Paradigmet för programvara flyttas från direkt manipulation till målorienterad delegering. I framkant av denna transformation finns AI-agenter – autonoma, intelligenta enheter som kan förstå, resonera och agera åt användare. Detta whitepaper ger en teknisk utforskning av de primära typerna av AI-agenter: Konversation, Proaktiv, Ambient, Autonom och Samarbetsinriktad. Den definierar varje typ, presenterar specifika kundrelationshanteringsfall (CRM) och ger en arkitektritning för att bygga dessa agenter på Salesforce Agentforce Platform, komplett med tekniska exempel som använder interoperabilitet för flöden, Apex, Data 360, Agent2Agent (A2A) och Model Context Protocol (MCP).

En AI-agent är ett system som uppfattar sin omgivning och vidtar åtgärder för att uppnå specifika mål. Även om konceptet inte är nytt har tillkomsten av kraftfulla Large Language Models (LLMs) överladdat deras kapacitet. Vi kan kategorisera agenter baserat på deras primära driftsätt och interaktion.

Definition: Konversationsagenter är den mest bekanta typen av agenter. De fungerar på ett reaktivt sätt, begäran-svar, främst genom gränssnitt på naturligt språk (text eller röst). Deras huvudfunktion är att förstå användarens syfte och ge ett relevant svar, oavsett om det är att svara på en fråga, hämta information eller utföra ett enkelt kommando.

Betydelse: Konversationsagenter är digitala ytterdörrar till en organisation. De är bra på att hantera väldefinierade, repetitiva uppgifter och därmed frigöra personalresurser. Deras effektivitet mäts i deras förmåga att lösa användares syfte snabbt och korrekt, och att vidta åtgärder åt användare.

Definition: Till skillnad från konversationsagenter som väntar på en uppmaning agerar proaktiva agenter som vaksamma observatörer. De utlöses av specifika händelser, dataändringar eller fördefinierade villkor inom ett system. När de utlöses utför de en uppgift eller inleder ett arbetsflöde utan att kräva direkt användarinteraktion.

Betydelse: Proaktiva agenter transformerar ett system från ett passivt datalager till en aktiv deltagare i verksamhetsprocesser. De identifierar säljprojekt och risker när de dyker upp, vilket låter verksamheter agera på viktiga signaler i realtid.

Definition: Omgivande agenter är en specifik typ av proaktiva agenter som arbetar kontinuerligt i bakgrunden av en användares arbetsflöde utan att kräva uttryckliga kommandon. Användare drar ofta nytta av sina åtgärder utan att vara medvetet medvetna om sin verksamhet, eftersom de är utformade för att öka den mänskliga kapaciteten samtidigt som de har en låg profil.

Betydelse: Målet för en omgivande agent är att minska den kognitiva belastningen på användare genom att automatisera det vardagliga "arbete om arbete". De gör processer mer effektiva genom att sömlöst integreras i de verktyg medarbetare använder varje dag, och samlar in och strukturerar information automatiskt.

Definition: Autonoma agenter innebär ett betydande steg i komplexitet. De ges ett övergripande mål och kan självständigt planera och utföra en sekvens av steg för att uppnå detta mål. De kan resonera, fatta beslut och till och med lära sig från sina åtgärder för att förbättra prestanda över tid.

Betydelse: Detta är det närmaste vi kommer en sann digital medarbetare. Autonoma agenter kan delegeras ett komplext mål i flera steg, som "Skapa 50 nya kvalificerade leads i tillverkningssektorn detta kvartal", och få förtroende att formulera och utföra en plan för att uppnå det.

Definition: Samarbetsagenter, ofta kallade "agentsvämmar", är en samling specialiserade agenter som arbetar tillsammans för att lösa ett problem som är för komplext för någon enskild agent att hantera. En "orkestratör"- eller "huvudagent" delar ofta upp en stor uppgift, delegerar underuppgifter till lämpliga specialiserade agenter och syntetiserar sedan deras utdata. Ett robust Agent2Agent-kommunikationsprotokoll (A2A) uppnår detta.

Betydelse: Detta tillvägagångssätt återspeglar ett mänskligt team. Genom att bryta ner ett komplext problem kan varje specialiserad agent använda sina unika kompetenser: en specialiserad på dataanalys, en annan på kundkommunikation och en tredje på systemintegrering, vilket leder till en mer robust och omfattande lösning.

Efter att ha utforskat taxonomin hos AI-agenter kvarstår en avgörande fråga: hur kombinerar vi dessa element för att lösa verkliga verksamhetsproblem effektivt och tillförlitligt? Detta kapitel besvarar denna fråga genom att tillhandahålla en databas med vanliga agentdesignmönster. Varje mönster är en beprövad lösning på en återkommande utmaning och erbjuder en plan för allt från enkla agenter med ett enda syfte till komplexa agentsvämningar som samarbetar.

Konversationsagenter är ofta ytterdörren till en organisations AI-kapacitet. De definieras av sin förmåga att engagera sig i en dialog med flera vändningar och fungerar som det primära gränssnittet genom vilket användare utför uppgifter och hämtar information med naturligt språk. Detta avsnitt presenterar två grundläggande recept för att bygga konversationsagenter, var och en skräddarsydd för en specifik kanal: en för snabba, interaktiva utbyten av meddelandeklienter och en annan för den strukturerade, asynkrona karaktären hos e-post.

En konversationsagents intelligens hämtas från dess förmåga att komma åt och resonera kring rätt data vid rätt tidpunkt. Detta mönster bygger på en sofistikerad datagrund som ansluter till kundposter, Knowledge artiklar och verksamhetsanalyser. De fullständiga, återanvändbara recepten för dessa integreringar finns i kapitel 4: Integreringsmönster.

Problem

Kunder engagerar sig i många digitala kanaler och förväntar sig direkta, kontextuella och intelligenta svar. Traditionella chattbotar är antingen skriptade eller datablinda, vilket leder till dålig personanpassning, tidiga omflyttningar till människor och höga servicekostnader.

Sammanhang

• Din organisation har digitalt engagemang i flera kanaler (WhatsApp, SMS, Slack och Salesforce Experience Cloud).
• Din organisations kunder interagerar med din organisation på flera språk.
• Din organisation behöver utöka service- och försäljningsflöden med agenter som:
  • Hämta från betrodda kunddata i realtid
  • Respektera skyddsräcken och efterlevnadskrav
  • Flytta om till mänskliga agenter endast vid behov

Nyckelkomponenter

• Kanalabstraktion: Service Clouds utökade chatt (tidigare Meddelanden för i app och på webb) låter agenten kommunicera över flera kanaler genom en enda upplevelse.
• Agentforce Serviceagent: Agentens beteende och syfte definieras av följande komponenter.
  • Ämnen och instruktioner: Definierar agentens persona och konversationssyfte för direkt användarinteraktion. Detta inkluderar dess kärnuppdrag (till exempel "Du är expert på att lösa kundsupportproblem"), instruktioner om att hålla en empatisk och professionell ton och tydliga skyddsräcken för omfattningen av frågor som den är auktoriserad att hantera.
  • Åtgärder: Serviceorienterade åtgärder som är verktyg som agenten använder för att diagnostisera och lösa kunders problem i realtid. Dessa verktyg är utformade för att utföra uppgifter som att kontrollera en orders status, söka i en Knowledge efter lösningar eller skapa ett nytt supportkundcase direkt från konversationsgränssnittet.
  • Skyddsräcken: Skyddsräcken fungerar som en uppsättning konfigurerbara regler och körtidskontroller som begränsar agentens beteende. Fungerar som ett säkerhetslager som kan fånga upp uppmaningar, validera agentens föreslagna åtgärder och filtrera dess slutgiltiga svar för att förhindra skadligt innehåll, tillämpa verksamhetsregler och säkerställa att agenten arbetar inom dess tilldelade omfattning.
  • Uppmaningsmallar: Återanvändbara mallar som fylls i dynamiskt med live CRM-data via kopplingsfält eller semantiska data från Data 360 RAG Retrievers. Dessa mallar låter agenter skapa sammanhangsbaserat varumärkesbaserat innehåll medan Einstein Trust Layer maskerar känslig information säkert innan instruktionerna skickas till LLM.
• Data 360
  • Data 360-komponenter, inklusive DLO, DMO, vektorlagring och RAG-hämtare, ger agenten en enhetlig vy av alla relevanta företagsdata, från strukturerade kundposter till ostrukturerade Knowledge, vilket säkerställer att svaren är korrekta och kontextuellt grundade.
• Service Cloud
  • CRM-data: Ansluter agenten till den fullständiga kundcasehistoriken, vilket ger viktigt sammanhang för kontodetaljer, kontaktposter och rättigheter
  • Kö för liveagent: Stöd för omflyttning och dirigering till en mänsklig servicerepresentant med det fullständiga konversationssammanhanget injicerat

Interaktioner

1. Din organisations kund inleder en konversation via en kanal.
2. Meddelandet dirigeras till Agentforce, som avgör omfattning (ämnen) och tillämpar skyddsräcken.
3. AI skapar svar med hjälp av uppmaningsmallar, medan Flöde eller Apex kan utlösa backendlogik.
4. Sammanhang hämtas från Data 360-objekt, vektorlagring och CRM via RAG-hämtaren.
5. AI returnerar ett sammanhangssvar.
6. Om AI inte kan lösas flyttas konversationen om till Service Cloud Live Agent.

Kompromisser

Relaterade mönster

Hälsningsmönster: Ett enkelt och lättimplementerat mönster som använder naturligt språk för att förstå användarens syfte och sedan dirigerar användaren till rätt servicerepresentant

Operatormönster: Bygger på Greeter för att dirigera begäranden till lämplig AI-specialistagent eller personalrepresentant och förhandla om syfte om det behövs

Orkestrerarmönster: Hanterar ett AI-agentsväm. Den tar emot en användarbegäran, avgör syfte, skapar en plan, skickar nödvändiga data till en eller flera specialistagenter och aggregerar sedan svaren för användaren. Till skillnad från Operator förblir den den första kontaktpunkten.

Problem

Dina kunder använder till stor del asynkrona e-postkonversationer, och detta är fortfarande det bästa sättet att nå ut. Din organisation måste nå dessa kunder via e-post, men dina säljare kan inte svara på inkommande e-postmeddelanden inom servicenivåavtalet, vilket leder till leadförlust. Utöver detta lägger din arbetsstyrka tid på okvalificerade leads.

Sammanhang

• Din organisation har e-post som en primär kanal för leadengagemang.
• Din SDR har begränsad kapacitet att kvalificera leads i stor skala.
• Din säljprocess har leadvård i flera steg innan de träffar SDR eller affärsutvecklingsrepresentanter (BDR).
• Din organisation behöver utöka service och försäljning med agenter som:
  • Hämta från försäljningsaktivering i realtid och försäljningsprodukt- och marknadsföringsdata
  • Respektera skyddsräcken och efterlevnad
  • Schemalägg möten baserat på leadkvalificeringskriterier

Nyckelkomponenter

• E-postkanal: Hanterar att samla in inkommande meddelanden, tolka deras innehåll och bilagor och upprätthålla trådkontinuitet för att aktivera asynkrona konversationer.
• Agentforce SDR-agent: Agentens beteende och syfte definieras av följande komponenter.
  • Ämnen och instruktioner: Definierar agentens uppdrag att engagera och kvalificera inkommande leads genom konversation. Detta inkluderar instruktioner för att förstå prospektbehov, samla in viktiga kvalificeringsdata (till exempel budget, myndighet och tidslinje) och guida konversationen mot ett tydligt nästa steg, till exempel att schemalägga ett möte med en kontoansvarig.
  • Åtgärder: Specialiserade försäljningsåtgärder som låter agenten hantera leadlivscykeln. Dessa verktyg är utformade för att utföra kärnuppgifter för SDR, till exempel att berika leaddata, skicka malluppföljningsmeddelanden eller integrera med kalendersystem för att boka Discovery-samtal.
  • Skyddsräcken: Skyddsräcken fungerar som en uppsättning konfigurerbara regler och körtidskontroller som begränsar agentens beteende. Fungerar som ett säkerhetslager som kan fånga upp uppmaningar, validera agentens föreslagna åtgärder och filtrera dess slutgiltiga svar för att förhindra skadligt innehåll, tillämpa verksamhetsregler och säkerställa att agenten arbetar inom dess tilldelade omfattning.
  • Uppmaningsmallar: Återanvändbara mallar som fylls i dynamiskt med live CRM-data via kopplingsfält eller semantiska data från Data 360 RAG Retrievers. Dessa mallar låter agenter skapa sammanhangsbaserat varumärkesbaserat innehåll medan Einstein Trust Layer maskerar känslig information säkert innan instruktionerna skickas till LLM.
• Data 360
  • Data 360-komponenter, inklusive DLO, DMO, vektorlagring och RAG-hämtare, ger agenten en enhetlig vy av alla relevanta företagsdata, från strukturerade kundposter till ostrukturerade Knowledge, vilket säkerställer att svaren är korrekta och kontextuellt grundade.
• Sales Cloud
  • CRM-data: Ansluter agenten till den fullständiga kundcasehistoriken, vilket ger viktigt sammanhang för kontodetaljer, kontaktposter och rättigheter
  • Schemalägg möte mellan kund och SDR: Överlämning av SDR Live Agent kan konfigureras för att konfigurera ett livemöte med Schemaläggning av uppgifter och möten (nästa åtgärder).
  • Aktivitetsloggning: Samla in händelser, uppgifter och e-postaktiviteter och relatera dem till leads, konton och säljprojekt som ett resultat av SDR-agentinteraktioner.

Interaktioner

1. Kunden skickar och tar emot e-post via kanalen, som dirigerar till Agentforce.
2. Agentforce tillämpar ämnen, åtgärder och skyddsräcken för att tolka syfte.
3. Agentforce skapar sammanhangsbaserade svar med uppmaningsmallar berikade med CRM och Data 360-sammanhang.
4. En e-postkonversation med flera vändningar fortsätter tills lösning eller policyriktlinjer.
5. För kvalificerade leads schemalägger Agentforce ett möte och uppdaterar CRM.
6. Om syftet överskrider AI-omfattningen flyttas Agentforce om till Sales Cloud SDR för att få ett svar från en servicerepresentant.

Kompromisser

Relaterade mönster

Besvara botmönster: Ett effektivt mönster för självbetjäning som använder generativ AI för att förstå naturligt språk för Knowledge hämtning, och inte bara nyckelord

Medan konversationsagenterna i föregående sektion är bra på att reagera på användarkommandon representerar proaktiva agenter ett paradigmskifte: de agerar utan att bli tillfrågade. Denna sektion tillhandahåller arkitektoniska mönster för att bygga agenter som autonomt övervakar data och händelser som kommer både utanför och inom Salesforce.

Problem

Din organisation skapar viktiga verksamhetshändelser inom och utanför Salesforce. Det finns problem med att översätta dem till sammanhangsåtgärder i rätt tid eftersom de är spridda över program och avdelningar.

Sammanhang

• Dina verksamhetsprocesser sträcker sig över flera system för CRM, betalningshantering, leverans, marknadsföringsautomatisering, telemetri och CDP.
• Din organisations händelser inträffar 24/7, men din arbetsstyrkas tillgänglighet är begränsad utanför öppettiderna. System är alltid på, men inte människor.
• Händelserna saknar sammanhangsmedvetenhet—de missar kundsammanhang som är tillgängligt i Salesforce, vilket tvingar information att kopplas samman i flera steg. Idag finns implementeringen antingen som diskret komplex automatisering eller utförs manuellt.
• Människan fungerar som kompilator för att samla in data (i olika format) och reagera intelligent på osammanhängande händelser.
• Dina målåtgärder tillämpas på flera system.

Nyckelkomponenter

• Händelsekälla
  • Dataåtgärdsutlösta händelser efter att externa data har intagits i Data 360
  • MCP-servrar från tredje part eller Salesforce Heroku som kan skicka händelser till Salesforce via Salesforce Pub/Sub API
  • Externt program som kan skicka händelsenotiser via Salesforce Pub/Sub API
• Valfri mellanprogramvara: MuleSoft eller Data 360 för transformationer
• Agentforce Agent: Agentens beteende och syfte definieras av följande komponenter.
  • Ämnen och instruktioner: Specificerar agentens kärnuppdrag och dess utlösare, inklusive att definiera dess primära mål (till exempel "Övervaka alla högprioriterade kundcase och förhindra servicenivåavtalsbrott"). Innehåller de specifika händelser eller datavillkor som agenten ska lyssna efter för att inleda sina uppgifter
  • Åtgärder: Händelseutlösta och schemalagda åtgärder utformade för att svara på externa händelser. Även om dessa åtgärder fungerar autonomt för rutinuppgifter, inkluderar de ofta möjligheten att orkestrera arbetsflöden som involverar mänskligt ingripande, omflyttning till användare för granskning, godkännande eller hantering av scenarion som kräver mänsklig bedömning.
  • Skyddsräcken: Skyddsräcken fungerar som en uppsättning konfigurerbara regler och körtidskontroller som begränsar agentens beteende. Fungerar som ett säkerhetslager som kan fånga upp uppmaningar, validera agentens föreslagna åtgärder och filtrera dess slutgiltiga svar för att förhindra skadligt innehåll, tillämpa verksamhetsregler och säkerställa att agenten arbetar inom dess tilldelade omfattning.
  • Uppmaningsmallar: Återanvändbara mallar som fylls i dynamiskt med live CRM-data via kopplingsfält eller semantiska data från Data 360 RAG Retrievers. Dessa mallar låter agenter skapa sammanhangsbaserat varumärkesbaserat innehåll medan Einstein Trust Layer maskerar känslig information säkert innan instruktionerna skickas till LLM.
• Data 360
  • Data 360-komponenter, inklusive DLO och DMO, som lagrar händelsedata som skapas av externa system och skickas till Salesforce och omvandlar och bygger insikter om streaming eller realtid
  • Beräknade, strömmande och realtidsinsikter ger agenter direkta, relevanta data om kunder. Detta möjliggör förebyggande problemlösning, vilket minskar omflyttning. Datagrafer lyfter proaktivt fram relationer och insikter från olika datakällor, vilket möjliggör tidig upptäckt av mönster eller avvikelser som är relevanta för kundengagemang, aktivitet och profil.
  • Data 360-vektorlagring och RAG-hämtare ger agenten en enhetlig vy över alla relevanta företagsdata och ostrukturerade Knowledge-artiklar, vilket säkerställer att svaren är korrekta och kontextuellt grundade.
• Händelsemål
  • Meddela anställda proaktivt eller kontakta kunder
  • Kan utökas till agenter (se mönster för Omgivande agent och Autonom agent)

Interaktioner

1. En betydande ändring inträffar i det externa systemet.
2. Det externa systemet skickar ut en händelse och publicerar den till Salesforce Event Bus via API (skapar en plattformshändelse) eller Pub/Sub API, eller så strömmas händelsedata till Data 360.
3. Prenumeranter av händelsen utlöses. Ett flöde utlöses.
4. Flödet anropar Agentåtgärd med händelsedata. Agenten bestämmer rätt åtgärd och utför den.
5. Resultatet är en notis eller ett arbetsflöde som utlöses. Notiser levereras till en användare i ett samarbetsverktyg (till exempel Slack). Uppgifter eller händelser skapas också. Vidare kan åtgärder anropa externa system. Händelserna förloras därför inte utan utförs proaktivt, signaleras och åtgärdas, vilket tar bort mänsklig overhead eller komplex automatisering för att upptäcka dem.

Kompromisser

Relaterade mönster

Domar- & jurymönster: Kan användas tillsammans med detta mönster för att säkerställa precision och pålitlighet för AI-drivna beslut genom att använda flera "jury"-agenter och en "domare"-agent för kongruensbedömning

Modell av modellmönster: Detta mönster omfattar olika synpunkter från flera expertagenter för att skapa rikare insikter, som kan komplettera den proaktiva AI:ns intelligenta svar.

Problem

Din organisations Salesforce-ekosystem skapar en konstant ström av signaler men har problem med att översätta dem till sammanhangsberoende åtgärder i rätt tid, eftersom de kräver att verksamhetslogik, styrning och människor agerar. Många gånger förloras signalerna utan någon åtgärd som leder till förlorat säljprojekt.

Sammanhang

• Din organisation använder ett eller flera Salesforce-moln: Försäljning, Service, Marknadsföring, Commerce, Hälsovård, Tillverkning och andra.
• Du behöver intelligent fördelning utöver enkel dirigering eller regelbaserad fördelning. Din organisation har hundratals komplexa verksamhetsregler.
• Du behöver svar i realtid eller nästan i realtid på händelser.
• Ibland blir dina mest privilegierade administratörer den svagaste länken i kedjan för att inte se signalerna.

Nyckelkomponenter

• Källlager för händelse
  • CRM-data, plattformshändelser, datainsamling (CDC) och händelseövervakningsdata (RTEM) i realtid från plattformsaktivitet på låg nivå
• Data 360
  • Data 360-komponenter, inklusive DLO och DMO, som lagrar händelsedata skapade av CRM- eller plattformshändelser, omvandlar och bygger insikter om streaming eller realtid
  • Beräknade, strömmande och realtidsinsikter ger agenter direkta, relevanta data om ändringar av kunder, anställdas aktivitet eller metadata i systemet. Detta möjliggör förebyggande problemlösning, vilket minskar omflyttning. Denna situationsmedvetenhet i realtid ger agenter möjlighet att leverera snabba ingripanden för styrning och efterlevnad av operativa genomströmningar.
  • Datagrafer lyfter proaktivt fram relationer och insikter från olika datakällor, vilket möjliggör tidig upptäckt av mönster eller avvikelser som är relevanta för kundengagemang, aktivitet och profil.
  • Data 360-vektorlagring och RAG-hämtare ger agenten en enhetlig vy över alla relevanta företagsdata och ostrukturerade Knowledge-artiklar, vilket säkerställer att svaren är korrekta och kontextuellt grundade.
• Agentforce Agent: Agentens beteende och syfte definieras av följande komponenter.
  • Ämnen och instruktioner: Anger agentens uppdrag att tillämpa verksamhetsregler och automatisera processer baserat på dataändringar i Salesforce. Den definierar agentens mål (till exempel "Säkerställ att alla säljprojekt uppdateras med en huvudkontakt innan du når förhandlingsfasen") och de specifika postskapanden, fältuppdateringar och så vidare som utlöser agenten.
  • Åtgärder: Händelseutlösta och schemalagda åtgärder utformade för att svara på interna Salesforce-händelser. Även om dessa åtgärder fungerar autonomt för rutinuppgifter, inkluderar de ofta möjligheten att orkestrera arbetsflöden som involverar mänskligt ingripande, omflyttning till användare för granskning, godkännande eller hantering av scenarion som kräver mänsklig bedömning.
  • Skyddsräcken: Skyddsräcken fungerar som en uppsättning konfigurerbara regler och körtidskontroller som begränsar agentens beteende. Fungerar som ett säkerhetslager som kan fånga upp uppmaningar, validera agentens föreslagna åtgärder och filtrera dess slutgiltiga svar för att förhindra skadligt innehåll, tillämpa verksamhetsregler och säkerställa att agenten arbetar inom dess tilldelade omfattning.
  • Uppmaningsmallar: Återanvändbara mallar som fylls i dynamiskt med live CRM-data via kopplingsfält eller semantiska data från Data 360 RAG Retrievers. Dessa mallar låter agenter skapa sammanhangsbaserat varumärkesbaserat innehåll medan Einstein Trust Layer maskerar känslig information säkert innan instruktionerna skickas till LLM.
• Händelsemål
  • Meddela anställda proaktivt eller kontakta kunder.
  • Utökningsbart för att anropa andra agenter (se omgivande AI och autonoma AI-mönster)

Interaktioner

1. En betydande ändring inträffar inom det interna systemet, till exempel en uppdatering av en CRM-post, en metadataändring eller en dataåtgärd som utlöses från Data 360.
2. Det interna systemet skickar ut en händelse och publicerar den till Salesforce Event Bus via API (skapar en plattformshändelse) eller Pub/Sub API, eller så strömmas händelsedata till Data 360.
3. Prenumeranter av händelsen utlöses och aktiverar ett flöde eller Apex.
4. Det aktiverade flödet eller Apex anropar Agentåtgärd.
5. Resultatet är en notis eller ett arbetsflöde som utlöses. Notiser levereras till en användare i ett samarbetsverktyg (till exempel Slack). Uppgifter eller händelser skapas också. Vidare kan åtgärder anropa externa system.
6. Händelserna förloras därför inte utan utförs proaktivt, signaleras och åtgärdas, vilket tar bort mänsklig overhead eller komplex automatisering för att upptäcka dem.

Kompromisser

Relaterade mönster

Mönster för lyssnare/kanal: Kan kombineras med lyssnarmönstret för att utlösa proaktiva åtgärder baserat på interna Salesforce-händelser

Datastewardmönster: Proaktiv AI kan använda datastewarder för att säkerställa datakvalitet och enhetlighet vid svar på interna händelser

Zen Data Gardener-mönster: För schemalagd, proaktiv datatrimning och standardisering utlöst av interna händelser eller med regelbundna intervaller

Vi började med agenter som svarar interaktivt i en konversationskanal och fortsatte sedan till agenter som reagerar på specifika händelser. Om man går längre än den händelsedrivna modellen med proaktiva agenter representerar omgivande agenter ett paradigmskifte från direkt interaktion till proaktiv bakgrundshjälp. Dessa är sidhuvudlösa agenter som observerar den digitala miljön i bakgrunden. De fungerar som systemets "ögon och öron" och uppfattar sammanhang från användaraktivitet eller dataströmmar och samordnar sedan med andra agenter eller människor för att utföra uppgifter, lyfta fram insikter eller ge vägledning.

Problem

Din organisations verksamhet genererar kontinuerliga strömmar av värdefull information (samtal, möten, chattar, sensordata, med mera), men dessa data försvinner i realtid utan insamling eller analys. När människor manuellt dokumenterar dessa interaktioner förloras viktiga insikter och ögonblicket för snabba ingripanden är förbi. Organisationer missar de flesta användbara intelligenser som behövs i realtid och är begravda i flyktiga strömmar, vilket leder till luckor, förlorade coachningsmöjligheter och beslut som fattas utan fullständigt sammanhang.

Sammanhang

• Din verksamhet genererar kontinuerliga strömmar från olika källor, inklusive röst- och videomöten, livechattar, sensortelemetri, skärmaktivitet och transaktionsdata.
• Du behöver insikter i realtid eller nästan realtid (inom sekunder eller minuter, och inte timmar eller dagar) för att effektivt svara på och agera på dessa strömmar.
• Manuella dokumentationsprocesser misslyckas, vilket kännetecknas av låg efterlevnad och uppdateringsfrekvens, hög kognitiv börda för anställda och ofullständig insamling av viktig information.
• Du behöver multimodal förståelse, kombinera data från ljud, video, skärmdelning, chatt och andra metadata för att skapa ett fullständigt och korrekt sammanhang av interaktioner och händelser.
• Du behöver både omedelbar analys för coachning och varningar i realtid och historisk analys för sammanfattningar efter interaktion och långsiktig trendidentifiering.
• Tidssammanhang (episodiskt minne) är viktigt för din analys, inklusive att förstå ordning, timing, övergångar och mönster över olika tidsfönster i dina dataströmmar.

Nyckelkomponenter

• Strömkälla
  • Voice och video: Videokonferensverktyg (som Slack Huddle, Zoom, Google Meet och Microsoft Teams) och telefonsystem
  • Samarbetsverktyg: Slack, Teams och andra
• Anslutare för ströminsamling
  • Inbyggd SDK: Leverantörstillhandahållen SDK som hjälper till att hämta avskrifter eller meddelanden som har stöd för strömsegment eller avskrifter i realtid
• (Valfritt) Strömbearbetningslager
  • För ljudströmmar, om avskrifter inte är tillgängliga i realtid, en tal-till-text-funktion som översätter ljud till text. Du kan även använda en hanterad leverantör som Amazon Transcribe.
  • För andra dataströmmar, om du vill, en strömbearbetningsmotor som Data 360 eller Apache Flink
• Data 360
  • Data 360-komponenter, inklusive DLO och DMO, som lagrar händelsedata, omvandlar och bygger strömmande eller realtidsinsikter
  • Beräknade, strömmande och realtidsinsikter ger agenter direkta, relevanta data om kunder, deras aktivitet och viktiga insikter. Detta möjliggör förebyggande problemlösning, vilket minskar omflyttning. Denna situationsmedvetenhet i realtid ger agenter möjlighet att leverera snabba ingripanden och personlig support till anställda och därmed optimera kundnöjdhet och operativ genomströmning.
  • Data 360-komponenter, inklusive DLO och DMO, som lagrar kunddata och omvandlar och bygger insikter i realtid
  • Data 360-vektorlagring och RAG-hämtare ger agenten en enhetlig vy över alla relevanta företagsdata och ostrukturerade Knowledge-artiklar, vilket säkerställer att svaren är korrekta och kontextuellt grundade.
• Agentforce Agenter. Detta mönster fokuserar på en omgivande agent som observerar en kontinuerlig dataström, till exempel en livesamtalsavskrift eller en videokanal. Den fungerar som en lyssnare i realtid och tolkar ostrukturerade data medan det händer. Till exempel kan en agent som lyssnar på ett livesamtal åberopa en Data Discovery-agent för att berika ett leads post baserat på nya sammanhang som delas i konversationen. Här är ett exempel på en sådan huvudlös agent:
  • Feedbackagent. Agentens beteende och syfte definieras av följande komponenter.
    • Ämnen och instruktioner: Definierar agentens primära uppdrag att analysera konversationsströmmar och extrahera strukturerad feedback och prestandamått. Detta inkluderar instruktioner för att bevaka kundsentiment, identifiera omnämnanden av nyckelprodukter eller konkurrenter och bedöma om den mänskliga agenten följer företagets rekommenderade metoder eller en försäljningsspelbok.
    • Åtgärder: Åtgärder för att omvandla ostrukturerade konversationsdata till användbar verksamhetsinformation. Dessa åtgärder låter agenten skapa en post för "Feedbacksammanfattning", logga begäranden om produktfunktioner, flagga samtal med negativa känslor för chefsgranskning och uppdatera en instrumentpanel för att följa agenters övergripande resultat jämfört med nyckelmått.
    • Skyddsräcken: Skyddsräcken fungerar som en uppsättning konfigurerbara regler och körtidskontroller som begränsar agentens beteende. Fungerar som ett säkerhetslager som kan fånga upp uppmaningar, validera agentens föreslagna åtgärder och filtrera dess slutgiltiga svar för att förhindra skadligt innehåll, tillämpa verksamhetsregler och säkerställa att agenten arbetar inom dess tilldelade omfattning.
    • Uppmaningsmallar: Strukturerade, mallade LLM-instruktioner som kan ta emot indata och ge en LLM-genererad utdata
• Ambitientmål
  • Meddela användare på ytan var agenten och användaren är, till exempel i ett videosamtal eller ett skrivbordsprogram

Interaktioner

1. När en ström är aktiverad (till exempel när en användare går med i videosamtalet) bifogar agenten sig själv som observatör.
2. Agenten börjar ta emot strömdata, upptäcker stegvis syften, fattar beslut och anropar åtgärder.
3. Agenten kontextualiserar baserat på syfte och hämtar ytterligare data (strukturerade eller ostrukturerade).
4. Agenten ger precis-i-tid-svar i realtid utan att behöva be användaren: den kan upptäcka en invändning i ett säljsamtal och ge viktig information för att hantera invändningen.
5. Agenter kan sammanställa en sammanslagen sammanfattning och åtgärder och dela dem med andra agenter och användare.

Kompromisser

Relaterade mönster

Mönster för lyssnare/kanal: Kan kombineras med lyssnarmönstret för att bearbeta strömmar av konversations- och användarinteraktionsdata i realtid och lyfta fram relevant sammanhang och insikter

Förhörsmönster: Kan användas tillsammans med detta mönster för att samla sammanhang från flera källor inom strömmen och svara på frågor

Problem

Dina anställda utför hundratals affärskritiska aktiviteter dagligen över e-post, kalender, samtal och program, men dessa aktiviteter förblir dolda för organisationssystem tills de loggas manuellt—vilket sällan händer. Denna aktivitetsblindhet innebär att CRM-data är ofullständiga, att AI-modeller inte har de signaler som behövs för intelligenta rekommendationer och att chefer inte har någon insyn i kundengagemang i realtid. Manuell aktivitetsloggning skapar en produktivitetsskatt men missar fortfarande det mesta av det faktiska arbetet.

Sammanhang

Precis som strömobservatören är detta en data- och innehållsobservatör som tillhandahåller användbara uppgifter eller utför åtgärder åt användaren.

Nyckelkomponenter

• Datalager
  • CRM-data: Kunddata som är tillgängliga i CRM som ger agenten sammanhang (till exempel när användaren är på en säljprojektsida kan agenten hämta information om säljprojektet och det associerade kontot från CRM).
  • Data 360-komponenter, inklusive DLO och DMO, som lagrar relevanta kunddata som intas från olika källor
  • Beräknade, strömmande och realtidsinsikter ger agenter direkta, relevanta data om kunder, deras aktivitet och viktiga insikter. Detta möjliggör förebyggande problemlösning, vilket minskar omflyttning.
  • Data 360-vektorlagring och RAG-hämtare ger agenten en enhetlig vy över alla relevanta företagsdata och ostrukturerad Knowledge.
• Agentforce Agent: Detta mönster fokuserar på en omgivande agent som observerar en användares åtgärder direkt i användargränssnittet. Den fungerar som en assistent i realtid som förstår sammanhanget i användarens arbetsflöde för att ge vägledning. Till exempel kan en agent övervaka en servicerepresentant som fyller i en kundcasepost och proaktivt lyfta fram en relevant Knowledge artikel. Här är ett exempel på en sådan huvudlös agent:
  • Feedbackagent. Agentens beteende och syfte definieras av följande komponenter.
    • Ämnen och instruktioner: Definierar agentens uppdrag att bevaka en användares åtgärder inom användargränssnittet och ge sammanhangshjälp. Detta inkluderar dess mål (till exempel "Vägled en servicerepresentant genom kundcaselösningsprocessen") och de specifika användargränssnitthändelser eller datainmatningsmönster som den ska hålla utkik efter för att proaktivt erbjuda hjälp.
    • Åtgärder: Åtgärder, byggda med Apex eller Flöde, för att lyfta fram relevant information och nästa bästa åtgärder direkt i användarens arbetsflöde. Dessa åtgärder låter agenten hämta och visa en relevant Knowledge, föreslå ett giltigt nästa steg i en process eller flagga ett datainmatningsfält som kan bryta mot en verksamhetsregel, allt som svar på användarens aktivitet i realtid.
    • Skyddsräcken: Skyddsräcken fungerar som en uppsättning konfigurerbara regler och körtidskontroller som begränsar agentens beteende. Fungerar som ett säkerhetslager som kan fånga upp uppmaningar, validera agentens föreslagna åtgärder och filtrera dess slutgiltiga svar för att förhindra skadligt innehåll, tillämpa verksamhetsregler och säkerställa att agenten arbetar inom dess tilldelade omfattning.
    • Uppmaningsmallar: Återanvändbara mallar som fylls i dynamiskt med live CRM-data via kopplingsfält eller semantiska data från Data 360 RAG Retrievers. Dessa mallar låter agenter skapa sammanhangsbaserat varumärkesbaserat innehåll medan Einstein Trust Layer maskerar känslig information säkert innan instruktionerna skickas till LLM.
• Ambitientmål
  • Meddela användare på ytan var agenten och användaren är, till exempel på en webbsida eller en administratörssida

Interaktioner

1. När en användare besöker en sida eller app bifogar agenten sig själv som observatör.
2. Agenten börjar inspektera data och åtgärder, upptäcker syften stegvis, fattar beslut och anropar åtgärder.
3. Agenten kontextualiserar baserat på syfte och hämtar ytterligare data (strukturerade eller ostrukturerade).
4. Agenten ger precis-i-tid-svar i realtid utan att behöva be användaren och kan föreslå nästa bästa åtgärder eller erbjuda sig att utföra dem åt användaren.
5. Agenter kan sömlöst dela detta med andra agenter och användare.

Kompromisser

Relaterade mönster

Mönster för lyssnare/kanal: Kan kombineras med lyssnarmönstret för att utlösa proaktiva åtgärder baserat på observerad aktivitet

Datastewardmönster: AI för aktivitetsavlyssning kan använda datastewarder för att säkerställa datakvalitet och enhetlighet vid loggning av avlyssnade aktiviteter.

Generatormönster: Kan användas för att automatiskt skapa aktivitetssammanfattningar eller uppföljningsuppgifter baserat på avlyssnade aktiviteter

Denna sektion beskriver mönster för samarbetsagenter, där en eller flera agenter arbetar tillsammans med en mänsklig användare för att uppnå ett delat mål. Dessa recept fokuserar på att skapa ett sömlöst partnerskap: agenter hanterar komplex datainsamling och utförande av uppgifter samtidigt som de håller medarbetare informerade om beslut, godkännanden och strategisk vägledning.

I denna modell hanterar agenter de automatiserade delarna av ett arbetsflöde. Processen blir en dynamisk feedbackloop.

• En människa kan inleda en uppgift genom en konversationsagent, vilket utlöser en proaktiv agent för att hantera backendstegen.
• Samtidigt kan en omgivande agent observera sina åtgärder för att ge vägledning i realtid.

Denna process skapar en sömlös fusion av mänskligt och digitalt arbete. Detta mönster visar hur Agentforce gör det möjligt för ett system med flera agenter, med mänskligt innehåll, att hantera komplexa jobb som ingen agent — eller människa — kan hantera ensam.

Problem

Dina verksamhetsprocesser kräver samarbete mellan medarbetare från olika organisationer—både interna och externa—vart och ett med olika jobb som involverar olika kompetenser och prioriteter. Processflaskhalsar kan uppstå när som helst och var som helst på grund av resurskapacitet, kompetensbegränsningar eller på grund av mängden information som utbyts.

Sammanhang

• Processer sträcker sig över flera team och behöver flera teammedlemmar för att samarbeta för ett lyckat resultat.
• Agentassistenter hjälper redan din arbetsstyrka i en-till-en-scenarion som konversationsagenter, proaktiva agenter och omgivande agenter.
• Processer använder agenter i lämpliga segment av dina verksamhetsprocesser. Processer behöver dock även samarbete mellan människa och agent. Detta samarbete kan involvera människa-till-människa med hjälp av agenter eller människa-agent-mänskligt samarbete.
• Kompetensluckor fylls i av agenter.
• Agenter hjälper till att förbättra samarbetet genom att minska mänsklig ansträngning i uppgifter som uppföljningar och utbyte av viktig information för att underlätta beslutsfattande.
• Agenter kan även samarbeta och delegera baserat på policyer och riktlinjer.

Nyckelkomponenter

• Samarbetsyta
  Agentsamarbete kräver ett delat utrymme där alla deltagare, både människor och agenter, kan interagera. Dessa samarbetsytor är inte längre statiska miljöer endast för människor. Istället är de kanaler där agenter kan bjudas in att gå med i, bidra och till och med inleda konversationer, vilket i grunden förändrar karaktären på teamarbete. Till exempel kan en agent skapa och inleda ett kundcasesväm i Slack och bjuda in experter på mänskliga ämnen och andra agenter att samarbeta kring kundcaset.

• Agentforce Agenter
  Detta mönster rör sig bortom individuella agentmönster för att visa hur de konvergerar i en modell för Samarbetsagenter, och orkestrerar komplexa processer som på ett intelligent sätt ökar den mänskliga kapaciteten. De föregående mönstren — Konversation (2.1), Proaktiv (2.2) och Omgivande (2.3) — definierar Agentforce Agent components.c-riktningen. En konversationsagent fungerar som det primära gränssnittet, tillsammans med människan och som gränssnittet mellan människor och alla agenter som är involverade i samarbetet. När en uppgift är för mångfacetterad inleder den konversationsagenten en samarbetssession som samlar de mänskliga användarna och de sidhuvudlösa agenter som behövs för att arbeta med problemet samtidigt. Processen blir en dynamisk feedbackloop där en person kan inleda en uppgift, som sedan utlöser en aktiv agent för att hantera backendstegen, medan en omgivande agent kan observera att ge vägledning i realtid, vilket skapar en sömlös fusion av mänskligt och digitalt arbete.

• Datalager
  I den samarbetande agentmodellen har datalagret en mer dynamisk roll än att bara tillhandahålla information; det blir det bestående minnet och det delade arbetsområdet för hela människa-agent-teamet. Varje involverad agent har sina egna specifika databehov, enligt vad som definieras i deras respektive mönster, men deras samarbete kring en komplex uppgift är beroende av en delad datagrund som följer läget för det övergripande jobbet.

  Detta delade läge är avgörande. När en uppgift lämnas över från en konversationsagent till en proaktiv agent och sedan till en människa för godkännande måste datalagret följa förloppet, sammanhanget och besluten som fattas i varje steg. Detta säkerställer att varje deltagare har en enhetlig och uppdaterad vy av avsnittet.

Interaktioner

1. Människor inleder en samarbetssession med andra människor och agenter.
2. Sammanhang, mål, jobb och resultat definieras.
3. Agenten berikar sammanhanget genom att ta in ytterligare information och proaktivt planera stegen som behövs för att utföra jobbet, tillsammans med ägare som är människor eller agenter.
4. Förlopp observeras, sammanhang uppdateras och åtgärder utförs.
5. Där agenter utför jobbet ger agenten detaljerad information för att hjälpa mänskliga intressenter förstå resonemang, ge feedback och tillåta avlyssning.
6. Agenter utför arbetet med fullständig transparens och efterlevnad.

Kompromisser

Relaterade mönster

Operatormönster: Samarbetsagenter fungerar ofta som operatorer och dirigerar begäranden till lämpliga specialiserade AI-agenter eller personalrepresentanter och förhandlingssyften.

Orkestrerarmönster: I scenarion som involverar samarbete hanterar en orkestreragent ett sväm av AI-agenter och aggregerar deras svar för en sömlös användarupplevelse.

Arbetsområdesmönster (Radar O'Reilly): Samarbetsagenter använder detta mönster för att hantera en responsiv UX med en glasruta och uppdatera relevant innehåll i realtid i ett konversationsflöde.

Till skillnad från samarbetsmönster som hjälper en användare är autonoma agenter utformade för fullständig delegering. Denna sektion tillhandahåller arkitekturritningarna för agenter som självständigt kan planera och utföra komplexa uppgifter i flera steg för att uppnå ett mål på hög nivå utan att kräva mänskligt ingripande. Fokus ligger här på att skapa ett system som du kan ha som mål och Trust att utföra från början till slut.

Problem

Din organisation uppnår värde genom en mycket komplex uppsättning processer, var och en med distinkta policydrivna jobb, spelböcker och specifika kompetenser som behövs för utförandet. Dessa är ofta program som kräver betydande investeringar av tid och resurser.

Att konfigurera ett nytt program har hög overhead och kan ta månader innan det inser värdet. Att implementera feedback och förbättringar kräver ofta mer tid och ansträngning. Komplexitet drivs främst av din organisations struktur, där distribuerade program och processer kan orsaka beroenden som kräver att människor hanterar programmet.

Sammanhang

• Agenter kan arbeta oberoende från början till slut. Agenter är utformade och konfigurerade så att mål, plan och strategi är fördefinierade.
• Agenter kan fatta alla beslut utan att behöva be om mänskligt godkännande. Agenter får riktlinjer för policy och efterlevnad.
• Agenter kan komma åt det sammanhang och de data som behövs och kan utföra nödvändiga åtgärder utan att behöva människor.
• Människor meddelas men är inte "informerade".

Nyckelkomponenter

• Definitionslager för mål och strategi
  • Bearbeta spelböcker: Detaljerade beskrivningar av autonom körning med deterministiska regler som agenter måste följa
  • Autonoma beslutskriterier: Regler som låter agenter fatta beslut utan mänskligt godkännande
  • Reservregler: Fördefinierade åtgärder för hantering av standard- eller undantagsscenarion när en agents primära process misslyckas
  • Omfång: Tydligt definierade gränser som beskriver vad agenter kan och inte kan göra, inklusive hur situationer utanför omfattningen måste hanteras
  • Resultatkriterier och definition av gjort: De mått och villkor som avgör när en agents uppgift utförs framgångsrikt
• Agentforce Agenter
  • Agentorkestrer eller koreograf: Den huvudagent som äger målet, orsakerna och planerar utförandet
    • Ämnen och instruktioner: När ett mål har definierats tar orkestreraren eller koreografagenten ledningen i att bryta ner det övergripande målet i mindre, hanterbara jobb eller underuppgifter. Den skapar en omfattande plan som sammanfattar jobbens ordning och identifierar de specifika agenter eller verktyg som behövs för varje steg. Slutligen säkerställer orkestreringsagenten ett sömlöst genomförande av planen, övervakar förloppet, hanterar beroenden och gör justeringar efter behov för att uppnå målet effektivt och ändamålsenligt. När det gäller en koreografagent skickar den sammanhanget och läget till agenter längre ner för att utföra jobbet till slutförandet.
    • Åtgärder: Åtgärder anropar verktyg för att utföra en funktion, hämta data eller delegera till andra sidhuvudlösa agenter, vilket möjliggör ett bredare utbud av kapacitet och mer komplexa arbetsflöden.
    • Skyddsräcken: Skyddsräcken fungerar som en uppsättning konfigurerbara regler och körtidskontroller som begränsar agentens beteende. Fungerar som ett säkerhetslager som kan fånga upp uppmaningar, validera agentens föreslagna åtgärder och filtrera dess slutgiltiga svar för att förhindra skadligt innehåll, tillämpa verksamhetsregler och säkerställa att agenten arbetar inom dess tilldelade omfattning.
• Datalager
  • CRM-data: Kunddata tillgängliga i CRM som ger sammanhang till en eller flera agenter
  • Data 360-komponenter, inklusive DLO och DMO, som lagrar relevanta kunddata som intas från olika källor
  • Beräknade, strömmande och realtidsinsikter ger agenter direkta, relevanta data om kunder, deras aktivitet och viktiga insikter. Detta möjliggör förebyggande problemlösning (som att hantera e-poststudsar), vilket minskar omflyttning.
  • Data 360-vektorlagring och RAG-hämtare ger agenten en enhetlig vy över alla relevanta företagsdata och ostrukturerad Knowledge
  • Slack-kanalmeddelanden eller konversationsdata som kundcasehistorik och konversationsagenthistorik som ger konversationssammanhang
• Övervakning och tillsyn
  • Övervakning av agentmålsförlopp: Följer förloppet för autonoma agentsessioner för att mäta resultat och säkerställa anpassning till mål
  • Övervakning av agentverksamhet: Följer status i realtid för autonoma agenter för ingripande och felsökning, vilket säkerställer smidig drift
  • Övervakning av agentstyrning: Följer spårnings- och granskningsloggar för att säkerställa att autonoma agenter följer fördefinierade mål och etiska riktlinjer

Interaktioner

1. Jobbet definieras med tydliga resultat.
2. Jobbet inleds med en av följande metoder:
   • En agent har en uppgift.
   • En agent plockar proaktivt upp jobbet baserat på kvalifikationer.
   • En agent utför jobbet i bakgrunden.
3. Agenten etablerar tydligt förväntningar och informerar människor och beskriver mål, plan och strategi. Planen innehåller steg-för-steg-processer, agenter som används, data som används, omfattning, agentutvärderingsplan och kontrollpunkter för människor för att övervaka förlopp, operationer och styrning.
4. Agenten påbörjar utförandet. Vid varje milstolpe uppdateras status och förlopp. Människor kan ge feedback eller fånga upp agenterna efter behov.
5. Agenten utför jobbet. Resultatet och resultaten är tillgängliga i övervakningsinstrumentpanelen.

Kompromisser

Relaterade mönster

Projektledarmönster: Autonoma agenter förkroppsligar ofta detta mönster och övervakar långvariga processer i flera steg från inledning till slutförande med minimal mänsklig inblandning.

Konfigurationsmönster: Autonoma agenter kan använda detta mönster för att automatiskt skapa och validera konfigurationer baserat på krav på naturligt språk eller fördefinierade policyer, vilket säkerställer efterlevnad och precision utan manuell översyn.

Zen Data Gardener-mönster: Detta mönster kan användas av autonoma agenter för schemalagd trimning och standardisering av bakgrundsdata, vilket säkerställer datakvalitet och enhetlighet över tid för att stödja korrekt agentbeslut.

Nu ska vi levandegöra agenternas taxonomi och agentmönster genom att utforska hur de implementeras på Salesforce Platform. För dem som inte är bekanta med Agentforces kärnkomponenter ger tillägget en hjälpsam uppdatering av de nyckeltekniker som det hänvisas till i detta kapitel och nästa.

Denna sektion tar upp agenters taxonomi och illustrerar var och en med ett vanligt användningsfall för att visa hur de används i verkliga program.

En kund, Jane, besöker ett företags webbplats för att se status för sin senaste order.

• Interaktion: Jane öppnar chattfönstret (Agentforce chattklient).
• Agentåtgärd: Konversationsagenten hälsar på henne och frågar hur det kan hjälpa. Jane frågar: "Var är min senaste order?"
• Process:
  1. Agenten, grundad på Janes kundinformation från Salesforce, identifierar hennes senaste order.
  2. Den frågar leveranssystemet (via en MuleSoft-anslutare) efter den senaste spårningsinformationen och ger Jane en uppdatering i realtid och en spårningslänk.
  3. Den söker sedan upp policyn och uppgraderar automatiskt till påskyndad leverans.
  4. När Jane ställer en komplex fråga som agenten inte kan hantera flyttar den sömlöst om chatten till en mänsklig serviceagent och ger den fullständiga avskriften för sammanhanget.

Recept

Mönster som används: Konversations-AI-mönster, integrera transaktionsdata till agenter

Designtid

1. Konfigurera en konversationsagent.

   Konfigurera utökad chatt	→	Skapa serviceagent	→	Definiera ämnet Supportordrar	→	Skapa åtgärden Hämta order
   						↓
   Lägg till utgående Omni-Channel-flöde	←	Skapa omflyttningsämne	←	Lägg till åtgärder i ämnen	←	Skapa åtgärden Hämta status
   ↓
   Publicera agenten

2. Konfigurera Utökad chatt som Janes chattingång så att hon kan öppna Agentforces fönster på webbsidan.
3. Aktivera Agentforce och skapa en Serviceagent i Agentforce Builder för att hantera konversationer och utlösa egna åtgärder.
4. Definiera ett ämne för supportordrar med en beskrivning och instruktioner så att agenten naturligt känner igen "Var är min senaste order?".
   1. Skapa egna agentåtgärder:
      1. Åtgärden Hämta senaste order för kontakt för att hämta Janes senaste order
      2. Få leveransstatus efter order-ID åtgärd för att hämta spårningsinformation via MuleSoft
      3. Om du vill kan du orkestrera båda åtgärderna i Flöde—hämta den senaste ordern och anropa MuleSoft—med hjälp av externa tjänståtgärder.
      4. Lägg till båda åtgärderna i serviceagenten i byggaren, länka dem till ämnet Ordrar och spårning och publicera.
5. Definiera ett omflyttningsämne med en beskrivning för att flytta om till en servicerepresentant.
   • Skapa och aktivera ett utgående Omni-Channel-flöde.
   • Lägg till den på fliken Anslutningar i byggaren för omflyttning med ett omflyttningsmeddelande.
6. Konfigurera Omni-Channel.

   Konfigurera Omni-Channel

   →

   Definiera omflyttningsregler i instruktioner

   →

   Ange prioriteringar och kapacitet

   →

   Testa och validera

7. Aktivera sömlös omflyttning till personalagenter om AI-agenten inte kan lösa frågan. Konfigurera Omni-Channel-dirigering för att tilldela chattar till servicerepresentanter och överföra den fullständiga avskriften för sammanhanget.
8. Integrera omflyttningslogik i Agentforces instruktioner och en omflyttningsåtgärd så att agenten vet när de ska överföra komplexa kundcase. Hantera dirigeringsprioritet och kapacitet via Omni Supervisor.
9. Testa den fullständiga upplevelsen: Jane öppnar chatten och agenten hälsar på henne, identifierar sin order, hämtar leveransdata och flyttar om sömlöst när mänskligt ingripande krävs (se även Aktivera utökade händelseloggar).
10. Konfigurera dataintegrering.

    Mappa sammanhangsdata

    →

    Skapa MuleSoft API-inloggningsuppgifter

    →

    Registrera MuleSoft extern tjänst

11. Jorda agenten med Janes Salesforce-sammanhang genom att mappa hennes kontakt- och orderposter genom autentiserade chatt- eller förchattformulär.
12. Anslut Salesforce säkert till MuleSoft Shipping API med externa inloggningsuppgifter och autentiseringsuppgifter för autentisering.
13. Om MuleSoft visar en OpenAPI-specifikation, registrera den som en extern tjänst så att Flow och agenten kan anropa den deklarativt.
14. Konfigurera ostrukturerad dataintegrering.
    1. Skapa ett nytt databibliotek från Inställningar. Döp den till "Order och leveranspolicy".
    2. Lägg till PDF-filer med policydokument som innehåller undantag för leveranspolicyer.
    3. Bakom kulisserna delas dokumenten automatiskt upp, indexeras och görs redo att användas.

Agentkörningsprocessflöde

När agenten har konfigurerats och distribuerats inträffar följande steg vid runtime.

1. Chattstart: Jane öppnar Agentforce chatt (inbäddad tjänst). Session och kontaktsammanhang läses in efter att Jane har loggats in.

2. Hälsning och syfte: Agenten hälsar på Jane. Jane frågar efter status för en order och syftesidentifiering mappar "senaste order" till ämnet Ordrar och spårning.

3. CRM-sökning: Agenten utlöser åtgärden Hämta senaste order och frågar Salesforce (ordersammanfattning/ordrar) efter Janes senaste post.

4. Leveransfråga: Agenten anropar MuleSoft API via en autentiseringsuppgift och /shipping/status/{orderId} returnerar en status i realtid och en spårnings-URL.

5. Svarssammansättning: Agentforce kopplar resultat och skapar ett svar: "Din order [OrderID] skickas via [Carrier], anländer imorgon — [Spåra här]."

6. Reservdelar: Om det inte finns någon matchning eller ett API-fel ber agenten om ursäkt och erbjuder sig att försöka åtgärda eventuella dataproblem igen.

7. Omflyttning: Komplexa eller känslomässiga sökfrågor överförs automatiskt till en människa via Omni-Channel och skickar vidare hela chatten och sammanhanget.

8. Loggning: Alla syften, åtgärder och resultat lagras i interaktionsloggar. API-latens bevakas i Anypoint Monitoring.

9. Ständig förbättring: Omflyttningar främjar Agentforces omskolning; vanliga flöden förfinas i den efterföljande utgåvan.

En kund med högt värde, John, har lagt till produkter till ett värde av över 1 000 kronor i sin onlinevarukorg men slutför inte köpet inom 60 minuter.

• Utlösare: En Salesforce Platform-händelse, Cart_Abandoned__e, avfyras från e-handelssystemet och innehåller Johns kontakt-ID och varukorgsvärdet.
• Agentåtgärd: En proaktiv agent som prenumererar på denna händelse aktiveras omedelbart.
• Process:
  1. Agenten kontrollerar Johns post i Salesforce och ser att han är en VIP-kund.
  2. Det skapar en uppgift med hög prioritet för Johns kontoansvariga Sarah, med alla detaljer om den övergivna varukorgen.
  3. Det skickar en notis till Sarah via Slack och uppmanar henne att följa upp.
  4. Samtidigt registrerar den John i en målinriktad Marketing Cloud-resa som skickar ett påminnelsemeddelande med en begränsad rabattkod på 10 % för att uppmuntra honom att slutföra köpet.

Recept

Detta recept beskriver implementeringen av en proaktiv AI-agent på Salesforce Platform för att hantera att VIP-kunder överger varukorgar med högt värde. Lösningen använder Salesforce Platform Events, Data 360 för Knowledge hämtning och Agentforce för att orkestrera snabba och intelligenta uppföljningsåtgärder och därmed omvandla passiva data till aktivt affärsengagemang.

Designtid

1. Konfigurera en händelse för övergiven varukorg att utlösas när John, en VIP-kund, lämnar varukorgen övergiven.

   Skapa eget kontaktfält

   →

   Definiera ny plattformshändelse

   1. Skapa en plattformshändelse för Kundvagn_övergiven__e med fälten Kontakt-ID, Kundvagnsvärde, Datumtid för senast uppdaterad varukorg och Kundvagnsdetaljer.
   2. Konfigurera händelsen övergivande: Med Commerce Cloud, skapa en plattformshändelse för notiser om Checkout-händelser. Övergivande upptäcks när sessionsläget för varukorgens Checkout är i ett mellanläge och sessionen löper ut efter en tröskel. Alternativt, om din e-handel är ett externt system, publicera händelsen till Salesforce med någon av dessa metoder: Flöden, Apex, Salesforce API eller Pub/Sub API.
   3. I objektet Kontakt, skapa ett nytt fält, Customer_Tier__c, med kombinationsrutevärdena Standard, Premium och VIP.
2. Konfigurera ostrukturerat dataintag i Data 360: Lägg till ett rabattpolicydokument som kommer från ett dokumentarkiv till Data 360 via Amazon S3.

   Skapa AWS S3-inloggningsuppgifter	→	Skapa ny S3-dataström	→	Konfigurera och distribuera ström	→	Skapa sökindex
   						↓
   				Testhämtningsfunktion	←	Konfigurera och distribuera index

   1. Skapa externa inloggningsuppgifter för åtkomst till S3: Skapa en ny uppsättning åtkomstnycklar och hemligheter för en IAM-användare eller IAM Amazon Resource Name (ARN) för en IdP.
   2. Skapa en ny S3-dataström: På fliken Dataströmmar, skapa dataströmmen Policydokumentström, välj S3-källan, välj PDF-filtypen, ange uppdateringsfrekvens, mappa metadatafälten (filnamn och storlek) och distribuera sedan.
   3. När dataströmmen är klar, skapa ett sökindex: Använd passageextrahering för uppdelning, inbäddningsmodellen E5-large-v2 och hybridsökningstypen och distribuera sedan indexet.
   4. Testa den skapade hämtningsfunktionen.
3. Konfigurera agenten för återställning av VIP-varukorg.

   Skapa agent från mall	→	Lägg till ämnet Återställ VIP-varukorg	→	Lägg till ämnesinstruktioner	→	Skapa Slack-varningsåtgärd
   						↓
   Lägg till åtgärder i ämnet	←	Skapa åtgärd för registrering av resa	←	Skapa rabatterbjudandeåtgärd	←	Skapa återställningsuppgift för varukorg

   1. Skapa en agent från Agentforce Employee Agent-mallen.
   2. Lägg till ett nytt ämne, Återställ VIP-varukorg, med beskrivningen att denna agent hanterar övergivande av varukorg med högt värde för VIP-kunder.
   3. Lägg till ämnesinstruktioner för att validera VIP-status, kvalificera varukorgen, meddela kontochefen i Slack, rekommendera ett rabatterbjudande och registrera kunden i e-postresan för återställning av varukorgen.
   4. Skapa åtgärder och en uppgift.
      • Åtgärden Varna kontoansvarig: Skickar en proaktiv Slack-notis
      • Uppgiften Återställ övergiven varukorg, tilldelad till chefen med varukorgsdetaljer
      • Åtgärden Hämta rabatterbjudande: Analyserar policy och tidigare inköpshistorik. Skapa en uppmaningsmall med jordning, referera hämtningsfunktionen i uppmaningsmallen och använd data.
      • Registrera dig för åtgärden Återställningsresa: Registrerar sig för Marketing Clouds återställningsresa via API och tar in alla prenumerantdata och det rabatterade e-postmeddelandet som skapas från agenten.
   5. Lägg till åtgärderna i ämnet.
   6. Skapa en återställningsresa för VIP-kunders varukorg med hjälp av mallar i Marketing Cloud, eller skapa en ny resa.
4. Skicka en plattformshändelse för att ringa agenten.

   Skapa händelseutlöst flöde

   →

   Prenumerera på plattformshändelse

   →

   Lägg till agent åberopbar åtgärd

   →

   Skicka händelsedata till agent

   1. Skapa ett nytt plattformshändelseutlöst flöde, Återställning av VIP-kundvagnsavbrott.
   2. Välj händelsen Cart Abandoned [Övergiven varukorg] som flödet ska prenumerera på.
   3. Konfigurera en egen agent åberopbar åtgärd i Flow Builder och välj agenten för återställning av VIP-varukorg. Skicka begäran om att inleda en återställning av övergiven VIP-vagn för kunden och skicka plattformshändelsebelastningen.

Agentkörningsprocessflöde

När agenten har konfigurerats och distribuerats inträffar följande steg vid runtime.

1. Upptäckt av övergiven varukorg: John lägger till 1200 kr i sin varukorg och ingen Checkout eller fasförlopp efter 60 minuter utlöser övergivande.
2. Publicering av plattformshändelse: Commerce Cloud publicerar händelsen Cart_Abandoned__e med Johns kontakt-ID, varukorgsvärde på 1200 SEK, ändringsdatum för varukorg och andra detaljer.
3. Flödesinitialisering: Plattformshändelsen utlöser återställningsflödet för VIP-varukorg.
4. Aktivering av anställd agent: När flödet körs åberopas agenten för återställning av VIP-varukorg.
5. Utförande av ämne: Agenten löser ämnet Återställ VIP-varukorg och utför instruktionerna.
6. Skapande av notis: Agenten varnar Johns kontochef Sarah i Slack.
7. Uppgiftsskapande: Agenten skapar en uppgift åt Sarah och informerar henne om vilka uppföljningar den kommer att utföra.
8. Rabattanalys: Agenten kör rabattanalysen genom att anropa Data 360-hämtningsfunktionen för att be om "max tillåtna rabatter" baserat på varukorgsvärdet, kundnivån och inköpshistoriken. I detta fall rekommenderar funktionen ett rabatterbjudande på 10 %.
9. E-postförberedelse och registrering av resa: Agenten förbereder ett e-postmeddelande med rabatterbjudanden och registrerar John i Marketing Cloud-resan för återställning av VIP-kundvagn med det nya varukorgspriset.
10. Loggning och attribution: John löser in erbjudandet, vilket skapar en loggattribution och konverteringsmått.
11. Feedbackanalys: Resultatet analyseras för att ytterligare avgöra erbjudanden, tid till återhämtning och andra optimeringsfaktorer.

En säljare, David, är engagerad i ett upptäckssamtal med ett nytt prospekt. En intelligent agent övervakar aktivt samtalet i realtid och ger David omedelbar support genom att svara på prospektets frågor.

Exempel: Om prospektet frågar efter en specifik produktspecifikation hämtar agenten automatiskt de relevanta detaljerna och levererar dem till David via Slack eller ett privat meddelande.

• Utlösare: Ett prospekt ställer en fråga som kräver specifik produktinformation under ett upptäckssamtal med en säljare (David).
• Agentåtgärd: Den omgivande agenten analyserar kontinuerligt samtalsloggar och meddelanden och identifierar och hämtar information som behövs på ett intelligent sätt.
• Process:
  1. Agenten tolkar samtalsavskriften i realtid.
  2. Den identifierar automatiskt nyckelåtgärdsobjekt och hämtar relevant information.
  3. I detta fall hämtar agenten produktinformation direkt från Salesforce.
  4. Den presenterar sedan automatiskt den hämtade informationen för David via Slack eller ett privat meddelande.

Recept

Det finns förkrav i detta recept som kräver kapacitet för tal-till-text i realtid, och vi antar att de är tillgängliga via din kommunikationsleverantör. Här är till exempel ett recept för att integrera Zoom-samtal.

Förkrav: Exempel på avskrifter i realtid av ett zoomsamtal:

• Skapa en Zoom-app i Zoom Developer Platform med de omfattningar som behövs för att läsa inspelning, webhook-utskick och mötesström. Aktivera produktfunktioner som behövs, till exempel medieströmmar i realtid (RTMS).
• Konfigurera en mellanliggande signalserver (Zoom RTMS-exempel) som tar emot ljudströmmen, vidarebefordrar den till Amazon Transcribe-tjänsten och får tillbaka den avskrivna texten. Avskrifterna publiceras sedan till Salesforce som en plattformshändelse.

Designtid

1. Konfigurera en agent för realtidssvar för säljsamtal.

   Skapa agent från mall	→	Lägg till ämnet Assistera samtal	→	Lägg till ämnesinstruktioner	→	Skapa åtgärd för avskriftsanalys
   						↓
   		Lägg till åtgärder i ämnet	←	Skapa Slack-insiktsåtgärd	←	Skapa produktspecifikationsåtgärd

   1. Skapa en agent från Agentforce Employee Agent-mallen.
   2. Lägg till ett nytt ämne, Assistera samtal, med beskrivningen att denna agent lyssnar på liveavskrifter, förstår syftet och hjälper till med produktdata.
   3. Lägg till ämnesinstruktioner för att tolka avskrifter, hämta produktspecifikationer och skicka Slack-meddelanden.
   4. Skapa åtgärder.
      • Åtgärden Analysera samtalsavskrift: Analyserar mottagna samtalsavskrifter i realtid och extraherar nyckelfrågor eller åtgärder
      • Åtgärden Hämta produktspecifikation: Knowledge artiklar om produktkunskap
      • Skicka Slack-insikter till den "interna" användaren
   5. Lägg till åtgärderna i ämnet.
2. Konfigurera ett databibliotek för Product Knowledge.

   Skapa nytt databibliotek

   →

   Lägg till Knowledge artiklar

   →

   Systembitar och index

   →

   Markbibliotek i användning

   1. Skapa ett nytt databibliotek från Inställningar. Döp den till "Product Knowledge".
   2. Lägg till de Knowledge artiklar som innehåller produktinformationen.
   3. Bakom kulisserna delas dokumenten automatiskt upp, indexeras och görs redo att användas.
   4. Använd jordning i åtgärden Hämta produktspecifikation.
3. Publicera avskriften i realtid till Salesforce via Pub/Sub API.

   Server tar emot ljudavskrift

   →

   Server publicerar plattformshändelse

   1. Skapa en plattformshändelse, Transcript_Segment__e, med fälten Anrops-ID, Sekvens, Talare, Starttid för segment, Segmentsluttid, Varaktighet och Avskriftsdata.
   2. I din signalserver (se avsnittet Förkrav) publicerar du data direkt via händelsen Transcript_Segment__e när du har fått den avskrivna texten från ljud. Du kan publicera händelsen till Salesforce med någon av dessa metoder: Flöden, Apex, Salesforce API eller Pub/Sub API.
4. Trådflöde för att prenumerera på den publicerade händelsen Avskriftssegment__e.

   Skapa händelseutlöst flöde	→	Prenumerera på avskriftshändelse	→	Lägg till agent åberopbar åtgärd	→	Skicka payload till agent
   						↓
   						Agent skickar Slack DM

   1. Skapa ett nytt plattformshändelseutlöst flöde, Discovery-samtalsinsikter.
   2. Välj händelsen Avskriftssegment__e som flödet ska prenumerera på.
   3. Konfigurera en egen agent åberopbar åtgärd i Flow Builder och välj agenten Realtidssvar för säljsamtal. Skicka händelsebelastningen för att dirigera till ämnet Assistera samtal. När frågan har deriverats från ämnet skickas frågan till åtgärden Hämta produktspecifikation för ett svar.
   4. Det slutgiltiga svaret kompileras och skickas omedelbart till användaren via en Slack DM.

Agentkörningsprocessflöde

När agenten har konfigurerats och distribuerats inträffar följande steg vid runtime.

1. Initiering av samtal: David startar ett upptäckssamtal med ett prospekt i ett zoomsamtal. Zoom RTMS strömmar liveljudet till slutpunkten för signalserverns avskrift.
2. Realtidsavskrift: Signalservern tar emot ljudet, transkriberar ljudet till text och publicerar en plattformshändelse för Avskriftssegment i Salesforce Platform.
3. Agentlyssning och sammanhangsklassificering: Salesforce tar emot plattformshändelsen och utlöser flödet Discovery-samtalsinsikter.
4. Flödet inleder agenten för realtidssvar för säljsamtal som tar emot segmentet, identifierar frågor (som "Integreras brödrosten 2XP med mobila enheter?" och klassificerar dem under ämnet Hjälpsamtal.
5. Kunskapshämtning: Agenten utlöser åtgärden Hämta produktspecifikation och frågar Knowledge för matchande svar.
6. Skicka privat Slack DM: Agenten kör Skicka Slack-insikt och gör inlägg i Davids Slack DM: "Product Toaster 2XP kan integreras med Apple- och Android-enheter och kan anslutas via Bluetooth. När appen har installerats är det bara att ansluta via Bluetooth och använda brödrosten. Här är länken till manualen."
7. Fortsättning i realtid: Agenten fortsätter att ta emot avskriftstext; om flera insikter uppstår trådar den sammanhangsberoende Slack-svar utan att störa samtalsflödet.
8. Sammanfattning efter samtal: I slutet av sessionen sammanställer agenten automatiskt en sammanfattning: nyckelfrågor, åtgärder som vidtagits och refererade produkter.
9. Ständig förbättring: Agentforce Analytics utvärderar latens för avskrifter och svar, precision för produktmatchningar och säljresultat för att förfina ämnesinstruktioner över tid.

En försäljningschef, Bob, ger en autonom agent ett mål: "Öka vår försäljningspipeline i tillverkningssektorn i Kalifornien med 5 miljoner dollar under de kommande 60 dagarna."

• Utlösare: Chefen tilldelar målet genom ett kommando i Slack.
• Agentåtgärd: Den autonoma agenten påbörjar sin planerings- och utförandeloop.
• Process:
  1. Forskning: Agenten frågar Salesforce Data 360 och externa datakällor (via MuleSoft) för att identifiera företag i Kaliforniens tillverkningssektor som inte är befintliga kunder.
  2. Kvalificera: Den analyserar dessa företag och letar efter köpsignaler som senaste finansieringsrundor, nya chefsanställda eller relevanta jobbannonser. Den betygsätter och prioriterar de 20 bästa prospekten.
  3. Identifiera kontakter: Den hittar nyckelkontakter (som till exempel vd:er för verksamheten och anläggningschefer) på dessa företag.
  4. Uppsökande: Den utarbetar personliga e-postmeddelanden för varje kontakt, med referenser till specifika företagsnyheter eller smärtpunkter. Det schemalägger dessa e-postmeddelanden att skickas under nästa vecka.
  5. Uppföljning: Den följer e-postöppningar och svar. Ett positivt svar från ett prospekt utlöser en analys av deras kalender för att föreslå mötestider, vilket automatiskt skapar en Salesforce-händelse och ett nytt säljprojekt vid bekräftelse.
  6. Rapport: Den tillhandahåller veckovisa Förloppsrapporter till säljchefen i Slack.

Recept

Detta är ett scenario med flera agenter där varje agent utför en specifik uppgift och lämnar över sammanhanget, datan och kontrollen till nästa agent. Vi kommer att använda några egna sidhuvudlösa agenter för forskning och kvalificering, och den färdiga SDR-agenten (Sales Development Rep) för prospektuppsökande och övervakning. Vi kommer även att anta att Bobs företag använder ZoomInfo för sina marknadsundersökningar. Företaget får även leverantörsnätverksdata som finns kvar i en databas och innehåller värdefull information om de företag de samarbetar med.

Designtid

1. Konfigurera arkitektur för flera agenter.

   Forskningsagent samlar in intelligens

   →

   Kvalificeringsagent betygsätter lead

   →

   SDR-agent påbörjar uppsökande

   1. Forskningsagent: Frågar Data 360 och externa källor via MuleSoft
   2. Kvalificeringsagent: Prioriterar, betygsätter och berikar leads
   3. SDR-agent: Hämtar leadtilldelningar, utför uppsökande, följer upp och schemalägger möten. Övervaka SDR-agenters aktivitet och förlopp med Agentforce Analytics för SDR-agenter.
2. Upptäck och ta in nya företagsdata.

   Skapa nytt datautrymme

   →

   Ta in Salesforce CRM-data

   →

   Ta in ZoomInfo-data

   →

   Ta in leverantörsdatabasdata

   1. Konfigurera ett nytt datautrymme som heter Försäljning och marknadsföring. Detta nya datautrymme kommer att innehålla alla data som behövs för autonoma agenter.
   2. Använd Salesforce-anslutare för att flöda data för Lead, Konto, Kontakt och Säljprojekt CRM till datautrymmet.
   3. Konfigurera en Data 360-anslutare för ZoomInfo. Flöda data till Data 360-datautrymmet för försäljning och marknadsföring.
   4. Konfigurera Anypoint Salesforce Data 360-anslutaren för att ansluta till leverantörsdatabasen och ta in data i Data 360.
3. Konfigurera en plattformshändelse för att inleda den sidhuvudlösa agenten Research and Qualification.

   Skapa ny plattformshändelse

   1. Skapa en ny plattformshändelse för AgentGoal__e med målet Field som fångar upp användarens övergripande mål.
4. Konfigurera en agent för Målorkestrering, en konversations-AI-agent som tar emot användarens mål och orkestrerar det till andra agenter.

   Skapa agent från mall	→	Lägg till ämnet Tolkningsmål	→	Lägg till ämnesinstruktioner	→	Skapa åtgärden Målhändelse
   						↓
   						Lägg till åtgärd till ämne

   1. Skapa en agent från Agentforce Employee Agent-mallen.
   2. Lägg till ett nytt ämne, Tolka mål, med beskrivningen att denna agent förstår målets syfte och kan anropa ytterligare agenter efter behov.
      • Lägg till ämnesinstruktioner för att tolka målet och utlösa händelser för andra agenter.
   3. Skapa en händelse för Mål, AgentGoal__e.
5. Konfigurera en agent för Leadforskning och Kvalificering, som utlöses av en orkestreringsagent.

   Skapa forskningsämne	→	Skapa dedupliceringsåtgärd	→	Skapa leadberikningsåtgärd	→	Skapa leadbetygsåtgärd
   						↓
   				Lägg till åtgärder i ämnet	←	Skapa leadkvalificeringsåtgärd

   1. Skapa ett ämne för prospektundersökning med beskrivningen "Undersök nya leads i en region eller delstat".
   2. Skapa åtgärder.
      • Avduplicera Apex Lead: Kontrollera och validera nya leads mot befintliga kunder
      • Åtgärden Berika Apex för leads använder en uppmaningsmall: Tittar på ostrukturerade data om marknadsföringsinsikter och leverantörsdatabaser för att förbättra leaddata
      • Betygsätt leadåtgärd: Proaktivt betygsätta ett lead med uppdaterade leaddata
      • Kvalificera lead för agentåtgärd: Baserat på betyget, tilldela parametrar som kvalificerar leadet för en SDR-agent
6. Konfigurera en Agentforce SDR-agent för att utföra uppsökande, leadvård och mötesschemaläggning.

   Skapa SDR-agent från mall	→	Konfigurera agent Knowledge base	→	Konfigurera agenters e-postinställningar	→	Ange tilldelningsregler för leads
   						↓
   						Definiera kvalificerande leadkriterier

   1. Skapa en ny SDR-agent från inställningssidan med den förkonfigurerade mallen Lead Nurture Agent. Konfigurera e-postinställningar och tilldelningsregler för leads, välj objektet Lead eller Kontakt och definiera kvalificeringskriterierna (tröskelleadbetyg och nytt lead) för tilldelningsregler.
   2. Konfigurera Agentforce Leadvård genom att konfigurera agenten, tilldela behörigheter och konfigurera reglerna för kadens och tilldelning.
   3. Konfigurera Knowledge så att SDR-agenten kan svara på frågor.
7. Konfigurera ett nytt flöde för att prenumerera på den publicerade händelsen AgentGoal__e.

   Skapa händelseutlöst flöde

   →

   Prenumerera på händelsen Agentmål

   →

   Lägg till agent åberopbar åtgärd

   1. Skapa ett nytt plattformshändelseutlöst flöde som heter Dirigera mål till agenter.
   2. Välj händelsen Agentmål som flödet ska prenumerera på.
   3. Konfigurera en egen agent åberopbar åtgärd i Flow Builder och välj agenten Leadforskning och kvalificering.

Agentkörningsprocessflöde

När agenten har konfigurerats och distribuerats inträffar följande steg vid runtime.

• Måltilldelning: Bob ger en autonom agent i uppdrag att "öka pipeline i tillverkning i Kalifornien med 5 miljoner dollar på 60 dagar".
• Orkestrering av mål: Den autonoma agenten för Målorkestrerare tar emot målet, tolkar syftet och skapar en plattformshändelse, AgentGoal__e. Agenten Målorkestrerare är utformad för att kontinuerligt utöka sin kapacitet för att hantera flera mål. Du kan utöka den för att lägga till ytterligare orkestreringsmöjligheter eller be användaren om förtydliganden för att bättre förstå syftet och inleda målet.
• Dirigering: Flödesdirigeringsmålen till agenter utlöses och anropar agenten Leadforskning och kvalificering.
• Forskning: Agenten för leadundersökningar och kvalifikationer frågar Data 360 efter ny leadinformation, avduplicerar mot befintliga kunder, hämtar ytterligare marknadsundersökningsdata från Data 360 och berikar leadet. Den betygsätter leadet ytterligare, identifierar nyckelkontakter och kvalificerar leadet.
• Uppsökande: När leadet är kvalificerat blir leadet giltigt för SDR-agenten via tilldelningsreglerna för lead. SDR-agenten gör den inledande kontakten och upprätthåller konversationer med kontakten genom att svara på frågor relaterade till produkten.
• Uppföljning: I slutet av kadensen eller på leadets begäran frågar agenten efter ett mötesschema om leadet är kvalificerat för servicerepresentantengagemang. Det schemalägger sedan mötet och går ur flödet.
• Agent Analytics: Instrumentpanelen SDR Agent Analytics ger insikter i hur effektivt agenten presterar.

En kund som varit med länge upplever ett mångfasetterat problem: de har överfakturerats, ersättningsdelen de fick var felaktig och deras tjänst har nu kopplats bort.

• Utlösare: Kunden inleder en chatt och den inledande konversationsagenten känner snabbt igen komplexiteten och flyttas om till en agentsväm.
• Agentåtgärd: En orkestreragent tar över.
• Process:
  1. Orkestratör: Upprätthåller konversationen med kunden och tillhandahåller uppdateringar
  2. Orkesterdelegater: Med implementeringen av A2A-protokollet upptäcker Orchestrator "relaterade agenter" (Fakturering, Logistik och Provisionering) med de kapaciteter och utskicksuppgifter som behövs.
     • Till faktureringsagent: "Undersök faktura #INV-7890 för kund X. Finns det avvikelser?"
     • Till logistikagent: "Kontrollera spårningsnummer #TN-12345 för kund X. Bekräfta artikelnumret som skickats och det aktuella lagret för rätt del."
     • Till provisioneringsagent: "Kontrollera servicestatus för konto #ACC-5678. Om frånkopplad, vilken är orsakskoden?"
  3. Specialiserade agenter utför: Varje agent får A2A-begäran, frågar sitt respektive system och formulerar ett svar.
  4. Syntes: Agenterna rapporterar tillbaka sina upptäckter till Orchestrator via A2A-svar. Orchestrator syntetiserar informationen: "Kunden fakturerades verkligen över 50 dollar. Fel del skickades på grund av ett lagerfel. Tjänsten kopplades bort automatiskt på grund av faktureringsproblemet."
  5. Godkännande: Orkestreraren informerar kunden om problemet och erbjuder att flytta om problemet till en servicerepresentant med tydlig vägledning om nästa steg.
  6. Lösning: Den föreslår sedan en fullständig lösning för servicerepresentanten för godkännande. Servicerepresentanten går med i konversationen. Servicerepresentanten tittar snabbt på alla data som är relevanta för problemet, inklusive agentens rekommenderade lösning: "Skapa en ny leveransorder för rätt del med påskyndad leverans. Inled en retur för fel del. Godkänn 10% rabatt på den nya ordern och merförsälj delen med den senaste förbättrade versionen. Uppdatera betalningsinformation och erbjud dig att konfigurera ett återkommande faktureringsarrangemang."

Recept

Detta recept beskriver implementeringen av ett system för samarbetande agenter som utformats för att hantera komplexa kundserviceproblem som involverar flera aspekter. Genom att använda en orkestreringsagent för att delegera uppgifter till specialiserade agenter (fakturering, logistik och provisionering) via ett A2A-protokoll och sedan skapa en syntetisering av deras upptäckter tillhandahåller systemet omfattande lösningar och integrerar sömlöst servicerepresentanter för slutligt godkännande och kundinteraktion.

Designtid

1. Konfigurera Utökad chatt som kundens chattingång så att de kan öppna Agentforces fönster på webbsidan.
2. Konfigurera en Agentforce Billing Agent, en sidhuvudlös specialiserad agent som kan ta en order eller faktura och utföra en faktureringsfråga.

   Skapa agent från mall

   →

   Definiera ämne för faktureringsförfrågan

   →

   Skapa egen flödesåtgärd

   →

   Lägg till åtgärd till ämne

   1. Aktivera Agentforce och skapa en anställd agent från Agentforce anställd agent-mallen.
   2. Definiera ett ämne, Faktureringsförfrågan, med beskrivningen "Undersök fakturaavvikelser, betalningsproblem och faktureringsfel".
      1. Lägg till en egen flödesåtgärd, Kontrollera fakturaavvikelse, med inmatning av fakturanummer, kund-ID och datumintervall, och utmatning av Avvikelsebelopp, grundorsak och påverkade transaktioner.
3. Konfigurera en Agentforce Logistics Agent, en sidhuvudlös specialiserad agent som kan verifiera leveranser, följa leveranser och kontrollera lager.

   Skapa agent från mall

   →

   Definiera ämne för leveransbekräftelse

   →

   Skapa egen flödesåtgärd

   →

   Lägg till åtgärd till ämne

   1. Aktivera Agentforce och skapa en anställd agent från Agentforce anställd agent-mallen.
   2. Definiera ett ämne: Leveransbekräftelse, med en beskrivning för att verifiera leverans för faktura.
      1. Lägg till en egen flödesåtgärd, Verifiera leveransinformation, med inmatning av fakturanummer, kund-ID och datumintervall och utmatning av levererad del, datum och lagerstatus.
4. Konfigurera en Agentforce Provisioning Agent, en sidhuvudlös specialiserad agent som kan bekräfta provisionering och servicestatus.

   Skapa agent från mall

   →

   Definiera ämne för servicekontroll

   →

   Skapa egen flödesåtgärd

   →

   Lägg till åtgärd till ämne

   1. Aktivera Agentforce och skapa en anställd agent från Agentforce anställd agent-mallen.
   2. Definiera ett ämne, Servicekontroll, med en beskrivning för att bekräfta serviceanslutning och kontostatus.
      1. Lägg till en egen flödesåtgärd, Verifiera service, med inmatning av kund-ID och tillgångs-ID, och utmatning av servicestatus och orsak till serviceundantag.
5. Visa agenter för fakturering, logistik och provisionering som A2A-servrar och registrera dem i agentregistret.

   Exponera agenter via MuleSoft

   →

   Registrera agenter i registret

   1. Om Agentforce Agenter inte har direkt A2A-stöd kan MuleSoft-anslutare användas för att visa agenters API som A2A-servrar.
   2. Registrera dessa A2A-servrar i agentregistret.
   3. Använd Anypoint Agent Fabric för orkestrering av agenter.
      1. MuleSoft Agent Broker kan hjälpa till att orkestrera alla agenter över plattformar baserat på agentkapacitet som nämns på agentkorten.
6. Konfigurera en Agentforce Help Agent, en agent för konversations-AI som interagerar med kunder, bedömer komplexitet och koordinerar med flera specialiserade agenter för att lösa problemet.

   Skapa serviceagent	→	Definiera undersökningsämne	→	Skapa notisåtgärd	→	Definiera orkestreringsämne
   						↓
   Definiera omflyttningsämne	←	Skapa åtgärden Skapa kundcase	←	Skapa åtgärden Samtalsagent	←	Skapa agentorkestreringsflöde
   ↓
   Skapa Omni-Channel-flöde	→	Anslut flöde för omflyttning

   1. Aktivera Agentforce och skapa en Serviceagent i Agentforce Builder för att hantera konversationer och utlösa egna åtgärder.
   2. Definiera ett ämne, Serviceundersökning, med en beskrivning och instruktioner så att agenten naturligt känner igen ett komplext ämne med vanligtvis flera samtidiga problem.
      1. Skapa egna agentåtgärder.
         • Åtgärden Statusnotis för att bekräfta problemet och tillhandahålla förloppsuppdateringar
   3. Definiera ett orkestreringsämne som kan anropa andra agenter via åtgärder.
      1. Skapa en Samtalsagent-åtgärd som anropar en Flödesåtgärd. Flödesåtgärden har flera agentåtgärder och kan inleda var och en av de sidhuvudlösa agenterna: Faktureringsagent, Logistikagent och Provisioneringsagent.
      2. Skapa en Skapa kundcase-åtgärd som skapar ett kundcase, lägger till detaljer och anger status.
   4. Definiera ett omflyttningsämne med en beskrivning för att flytta om till en servicerepresentant.
   5. Skapa och aktivera ett utgående Omni-Channel-flöde.
      • Lägg till den på fliken Anslutningar i Agent för omflyttning med ett omflyttningsmeddelande.

Processflöde för agentorkestrering

Anypoint Code Builder har nu stöd för att bygga agentmäklare. En agentmäklare är ett intelligent dirigerings- och orkestreringslager som ansluter agenter över domäner och engagerar de agenter och verktyg som passar bäst. MuleSoft Dev Agent skapar koden för att konfigurera en grund för mäklaren.

Baserat på agentkapacitet som nämns på agentkorten (A2A-servrar), som tidigare registrerades i Agentregistret, görs ytterligare konfigurationer automatiskt av Anypoint Code Builder. Slutligen kan vi distribuera denna agentmäklare till molnet.

När agentmäklaren är tillgänglig för användning dirigeras dessa begäranden till rätt agenter. En mäklare får en uppmaning och använder LLM för att dela upp den i uppgifter och avgöra vilken agent som ska ringas först. I varje iterativ loop avgör den om den har hanterat den ursprungliga uppmaningen eller om den behöver arbeta med ytterligare agenter för att utföra jobbet.

Agentkörningsprocessflöde

När agenten har konfigurerats och distribuerats inträffar följande steg vid runtime.

1. Chattstart: En kund öppnar Agentforces chatt (inbäddad tjänst). Sammanhanget Session och Kontakt läses in efter att kunden har loggats in.
2. Hälsning och syfte: Agenten hälsar på kunden. Kunden, med tydlig frustration, meddelar om överpriser, fel del och frånkopplad service.
3. CRM-sökning: Agenten utlöser åtgärden Hämta senaste order och frågar Salesforce (ordersammanfattning/ordrar) efter kundens senaste post. Agenten bekräftar sedan ordern i sitt sammanhang och meddelar kunden att den kommer att undersöka den. Den söker vidare upp faktura-ID, spårningsnumret som är associerat med fakturan och tillgångs-ID relaterat till tjänsten.
4. Orkestreraraktivering: Orkestreringsagenten får omflyttnings- och order-ID och skapar sedan ett kundcase. Den skickar sammanhangsdata till och kommunicerar med tre agenter: Faktureringsagent, Logistikagent och Provisioneringsagent.
5. Faktureringsagentsvar: Faktureringsagenten returnerar med detaljer om delen, enhetskostnaden och totalkostnaden. Den noterar även en skillnad mellan delen i ordern och delen i fakturan. Faktureringsagenten letar upp priset för delen i ordern och orsakerna till överdebiteringen.
6. Logistikagentsvar: Logistikagenten returnerar med detaljer om den skickade delen och de undantagsanteckningar som skapats av logistiksystemet som anger att fel del kan ha skickats på grund av taggningsproblem. Logistikagenten verifierar även att problemet nu är åtgärdat och att rätt del finns i originalversioner och nyare versioner.
7. Provisioneringsagentsvar: Provisioneringsagenten återkommer med detaljer om frånkopplingen av tjänsten och problemet med betalningsinformationen som gått ut. Den tillhandahåller även notiser som skickas för att råda kunden att uppdatera betalningsinformationen.
8. Orkestersyntes: Orkestreringsagenten syntetiserar svaren från alla dessa agenter och skapar en lösning genom att titta på Knowledge för vart och ett av problemen. Först söker den information om fel del och inleder en retur. För det andra erbjuder den en rabatt för problemet baserat på dokumenten för lösningspolicyn och rekommenderar även en uppgradering till en nyare version som kunden kan köpa (men det finns en prisskillnad). För det tredje behöver den ny betalningsinformation från kunden, så den flyttas om till servicearkivet för att kommunicera lösningen.
9. Omflyttning: Orkestreringsagenten flyttas om till servicerepresentanten—med allt nödvändigt sammanhang, undersökningsanteckningar och lösningsrekommendationer tillsammans med nödvändiga godkännanden—och tar in servicerepresentanten i samtalet.
10. Människan i loopen: Servicerepresentanten tackar kunden för deras tålamod, ber om ursäkt för problemet och förklarar problemet. Servicerepresentanten erbjuder sedan en rabatt på 10 % för delen som kompensation och informerar även kunden om en ny uppgraderad del och dess fördelar. Slutligen förklarar de om frånkopplingen, hämtar den nya betalningsinformationen och uppdaterar systemet.
11. Proaktiv återställning: AI-agenten bevakar konversationen och agerar proaktivt för att återställa tjänsten, beställa den uppgraderade delen och skapa en ny faktura med rabatten och det justerade priset.
12. Kundcaseavslut: Slutligen kompilerar den sammanfattningen, uppdaterar kundcaset och avslutar kundcaset.

För att en agent ska vara effektiv måste den kunna integrera med en bred uppsättning företagsdata och verktyg. Detta ger det viktiga sammanhang en agent behöver för att utföra sitt konfigurerade mål. Agentforces ramverk tillhandahåller en sofistikerad integreringsarkitektur som integrerar data som är både interna i Salesforce och externa i Salesforce.

Denna sektion utforskar mönstren för att ansluta agenter till dessa resurser. Dessa mönster bygger på två grundläggande metoder för integrering.

• Intern integrering (dataåtkomst och verktygsåtkomst): För resurser inom Salesforces ekosystem har en agent två sätt att arbeta.
  • Dataåtkomst: Agentforces kärnruntime är djupt integrerad med Data 360, vilket gör att den direkt kan fråga interna datatjänster. Den kan inbyggt formulera och utföra sökfrågor mot Datagrafer för att få en 360-gradersvy av kunden, utföra semantiska sökningar via RAG för att förstå ostrukturerad Knowledge och få åtkomst till massinformation med hjälp av Data 360 Query API. Denna direkta sökväg är optimerad för snabbhet och flexibilitet vid datahämtning.
  • Verktygsåtkomst: När en uppgift innefattar komplex verksamhetslogik eller processer i flera steg, eller när den kräver strikt styrning, är dess kapacitet inkapslad i Åtgärder. Dessa åtgärder är byggda med Apex eller flöde och ger ett säkert och återanvändbart gränssnitt för agenten att göra mer än att bara läsa data—de låter den uppdatera poster, utlösa plattformshändelser eller utföra etablerade verksamhetsprocesser.
• Extern integrering (MCP/A2A): När en agent behöver information utanför Salesforce (till exempel från ett externt program, en mikrotjänst eller en annan agent) använder den Model Context Protocol (MCP). Denna öppna standard ger ett gemensamt språk för interoperabilitet. MCP-servrar kan läggas till från AgentExchange eller en administratör kan lägga till i agentregistret eller ett Apex-anrop till MCP-servern. Sedan inleder åtgärden begäran till en extern MCP-server och överbryggar den interna och externa världen på ett strukturerat sätt. På samma sätt underlättar protokollet Agent2Agent (A2A) denna interaktion när en agent behöver kommunicera med en annan agent. Detta gör det möjligt att skapa komplexa system med flera agenter där specialiserade agenter kan samarbeta för att lösa komplicerade problem, vilket främjar modularitet och återanvändning.

Följande mönster är organiserade kring de specifika dataintegreringsteman agenter behöver. Vi kommer att visa hur dessa mönster tillämpas för att lösa olika datautmaningar, från att ansluta till externa program med hjälp av MCP till att komma åt massdata med hög volym i Data 360, transaktionsposter i realtid och ostrukturerat innehåll med den kraftfulla kombinationen av direktåtkomst och formella åtgärder i Data 360.

Problem

En agents effektivitet beror på dess förmåga att hantera externa verktyg. Dessa verktyg—från äldre ERP till moderna SaaS-program—saknar dock ett gemensamt språk. Alla har ett unikt API, autentiseringsmodell och dataformat. Detta tvingar utvecklare till en spröd och oskalbar cykel av att bygga och underhålla egna, punkt-till-punkt-integreringar för varje nytt verktyg agenten behöver använda.

Sammanhang

Överväg en agent som har till uppgift att lösa ett skadat leveranskundcase. För att lyckas måste den interagera med tre olika externa system: den måste fråga en leverantörs API för att kontrollera ersättningslager, ringa en logistikpartners tjänst för att arrangera en ny leverans och få åtkomst till ett ekonomisystem för att bearbeta en kredit. Utan ett gemensamt protokoll skulle agenten kräva tre separata, skräddarsydda integreringar, var och en en en potentiell felpunkt. MCP tillhandahåller ett standardiserat kommunikationslager för att göra dessa interaktioner sömlösa och pålitliga.

Följande är recept för hur du integrerar externa tjänster som exponeras via MCP för din agent.

Recept 1: Aktivera externa verktyg med MCP

Problem

Organisationer kör på en blandning av äldre ERP och moderna SaaS, men att integrera dem med en agent är svårt eftersom det inte finns något gemensamt protokoll—varje verktyg har sina egna API:er, autentisering och datamodell. Utvecklare bygger och underhåller egna punkt-till-punkt-anslutare för varje verktyg, vilket skapar ömtåliga, oskalbara och kostsamma integreringar.

Mönster

Agenten åberopar ett externt verktyg (exponerat via MCP) genom en strukturerad åtgärd, vilket låter den använda specialiserade verktyg utöver Salesforce Platform.

Sammanhang

• Agenten fungerar som en proxy för en uppsättning verktyg som finns utanför Salesforce Platform.
• Dessa externa verktyg kan ha olika API:n, autentiseringsmekanismer och dataformat.
• Ett standardiserat kommunikationsprotokoll krävs för att möjliggöra sömlös interaktion mellan agenten och dessa externa verktyg.
• Återanvändning är en viktig fråga, eftersom samma externa verktyg kan användas av flera agenter för olika ändamål.

Interaktioner

1. Utlösare: En användarbegäran eller en intern händelse i Agentforce kräver att ett externt verktyg används.
2. Syfte att agera: Agentforce identifierar syftet och avgör att ett externt MCP-baserat verktyg behövs.
3. Planerare (intern): Agentforce Agents planerare väljer lämpligt MCP-verktyg eller åtgärd baserat på dess konfigurerade instruktioner och tillgängliga verktyg.
4. Utförande: Agentforce Agent skickar en MCP-kompatibel begäran till den externa MCP-servern (till exempel via ett Apex till en MuleSoft-slutpunkt, som sedan dirigeras till den externa MCP-servern).
5. Extern bearbetning: Den externa MCP-servern bearbetar begäran, interagerar med det underliggande externa programmet och förbereder ett MCP-kompatibelt svar.
6. Resultat: Den externa MCP-servern returnerar svaret till Agentforce Agent.
7. Uppföljning: Agentforce bearbetar svaret, uppdaterar dess interna status och fortsätter sin uppgift eller ger feedback till användaren.

Kompromisser

En agents beslutslogik är bara så sund som dess underliggande data. För att en agent ska agera intelligent måste den ha en rik förståelse i realtid av världen omkring sig. Utan en definierad arkitektur för dataintag kan agenten inte komma åt eller bearbeta den information i realtid med hög volym som är viktig för att den ska fungera.

Integrera transaktionsdata med agenter

Problem

Agenter behöver ofta utföra läs-/skrivåtgärder med låg latens för enskilda poster som finns i postsystem (till exempel uppdatera ett kundcase eller hämta en orderstatus). Dessa åtgärder kräver dataintegritet och pålitlighet för att säkerställa enhetlighet i den underliggande datamodellen. Den centrala arkitektoniska utmaningen är att tillhandahålla ett säkert, skalbart mönster i realtid för denna åtkomst till transaktionsdata utan att skapa spröda punkt-till-punkt-integreringar.

Sammanhang

Att framgångsrikt ansluta en agent till dessa poster kräver en robust arkitektur som består av flera huvudkomponenter.

• Transaktionssystem: Dessa är de officiella källorna för data, till exempel postsystem som Salesforce, Workday eller SAP, eller tjänster som värdas på plattformar som AWS.
• Integreringslager: Ett kraftfullt integreringslager, som vanligtvis hanteras av MuleSoft, är avgörande för att säkert ansluta till dessa olika system, transformera data och exponera dem för Agentforce Platform.
• MCP-servrar: För att säkerställa interoperabilitet kommunicerar agenter med dessa externa system med hjälp av MCP-standarden. Integreringslagret kan ansluta till olika MuleSoft-, Heroku- eller MCP-servrar från tredje part som är värdar för de externa tjänsterna eller agenterna.
• Agentutbyte: Denna komponent fungerar som en katalog eller ett ställverk som låter Salesforce-agenten upptäcka och säkert ansluta till rätt extern tjänst eller agent för att utföra sin uppgift.

Recept 1: Direktpostoperationer via MCP

Mönster

Agenten använder MCP för att ansluta till ett transaktionsdatasystem och utför statusfulla CRUD-operationer för specifika, identifierade poster med omedelbara krav på enhetlighet.

Sammanhang

• Konversationsagenter som samarbetar måste överföra data från postsystemet i arbetsflödet.
• Postsystemet är ett externt system.
• Transaktioner måste vara idempotenta.

Nyckelkomponenter

• Agentforce Agent: Med ämnen och instruktioner för att göra en transaktionsuppdatering. Åtgärder anropar en extern MCP-server eller Agentforce Exchange-registrerad MCP-server.
• MCP-server: Den MCP-server som exponerar transaktionsdata och -funktion (till exempel tool=billing.update_record med indata)
• Externt postsystem: Systemet där den statusändringen inträffar

Interaktioner

1. Utlösare: Ett kommando eller en händelse inträffar som kräver en transaktion för en post.
2. Syfte att agera: En Agentforce Agent identifierar ett syfte för ändring av status.
3. Planerare (intern): Planeraren väljer ett MCP-verktyg.
4. Kör: Verktyget körs efter att åtkomstkontroller på policy-, post- och fältnivå har godkänts.
5. Resultat: MCP-servern returnerar ett svar
6. Uppföljning: Agentforce bearbetar svaret.

Kompromisser

Recept 2: Komplex orkestrering via Mulesoft API

Mönster

Agenten använder Mulesoft API för komplexa, atomära transaktioner i flera steg. Detta ger en enskild, styrd slutpunkt, vilket säkerställer pålitlig end-to-end-bearbetning och undviker de problem med enhetlighet, pålitlighet, latens och data som är associerade med direkta anrop till individuella system.

Sammanhang

• Konversationsagenter och autonoma agenter behöver ofta utföra flera operationer på ett tillförlitligt sätt.
• Det finns flera transaktionssystem och operationer i en transaktion.
• Arbetsflöden kräver transaktion/återställning, försök och policytillämpning.
• Transaktionsbehov är i realtid, idempotenta, observerbara och kompatibla.

Interaktioner

1. Utlösare: Ett kommando eller en händelse inträffar, vilket kräver att en komplex transaktion utförs.
2. Syfte att agera: Agentforce Agent identifierar syftet.
3. Planerare (intern): Planeraren väljer en åberopbar åtgärd för API eller API-åtgärd.
4. Utförande: API körs och ett svar returneras.
5. Uppföljning: Agentforce bearbetar svaret.

Kompromisser

Integrera analysdata med agenter

Problem

Organisationer har investerat mycket i analytisk infrastruktur — datalager och sjöar, analyssystem i realtid och plattformar för verksamhetsinformation — men AI-agenter förblir frånkopplade från dessa system. Detta skapar en lucka i en agents förmåga att få ett förbättrat sammanhang (till exempel att en kund har returnerat delar tre gånger under det senaste kvartalet) för att hjälpa till att fatta bättre beslut (i detta fall omflyttning).

Sammanhang

En agents operativa intelligens härleds från dess förmåga att syntetisera information från fundamentalt olika dataformat och källor. Detta arkitektoniska mönster är därför inte utformat för ett enskilt användningsfall utan som ett grundläggande ramverk för dataintag. En effektiv agent måste vara utrustad att bearbeta strukturerade källor för att utföra logisk, datadriven analys. En agent behöver åtkomst till strukturerade kanaler med hög volym. Detta inkluderar integrering med företagets datasjöar (via nollkopieringsintegrering med Data 360), bearbetning av mellanprogramtransformerade dataströmmar eller intag av batchfiler som CSV.

Recept 1: Datasjöar integrerade via Data 360 Zero-Copy

Problem

Organisationer står inför höga kostnader när de använder traditionella datapipelines för att kopiera, hantera och transformera analytiska data som lagras i datasjöar (till exempel Snowflake). Historiskt sett har analyser till stor del varit offline, vilket har resulterat i missade möjligheter till snabba åtgärder.

Mönster

Agenten frågar nollkopieringsdata (och beräknade insikter) som är tillgängliga i Data 360 istället för att fråga externa datalager efter viktiga insikter. Detta hjälper agenter att grunda både transaktions- och analysdata för bättre beslutsfattande.

Sammanhang

• Din organisation lagrar kund- och driftsdata i datalager och sjöar.
• Dina agenter behöver åtkomst till aggregerade mått, historiska trender och analytiska insikter.
• Din agents sammanhang behöver både transaktions- och analysdata (överväg en undersökningsagents behov av historiska trenddata).

Interaktioner

1. Utlösare: En agent får en sökfråga om en insikt som kräver åtkomst till analytiska data eller en beräknad insikt.
2. Utförande: Agenten utför en åtgärd som anropar Data 360 Beräknade insikter via Query API och den beräknade insikten returneras.
3. Uppföljning: Agentforce bearbetar svaret.

Kompromisser

Recept 2: Utlösa åtgärder från dataströmmar

Problem

Organisationer skapar kontinuerligt värdefull information från verksamhetsaktiviteter som webbplatsbesök, samtal, möten, chattar och sensordata. När dessa interaktioner blir tillgängliga eller hämtas från datalager förloras dock viktiga insikter och möjligheten till snabba ingripanden har gått förlorad. Följaktligen missar organisationer majoriteten av den användbara intelligens som behövs i realtid, som ofta är begravd i dessa kortlivade strömmar. Detta leder till luckor, missade coachningsmöjligheter och beslut som fattas utan fullständigt sammanhang.

Mönster

Agenten får insikter i realtid eller nästan i realtid från streaminginsikter eller en realtidsinsikt i Data 360 via en dataåtgärd, eller så får agenten åtkomst till en streaminginsikt i realtid genom att fråga en MCP-server som fungerar med en realtidsbearbetningsmotor som Apache Flink.

Sammanhang

• Streamingsystem som plattformshändelser, Pub/Sub API och RTEM skapar enorma mängder strömdata.
• Strömbearbetningssystem som Data 360 och Apache Flink bearbetar dessa individuella händelser medan de anländer.
• Agentforce behöver fråga strömsystemen (till exempel den senaste 30 sekunder långa avskriften för livemötet med ytterligare sammanhang) eller utlöses av dataåtgärder (till exempel upptäckt av bedrägeri).
• Det behövs åtgärder nästan i realtid med låg latens.

Interaktioner

1. Strömutsläpp: Källsystemet avger en kontinuerlig ström av data.
2. Strömbearbetning: Strömbearbetningsmotorer som Data 360 eller Apache Flink bearbetar informationen.
3. Transformera: Insikter aggregeras, transformeras och syntetiseras till agentmedvetna data i mellanprogramvara (för komplex transformation) eller i Data 360.
4. Ströminsiktshändelse: En Data 360-dataåtgärd utlöses för syntetiserade data (till exempel en avskrift av en ljudström på 30 sekunder).
5. Berika: En agent lägger till sammanhang och upptäcker syfte.
6. Kör: Agenten utför åtgärden.
7. Uppföljning: Agenten väntar på nästa streaminginsikt.

Kompromisser

Integrera semantiska data med agenter

Organisationer har verksamhetsartefakter—kataloger, manualer, policyer, Knowledge grafer, relationskartor—i olika format och former. För att gå längre än till enkelt uppgiftsutförande och föra sofistikerade resonemang måste agenter kunna förstå dessa data där den mesta mänskliga Knowledge lagras.

Recept 1: RAG: Lås upp kraften hos ostrukturerade data för agenter

Problem

Organisationer har ofta ej sökbar information som hindrar agenter från att komma åt den med tillförsikt. Denna brist leder ofta till ofullständiga svar från agenter som saknar det sammanhangsdjup och verifierbara citat som krävs för att etablera Trust. Det finns därför ett tydligt behov av en standardiserad metod för att agenter konsekvent ska kunna hämta semantiskt relevant och korrekt innehåll.

Mönster

Detta mönster ger arkitekturen för att låta agenter ta in och tolka en mängd olika ostrukturerad information, från interna dokument till offentligt webbinnehåll. Att ge en agent åtkomst till dessa data är nyckeln till att låsa upp avancerade kapaciteter som analys av marknadssentiment, dokumentsammanfattning och konkurrentundersökningar.

Sammanhang

• Knowledge finns i filer i olika format och former.
• Överflödigt innehåll är vanligt i dessa dokument.
• En agent behöver korrekt information som kan citeras.
• Knowledge ändras ofta, så filer måste uppdateras och indexeras igen.

Interaktioner

Innehållet kan inte tas in eller användas av agenten som det är. Innehållet måste styckas, bäddas in, lagras i en vektordatabas och indexeras innan det kan hämtas och användas av agenter.

Inta och förbered

1. Krypa och ta in källor: Källor kan identifieras på två sätt: manuellt, som att ladda upp en PDF-fil, eller efter deras plats, som AWS S3.
2. Chunking: Det intagna innehållet delas upp i mindre, hanterbara delar för att underlätta effektiv bearbetning och hämtning. Detta är ett viktigt steg för RAG, eftersom det säkerställer att endast den mest relevanta informationen hämtas, snarare än hela dokument.
3. Inbäddning: Varje del konverteras sedan till en numerisk representation som kallas inbäddning med hjälp av en specialiserad språkmodell. Dessa inbäddningar fångar den semantiska betydelsen av texten, vilket möjliggör likhetsbaserade sökningar.
4. Vektorlagring: Inbäddningarna lagras i ett Data 360-vektorlager, en specialiserad databas optimerad för sökningar med hög prestandalikhet. Detta låter agenten snabbt hitta relaterat innehåll.
5. Indexering: Innehållet och dess inbäddningar indexeras inom vektorlagringen, vilket gör dem enkla att söka efter.

Data 360-hämtningsfunktioner

• Hämta innehåll: Denna funktion tar en sökfråga som indata och utför en semantisk sökning mot Data 360-vektorlagringen för att hitta de mest relevanta innehållsdelarna.
• Filterinnehåll: Denna funktion gör det möjligt att filtrera hämtat innehåll baserat på metadata, som dokumenttyp, författare eller datum, för att ytterligare förfina resultaten.
• Rangordningsinnehåll: Denna funktion rangordnar de hämtade innehållsdelarna baserat på deras likhetsbetyg (vektorsökning), nyckelordsbetyg eller en kombination av båda (hybridsökning).

Hämta och skapa

• Sökfråga: När en agent behöver information formulerar den en sökfråga som också är inbäddad i en vektor.
• Semantisk sökning: Agenten utför en semantisk sökning mot Data 360-vektorlagringen och jämför sökfrågans inbäddning med inbäddningen av de lagrade innehållsdelarna. Detta hämtar de mest semantiskt relevanta delarna baserat på vektorbetyg eller hybridbetyg (vektor och nyckelord kombinerat).
• Utökning av hämtning (RAG): Det hämtade innehållet tillhandahålls sedan som sammanhang till Agentforce Agenter tillsammans med den ursprungliga sökfrågan. LLM använder detta sammanhang för att skapa ett exakt, korrekt och citerat svar.
• Svar och hänvisning: Agenten presenterar det genererade svaret, ofta med referenser till de ursprungliga källdokumenten eller webblänkarna, för att bygga Trust och tillåta verifiering.

Kompromisser

Recept 2: Datagrafer: Förkorrigerade strukturerade grafdata för agenter

Problem

Organisationer har ofta simulerade relationsdata som hindrar en agents möjlighet att hämta dem. Detta problem resulterar ofta i att agenter ger ofullständiga svar som inte har tillräckligt med sammanhangsdetaljer för att bygga Trust om hur olika enheter är sammankopplade, eller orsakar förseningar när agenter måste hämta information från flera databaser.

Mönster

Detta mönster ger arkitekturen för att låta agenter ta in och tolka en mängd olika typer av strukturerad och semistrukturerad relationsinformation, från interna CRM-data till externa Knowledge grafer. Att ge en agent åtkomst till dessa data är nyckeln till att låsa upp avancerade kapaciteter som Customer 360 vyer, komplex beroendeanalys och dynamiskt sammanhangsbyggande.

Sammanhang

1. Relationsdata sprids över olika system och format.
2. Agenter måste förstå anslutningar mellan enheter (till exempel en kund, deras kundcase, deras ordrar och relaterade produkter).
3. Knowledge grafer och anslutna datamodeller är viktiga för att förstå komplexa relationer.
4. Agenten behöver korrekt information om enhetsrelationer som kan citeras.

Interaktioner

Relationsdata måste harmoniseras och representeras i en grafstruktur innan de effektivt kan frågas och användas av agenter.

Inta och förbered

1. Krypa och ta in källor: Datakällor (till exempel CRM-system, ERP, externa API och CSV) identifieras och tas in i Data 360.
2. Harmonisering av uppgifter: Rådata mappas till datamodellobjekt (DMO) i Data 360, standardiserar dess struktur och skapar en enhetlig vy.
3. Identitetslösning: Dubbletter av kundprofiler slås samman och relaterade poster länkas för att skapa en enda, korrekt vy av varje kund.
4. Skapande av datagraf: DMO är anslutna för att bilda en datagraf som representerar relationer mellan olika enheter (till exempel är en kund-DMO ansluten till en kundcase-DMO, som är ansluten till en produkt-DMO). Denna graf möjliggör effektiv traversering av relationer.
5. Beräknade insikter: Aggregeringsmått och härledda attribut (till exempel en kunds totala inköpshistorik) beräknas och läggs till i datagrafen för ett rikare sammanhang.

Hämta och skapa

1. Sökfråga: När en agent behöver information som involverar relationer mellan enheter formulerar den en sökfråga mot datagrafen (till exempel "Vad är alla öppna kundcase för denna kund och vilka produkter är associerade med dem?".
2. Gravgenomgång och Query API: Agenten använder Data 360 Query API för att gå igenom datagrafen och hämta anslutna poster, beräknade insikter och relevanta attribut baserat på sökfrågan.
3. Kontextuellt skapande: De hämtade relationsmedvetna data tillhandahålls sedan som sammanhang till Agentforce Agenter tillsammans med den ursprungliga sökfrågan. LLM använder detta berikade sammanhang för att skapa ett exakt, korrekt och citerat svar som återspeglar sammankopplingen av data.
4. Svar och hänvisning: Agenten presenterar det genererade svaret, ofta med referenser till de specifika poster eller relationer inom datagrafen som ligger till grund för svaret, för att bygga Trust och tillåta verifiering.

Kompromisser

Företaget står i kanten av en ny era av automatisering och intelligens, ledd av AI-agenter. Från att hantera enkla kundfrågor till att autonomt utföra komplexa affärsstrategier lovar agenter att omdefiniera produktivitet och kundengagemang. Salesforce Agentforce Platform erbjuder den viktiga, pålitliga grunden för denna transformation. Med en robust uppsättning deklarativa verktyg och prokodverktyg, en enhetlig dataplattform och engagemang för att öppna standarder genom A2A och MCP ger Agentforce en omfattande och betrodd grund för att bygga alla typer av agenter. Denna arkitektur låter organisationer distribuera intelligenta, målorienterade agenter som agerar som anslutna partners, inte isolerade, för att driva mätbara verksamhetsframgångar.

Salesforce tillhandahåller en kraftfull, integrerad uppsättning verktyg, sammanslagna av Agentforce Platform, som fungerar som grunden för att bygga sofistikerade agenter. Recepten och exemplen i detta dokument förutsätter att de är bekanta med Agentforce Platforms kapacitet och hur agenter interagerar. Denna sektion erbjuder en uppdatering av de nyckelkomponenter du behöver förstå för att få ut det mesta av recepten och mönstren i detta dokument.

Detta avsnitt beskriver de grundläggande plattformsfunktioner som är viktiga för arkitekter och utvecklare som bygger agenter i Agentforce.

• Salesforce-flöde: Det primära verktyget för att definiera agentlogik. Dess deklarativa, visuella gränssnitt är idealiskt för att orkestrera stegen en agent kommer att ta.
• Apex: Ger kraft för komplex egen logik, tillståndshantering för autonoma agenter och invecklade integreringar
• Plattformshändelser: Nervsystemet för proaktiva och samarbetande agenter fungerar som transportlagret för A2A-protokollet.
• Data 360: Agentens sammanslagna långtidsminne. Det ger det sammanhang som behövs för intelligenta åtgärder och är grunden för hämtningsutökat skapande (RAG).
• MuleSoft: Agentens brygga till omvärlden, vilket möjliggör både systemintegrering och agentkommunikation över flera plattformar via MCP.
• Slack: En primär yta för interaktion mellan människa och agent, inklusive uppgifter, notiser och godkännanden
• Agentforce chattklient: Den anpassningsbara, inbäddbara frontend för kundvända konversationsagenter

För att agenter ska vara verkligt effektiva kan de inte finnas i en silo. Agentforce omfattar två huvudsakliga interoperabilitetsmönster:

• Meddelande från Agent2Agent (A2A): Detta protokoll styr hur agenter inom Salesforces ekosystem kommunicerar med varandra. Agentforce Platform fungerar som både en A2A-klient och en server och gör respektive lyssnar efter begäranden, vilket är avgörande för samarbete mellan agenter. Agenter kan konfigureras med relaterade agenter för att upptäcka och åberopa andra agenter med specifika kompetenser, vilket skapar ett dynamiskt och utökningsbart system. Plattformshändelser fungerar som den hållbara, asynkrona transportmekanismen för dessa A2A-meddelanden.

• Model Context Protocol (MCP): Denna standard säkerställer att agenter inte är låsta till en enda plattform. MCP definierar ett vanligt meddelandeformat som låter agenter byggda på olika ramverk kommunicera. I denna modell fungerar Agentforce som en MCP-klient. Till exempel kan en Salesforce-agent fråga en extern agent som specialiserat sig på komplexa logistikberäkningar genom att skicka en MCP-kompatibel begäran. MuleSoft fungerar som gateway och transformerar den interna A2A-begäran till ett externt MCP-formaterat API-anrop, vilket säkerställer sömlös interoperabilitet i hela företaget.