Enterprise Agentic Architecture and Design Patterns ger struktur åt möjligheterna med fleragentsarkitekturer och identifierar och lyfter fram hur kapacitetsnyheter för AI-agenter kan kombineras för att leverera pålitliga, repeterbara, skalbara och hanterbara agentlösningar. Med inspiration från “Design Patterns” för objektorienterad programmering lägger vi ut mönster som kan kombineras och utökas för att lösa de många spännande utmaningar som innan agentteknik ligger utanför omfattningen av affärssystem byggda på traditionella deterministiska tekniker.

Efter diskussioner om logiken bakom fleragentsarkitekturer introducerar vi många agentmönster, från enkla mönster som använder naturlig språkbehandling för att avgöra användarens syfte, till fleragentsmönster som ger separation av problem mellan agenter, till UX-agentmönster som ger agentresonemang till presentationen och interaktionen med system, information och innehåll.

Först och främst kommer du att få ett nytt sätt att tänka på agenter - agenter som komponenter, agenter som kompositörer, agenter som skådespelare, agenter som samarbetspartners och viktigast av allt agenter inom en större arkitektur som agerar med syfte och inom sina individuella intressen.

Du kommer att få de tips du behöver för att tänka dig rika agentlösningar som sträcker sig över användarupplevelser och informerar viktiga agentiska upplevelser, upplevelser som aldrig har varit möjliga tidigare.

De inledande sektionerna i detta dokument ger logiken för muti-agent-arkitekturer. Läs dessa för en bättre förståelse av de utmaningar och möjligheter som arkitekturer med flera agenter erbjuder.

Följande är definitioner och beskrivningar av agentmönster, från enkla till komplexa, som täcker mönster som har stöd för interaktioner, mönster för specialistagenter, mönster för bakgrundsåtgärder och långa körmönster. Varje mönster innehåller ett diagram över de nyckelkomponenter som förverkligar mönstret, plus rekommendationer för användning och representativa användningsfall.

Slutligen innehåller tillägget exempel på hur dessa mönster kombineras till holistiska agentlösningar som stöder en större agentupplevelse, till exempel för att stödja Kundtjänst eller Bruten försäljning. Referera till denna sektion för att se hur en rik agentisk upplevelse använder nedbrytning och separation av problem på agent- och åtgärdsnivå för att driva återanvändning på interaktionsnivå, med delade agenter som stöder både interna och externa komponenter, i både assisterande och autonoma lägen.

När företagsarkitekter integrerar Generativ AI i sina ekosystem måste de hantera en gemensam uppsättning designfrågor:

• Hur många agenter behövs?
• Hur ska agenter samarbeta?
• Vad är arbetsfördelningen mellan agenter och människor?
• Hur sätts dessa komponenter samman till ett sammanhängande system?

Detta dokument presenterar en mönsterbaserad metod för att utforma och bygga agentlösningar.

Monolitiska medel är utgångspunkten för de flesta agentlösningar. Agenter—och mer specifikt Agentforce agenter—är kapabla utförare inom en rad olika ämnen. För vanliga användningsfall, börja med en enskild agent.

Allt eftersom din organisation växer är arkitekturer med flera agenter det föredragna tillvägagångssättet. Fleragentsarkitektur möjliggör större skala, kontroll och flexibilitet jämfört med monolitiska system med en agent.

Fleragentsarkitektur ger dessa viktiga fördelar:

• Uppdelning av ökad prestanda och komplexitet: Ett system med flera specialiserade agenter ger ökad kapacitet och förenklar efterlevnad av instruktioner.
• Modularitet och utökning: Individuella agenter kan läggas till, ersättas, ändras och testas enklare, vilket främjar smidighet.
• Motståndskraft och feltolerans: Att en enskild komponent misslyckas äventyrar inte hela systemet, vilket leder till bättre övergripande motståndskraft.
• Decentraliserad styrning: Felsökning och hantering kan isoleras till specifika agenter och deras motsvarande program, vilket förenklar underhåll och tillsyn.

Att rationalisera en arkitektur med flera agenter börjar med att projicera grundläggande arkitektoniska principer på agenters kapacitet och struktur. De resulterande fleragentsarkitekturerna är sedan en manifestation av kärnsystemdesign och systemarkitekturprinciper som är i linje med den unika "kornigheten" av AI-tekniker.

Nyckelprinciper som driver denna arkitektur inkluderar:

• Hantera komplexitet genom nedbrytning
• Förbättra motståndskraften och minska sprödheten genom frikoppling
• Förbättra pålitlighet och effektivitet genom återanvändning av kod
• Förbättra agenters pålitlighet genom att begränsa en agents omfattning av problem
• Förbättra systemunderhåll och utveckling genom modularitet och utökning
• Förenkla agenthantering och ansvarighet genom specialisering

Till skillnad från mer primitiva agentarkitekturer (till exempel de som fokuserar på LLM som den centrala arkitektoniska konstruktionen) har Agentforce utformats för orkestrering av flera agenter från början. Orkestrering av flera agenter ligger bakom Atlas Reasoning-motorn och agentresonemang för att skapa dynamiska, effektiva programmeringsvägar inom ett agentsvar för att dramatiskt utöka möjligheten att leverera en bred, djup agentisk utökning till användarupplevelsen (UX).

Inom Agentforce aktiveras denna typ av samordning av dessa öppna, interoperabla nyckelprotokoll och Salesforce-produkter:

• Agentforce tillhandahåller ett Agent-undersystem för att sammanfatta alla nyckelelement för en agent: ämnen, instruktioner, åtgärder, skyddsräcken, sammanhang, åberopningar, utdata, utförandedetaljer, loggar etc.
• Åtgärder: ge åtkomst till data, samtalsflöden, åberopa externa system och anropa andra agenter.
• Data 360: tillhandahåller ett datavirtualiseringslager för att ge agenten specifika, individualiserade sammanhang (med hjälp av Data 360:s sammanslagna profil och nyckelkedja för att hämta specifik information från hela företaget).

Och för agenter i hela företaget eller för att komma åt agenter eller resurser stöder vi:

• Model Context Protocol (MCP): är ett säkert kommunikationslager som ansluter agenter till företagsverktyg, data och Knowledge för att säkerställa sammanhangsenlig korrekthet.
• Agent-till-agent-protokoll (A2A): är ett standardiserat handslag för interagentdelegering som möjliggör säker, styrd samordning mellan system, organisationer och leverantörer.

Dessa principer utgör grunden för att bygga ett skalbart, styrbart system för orkestrerad intelligens.

Robusta agentlösningar kräver tydliga strategier för de icke-funktionella krav som ligger till grund för effektiv teknikleverans:

• Säkerhet och styrning (identitets- och åtkomsthantering, datasekretess, datasäkerhet och hotmodeller).
• Observerande och övervakning (Distribuerad spårning, centraliserad loggning, mått och instrumentpaneler).
• Operationalisering och livscykelhantering (specifikation, skapande av testfall, test, feedback, kontinuerlig inlärning, avskrivning).

Dessa är viktiga arkitektoniska överväganden för att bygga Enterprise Agentic-lösningar som inte tas upp i detta whitepaper, men de kommer att tas upp i framtida publikationer.

För att hantera ett företagsomfattande agentlandskap måste arkitekter klassificera agenter genom två kompletterande linser: teknisk funktion och verksamhetspåverkan.

Denna taxonomi kategoriserar de funktionella roller som agenter kan anta inom en arkitektur.

• Channel/UX-roller: Definiera interaktionens modalitet (till exempel Sidhuvudlös, Uppmaning, Chattar och Meddelanden eller AI-hanterade arbetsområden).
• Specialistroller: Kapsla in deep-domain Knowledge (till exempel Domänexpert, Knowledge Minion, Assistent eller Planerare).
• Verktygsserviceroller: Utföra diskreta, transaktionsrelaterade uppgifter (till exempel Skapande, Sammanfattning, Transformation eller Konfiguration).
• Underhåll och proaktiva serviceroller: Fokusera på datahälsa och kvalitet (till exempel Curation, Conformation, Datakvalitet eller Dataförbättring).
• Långsiktiga roller: Hantera processer över längre tidsperioder (till exempel Concierge, Projektledare, Vårdgivare eller Bevakare/Uppmärksammare).

För att underlätta tydlig design och kommunikation är Agentisk karta standardmallen för att beskriva agentlösningar. Den definierar nyckelenheter, system och interaktioner inom ett specifikt designmönster.

Här är mallkomponenterna för agentkartor:

• Användarlager definierar de mänskliga aktörerna i systemet (till exempel Kunder, Autentiserade anställda (SF-användare) och Ej inloggade anställda).
• Agentlager beskriver agenter som behövs, visade mönster, relationer med varandra och instruktioner som används för att aktualisera specifika mönster.
• Sammanhang/åtgärder är de resurser, kapaciteter eller åtgärder som agenten hanterar eller öppnar.
• Källor är underliggande data, program, Knowledge och andra system som agenterna ansluter till.

Tillägg A och B illustrerar agentmönster på systemnivå genom att visa deras sammansättning inom swimlanes för Agentkartmallen.

På Salesforce använder vi ett bibliotek med agentmönster för att organisera och leverera pålitliga, förutsägbara agentlösningar. Dessa mönster är våra ritningar för att lösa vanliga arkitektoniska problem.

De grupperas i fyra huvudkategorier:

• Interaktionsmönster: Fokusera på agentengagemang och användarupplevelse (UX).
• Specialist-/medarbetarmönster: Samla in deep Knowledge eller specifika kompetenser inom en viss domän.
• Mönster för verktygs- och datahantering: Utföra specifika, ofta repeterbara uppgifter som stöder andra agenter eller processer.
• Långsiktiga mönster: Hantera processer och arbetsflöden som inträffar under längre perioder, med flera steg.

Följande avsnitt beskriver nyckelmönster från varje kategori. Varje mönsterbeskrivning innehåller en översikt, utdatatyp, vägledning för mönsteranvändning, representativa användningsfall och ett lösningsdiagram samt mappning till Salesforce Agentic Mogity Rubric.

Interaktionsmönster är grundläggande design som fokuserar på agentengagemang och användarupplevelse.

• Översikt: Greeter-mönstret är ett enkelt och lättimplementerat mönster som använder naturligt språk för att avgöra användarens syfte. Sedan dirigerar den användaren till lämplig mänsklig agent.

• Utdatatyp: Överlämna/flytta om till nästa resurs.

• Affärsvärde: Underlätta en sömlös, effektiv första kontakt för kunder samtidigt som syfteslösning och sammanhangsinsamling maximeras för tjänsteleverantörer.

• Riktlinjer för mönsteranvändning: Konfigurera agenten som den primära engagemangsresursen för varumärkeskanaler. Tillhandahåll instruktioner om varumärke, produkter och tjänster som paras ihop med dirigeringsinstruktioner baserat på användarsyfte. Agenten samlar in och sammanfattar syfte att leverera en varm överlämning.

• Representativt användningsfall: Tänk dig en webbsida som använder en chattbot för att presentera en meny med alternativ där användare måste klicka igenom alla alternativ innan de dirigeras till en människa. För att förbättra produktiviteten och effektiviteten på backoffice använder chattbotar ofta komplexa, komplicerade arbetsvägar och interaktioner. Detta leder till ett utmattningsscenario för "fyll i, välj och klicka" för kunder som ofta resulterar i frustration om deras sammanhang ligger utanför de tillgängliga menyalternativen. Genom att ersätta traditionella chattbotar med den agentiska ytterdörren—som använder interaktioner på naturligt språk—lättar det bördan och ger en mänsklig interaktion.

• Agentforce-recept:

  • Agentforce Service Agent: Bygg en serviceagent
    • Den paketerade Serviceagenten har konfigurerbara överföringsfunktioner som stöder överföring:
      • Till mänskliga agenter
      • Till AI-agenter
      • Till externa agenter
  • Branschspecifika mönster som innehåller kodexempel

• Diagram:

• Salesforce Agentisk löptid: Nivå 1 (eller Nivå 0 om du använder den färdiga serviceagenten med inbyggd överföring och omflyttning)

• Översikt: Operator-mönstret bygger på Greeter-mönstret genom att dirigera begäranden till lämplig specialistagent eller mänskligt syfte och förhandlingssyfte (om det behövs).

• Utdatatyp: Överlämning/överföring till nästa resurs.

• Riktlinjer för mönsteranvändning: Para ihop varumärkes- och servicespecifika instruktioner med instruktioner om vart användaren ska skickas baserat på syfte. Definiera omflyttningsresurser, som kan vara människor eller andra agenter.

• Representativt användningsfall: Använd den agentiska ytterdörren för scenarion där det finns en hög grad av specialisering bland mänskliga eller AI-representanter.

• Diagram:

• Salesforce Agentisk löptid: Nivå 2

• Översikt: Orkestrerarmönstret hanterar AI-agenten "Sväm". När den tar emot en användarbegäran skickar den yttrandet till en eller flera specialistagenter och aggregerar sedan svaren för användaren. Till skillnad från operatormönstret förblir det den första kontaktpunkten (POC).

• Utdatatyp: Sammanställ och förbered svar från medarbetare.

• Riktlinjer för mönsteranvändning: Konfigurerad som den primära engageraren. Tillhandahåll instruktioner för varje stödjande medarbetaregent (till exempel en Prioriterare eller Domän SME) som låter orkestreraren vidarebefordra yttranden till dem.

• Representativt användningsfall: Använd Orkestrerarmönstret som den agentiella ytterdörren för att hjälpa kunder som kan behöva diskutera flera ämnen per konversation, vilket kräver lösningar för flera agenter och enhetliga interaktioner. I en arkitektur med flera system, överväg Orkestrerarmönstret för att koordinera svar mellan system och med samarbete med externa agenter.

• Diagram:

• Salesforce Agentisk löptid: Nivå 3

• Översikt: Mönstret Lyssnare/Kanal lyfter fram sammanhang och insikter under flödet av en konversation. Lyssnaren utlöses under varje konversation för att hitta och visa relevant information för en medarbetare.

• Utdatatyp: Tillhandahåll relevant sammanhang baserat på konversationen, som kan formateras för effekt (till exempel göra jämförelser eller lyfta fram nyckelpunkter).

• Riktlinjer för mönsteranvändning: Bifoga Lyssnaren till en turbaserad kanal (till exempel chatt, röst eller SMS). Definiera ämnen för varje ämnesområde. Agenten konsumerar avskriften, identifierar ämnen och åberopar åtgärder för att söka efter och publicera relevant innehåll i en kanal som körs för medarbetaren.

• Representativt användningsfall: Använd den universella assistenten för att hjälpa kundtjänst eller säljare.

• Diagram:

• Salesforce Agentisk löptid: Nivå 3

• Översikt: Mönstret Arbetsområde (Radar O’Reilly) hanterar en responsiv UX med en glasruta i flödet för en konversation. Den bearbetar varje yttrande för att uppdatera delar av UX med relevant innehåll.

• Utdatatyp: Tillhandahåll relevant sammanhang som finns i en modul i en större glasruta.

• Riktlinjer för mönsteranvändning: En Orkestratörsagent skickar yttranden till en uppsättning ämnesagenter. Varje ämnesagent bedömer uttalandet för att avgöra om en UX-uppdatering behövs. Om så är fallet pushas dynamiska uppdateringar till motsvarande LWC.

• Representativt användningsfall: Detta fungerar som en avancerad agentisk ytterdörr.

• Diagram:

• Salesforce Agentisk löptid: Nivå 3

Specialistmönster samlar in djup Knowledge eller kompetens inom ett visst område, och de är vanligtvis orkestrerade efter interaktionsmönster.

• Översikt: Answerbotmönstret är ett effektivt mönster för självbetjäning som använder GenAI för att avgöra naturligt språk för Knowledge hämtning, inte bara nyckelord.

• Utdatatyp: Sammanfattad Knowledge och referenser/hänvisningar till stödmaterial.

• Riktlinjer för mönsteranvändning: Organisera och ta in pålitliga källmaterial (till exempel Knowledge Store eller vanliga frågor) för att konfigurera agenten. Placera agenten på företagswebbplatser eller inom interna portaler. Bevaka frågor för att identifiera och åtgärda Knowledge luckor.

• Representativt användningsfall: Underlätta sökningar på naturligt språk på ett företags webbplats, interagera med en HR-förmånsbot och tillhandahålla självbetjäningskomponenter för alla komponenter.

• Diagram:

• Salesforce Agentisk löptid: Nivå 1

• Översikt: Mönstret Domän SME är ett grundläggande mönster som ger en frontend på naturligt språk för en affärsdomän (till exempel Ordrar eller Anspråk).

• Utdatatyp: Ange relevant innehåll, ämnen, data och formaterad information om domänen.

• Riktlinjer för mönsteranvändning: Använd detta mönster för att sammanfatta ett ämne eller en affärsdomän. Konfigurera agenten med möjligheten att utföra lämpliga CRUD-operationer. Gör dessa agenter tillgängliga genom interaktionsmönster (till exempel - Orchestrator eller Lyssnare).

• Representativt användningsfall: Gatekeeping en affärsdatadomän, som tillhandahåller en "Orderagent" eller "Lageragent" och ett agentgränssnitt för en affärsdomän.

• Diagram:

• Salesforce Agentisk löptid: Nivå 2

• Översikt: Förhörsmönstret är en SME-agent som kan förhöras om ett ämne för att samla sammanhang från flera källor för att besvara frågor. Den viktigaste agentkapaciteten som används är möjligheten att hämta sammanhang och ansluta koncept över en innehållssamling, på samma sätt som en människa skulle göra efter att ha läst och internaliserat innehållet. Detta mönster minskar behovet av "snurrstolsintegrering".

• Utdatatyp: Ge svar på frågor.

• Riktlinjer för mönsteranvändning: Den är ofta konfigurerad som en konsolwidget som är kopplad till användarens aktuella sammanhang så att de kan ställa frågor direkt. Den används även tillsammans med Knowledge resurser som vanliga frågor, policyer och produktkataloger. Para ihop Interrogator-mönstret med standarduppmaningar för att skala upp vanliga svar på vanliga frågor.

• Representativt användningsfall: Använd som en agent för kontraktassistent; Assistent för förmånsförfrågningar eller agent för specialistmedarbetare i mönster med flera agenter (till exempel Lyssnare eller Arbetsområde).

• Diagram:

• Salesforce Agentisk löptid: Nivå 2

• Översikt: Prioriteringsmönstret används för att ordna en uppsättning uppgifter eller arbetsobjekt baserat på ett definierat mål. Den använder GenAI för kvalitativ analys, ostrukturerad dataanalys eller integrerande analys över flera datadomäner.

• Utdatatyp: Ge genererande insikt.

• Riktlinjer för mönsteranvändning: Använd naturligt språk för att beskriva önskade egenskaper för prioritering. Jorda agenten med hjälp av en uppsättning valbara alternativ. Kombinera med lyssnarmönstret för att skapa en responsiv "Next Best Action" i arbetsflödet.

• Representativt användningsfall: Använd som en generator för Next Best Action eller en specialagent i långvariga mönster eller mönster med flera agenter.

• Diagram:

• Salesforce Agentisk löptid: Nivå 2

Verktygsmönster utför specifika, repeterbara uppgifter som stöder andra agenter eller processer.

• Översikt: Generator-mönstret är ett grundläggande mönster för att skapa nytt innehåll (till exempel kundcasesammanfattningar eller e-postutkast) från befintliga inmatningar och standarder. Den implementeras ofta som en uppmaning och kan vara inbäddad i andra agenter.

• Utdatatyp: Tillhandahåll genererat innehåll som överensstämmer med det begärda formatet och syftet.

• Riktlinjer för mönsteranvändning: Generatormönstret kan användas inom de flesta andra mönster eller fristående. Sammanhang kan tillhandahållas genom begäran, hydrering under körning eller ytterligare anrikningssteg.

• Representativt användningsfall: Tillhandahåll kundcasesammanfattningar, e-postutkast, Knowledge artiklar eller förslag/svar på QBR.

• Diagram:

• Salesforce Agentisk löptid: Nivå 1

• Översikt: Data Steward-mönstret är ett autonomt bakgrundsmönster som introducerar ett agentsteg i dataoperationer för att säkerställa enhetlig datakvalitet, efterlevnad och berikning.

• Utdatatyp: Ange uppdaterade post- och datafält innan du sparar.

• Riktlinjer för mönsteranvändning: Bädda in datakvalitet vid tidpunkten för dataskapande genom att lägga till dataförvaltare som registrerar utlöser flöden innan data sparas. Hjälper till att säkerställa enhetlig tillämpning av kategoriserings-, sammanfattnings- och statusdata.

• Representativt användningsfall: Säkerställa enhetliga uppdateringar av "Pizza-Tracker"-stil, berika kontodata och eliminera postnummer och adresser som inte matchar.

• Diagram:

• Salesforce Agentisk löptid: Nivå 2

• Översikt: Zen Data Gardener-mönstret är ett schemalagt bakgrundsmönster som används för att putsa och standardisera data och som använder billiga resonemang för att validera, berika och anpassa data över datadomäner som annars inte är anslutna till varandra.

• Utdatatyp: Tillhandahåll uppdaterade poster och/eller datahanteringsuppgifter.

• Riktlinjer för mönsteranvändning: Använd mönstret för att aktivera regelbunden, periodisk datagranskning och validering. För långsamma dataändringar, schemalägg agenten för en långsam kadens (till exempel varje månad). Kombinera med dataförvaltningsmönstret för att tillhandahålla prospektiva och retrospektiva åtgärder för datakvalitet.

• Representativt användningsfall: Säkerställa anpassning mellan sålda förmåner och anspråkssystemet, samt periodisk validering av mäklarlicenser mot nationella register.

• Diagram:

• Salesforce Agentisk löptid: Nivå 4

• Översikt: Konfigurationsmönstret skapar konfigurationsartefakter (till exempel SQL/SOQL, JSON och CSV) från krav på naturligt språk. Den kan även köras omvänt för att validera en befintlig konfiguration mot krav.

• Utdatatyp: Tillhandahåll uppdaterade poster, datahanteringsuppgifter eller byggproblem/fel för korrigeringar.

• Riktlinjer för mönsteranvändning: Jorda agenten med specifika standarder, riktlinjer eller exempel. Konfigurera byggkrav med källor som kontrakt eller produktspecifikationer. Anslut konfigurationsmönstret till målsystemet för att pusha den genererade konfigurationen.

• Representativt användningsfall: Skapa produktkonfigurationsposter för sjukförsäkringsprodukter och validera kontrakt/betalningsvillkor för vårdgivare.

• Diagram:

• Salesforce Agentisk löptid: Nivå 4

• Översikt: Mönstret Domare och jury är utformat för att minimera hallucinationer genom att använda en ensemble av "jury"-agenter och en "domare"-agent som bedömer kongruensen av svar för att säkerställa att de är materiellt enhetliga och grundade.

  • Ensemblemetoden är inbäddad i Agentforce och motorn Atlasresonemang för att hantera svarstrohet och relevans. Domar- och jurymönstret bygger på denna kapacitet när hög precision är viktigt.
  • Kombinationen av datajordning (till exempel "hitta ditt svar i dessa poster/dokument") och uppmaningsteknik (till exempel "returnera endast ett svar om det hittas i dessa poster" eller "validera ditt svar mot denna externa källa") är också effektiva sätt att minimera hallucinationer.

• Utdatatyp: Ge genererande insikt.

• Riktlinjer för mönsteranvändning: Använd när det finns ett stort behov av enhetliga och jordade generativa utdata. En domaragent sammanställer en grundad uppmaning och skickar den till två eller flera juryagenter och domaren bedömer sedan svaren. För bästa resultat, använd olika modeller (till exempel en från OpenAI och en annan från Anthropic) för varje Jurymedlemsagent.

• Representativt användningsfall: Tillhandahåll faktabaserade svar i hög kvalitet för att minimera hallucinationer.

• Diagram:

• Salesforce Agentisk löptid: Nivå 2

• Översikt: Model of Models-mönstret använder flera expertagenter för att skapa ett brett spektrum av perspektiv och extraherar sedan samförståndet. Till skillnad från Judge & Jury-mönstret omfattar detta mönster flera olika synvinklar för att öka rikedomen.

  • Detta mönster kan även kallas expertpanelmönstret när det finns expertmodeller med olika synvinklar (POV) som det kan vara bra att trycka på.
  • Till skillnad från mönstret Domare och Jury där syftet är att säkerställa att det agentiska svaret konvergerar på en allmänt tillgänglig "sanning" utökar mönstret Modell av modeller svarets omfattning genom att utnyttja mångfalden i den agentiska miljön.
  • Detta mönster förutsätter att det finns ytterligare agenter som har en distinkt POV. Till exempel, i en miljö med flera organisationer, flera agenter eller en miljö med flera leverantörslevererade agenter över teknikstackar, ger mönstret Modell av modeller en struktur för att integrera flera POV.
  • När du överväger detta mönster överväg även andra, ofta mer lättviktiga metoder:
    • Istället för att definiera flera expertagenter, specificera flera uppmaningar och låt systemet fungera som en ensemble av uppmaningar.
    • Använd "jordning" genom åtgärder som får åtkomst till relevanta data i sammanhanget.

• Utdatatyp: Ge genererande insikt.

• Riktlinjer för mönsteranvändning: En aggregationsagents roll är att skapa och returnera en omfattande POV baserat på de nyckelkoncept som modellagenterna returnerade. Modellagenter avgör ett svar baserat på deras unika POV.

• Representativt användningsfall: Använd i situationer som kan dra nytta av att föra samman olika synpunkter för att öka kvaliteten på svaren. Till exempel en agentmiljö med flera system där privilegierade agenter (till exempel en ERP-agent) kan ha en POV som är värdefull och på annat sätt inte går att nå.

• Diagram:

• Salesforce Agentisk löptid: Nivå 2

Långsiktiga processmönster hanterar processer som inträffar över längre perioder och involverar flera steg och aktörer.

• Översikt: Projektledarmönstret är ett komplext mönster som övervakar ett projekt som pågår länge. Den koordinerar aktiviteter, följer slutförande, meddelar användare och representerar projektstatus för intressenter.

• Utdatatyp: Det finns flera utdata (till exempel kundcase, uppgifter, statusuppdateringar och notiser).

• Riktlinjer för mönsteranvändning: Använd som ett paraplymönster för att stödja regelbundna, upprepade aktiviteter i flera steg. Projektledarmönstret tar en indatamall/layout för ett projekt—inklusiveuppgifter, roller och beroenden—och instansierar sedan kundcase och aktiviteter och tilldelar dem till användare.

• Representativt användningsfall: Använd för kontoinstallationshantering och företagets säljengagemang.

• Diagram:

• Salesforce Agentisk löptid: Nivå 4

Mönster beskriver agentroller, men arketyper för orkestrering definierar ritningarna på systemnivå för hur en flotta agenter samarbetar. Dessa arketyper tydliggör rollerna för Agentforce som orkestreringshjärnan och MuleSoft som universalanslutare och adapter.

Arketyp 1: SOMA (Enskild organisation, flera agenter)

• Definition: Flera agenter samarbetar inom en Salesforce-organisation som använder delad styrning och data.
• Arkitekturflöde: I Agentforce fungerar en arbetsledaragent som en enda dörr och dirigerar begäranden till specialistagenter inom organisationen. För extern funktionalitet använder agenter Agentforce MCP-klienten med MuleSoft som MCP-omslag för API:n som inte är MCP-aktiverade.
• Viktiga överväganden: Detta mönster centraliserar orkestreringslogiken i Salesforce (liknande CRM-sammanhang och Data 360) för att bevara enhetlig styrning, identitet, behörigheter och observerbarhet.

Arketyp 2: MOMA (flera organisationer, flera agenter)

• Definition: Agenter samarbetar över flera Salesforce-organisationer, vilket kräver säker samordning över data- och behörighetsgränser.
• Arkitekturflöde: En arbetsledaragent i en organisation delegerar en uppgift till en agent i en annan organisation via det standardiserade protokollet agent-till-agent (A2A). Detta handslag säkerställer Trust på organisationsnivå, användaridentitetsflöde och delat konversationssammanhang.
• Viktiga överväganden: Detta mönster bevarar organisationens självständighet samtidigt som det aktiverar företagsomfattande arbetsflöden, vilket ger en grund för sammanhängande agentoperationer i komplexa flerorganisationsmiljöer.

Arketyp 3: A2A med flera leverantörer (Salesforce-ledd orkestrering)

• Definition: En arbetsledaragent i Salesforce koordinerar arbete mellan en blandning av Salesforce-inbyggda agenter och agenter från andra leverantörer (till exempel Google/Vertex eller LangGraph) via A2A-protokollet.
• Arkitekturflöde: Arbetsledaragenten bearbetar begäran och orkestrerar en plan och åberopar interna och externa leverantörsagenter via A2A-protokollet. För externa system som inte är A2A-kompatibla kan MuleSoft visa en "lätt agentfasad" som omger det befintliga verktyget och kommunicerar med A2A.
• Viktiga överväganden: Denna arketyp håller orkestreringshjärnan nära CRM och Data 360 genom att använda A2A för att skapa ren, styrbar komposition utan en separat orkestreringsnivå.

Arketyp 4: A2A för flera leverantörer (MuleSoft-ledd orkestrering)

• Definition: Orkestrering inleds från en icke-Salesforce-ingångspunkt, vilket kräver en neutral, extern orkestrerare för att utföra resonemang och dirigering.
• Arkitekturflöde: En gränssnittsagent i ett externt system vidarebefordrar begäran till en orkestreringstjänst (kallad MuleSoft-konduktör) som tolkar syftet och planerar uppgiften. Konduktören använder sedan A2A för att dirigera samtal till leverantörsagenter, inklusive Agentforce agenter för CRM- eller serviceåtgärder.
• Viktiga överväganden: Detta mönster är för icke-Salesforce-ingångar där en neutral orkestrerare är arkitektoniskt att föredra. Den behåller UX i domänsystemet samtidigt som den centraliserar resonemang, styrning, policy och observerbarhet i MuleSoft.

Dessa individuella mönster och orkestreringsarketyper är arkitektoniska byggstenar som är utformade för att sammanställas till helhetslösningar. Agentlösningskartan används för att visualisera hur dessa komponenter kopplas samman.

• En medlemstjänstlösning för en vårdgivare är en standardimplementering av arketypen SOMA. Den använder en svarsbot för anonyma användare, en orkestrerare för autentiserade medlemmar och flera små och medelstora domänagenter (till exempel Kundcase, Anspråk och Förmåner) för att hantera specifika begäranden.
• En B2C-mäklarportal är en komplex sammansättning som använder en agent för portalorkestrering (_Portal Orchestrator) för att åberopa en _projektledaragent som körts länge för en RFP-process, som i sin tur använder sidhuvudlösa agenter, datahanterare och förhörsagenter för backoffice-dataoperationer.

En metod för agentiskt designmönster ger den arkitektoniska disciplin som krävs för att bygga robusta, skalbara och underhållsbara AI-system för företag. Genom att bryta ner komplexitet och främja modularitet låter dessa mönster arkitekter leverera pålitliga, förutsägbara agentlösningar.

Valet av arketyp för orkestrering är ett strategiskt beslut baserat på var användare arbetar, var sammanhanget finns och hur företaget styr interaktionen mellan människor, agenter och system. Genom att förstå skillnaden mellan att bygga agenter och orkestrera dem—och genom att använda öppna protokoll som MCP och A2A—kan arkitekter gå längre än att skapa isolerade botar till att skapa ett sammanhängande, styrt och distribuerat system för företagsresonemang. Detta tillvägagångssätt ger ett delat språk och en uppsättning återanvändbara ritningar för att bygga en hållbar agentarkitektur.

Detta tillägg ger konkreta exempel på hur agentmönster sammansätts till lösningar på systemnivå.

Detta diagram illustrerar hur fem grundläggande mönster kan kopplas samman för att skapa ett gemensamt arbetsflöde för kundservice.

1. Svarsbot: En anonym användare ställer en fråga som hanteras av en Knowledge agent.
2. Operator: En medarbetares fråga triages av en Operator, som fältar konversationen och lämnar över den till en mer specialiserad agent.
3. Orkestratör: En inloggad användare (SF-användare) engagerar sig med en Orchestrator som koordinerar flera agenter för att hantera en potentiellt mångfacetterad fråga.
4. Domän SME: Specialagenter (till exempel HR-agenter eller Förmånsagenter) åberopas av orkestreraren för att utföra ämnesuppdateringar och hämta specifika data.
5. Generator: Verktygsagenter används för att sammanfatta kontodetaljer eller avsluta ett kundcase efter att interaktionen är klar.

Denna lösningskarta beskriver en agentarkitektur för ett användningsfall för medlemstjänster, vilket visar sammansättningen av flera mönster.

• Användarprofiler: Lösningen servar tre unika användartyper: Anonym användare, inloggad medlem och SF-användare (till exempel en mänsklig CSR).
• Interaktionsmönster: En Answerbot hanterar anonyma "Hitta-ett-dokument"-frågor, medan en Orchestrator (Agentisk ytterdörr) hanterar autentiserade användarfrågor. Ett lyssnar-/kanalmönster hjälper SF-användaren.
• Återanvändning av domänagent: Specialiserade domän-SMF-agenter (till exempel Kundcaseagent, Anspråksagent eller Förmånsagent) återanvänds i olika interaktionsflöden.
• Autonom & assisterande: Systemet kombinerar självständiga agenter (för att dirigera användarinteraktion) och hjälpmedel (för att förbättra mänskliga CSR).
• Datakällor: Arkitekturen integrerar en blandning av offentliga och företagsdatakällor, med omfattande användning av Data 360 och MuleSoft för anslutning.

Detta diagram illustrerar en logisk arkitektur för en hjälpmedels-AI-lösning i ett kontaktcenter, organiserad i funktionella lager.

• Orkesteragenter: Hantera användarupplevelser för olika personas (till exempel Anonym, Extern medlem eller CSR) och orkestrera det övergripande interaktionsflödet.
• Arbetaragenter: Flera SME-agenter är inriktade på kärnverksamhetsområden som Knowledge, Kundcase/Anspråk/Fördelar och Leverantörskatalog. En Next Best Action-agent inkluderas också.
• Verktygsagenter: Utföra specifika, återanvändbara uppgifter som Översättning, Kundcaseavslut och Samtalssammanfattning. Integrerings- och kärnsystem: Hela det agentiska systemet är anslutet via ett plattformsoberoende integreringslager till ostrukturerade dataresurser, strukturerade dataresurser och kärnföretagssystem.
• Styrning: Ett styrlager ger observerbarhet, utvärdering och hantering för de LLM/SLM som används av agenterna.

Denna lösningskarta beskriver en komplex, långvarig agentinteraktion för en B2B-sjukförsäkringsmäklarportal. Modellen innehåller en portalagent (Orkestratör) som underlättar mäklarens resa genom flera steg (till exempel att skicka in en offert och ta emot ett förslag). Denna orkestrerare åberopar en projektledaragent, som i sin tur koordinerar flera sidhuvudlösa agenter för backoffice-datakvalitet och transformationer, till exempel en RFP-extraherare, Census Transform och Data Steward.

Detta diagram visar en logisk arkitektur för en B2C Broker-lösning, som visar en liknande lagerbaserad metod som kontaktcentret. Det inkluderar Orkestreringsagenter för olika användarpersonas, återanvändbara medarbetaragenter för nyckeldomäner (till exempel Knowledge, Medlemstjänster eller Provisioner) och Verktygsagenter för specifika funktioner som översättning och sammanfattning.

Detta diagram visar en logisk arkitektur för en leverantörskontraktlösning. Orkestreringsagenter hanterar fullständiga interaktioner, medarbetaragenter hanterar specifika syften inom en domän (till exempel en agent för små och medelstora företag) och verktygsagenter utför diskreta uppgifter som att jämföra kontrakt eller skapa insikter.

Följande tabell sammanfattar flera viktiga interaktionsmönster, typiska användarupplevelser och primära arkitektoniska syften.

David Harshbarger är en framgångsrik entreprenör och teknikledare som har arbetat för många ledande programvaruföretag och arkitektoniskt utformat lösningar som anpassar arkitekturen till verksamhetens kärna så att teknikerna arbetar med, inte emot, sin möjliggörande teknik. Idag arbetar David som förste Enterprise Architect på Salesforce och stödjer Health & Life Sciences.

Chacha Choudhury är en mycket framgångsrik och visionär IT CTO/Chefsarkitekt med årtionden av erfarenhet, och arbetar för närvarande som Principal Enterprise Architect som leder Salesforce Architecture Program och Global Community of Architects. Han är känd för sin expertis i att fastställa företagsomfattande teknikstrategier, driva modernisering av arkitektur och banbrytande innovativa lösningar, inklusive Generativ AI och Agentisk AI-applikationer.