Segment__e с полями Call Id, Sequence, Speakers, Segment Start Time, Segment End Time, Duration и Transcript Data.
   2. На сервере сигнализации (см. раздел presuration) после получения транскрибированного текста из аудио немедленно опубликуйте данные посредством события Transcript_Segment__e. Вы можете опубликовать событие в Salesforce с помощью любого из методов: Flows, Apex, Salesforce API или Pub/Sub API.
4. Проводной поток для подписки на опубликованное событие Transcript_Segment__e.

   Создание потока, запущенного событием	→	Событие подписки на транскрипт	→	Добавить вызываемое действие агента	→	Отправка полезных данных агенту
   						↓
   						Агент отправляет Slack DM

   1. Создайте новый поток, запущенный событием платформы, «Важные данные о вызовах Discovery».
   2. Выберите событие Transcript_Segment__e, на которое должен подписаться поток.
   3. Настройте настраиваемое вызываемое действие агента в Flow Builder и выберите агента «Ответ на вызов в реальном времени». Отправьте полезные данные события для маршрутизации в тему «Помощь при вызове». После получения вопроса из темы вопрос отправляется в действие получения спецификации продукта для ответа.
   4. Окончательный ответ компилируется и немедленно отправляется пользователю посредством Slack DM.

Процесс выполнения агента

После настройки и развертывания агента во время выполнения выполняется следующая последовательность действий.

1. Инициализация вызова: Дэвид запускает вызов обнаружения с потенциальным клиентом в вызове Zoom. RTMS зум транслирует живой аудио в конечную точку транскрибирования сервера сигнализации.
2. Транскрибирование в реальном времени: Сигнальный сервер получает аудио, транскрибирует аудио в текст и публикует событие платформы сегмента транскрипта в Salesforce Platform.
3. Прослушивание агента и классификация контекста: Salesforce получает событие платформы и запускает поток важных данных о вызовах Discovery.
4. Поток инициирует агента Sales Call Realtime Response, который получает сегмент, определяет вопросы (например, «Интегрируется ли Toaster 2XP с мобильными устройствами?») и классифицирует их по теме «Помощь при вызове».
5. Извлечение Knowledge: Агент инициирует действие «Получить спецификацию продукта» и запрашивает данные Knowledge для совпадения ответов.
6. Отправить личный Slack DM: Агент выполняет отправку важных данных Slack, публикуя в DM Slack Дэвида: "Тостер 2XP продукта может быть интегрирован с устройствами Apple и Android и может подключаться посредством Bluetooth. После установки приложения просто подключитесь посредством Bluetooth и управляйте тостером. Ниже указана ссылка на руководство".
7. Продолжение в реальном времени: Агент продолжает получать текст транскрипта; если появляется несколько важных данных, он создает цепочку контекстуальных ответов Slack, не нарушая поток вызова.
8. Сводка по вызову: В конце сеанса агент автоматически составляет сводку: ключевые вопросы, предпринятые действия и ссылочные продукты.
9. Постоянное улучшение: Agentforce Analytics оценивает задержку транскрипта — ответа, точность соответствия продукта и результаты продаж для уточнения инструкций темы в динамике.

Менеджер по продажам Боб ставит перед автономным агентом цель: "Увеличить ожидаемые продажи в производственном секторе Калифорнии на $5 млн в ближайшие 60 дней."

• Триггер: Менеджер назначает цель посредством команды в Slack.
• Действие агента: Автономный агент начинает цикл планирования и выполнения.
• Процесс:
  1. Исследования: Агент запрашивает Salesforce Data 360 и внешние источники данных (посредством MuleSoft) для определения компаний в производственном секторе Калифорнии, которые не являются текущими клиентами.
  2. Определить: Он анализирует эти компании, ища сигналы покупки, например, недавние раунды финансирования, новые наймы руководителей или соответствующие публикации вакансий. Она оценивает и назначает приоритеты 20 лучшим потенциальным клиентам.
  3. Идентификация контактов: Он находит ключевые контакты (например, вице-президенты по операциям и менеджеры завода) в этих компаниях.
  4. Охват: Он составляет персонализированные электронные сообщения связи для каждого контакта, ссылаясь на определенные новости компании или болевые точки. Он планирует отправку этих сообщений эл. почты в течение следующей недели.
  5. Последующая деятельность: Он отслеживает открытия электронной почты и ответы. Положительный ответ потенциального клиента инициирует анализ календаря, чтобы предложить время встречи, автоматически создавая событие Salesforce и новую возможность после подтверждения.
  6. Отчет: Она предоставляет еженедельные Отчеты о ходе работы менеджеру по продажам в Slack.

Рецепт

Это сценарий с несколькими агентами, когда каждый агент выполняет определенную задачу и передает контекст, данные и управление следующему агенту. Мы будем использовать несколько настраиваемых агентов без заголовка для исследований и квалификации, а также готового агента торговых представителей для охвата потенциальных клиентов и мониторинга. Мы также предполагаем, что компания Боба использует ZoomInfo для изучения рынка. Компания также получает данные сети поставщиков, которые сохраняются в базе данных и содержат ценные сведения о компаниях, с которыми она сотрудничает.

Время проектирования

1. Настройте мультиагентную архитектуру.

   Агент по исследованиям собирает разведданные

   →

   Агент по квалификации оценивает интерес

   →

   Агент SDR начинает работу

   1. Агент по исследованиям: Запросы Data 360 и внешние источники посредством MuleSoft
   2. Агент по квалификации: Определение приоритетов, оценка и пополнение интересов
   3. Агент SDR: Получает назначения интересов, выполняет информационно-пропагандистскую работу, последующие действия и планирует встречи. Отслеживайте активность агента SDR и ход работы с Agentforce Analytics для агента SDR.
2. Найдите и примите новые данные компании.

   Создание нового пространства данных

   →

   Прием данных Salesforce CRM

   →

   Прием данных ZoomInfo

   →

   Прием данных базы данных поставщика

   1. Настройте новое пространство данных под названием «Продажи и маркетинг». Это новое пространство данных будет содержать все данные, необходимые автономным агентам.
   2. Используйте коннекторы Salesforce для передачи данных Lead, Account, Contact и Opportunity CRM в пространство данных.
   3. Настройте коннектор Data 360 для ZoomInfo. Поток данных в пространство данных продаж и маркетинга Data 360.
   4. Настройте коннектор Anypoint Salesforce Data 360 для подключения к базе данных поставщика и приема данных в Data 360.
3. Настройте событие платформы для запуска агента по исследованиям и квалификации без заголовка.

   Создание нового события платформы

   1. Создайте событие платформы AgentGoal__e с целью поля, собирающей цель пользователя-человека.
4. Настройте агента оркестратора целей, диалогового агента на основе искусственного интеллекта, который получает цель пользователя и оркеструет ее другим агентам.

   Создание агента по шаблону	→	Добавление темы анализа цели	→	Добавление инструкций по теме	→	Действие создания события цели
   						↓
   						Добавление действия в тему

   1. Создайте агента на основе шаблона Agentforce Employee Agent.
   2. Добавьте новую тему «Цель анализа» с описанием, что этот агент понимает намерение цели и может вызвать дополнительных агентов при необходимости.
      • Добавьте инструкции по теме для анализа цели и запуска событий для других агентов.
   3. Создайте событие цели, AgentGoal__e.
5. Настройте агента по исследованию интересов и квалификации, который запускается агентом оркестрации.

   Создание темы исследования	→	Действие создания дедупликации	→	Создание действия по обогащению интересов	→	Создание действия определения рейтингов интересов
   						↓
   				Добавление действий в тему	←	Создание действия определения интереса

   1. Создайте тему исследования потенциальных кандидатур с описанием "Поиск новых интересов в регионе или состоянии".
   2. Создание действий.
      • Действие Apex повторяющегося интереса: Проверка и проверка новых интересов по сравнению с существующими клиентами
      • Действие Apex обогащения интересов, использующее шаблон напоминания: Изучение неструктурированных маркетинговых важных данных и данных базы данных поставщиков для пополнения данных интересов
      • Действие «Оценить интерес»: Активная оценка интереса с обновленными данными об интересах
      • Действие определения интереса для агента: На основе оценки назначьте параметры, определяющие интерес для агента SDR
6. Настройте агента Agentforce SDR для выполнения работы с клиентами, воспитания интересов и планирования встреч.

   Создание агента SDR на основе шаблона	→	Настройка базы знаний агента Knowledge	→	Настройка параметров электронной почты агента	→	Настройка правил назначения интересов
   						↓
   						Определение критериев отбора интересов

   1. Создайте нового агента SDR на странице настроек посредством готового шаблона агента по уходу за интересами. Настройте параметры эл. почты и правила назначения интересов, выбрав объект «Интерес» или «Контакт» и определив соответствующие критерии (рейтинг интереса порога и новый интерес) для правил назначения.
   2. Настройте Agentforce Lead Nurturing, настроив агента, назначив полномочия и настроив правила каденции и назначения.
   3. Настройте необходимые Knowledge для ответа агента SDR на вопросы.
7. Настройте новый поток для подписки на опубликованное событие AgentGoal__e.

   Создание потока, запущенного событием

   →

   Событие «Подписаться на цель агента»

   →

   Добавить вызываемое действие агента

   1. Создайте новый поток, запущенный событием платформы, под названием «Маршрутизация целей агентам».
   2. Выберите событие цели агента, на которое должен подписаться поток.
   3. Настройте настраиваемое вызываемое действие агента в Flow Builder и выберите агента по исследованию интересов и квалификации.

Процесс выполнения агента

После настройки и развертывания агента во время выполнения выполняется следующая последовательность действий.

• Назначение цели: Боб ставит задачу автономному агенту "увеличить ожидаемые продажи в производстве Калифорнии на $5 млн за 60 дней".
• Оркестрация цели: Автономный агент оркестратора целей получает цель, анализирует намерение и создает событие платформы AgentGoal__e. Агент Goal Orchestrator создан для постоянного расширения его возможностей по обработке нескольких целей. Вы можете развернуть его, чтобы добавить дополнительные возможности оркестрации или обратиться к пользователю за разъяснениями, чтобы лучше понять намерение и инициировать цель.
• Маршрутизация: Цели маршрутизации потока агентам запускаются и вызывают агента по исследованию и квалификации интересов.
• Исследования: Агент по исследованию и квалификации интересов запрашивает данные 360 на наличие новых сведений об интересах, дублирует существующие клиенты, извлекает дополнительные данные исследования рынка из данных 360 и пополняет интерес. Далее он оценивает интерес, определяет ключевые контакты и определяет интерес.
• Охват: После определения интереса интерес становится доступным для агента SDR посредством правил назначения интересов. Агент SDR выполняет первичную работу и поддерживает разговоры с контактом, отвечая на вопросы, связанные с продуктом.
• Последующая деятельность: В конце каденции или по запросу интереса агент запрашивает расписание встречи, если интерес подходит для занятости сервисного представителя. Потом он планирует встречу и выходит из потока.
• Agent Analytics: Панель мониторинга SDR Agent Analytics предоставляет важные данные о производительности агента.

Клиент со стажем сталкивается с многогранной проблемой: ему завысили счет, неправильно выставили полученную запчасть, и теперь его обслуживание отключено.

• Триггер: Клиент инициирует чат, а начальный диалоговый агент быстро распознает сложность и переходит в групповую обработку агентов.
• Действие агента: Агент оркестранта берет на себя ответственность.
• Процесс:
  1. Оркестратор: Поддерживает разговор с клиентом, предоставляя обновления
  2. Делегаты оркестра: Используя внедрение протокола A2A, оркестратор обнаруживает «связанных агентов» (выставление счетов, логистика и инициализация) с необходимыми возможностями и отправляет задачи.
     • Агенту выставления счета: «Изучите счет #INV-7890 для клиента X. Есть ли расхождения?»
     • Агенту логистики: "Проверьте номер отслеживания #TN-12345 для клиента X. Подтвердите номер отправленной запчасти и текущий запас для правильной запчасти."
     • Поручающему агенту: "Проверьте статус обслуживания для организации #ACC-5678. Если отключить, какой код причины?"
  3. Специализированные агенты выполняют: Каждый агент получает запрос A2A, запрашивает соответствующую систему и формулирует ответ.
  4. Синтез: Агенты сообщают о своих выводах оркестранту посредством ответов A2A. Оркестратор обобщает информацию: "Клиент действительно был завышен на 50 долларов. Неправильная запчасть отправлена из-за ошибки склада. Услуга была отключена автоматически в связи с проблемой выставления счета".
  5. Признание: Оркестратор информирует клиента об ошибке и предлагает расширить проблему до представителя службы поддержки с четкими рекомендациями по дальнейшим действиям.
  6. Резолюция: Затем предлагается полное решение для сервисного представителя на утверждение. Представитель службы поддержки присоединяется к разговору. Сервисный представитель быстро просматривает все данные, связанные с проблемой, включая рекомендованное агентом решение: «Создание нового заказа на отправку для нужной детали посредством ускоренной отправки. Инициируйте возврат для неправильной части. Утвердите 10% скидку на новый заказ и перепродайте деталь с последней улучшенной версией. Обновите сведения об оплате и предложите настроить организацию регулярного выставления счета".

Рецепт

Этот рецепт описывает внедрение системы совместных агентов, предназначенной для решения сложных проблем обслуживания клиентов, связанных с несколькими аспектами. Используя агента оркестратора для делегирования задач специализированным агентам (выставление счетов, логистика и инициализация) посредством протокола A2A, а потом обобщая их выводы, система предоставляет комплексные решения и без труда интегрирует представителей службы поддержки для окончательного утверждения и взаимодействия с клиентами.

Время проектирования

1. Настройте расширенный чат в качестве точки входа клиента в чат, чтобы он мог открыть окно Agentforce на веб- странице.
2. Настройте Agentforce Billing Agent, специализированного агента без заголовка, который может принять заказ или счет и выполнить запрос для счета.

   Создание агента по шаблону

   →

   Определение темы запроса выставления счета

   →

   Создание настраиваемого действия потока

   →

   Добавление действия в тему

   1. Включите Agentforce и создайте агента-сотрудника на основе шаблона Agentforce Employee Agent.
   2. Определите тему «Запрос для счета» с описанием «Исследование несоответствий в счетах, проблем оплаты и ошибок для счета».
      1. Добавьте настраиваемое действие потока «Проверить несоответствие счета» с вводом номера счета, кода клиента и диапазона дат, а также выводом стоимости несоответствия, коренной причины и затронутых транзакций.
3. Настройте Agentforce Logistics Agent, специализированного агента без заголовка, который может проверять отправки, отслеживать отправки и проверять запасы.

   Создание агента по шаблону

   →

   Определение темы проверки отправки

   →

   Создание настраиваемого действия потока

   →

   Добавление действия в тему

   1. Включите Agentforce и создайте агента-сотрудника на основе шаблона Agentforce Employee Agent.
   2. Определите тему: Проверка отправки с описанием для проверки отправки для счета.
      1. Добавьте настраиваемое действие «Проверить сведения о доставке» с вводом номера счета, кода клиента и диапазона дат, а также выводом запчасти, даты и статуса запаса.
4. Настройте Agentforce Provisioning Agent, специализированного агента без заголовка, который может проверить инициализацию и статус обслуживания.

   Создание агента по шаблону

   →

   Определение темы проверки обслуживания

   →

   Создание настраиваемого действия потока

   →

   Добавление действия в тему

   1. Включите Agentforce и создайте агента-сотрудника на основе шаблона Agentforce Employee Agent.
   2. Определите тему «Проверка обслуживания» с описанием для проверки подключения к обслуживанию и статуса организации.
      1. Добавьте настраиваемое действие потока «Проверить обслуживание» с вводом кода клиента и кода актива, а также выводом статуса обслуживания и причины исключения обслуживания.
5. Представьте агентов по выставлению счетов, логистике и инициализации в качестве серверов A2A и зарегистрируйте их в реестре агентов.

   Представление агентов посредством MuleSoft

   →

   Регистрация агентов в реестре

   1. При отсутствии прямой поддержки A2A в агентах Agentforce коннекторы MuleSoft могут использоваться для отображения API агентов в качестве серверов A2A.
   2. Зарегистрируйте эти серверы A2A в реестре агентов.
   3. Используйте ткань агента Anypoint для оркестрации агентов.
      1. MuleSoft Agent Broker может помочь в оркестрации любого агента на платформах на основе возможностей агента, упомянутых в картах агента.
6. Настройте Agentforce Help Agent, разговорного агента на основе искусственного интеллекта, который взаимодействует с клиентами, оценивает сложность и координирует действия с несколькими специализированными агентами для решения проблемы.

   Создание агента обслуживания	→	Определение темы расследования	→	Действие создания уведомления	→	Определение темы оркестрации
   						↓
   Определение темы расширения	←	Действие создания обращения	←	Действие создания агента вызова	←	Создание потока оркестрации агента
   ↓
   Создание потока мультиканала	→	Поток подключения для расширения

   1. Включите Agentforce и создайте агента обслуживания в Agentforce Builder для обработки разговоров и запуска настраиваемых действий.
   2. Определите тему «Сервисное расследование» с описанием и инструкциями, чтобы агент, естественно, распознал сложную тему с несколькими одновременными проблемами.
      1. Создание настраиваемых действий агента.
         • Действие уведомления о статусе для признания проблемы и предоставления обновлений хода выполнения
   3. Определите тему оркестрации, которая может вызывать других агентов посредством действий.
      1. Создайте действие агента вызова, которое вызывает действие потока. Действие «Поток» содержит несколько действий агента и может инициировать каждого из агентов без заголовка: агента по выставлению счетов, агента по логистике и агента по инициализации.
      2. Создайте действие «Создать обращение», которое создает обращение, добавляет сведения и задает статус.
   4. Определите тему «Расширение» с описанием для расширения до сервисного представителя.
   5. Создайте и активируйте исходящий поток мультиканала.
      • Добавьте его во вкладку «Подключения» в агенте для расширения посредством сообщения о расширении.

Поток процесса оркестрации агентов

Конструктор кодов Anypoint теперь поддерживает брокеров-агентов. Брокер-агент - это интеллектуальный уровень маршрутизации и оркестрации, который соединяет агентов в доменах и задействует наиболее подходящих агентов и инструменты. Агент MuleSoft Dev создает код для настройки основы брокера.

В зависимости от возможностей агента, упомянутых в картах агента (серверы A2A), ранее зарегистрированных в реестре агентов, дальнейшие конфигурации выполняются автоматически в конструкторе кодов Anypoint. Наконец, мы можем развернуть брокера-агента в облаке.

Как только брокер-агент доступен для потребления, эти запросы перенаправляются соответствующим агентам. Брокер получает напоминание и использует LLM для разделения его на задачи и определения агента, которого нужно вызвать первым. В каждом повторяющемся цикле определяется успешность обработки исходного напоминания или необходимость работы с дополнительными агентами для выполнения задания.

Процесс выполнения агента

После настройки и развертывания агента во время выполнения выполняется следующая последовательность действий.

1. Запуск чата: Клиент открывает чат Agentforce (встроенная служба). Контекст сеанса и контакта загружается после входа клиента.
2. Приветствие и намерение: Агент приветствует клиента. Клиент с явным разочарованием уведомляет о завышенных тарифах, неправильной запчасти и отключенной услуге.
3. Поиск CRM: Агент запускает действие «Получить последний заказ» и запрашивает Salesforce (сводка заказа/заказы) для последней записи клиента. Агент потом подтверждает заказ в контексте и уведомляет клиента о проведении исследования. Далее выполняется поиск кода счета, номера отслеживания, связанного со счетом, и кода актива, связанного с услугой.
4. Активация организатора: Агент оркестранта получает код расширения и заказа, а потом создает обращение. Он передает контекстные данные трем агентам: агенту по выставлению счетов, агенту по логистике и агенту по инициализации.
5. Ответ агента по выставлению счета: Агент для выставления счета возвращает сведения о запчасти, стоимости единицы продукции и общей стоимости. Также отмечается несоответствие между деталью в заказе и деталью в счете. Агент по выставлению счета ищет цену за деталь в заказе и причины завышения стоимости.
6. Ответ агента логистики: Агент логистики возвращает сведения о отправленной детали и примечания к исключениям, созданные системой логистики, в которых говорится о неправильной детали, могли быть отправлены из-за проблем с присвоением тегов. Агент по логистике также проверяет исправление ошибки и доступность правильной запчасти в оригинальной и новой версиях.
7. Ответ инициирующего агента: Агент инициализации возвращается со сведениями об отключении обслуживания и проблемой о просроченных платежных сведениях. Он также предоставляет уведомления, отправленные, чтобы сообщить клиенту обновить сведения об оплате.
8. Синтез оркестратора: Агент оркестранта обобщает ответы всех этих агентов и составляет решение, рассматривая статьи Knowledge для каждого из выпусков. Сперва он ищет сведения не о той части и инициирует возврат. Во-вторых, он предлагает скидку на проблему на основе документов политики решения, а также рекомендует обновление до более новой версии, которую может купить клиент (но есть разница в цене). В-третьих, ему нужны новые сведения о платеже от клиента, поэтому он расширяется до сервисного репо для передачи решения.
9. Расширение: Агент оркестранта переходит к сервисному представителю, предоставляя весь необходимый контекст, примечания к расследованию и рекомендации по решению вместе с необходимыми утверждениями, и приводит сервисного представителя в вызов.
10. Человек в цикле: Сервисный представитель благодарит клиента за терпение, приносит извинения за неполадки и объясняет проблему. Затем сервисный представитель предлагает 10% скидку на запчасть в качестве компенсации, а также информирует клиента о новой обновленной запчасти и ее преимуществах. В заключение они объясняют отключение, получают новые сведения об оплате и обновляют систему.
11. Активное восстановление: Агент на основе искусственного интеллекта наблюдает за разговором и предпринимает активные действия по восстановлению обслуживания, заказу модернизированной детали и созданию нового счета со скидкой и скорректированной ценой.
12. Закрытие обращения: Наконец, компилируется сводка, обновляется обращение и закрывается обращение.

Чтобы агент был эффективным, он должен иметь возможность интеграции с широким набором корпоративных данных и инструментов. Это предоставляет важный контекст, необходимый агенту для выполнения настроенной цели. Инфраструктура Agentforce обеспечивает сложную архитектуру интеграции, которая интегрирует данные, как внутренние для Salesforce, так и внешние для Salesforce.

Данный раздел содержит схемы подключения агентов к данным ресурсам. Эти схемы основаны на двух основополагающих подходах к интеграции.

• Внутренняя интеграция (доступ к данным и доступ к инструментам): Для ресурсов в экосистеме Salesforce у агента есть два способа работы.
  • Доступ к данным: Базовая среда выполнения Agentforce глубоко интегрирована в Data 360, что позволяет ей прямо запрашивать внутренние службы данных. Он может нативно формулировать и выполнять запросы по Графикам данных для получения полного представления о клиенте, выполнять семантический поиск посредством RAG для понимания неструктурированных Knowledge и получать доступ к пакетной информации посредством Data 360 Query API. Этот прямой путь оптимизирован для скорости и гибкости поиска данных.
  • Доступ к инструменту: Если задача использует сложную бизнес-логику или многоэтапные процессы или требует строгого управления, ее возможности отображаются в действиях. Созданные с помощью Apex или Flow, эти действия предоставляют безопасный и многоразовый интерфейс для выполнения агентом не только чтения данных — они позволяют обновлять записи, запускать события платформы или выполнять любые установленные бизнес-процессы.
• Внешняя интеграция (MCP/A2A): Когда агенту нужна информация за пределами Salesforce (например, из внешнего приложения, микрослужбы или другого агента), он использует типовой протокол контекста (MCP). Этот открытый стандарт предоставляет общий язык для совместимости. Серверы MCP могут быть добавлены из AgentExchange или администратор может добавить в реестр агентов или выноску Apex на сервер MCP. Потом действие инициирует запрос к внешнему серверу MCP, структурированно соединяя внутренний и внешний миры. Таким же образом, если агенту нужно связаться с другим агентом, протокол Agent2Agent (A2A) облегчает это взаимодействие. Это позволяет создавать сложные системы с несколькими агентами, где специализированные агенты могут сотрудничать для решения сложных проблем, способствуя модульности и многоразовому использованию.

Следующие схемы систематизированы в соответствии с конкретными темами интеграции данных, нужными агентам. Мы покажем, как эти схемы применяются для решения различных проблем данных, от подключения к внешним приложениям посредством MCP до доступа к массовым данным в Data 360, транзакционным записям в реальном времени и неструктурированному содержимому посредством мощного сочетания прямого доступа и формальных действий в Data 360.

Проблема

Эффективность агента зависит от его способности управлять внешними инструментами. Однако, эти инструменты, от устаревших ПОР до современных приложений SaaS, не имеют общего языка. Каждый из них использует уникальный API, модель проверки подлинности и формат данных. Это вынуждает разработчиков переходить к ломкому и немасштабируемому циклу создания и обслуживания настраиваемых интеграций между точками для каждого нового инструмента, который должен использоваться агентом.

Контекст

Обратите внимание на агента, которому поручено решить поврежденное обращение отправки. Для достижения успеха он должен взаимодействовать с тремя различными внешними системами: он должен запросить API поставщика для проверки запаса на наличие замены, позвонить в службу логистического партнера для организации новой доставки и получить доступ к финансовой системе для обработки кредита. Без общего протокола агенту потребуются три отдельные индивидуальные интеграции, каждая из которых может стать причиной сбоя. MCP обеспечивает стандартизированный уровень связи для обеспечения безупречного и надежного взаимодействия.

Ниже указаны инструкции по интеграции внешних служб, открытых посредством MCP агенту.

Рецепт 1: Включение внешних инструментов посредством MCP

Проблема

Организации работают на основе сочетания устаревших ERP и современных SaaS, но их интеграция с агентом является сложной задачей, так как нет общего протокола — каждый инструмент использует собственные API, проверку подлинности и модель данных. В итоге разработчики создают и поддерживают настраиваемые коннекторы типа «точка-точка» для каждого инструмента, создавая хрупкие, немасштабируемые и дорогостоящие интеграции.

Схема

Агент вызывает внешний инструмент (открытый посредством MCP) посредством структурированного действия, позволяющего использовать специализированные инструменты за пределами Salesforce Platform.

Контекст

• Агент выступает в качестве прокси-сервера для набора инструментов, существующих за пределами Salesforce Platform.
• Эти внешние инструменты могут иметь разные API, механизмы проверки подлинности и форматы данных.
• Стандартизированный протокол связи обязателен для включения безупречного взаимодействия между агентом и этими внешними инструментами.
• Одной из ключевых проблем является возможность повторного использования, поскольку одни и те же внешние инструменты могут использоваться несколькими агентами в различных целях.

Взаимодействия

1. Триггер: Запрос пользователя или внутреннее событие в Agentforce требует использования внешнего инструмента.
2. Намерение действовать: Agentforce Agent определяет намерение и определяет, что внешний инструмент на основе MCP является обязательным.
3. Организатор (внутренний): Организатор Agentforce Agent выбирает соответствующий инструмент или действие MCP на основе настроенных инструкций и доступных инструментов.
4. Выполнение: Агент Agentforce отправляет запрос, соответствующий MCP, на внешний сервер MCP (например, посредством выноски Apex в конечную точку MuleSoft, которая потом перенаправляет на внешний сервер MCP).
5. Внешняя обработка: Внешний сервер MCP обрабатывает запрос, взаимодействует с основным внешним приложением и подготавливает ответ, соответствующий MCP.
6. Результат: Внешний сервер MCP возвращает ответ Agentforce Agent.
7. Последующая деятельность: Agentforce Agent обрабатывает ответ, обновляет внутреннее состояние и продолжает задачу или предоставляет отзыв пользователю.

Компромиссы

Логика принятия решений агентом так же эффективна, как и его основные данные. Чтобы агент действовал разумно, он должен иметь богатое понимание окружающего мира в реальном времени. Без определенной архитектуры принятия данных агент не может открывать или обрабатывать большие объемы информации в реальном времени, необходимые для его функционирования.

Интеграция транзакционных данных с агентами

Проблема

Агентам часто нужно выполнять операции чтения и записи с низкой задержкой для отдельных записей, находящихся в системах записей (например, обновление обращения или извлечение статуса заказа). Эти действия требуют целостности и надежности данных для обеспечения согласованности базовой модели данных. Основная архитектурная задача — обеспечить безопасную, масштабируемую схему для доступа к транзакционным данным без создания хрупких интеграций между точками.

Контекст

Для успешного подключения агента к данным записям требуется надежная архитектура, состоящая из нескольких базовых компонентов.

• Транзакционные системы: Ниже указаны авторитетные источники данных, например, системы записи, например, Salesforce, Workday или SAP, или службы, размещенные на таких платформах, как AWS.
• Слой интеграции: Мощный уровень интеграции, обычно обрабатываемый MuleSoft, имеет решающее значение для безопасного подключения к этим разрозненным системам, трансформации данных и предоставления к ним доступа платформе Agentforce.
• Серверы MCP: Чтобы обеспечить совместимость, агенты взаимодействуют с этими внешними системами посредством стандарта MCP. Уровень интеграции может подключаться к разным серверам MuleSoft, Heroku или сторонним MCP, размещающим внешние службы или агентов.
• Обмен агентами: Этот компонент действует как каталог или коммутатор, позволяя агенту Salesforce находить и безопасно подключаться к нужной внешней службе или агенту для выполнения своей задачи.

Рецепт 1: Прямые операции записи посредством MCP

Схема

Агент использует MCP для подключения к системе транзакционных данных и выполняет операции CRUD состояния над определенными идентифицированными записями с немедленными требованиями согласованности.

Контекст

• Совместно работающие агенты должны выполнять транзакцию данных системы записей в процессе работы.
• Система записи является внешней системой.
• Транзакции должны быть неэффективными.

Ключевые компоненты

• Agentforce Agent: С темами и инструкциями для выполнения обновления транзакций. Действия вызывают внешний сервер MCP или зарегистрированный Agentforce Exchange сервер MCP.
• Сервер MCP: Сервер MCP, предоставляющий доступ к данным и функциям транзакций (например, tool=billing.update_record с вводными данными)
• Внешняя система записи: Система, в которой происходит состояние изменения

Взаимодействия

1. Триггер: Происходит команда или событие, требующее транзакции в записи.
2. Намерение действовать: Agentforce Agent определяет намерение изменения состояния.
3. Организатор (внутренний): Организатор выбирает инструмент MCP.
4. Выполнить: Инструмент выполняется после прохождения проверки доступа на уровне политики, записи и поля.
5. Результат: Сервер MCP возвращает ответ
6. Последующая деятельность: Agentforce Agent обрабатывает ответ.

Компромиссы

Рецепт 2: Сложная оркестрация посредством Mulesoft API

Схема

Агент использует Mulesoft API для сложных многоэтапных межсистемных атомных транзакций. Это предоставляет единую управляемую конечную точку, обеспечивая надежную комплексную обработку и избегая проблем согласованности, надежности, задержки и данных, связанных с прямыми вызовами отдельных систем.

Контекст

• Диалоговым и автономным агентам часто нужно надежно выполнять несколько операций.
• В транзакции есть несколько транзакционных систем и операций.
• Бизнес-процессы требуют транзакций/откатов, повторных попыток и внедрения политик.
• Потребности в транзакциях в реальном времени, императивны, наблюдаемы и соответствуют требованиям.

Взаимодействия

1. Триггер: Происходит команда или событие, требующее выполнения сложной транзакции.
2. Намерение действовать: Agentforce Agent определяет намерение.
3. Организатор (внутренний): Организатор выбирает вызываемое действие для действия API или API.
4. Выполнение: API выполняется и ответ возвращается.
5. Последующая деятельность: Agentforce Agent обрабатывает ответ.

Компромиссы

Интеграция аналитических данных с агентами

Проблема

Организации инвестируют значительные средства в аналитическую инфраструктуру (хранилища данных и озера, аналитические системы в реальном времени и платформы бизнес-аналитики), однако агенты искусственного интеллекта по-прежнему отключены от этих систем. Это создает пробел в способности агента получить обогащенный контекст (например, клиент трижды возвращал запчасти за последний квартал), чтобы помочь принять лучшие решения (в данном случае, расширение).

Контекст

Операционная интеллектуальность агента определяется его способностью синтезировать информацию из принципиально разных форматов данных и источников. Таким образом, данная архитектурная схема предназначена не для одного случая использования, а в качестве базовой инфраструктуры приема данных. Эффективный агент должен быть подготовлен к обработке структурированных источников для выполнения логического анализа на основе данных; агенту нужен доступ к массовым структурированным лентам. Это включает интеграцию с корпоративными озерами данных (посредством интеграции нулевой копии с Data 360), обработку потоков данных, трансформированных промежуточным программным обеспечением, или прием пакетных файлов, например, CSV-файлов.

Рецепт 1: Озера данных интегрированы посредством нулевой копии данных 360

Проблема

Организации сталкиваются с высокими затратами при использовании традиционных конвейеров данных для копирования, управления и трансформации аналитических данных, хранящихся в озерах данных (например, Snowflake). Исторически аналитика была в основном автономной, что приводило к упущенным возможностям для своевременных действий.

Схема

Агент запрашивает данные нулевой копии (и вычисленные важные данные), доступные в Data 360, а не запрашивает внешние хранилища данных на наличие критических важных данных. Это помогает агентам прикреплять транзакционные и аналитические данные для лучшего принятия решений.

Контекст

• Организация хранит клиентские и операционные данные в хранилищах данных и озерах.
• Вашим агентам нужен доступ к агрегированным показателям, архивным трендам и аналитическим важным данным.
• Контекст агента требует транзакционных и аналитических данных (учитывайте потребность исследовательского агента в архивных трендовых данных).

Взаимодействия

1. Триггер: Агент получает запрос относительно важных данных, требующих доступа к аналитическим данным или вычисленным важным данным.
2. Выполнение: Агент выполняет действие, которое вызывает вычисленные важные данные Data 360 посредством Query API, и вычисленные важные данные возвращаются.
3. Последующая деятельность: Agentforce Agent обрабатывает ответ.

Компромиссы

Рецепт 2: Запуск действий из потоков данных

Проблема

Организации постоянно генерируют ценные сведения из бизнес-действий, например, посещения веб-сайтов, вызовы, встречи, чаты и данные датчиков. Однако, когда эти взаимодействия становятся доступными или извлекаются из хранилищ данных, критические важные данные теряются и возможность своевременного вмешательства упускается. Таким образом, организации упускают большинство действенных интеллектуальных данных, необходимых в режиме реального времени, которые часто скрыты в этих эфемерных потоках. Это приводит к пробелам, упущенным возможностям обучения и решениям, принятым без полного контекста.

Схема

Агент получает важные данные в реальном времени или близком к реальному времени из потоковых важных данных или важных данных в реальном времени в Data 360 посредством действия над данными, или агент открывает потоковые важные данные в реальном времени посредством запроса сервера MCP, который взаимодействует с механизмом обработки в реальном времени, например, Apache Flink.

Контекст

• Потоковые системы, например, события платформы, Public/Sub API и RTEM, создают огромные объемы данных потока.
• Системы обработки потоков, например Data 360 и Apache Flink, обрабатывают эти отдельные события по мере их поступления.
• Agentforce нужно запросить потоковые системы (например, последний 30-секундный транскрипт для оперативной встречи с дополнительным контекстом) или получить триггер от действия над данными (например, обнаружение мошенничества).
• Нужны действия с низкой задержкой почти в реальном времени.

Взаимодействия

1. Излучение потока: Исходная система излучает непрерывный поток данных.
2. Обработка потока: Механизмы обработки потоков, например Data 360 или Apache Flink, обрабатывают информацию.
3. Трансформация: Важные данные агрегируются, трансформируются и синтезируются в агентские данные в промежуточном программном обеспечении (для сложной трансформации) или в Data 360.
4. Событие важных данных потока: Действие над данными Data 360 запускается для синтезированных данных (например, транскрипт 30-секундного аудиопотока).
5. Обогащение: Агент добавляет контекст и обнаруживает намерение.
6. Выполнить: Агент выполняет действие.
7. Последующая деятельность: Агент ожидает следующих потоковых важных данных.

Компромиссы

Интеграция семантических данных с агентами

Организации имеют бизнес-артефакты — каталоги, руководства, политики, графики Knowledge, карты взаимосвязей — в разных форматах и формах. Чтобы выйти за рамки простого выполнения задач и заняться сложными рассуждениями, агенты должны уметь постигать эти данные там, где хранится большая часть human Knowledge.

Рецепт 1: RAG: Разблокировка возможностей неструктурированных данных для агентов

Проблема

Организации часто владеют недоступной для поиска информацией, которая мешает агентам получить к ней надежный доступ. Этот недостаток часто приводит к неполным ответам агентов, не имеющих необходимой контекстуальной глубины и поддающихся проверке ссылок для установления Trust. Следовательно, существует очевидная необходимость в стандартизированном методе, позволяющем агентам последовательно извлекать семантически актуальное и точное содержимое.

Схема

Эта схема предоставляет архитектуру, позволяющую агентам принимать и интерпретировать разнообразную неструктурированную информацию, от внутренних документов до общедоступного веб-содержимого. Предоставление агенту доступа к этим данным является ключом к раскрытию расширенных возможностей, например, анализа настроения рынка, резюмирования документов и исследования конкурентов.

Контекст

• Knowledge находится в файлах разных форматов и форм.
• Избыточное содержимое распространено в этих документах.
• Агенту нужна точная информация, которую можно привести.
• Knowledge меняется часто, поэтому файлы нужно обновлять и повторно индексировать.

Взаимодействия

Содержимое не может быть принято или использовано агентом без изменений. Прежде чем извлечь и использовать содержимое агентам, его необходимо разбить на фрагменты, встроить, сохранить в векторной базе данных и индексировать.

Принимать и готовить

1. Источники ползания и приема: Источники можно определить двумя способами: вручную, например, загрузка PDF-файла, или по их расположению, например, AWS S3.
2. Разделение на фрагменты: Принятое содержимое разделено на меньшие управляемые фрагменты, чтобы облегчить эффективную обработку и извлечение. Это критически важный шаг для КГП, поскольку он обеспечивает извлечение только наиболее актуальной информации, а не целых документов.
3. Внедрение: Каждый фрагмент потом преобразуется в числовое представление под названием вложение посредством модели специализированного языка. Эти вложения собирают смысловое значение текста, позволяя искать на основе сходства.
4. Векторное хранилище: Встраивания хранятся в векторном магазине Data 360, специализированной базе данных, оптимизированной для высокопроизводительного поиска сходства. Это позволяет агенту быстро находить связанное содержимое.
5. Индексация: Содержимое и его вложения индексируются в векторном хранилище, что облегчает их поиск.

Функции ретривера данных 360

• Извлечение содержимого: Эта функция принимает запрос в качестве ввода и выполняет семантический поиск по векторному магазину Data 360 для поиска наиболее актуальных фрагментов содержимого.
• Содержимое фильтра: Данная функция позволяет фильтровать извлеченное содержимое на основе метаданных (например, тип документа, автор или дата) для дальнейшей настройки результатов.
• Содержимое рейтинга: Эта функция ранжирует фрагменты извлеченного содержимого на основе их рейтинга сходства (векторный поиск), рейтинга ключевых слов или сочетания двух параметров (гибридный поиск).

Извлечение и создание

• Запрос: Когда агенту нужна информация, он формулирует запрос, который также встроен в вектор.
• Семантический поиск: Агент выполняет семантический поиск по векторному магазину Data 360, сравнивая встраивание запроса с встраиваниями сохраненных фрагментов содержимого. Таким образом извлекаются наиболее семантически значимые фрагменты на основе векторного рейтинга или гибридной оценки (вектор и ключевое слово объединены).
• Генерация с извлечением (RAG): Извлеченные фрагменты содержимого потом предоставляются в качестве контекста Agentforce Agents вместе с исходным запросом. LLM использует этот контекст для создания точного, точного и цитируемого ответа.
• Ответ и ссылка: Агент представляет созданный ответ, часто со ссылками на исходные документы или веб-ссылки, чтобы создать Trust и разрешить проверку.

Компромиссы

Рецепт 2: Графики данных: Готовые структурированные графические данные для агентов

Проблема

Организации часто владеют изолированными данными взаимосвязей, что препятствует их извлечению агентом. Эта проблема часто приводит к тому, что агенты предоставляют неполные ответы, которые не содержат достаточно контекстуальных сведений для создания Trust о том, как подключены разные объекты, или приводит к задержкам, когда агенты должны извлекать информацию из нескольких баз данных.

Схема

Эта схема предоставляет архитектуру, позволяющую агентам принимать и интерпретировать самые разные структурированные и полуструктурированные сведения о взаимосвязях, от внутренних данных CRM до графиков внешних Knowledge. Предоставление агенту доступа к этим данным - ключ к разблокировке расширенных возможностей, например, представлений Customer 360, сложного анализа зависимости и создания динамического контекста.

Контекст

1. Данные взаимосвязи разбросаны по разным системам и форматам.
2. Агенты должны понимать связи между объектами (например, клиент, его обращения, заказы и связанные продукты).
3. Графики Knowledge и связанные модели данных необходимы для понимания сложных взаимосвязей.
4. Агенту нужны точные сведения о взаимосвязях объектов, которые можно привести.

Взаимодействия

Связанные данные должны быть гармонизированы и представлены в структуре графика, прежде чем они будут эффективно запрошены и использованы агентами.

Принимать и готовить

1. Источники приема Crawland: Источники данных (например, системы CRM, ERP, внешние API и CSV) определяются и принимаются в Data 360.
2. Гармонизация данных: Исходные данные соотносятся с объектами модели данных (DMO) в Data 360, стандартизируя их структуру и создавая объединенное представление.
3. Разрешение при опознавании: Повторяющиеся профили клиентов консолидируются, а связанные записи связываются для создания единого точного представления каждого клиента.
4. Создание графика данных: DMO подключены к графику данных, представляющему взаимосвязи между разными объектами (например, DMO клиента подключен к DMO обращения, который подключен к DMO продукта). Этот график позволяет эффективно просматривать взаимосвязи.
5. Вычисленные важные данные: Агрегированные показатели и производные атрибуты (например, общий журнал покупок клиента) вычисляются и добавляются к графику данных для улучшения контекста.

Извлечение и создание

1. Запрос: Когда агенту нужна информация, касающаяся взаимосвязей между объектами, он формулирует запрос относительно графика данных (например, «Какие все открытые обращения для этого клиента и какие продукты с ним связаны?»).
2. Просмотр графика и API запроса: Агент использует API запроса Data 360 для обработки графика данных и извлечения связанных записей, вычисленных важных данных и соответствующих атрибутов на основе запроса.
3. Создание контекста: Извлеченные данные, учитывающие взаимосвязь, потом предоставляются в качестве контекста агентам Agentforce вместе с исходным запросом. LLM использует этот расширенный контекст для создания точного, точного и цитируемого ответа, отображающего взаимосвязанность данных.
4. Ответ и ссылка: Агент представляет созданный ответ, часто со ссылками на конкретные записи или взаимосвязи в графике данных, которые послужили основой для ответа, чтобы создать Trust и разрешить проверку.

Компромиссы

Предприятие стоит на рубеже новой эры автоматизации и интеллекта во главе с агентами искусственного интеллекта. От обработки простых запросов клиентов до автономного выполнения сложных бизнес-стратегий агенты обещают пересмотреть производительность и занятость клиентов. Платформа Salesforce Agentforce предлагает важнейшую, надежную основу для этой трансформации. Имея надежный набор декларативных и прокодированных инструментов, унифицированную платформу данных и приверженность открытым стандартам посредством A2A и MCP, Agentforce предоставляет комплексную и надежную основу для создания каждого типа агентов. Эта архитектура позволяет организациям развертывать интеллектуальных, нацеленных на достижение целей агентов, которые действуют как подключенные партнеры, а не изолированно, чтобы стимулировать измеримый бизнес-успех.

Salesforce предоставляет мощный интегрированный набор инструментов, объединенных платформой Agentforce, которые служат основой для создания сложных агентов. Инструкции и примеры в этом документе предполагают знакомство с возможностями платформы Agentforce и способами взаимодействия агентов. Этот раздел предлагает обновление ключевых компонентов, которые нужно понять, чтобы максимально использовать рецепты и схемы в этом документе.

В данном разделе описаны базовые возможности платформы, необходимые архитекторам и разработчикам, создающим агентов на Agentforce.

• Поток Salesforce: Основной инструмент для определения логики агента. Его декларативный визуальный интерфейс идеально подходит для оркестрации шагов, которые будет выполнять агент.
• Apex: Предоставляет возможность сложной настраиваемой логики, управления штатами для автономных агентов и сложных интеграций
• События платформы: Нервная система для активных и совместных агентов, служащая транспортным слоем для протокола А2А.
• Data 360: Объединенная долгосрочная память агента. Он обеспечивает контекст, необходимый для интеллектуальных действий, и является основой для создания дополненного извлечения (RAG).
• MuleSoft: мост агента во внешний мир, включающий интеграцию системы и межплатформенную связь агента посредством MCP.
• Slack: Основная поверхность взаимодействия человека и агента, включительно с постановкой задач, уведомлениями и утверждениями
• Agentforce Chat Client: Настраиваемый, встраиваемый интерфейс для агентов разговоров, ориентированных на клиента

Чтобы агенты были действительно эффективными, они не могут существовать в элеваторе. Agentforce использует две базовые схемы совместимости:

• Связь Agent2Agent (A2A): Этот протокол управляет взаимодействием агентов в экосистеме Salesforce друг с другом. Платформа Agentforce выступает в качестве клиента A2A и сервера, создавая и прослушивая запросы, соответственно, что крайне важно для совместных групповых обработок агентов. Агенты могут быть настроены с связанными агентами для обнаружения и вызова других агентов с определенными навыками, создавая динамичную и расширяемую систему. События платформы служат долговечным асинхронным механизмом транспортировки для этих сообщений A2A.

• Модельный контекстный протокол (MCP): Этот стандарт предотвращает блокировку агентов на одной платформе. MCP определяет общий формат сообщения, позволяющий агентам, созданным на основе разных инфраструктур, общаться. В этой модели Agentforce действует как MCP-клиент. Например, агент Salesforce может запросить внешнего агента, специализирующегося на сложных расчетах логистики, отправив ему запрос, соответствующий MCP. MuleSoft служит шлюзом, трансформируя внутренний запрос A2A во внешний вызов API в формате MCP, обеспечивая безупречную совместимость на предприятии.