Avgöra agentisk och traditionell arbetsflödesautomatisering

Med Agentforce kan företag nu låsa upp nya paradigmer för automatiserat arbete som inte är enkla att reducera till regler. Dessa nya kapaciteter inkluderar att lösa kunders syfte från ostrukturerade konversationer, koordinera processer med flera parter mellan system och svara på verksamhetsförhållanden i realtid. Agentiska arbetsflöden använder automatisering utformad för att resonera mot resultat istället för att utföra fördefinierade steg. För att möta denna efterfrågan krävs en plattform som fungerar över hela spektrumet av automatiseringskomplexitet och ett ramverk som visar var varje kapacitet passar.

Agentforce kombinerar Einstein Trust Layer, Resonemangsmotor, Agentskript, Flöde, Apex och Data 360 i en enda, enhetlig plattform. Denna kombination hanterar allt från enkel automatisering av postutlösare till komplex orkestrering av flera agenter över röst, vision, dokument och realtidstelemetri. MuleSoft utökar denna plattform med den MuleSoft-struktur, styrning och korssystemorkestrering som behövs för att ansluta agentflöden över ett företag. Agentforce Operations (tidigare Agentforce Supply Chain) tillämpar dessa kapaciteter på de specifika kraven i verksamhets- och tillverkningsprocesser.

Denna guide introducerar ramverket Orkestreringsdensitet och riktlinjer för att fatta välgrundade beslut i detta produktlandskap. Ramverket ger arkitekter en upprepningsbar metod för att välja rätt verktyg och mönster med hjälp av densitetsnivåer för intelligenta användningsfall för automatisering på Salesforce Platform.

Agentforce representerar ett grundläggande skifte i hur arbete utförs på Salesforce Platform, från regelbaserad automatisering till resonemangsbaserade arbetsflöden. För att frigöra dess potential måste arkitekter fatta välgrundade beslut om var agenter passar, hur de är sammansatta och vad de orkestrerar. Följande principer ger en upprepningsbar riktlinje för agentbeslut.

• Använd rätt verktyg för rätt uppgift. Använd orkestreringsdensitet baserat på utförandeväg, modalitetsmix och målkomplexitet för att avgöra vilken lösning som passar bäst.

  • Använd traditionell automatisering med flöden och Apex för regelbaserat deterministiskt arbete, där resultatet kan vara helt begränsat och definieras av en uppsättning regler. Traditionell automatisering resulterar i en statisk utförandeväg, vilket garanterar förutsägbara och repeterbara resultat och är avgörande för granskningsbarheten. Välj traditionell automatisering för uppgifter som kräver strikt efterlevnad och juridisk efterlevnad.

  • Använd Agentforce Grid för massanvändning med låg till medelhög orkestreringskomplexitet. Detta mönster använder ett enda varvs genererande resonemang för att klassificera, betygsätta eller sammanfatta data över en stor volym CRM-poster, vilket säkerställer utförande med hög genomströmning och omedelbar granskning.

  • Använd Agentforce med Agentskript för uppgifter som har öppna mål där det önskade resultatet är känt, men den exakta körvägen inte kan specificeras vid designtillfället. Tillämpa detta mönster på krav som kräver resonemang via guidad determinism för att säkerställa förutsägbara och spårbara resultat.

  • Använd Agentforce Operations för att effektivisera och automatisera samverkande verksamhetsprocesser med AI-aktiverad hantering för arbetsflöden i leveranskedjan.

• Undvik att tillämpa agentiska arbetsflöden för användningsfall med låg orkestreringsdensitet. Utvärdera kompromisser mellan traditionell och agentautomatisering för funktionella och icke-funktionella krav. Traditionell automatisering kan erbjuda den skala, pålitlighet och prestanda som krävs för ditt användningsfall.

• Använd en Agentautomatiseringshybridmetod som kombinerar Agentforce och traditionell automatisering med flöden och Apex, när denna synergi ger större värde än att använda antingen agentbaserad eller traditionell automatisering separat.

Salesforce sObject är traditionellt den primära ingången för postautomatisering. Systemet kör logik baserad på regler och startar direkt efter en händelse i Data Manipulation Language (DML), som infoga, uppdatera eller ta bort. För att välja mellan verktyg för effektiv postutlöst automatisering introducerade vi Automatiseringsdensitet som ett sätt att mäta systemets komplexitet, med hänsyn till automatiseringskvantitet, postvolym och beroendespridning. Traditionell automatisering begränsas av det omfattande förarbete som krävs för att föra in data i en strukturerad, schemabaserad och regelbaserad konstruktion.

Agentautomatisering uppgraderar traditionell automatisering med användarsyfte eller ostrukturerade data som indata där resonemang kan tillämpas för att nå ett önskat resultat. Arkitekter måste bestämma när de ska använda probabilistiska resonemang för multimodala ostrukturerade data och när de ska tillämpa guidade, deterministiska arbetsflöden för att minska risken för oförutsägbara resultat.

När kravet flyttas från att utföra regelbaserade steg till att resonera mot resultat behöver arkitekter ett standardiserat ramverk för att utvärdera resonemangsdjupet och målkomplexiteten hos den föreslagna lösningen.

Orkestreringsdensitet är måttet på komplexitet inom ett agentiskt arbetsflöde. Tre faktorer avgör orkestreringsdensitet: utförandeväg, målkomplexitet och modalitetsmix. Automatiseringsdensitet mäter den fysiska komplexiteten i systemets regler och volym, men orkestreringsdensitet mäter den resonerande komplexiteten i agentens väg mot ett mål. Använd den sammansatta orkestreringsdensiteten för att utvärdera dina designkrav och mappa till den arkitektoniska standarden.

• Utförandeväg: Den grad i vilken arbetsflödet kan vara fullständigt begränsat och specificerat vid designtillfället. Ett fullständigt specificerat arbetsflöde innebär att arbetsflödet definierar varje gren och resultat som resulterar i en förbestämd utförandeväg. Ett icke-specificerbart arbetsflöde har en väg som kan dyka upp under körning genom att resonera mot sammanhangsdata och instruktioner.
• Målkomplexitet: Antalet unika resultat, beslutspunkter och vägvarianter som arbetsflödet måste lösa vid runtime. Ett arbetsflöde med låg komplexitet hanterar en enskild uppgift med ett förbestämt resultat, medan ett mål med hög komplexitet sträcker sig över flera faser med konkurrerande eller motstridiga mål med kundcase som inte kan förutses vid designtillfället.
• Modalitetsmix: Intervallet av indatatyper som ett arbetsflöde måste bearbeta och de utdataformulär det måste skapa. En blandning med låg modalitet läser standard CRM-fält och producerar postuppdateringar. En medelstor modalitet konsumerar en blandning av strukturerade CRM-fält och statiska, ostrukturerade data, som e-postmeddelanden eller kundcaseavskrifter, för att skapa postuppdateringar. En blandning med hög modalitet konsumerar dynamiska realtidsströmmar, som liveljud eller telemetri, och producerar multimodala utdata över flera externa system.

Att avgöra lämplig orkestreringsdensitetsnivå kräver sekventiell utvärdering av utförandevägen, målkomplexitet och modalitetsmix. Inspektera utförandevägen först. Om en väg är fullständigt specifikationsbar, börja med traditionell automatisering. Att använda en Agentlösning för att orkestrera och köra en deterministisk väg utan några krav på resonemang är ett antimönster. Det leder till agentspridning (överdriven, ohanterad AI-agentspridning) och agentspill (låg kvalitet, onödig AI-genererad utdata), vilket resulterar i dåliga värdereturer.

För delvisa eller icke-specificerbara vägar, fortsätt utvärdera målkomplexitet. Om målets komplexitet är väldefinierad men vissa noder längs vägen behöver probabilistiska utvärderingar, överväg att anropa agenter från flöde eller Apex för att uppfylla det specifika lokaliserade behovet. Om stegen i utförandevägen istället behöver ett eller flera AI-drivna krav för en stor uppsättning poster, överväg Agentforce Grid. Rutnät har stöd för arkbaserade arbetsflöden i flera steg genom flera AI- eller agentkolumner. Den är bäst lämpad för massutförande, radorienterat utförande. Detta tillvägagångssätt säkerställer att arbetsflödet förblir mycket effektivt och granskningsbart och åberopar endast probabilistiska resonemang där vägen inte kan fördefinieras.

Eftersom målens komplexitet ökar med konkurrerande dimensioner (till exempel att avgöra en utbetalning av försäkringsanspråk tillsammans med upptäckt av bedrägeri, efterlevnad av policyer och kundnöjdhet) och icke-specificerbara utförandevägar, överväg Agentforce med Agentskript för guidad determinism i din automatisering. För användning över flera företag som involverar Salesforce och tredjepartssystem, använd MuleSoft Fabric och Agent Broker.

Slutligen, utvärdera modalitetsmixen för att identifiera de tekniska kapaciteter som behövs, till exempel multimodal anslutning eller specialiserad integrering. Modalitetsmix fungerar som en kapacitetsväljare, inte en densitetskalkylator. Det hjälper till att avgöra vilken infrastruktur som behövs för att hantera lösningens indata- och utdataform, utan att ändra dess grundläggande orkestreringslogik.

Använd denna matris för att avgöra den arkitektoniska standarden för din agentautomatisering. Balansera traditionell och agentautomatisering genom att välja det tillvägagångssätt som löser ditt automatiseringsproblem.

• Traditionell automatisering (låg orkestreringsdensitet): Använd traditionell automatisering när processen utlöses av en poständring, data är strukturerade, logiken är regelbaserad och förbestämd och resultatet måste vara förutsägbart (till exempel standardprisberäkningar eller skapande av automatiska uppgifter).
• Agentforce Grid (låg till medelhög orkestreringsdensitet): Använd Agentforce Grid när AI-uppgifter i bunt i befintliga poster måste bearbetas (till exempel sammanfatta de senaste 50 kundcase för varje konto i denna lista, beräkna sentimentbetyget och behålla betyget i kundcasefältet).
• Hybridorkestrering (utökad automatisering med hög order): Använd hybridorkestrering när du automatiserar en komplex end-to-end-verksamhetsprocess (till exempel anspråkshantering eller introduktion) som kräver planeringskapaciteten hos AI men transaktionsintegriteten hos Flow och Apex.
• Agentforce Agentskript (komplexitet med högt syfte): Använd Agentskript när ingången är ostrukturerad (till exempel chatt, e-post och röst) och lösningen kräver en konversation eller möjligheten att hantera tvetydiga användarförfrågningar.

Denna tabell ger allmänna rekommendationer för bästa passform för olika användningsfall.

Latens

Synkrona postutlösta flöden körs inom plattformstransaktionen och slutförs på millisekunder. Agentforces slutledningstid beror på Atlas Resonemangsmotor och skalor med resonemangsdjup och modalitetskomplexitet. Agentforce är olämpligt för synkron postbearbetning med hög volym där latens är en primär begränsning.

Kostnad

Resonemangskostnaden för ett agentiskt arbetsflöde måste motiveras mot affärsvärdet för resultatet. För uppgifter med hög volym och låg orkestreringsdensitet där det finns en deterministisk väg kan traditionell automatisering eller Agentforce Grid vara mer ekonomiskt än ett agentiskt arbetsflöde från början till slut. Se till att designen uppfyller rätt mönster för återförsök med uttryckliga maxgränser och brytare för återförsök. Detta skyddsräcke begränsar den ökade risken för kostnadsöverskridande som är associerad med massbearbetning.

Governorgränser

Utvärdera agentiska arbetsflöden med hög volym mot dagliga plattformsgränser för asynkron körning. Agentforce Grid-satsoperationer följer standardgränser för plattformstransaktioner. För automatisering som involverar Salesforce-objekt, tänk på det totala dagliga antalet DML-operationer, eftersom Salesforce tillämpar både hantering av delade resurser i en miljö med flera klienter och styrande gränser för att förhindra att automatiseringar som kör igång monopoliserar delade resurser.

Granskning och efterlevnad

Traditionell automatisering producerar fullständigt granskningsbara körspår genom Flow Trigger Explorer och Apex loggar. Agentforces end-to-end-mönster eller hybridmönster skapar resonemangsloggar som ger transparens i agenters beslutsfattande, men de kräver expertis för att tolkas. Guidad determinism via Agentskript är det rekommenderade mönstret för reglerade branscher där fullständig granskning av utförandet är ett efterlevnadskrav.

Omflyttning

Agentflöden med hög densitet bör innehålla uttryckliga mänskliga godkännanden eller omflyttningsgrindar för åtgärder med oåterkalleliga konsekvenser, till exempel ekonomiska transaktioner, lagstadgade inlämningar eller leverantörsåtaganden. Agent Scripts villkorliga kontroller tillhandahåller mekanismen för att tillämpa dessa grindar deterministiskt inom ett annars agentiskt arbetsflöde.

Prioritera enkelhet i din orkestreringsdesign. Börja på den minimala orkestreringsnivå som kan uppnå målet, validera det under verklig belastning och upprepa. Varje ytterligare agent, överlämning eller beroende i din kedja introducerar en ny yta som kan skapa inkonsekvent beteende.

I din specificerbara utförandesökväg, vid noder där resonemang krävs, börja bädda in en agent. Följ de rekommenderade metoderna för att bygga Agenter i Agentforce. Undvik att packa många underagenter (tidigare "ämnen") och aldrig uppblåsbara instruktioner. Agenter som distribueras i användningsfall för automatisering har råd att vara slimmade, eftersom de inte är det enda gränssnittet. Välj rätt primitiv för kedja. Ett orkestreringsmönster (delegering) har hårdare kontroll över utförandesekvensen och kan delegera underuppgifter till specialister. Undvik koreograferade (handoff) mönster. Om du måste implementera en överlämningsdesign, ge den mottagande agenten målet, sammanhanget och läget så att den kan optimera globalt istället för lokala mål.

Undvik spridning av åtgärder eller verktyg. Åtgärder är där agenter resonerar och deras design avgör om de producerar pålitliga resultat eller misslyckanden. Varje åtgärd måste returnera ett strukturerat, observerbart svar som AI-agenten kan använda för att planera nästa vändning i konversationen.

Att ha mer än en åtgärd (och olika utdatakonstruktioner) för att utföra samma uppgift försämrar agentens förmåga att resonera eller välja rätt verktyg för jobbet. Det kan göra att agenten missar nyanser. Överlappande åtgärdsdefinitioner riskerar fel klassificering. Se till att ditt åtgärdsbibliotek är granskat, versionerat och följer omfattningen Underagent (tidigare Ämne).

Definiera observerbara mål. Definiera målet som ett observerbart resultat, inte bara en procedur. Ett vagt mål inbjuder agentdrift. Utöka med en specificerad utförandesökväg. Använd Agentgraf med hybridresonemang för att modellera målet som en grafnod med explicit status. Runtime följer agentens aktuella position i arbetsflödet och återställer den efter tangentiella inmatningar; den förlorar inte målet när den får ytterligare information i sammanhangsfönstret.

Testa och utvärdera. Implementera ett robust test- och utvärderingsramverk för att validera resonemanget hos probabilistiska noder och utdata från agentautomatiseringar. Verifiera utförandevägar mot en förväntad resultatväg för att säkerställa att modellen når rätt resultat. Förhindra tysta fel där en agent felaktigt rapporterar framgång, eller går in i en oändlig eller ej återställningsbar loop genom att bekräfta resultaten vid utförandesteg. Använd sessionsspårning för att inspektera interaktioner steg för steg, utförande av resonerande motorer, åtgärder, indata/utdata för uppmaningar och gateway, felmeddelanden och slutgiltiga svar.

Om författaren

Arvind Palaniswamy är arkitekt inom programvaruteknik på kontoret för chefsarkitekten Well-Architected Team. Han gillar att rama in komplexa system i deras enklaste former med hjälp av första principer. Han förstår teknik, drift och verksamhet genom årtionden av erfarenhet och MS / MBA (Kellogg) utbildning.