Apresentando o Guia do Agentforce

Os agentes de IA têm o potencial de revolucionar as organizações aumentando a eficiência, reduzindo o esforço manual e criando um ambiente de trabalho mais sofisticado e adaptável. É por isso que lançamos o Agentforce, uma plataforma para criar agentes de IA. Mas com a nova tecnologia, surgem novos conceitos e novas considerações de implementação.

Este guia explora os principais elementos do Agentforce e é o primeiro de uma série de guias que evoluirão junto com o próprio Agentforce. Neste recurso, você encontrará detalhes sobre como o Agentforce funciona, os principais recursos e vantagens e desvantagens que os arquitetos e todos os profissionais técnicos precisam saber ao criar com o Agentforce.

O que abordaremos:

• Principais conclusões
• Fundamentos do Agentforce
• Prompts vs. agentes
• Como o Agentforce raciocina
• Práticas recomendadas para usar filtros vs. instruções
• Práticas recomendadas para tópicos, instruções e ações
• O Agentforce precisa de Data Cloud?
• Comentários de encerramento
• Recursos

• Os agentes são diferentes de outras ferramentas generativas de IA, como chatbots, copilotos e prompts, porque podem planejar, raciocinar e usar ferramentas com ou sem intervenção humana.
• A engenharia de prompts é fundamental para criar agentes. É o principal método para orientar o comportamento de um agente e controlar as saídas por meio de tópicos, ações e instruções, e é essencial para criar ações eficazes baseadas em modelos de prompts.
• Tópicos, ações e instruções são como você controla os prompts que impulsionam o mecanismo de raciocínio. É por isso que eles são um elemento-chave para fazer o Agentforce funcionar para você.
• Como o Agentforce faz parte da Salesforce Platform, os agentes criados com o Agentforce podem usar as ferramentas low-code e pro-code com as quais você já está familiarizado.
• O Data Cloud é parte integrante do Agentforce. Ele potencializa a indexação e a fragmentação para a geração aumentada por recuperação (RAG), análise de agentes, traga o seu modelo (BYOM) e carteira digital.
• Os agentes são incríveis, mas às vezes um modelo de prompts já é o suficiente.

Simplificando, um agente é um tipo de software que usa IA generativa para tomar decisões sobre o que fazer a seguir e como fazê-lo. Um agente pode entender uma pergunta (geralmente chamada de enunciado), raciocinar de forma autônoma para determinar quais ações tomar para atingir seu objetivo, identificar quais dados são necessários e, em seguida, agir, com ou sem intervenção humana. A melhor parte? Os agentes usam grandes modelos de linguagem (LLMs) em vez de regras estritas e pré-escritas. Isso torna os agentes mais dinâmicos do que a automação baseada em regras, mas também é uma mudança significativa em relação ao software tradicional que segue instruções codificadas.

Principais capacidades dos agentes de IA

• Os agentes são dinâmicos e podem se adaptar a diferentes situações, ambientes e informações.
• Os agentes podem ser autônomos (agir sem intervenção humana) ou podem ser guiados para envolver um humano no processo.
• Os agentes são diferentes de outras ferramentas de IA generativa porque podem planejar, raciocinar e agir.

Embora os agentes não sigam uma lógica codificada como o software tradicional, o Agentforce fornece vários componentes para adicionar controles adicionais à forma como seus agentes raciocinam. Há também vários recursos que tornam o Agentforce extensível. Aqui está uma rápida visão desses componentes:

O planejamento estratégico é uma parte essencial da implantação de um agente de IA. Se sua organização não tiver uma estratégia em vigor, sugerimos tirar o emblema Estratégia de IA no Trailhead . A partir deste ponto, presumimos que você já está familiarizado com o processo de definir sua visão de IA, formar um conselho de IA, estabelecer a governança de IA, identificar casos de uso de IA e criar um roteiro.

A criação de um agente exige tempo e recursos. Um planejamento cuidadoso ajudará você a acertar na primeira vez. Antes de começar a criar qualquer agente, defina um caso de uso e crie um mapa de processo para cada agente que você planeja criar. O emblema Planejamento de Agentes no Trailhead cobre o mapeamento de processos na unidade "Descrever o trabalho do agente ". Esboce a experiência ideal do usuário, bem como de que forma o sistema responderá às entradas do usuário e lidará com possíveis erros ou problemas.

O diagrama resultante ajudará a garantir que você entenda o fluxo. Isso ajudará você a gerar instruções e saber onde usar ações, variáveis e filtros. Os benefícios dessa abordagem de planejamento de agentes incluem:

• Engajar usuários corporativos e chegar a um acordo sobre o escopo
• Definir ações, instruções e proteções
• Gerar instruções claras e específicas
• Depurar durante testes e avaliações
• Avaliar cenários de ponta a ponta
• Demonstrar conformidade e trilha de auditoria
• Explicar o comportamento esperado do agente e obter aprovação

Antes de continuarmos, é importante observar que os agentes não são a única ferramenta de IA generativa disponível no Salesforce Platform. Os modelos de prompts são outra ferramenta poderosa para criar apps que usam IA generativa. Os modelos de prompts, criados no Criador de prompts, permitem que você defina um conjunto de instruções estruturadas e reutilizáveis que orientam um modelo de IA generativa para produzir saídas específicas. Eles podem referenciar dados do Salesforce por meio de campos predefinidos, gráficos de dados e geração aumentada por recuperação (RAG) de dados contextuais. Os modelos de prompts também são altamente seguros, todos os prompts são encaminhados pela camada de confiança da Salesforce, honrando permissões, mascarando dados confidenciais e sinalizando saídas tóxicas.

Os modelos de prompts são interações de requisição única com a IA e são ideais para tarefas pontuais que não exigem memória ou raciocínio em várias etapas. Por exemplo, um modelo de prompts é ideal quando você precisa reformular uma frase ou resumir um caso, porque o contexto contínuo não é necessário. Ao projetar soluções com modelos de prompts, é importante lembrar que eles são stateless (não retêm memória entre requisições) e que não tomam decisões nem realizam ações. Os modelos de prompts geram uma resposta com base na entrada e na lógica que você fornece no momento do design.

Os modelos de prompt podem ser usados sozinhos em uma solução de IA incorporada, ou você pode adicionar um modelo de prompts a um agente como uma ação do agente. Usar um modelo de prompts sozinho é ideal quando:

• O contexto de negócios é bem compreendido e estável.
• A saída desejada segue um formato previsível, embora a resposta em si não seja determinística.
• Não há necessidade de avaliar caminhos diferentes ou tomar ações autônomas.
• O contexto, ou estado, contínuo não é necessário.
• O raciocínio em várias etapas não é necessário.

Casos de uso do modelo de prompts:

• Geração de resumo de registro estruturado, como resumir notas de caso
• Criação de notas de reunião estruturadas.
• Geração de respostas de email modeladas.
• Sugestão das próximas ações recomendadas.
• Identificação de análise de sentimento de um caso.

Lembre-se de que, embora os modelos de prompts possam preencher dados dinamicamente e gerar respostas com base nas entradas dinâmicas que são renderizadas em tempo de execução, eles não podem raciocinar por meio de opções ou agir.

Agentes são sistemas de software que decidem de forma autônoma o que fazer, em que ordem e como fazê-lo, com base na evolução do contexto. Os agentes vão além de um único prompt, pois podem planejar, raciocinar, solicitar ações externas (como chamadas de API ou pesquisas de banco de dados) e reagir com base nos resultados. Eles podem escolher caminhos ou respostas diferentes, dependendo do que aprenderem no meio do processo. Os agentes são melhores quando:

• O ambiente ou o contexto podem mudar dinamicamente.
• Várias decisões ou ramificações são possíveis com base nos dados.
• A IA precisa substituir ou ajudar o julgamento humano na hora de fazer uma escolha ou agir.

Casos de uso de agentes de IA

• Triagem e direcionamento de casos de suporte recebidos.
• Resolução de problemas de reserva verificando sistemas e políticas externas.
• Gerenciamento de fluxos de trabalho de várias etapas com ciclos de feedback.
• Elaboração de e-mail de resposta ao caso com base nos detalhes do problema do cliente, com possíveis soluções e artigos de conhecimento relevantes do seu site voltado para o cliente.
• Agendamento de consulta com base na disponibilidade do representante de atendimento e na preferência do cliente.
• Detecção de eventos, como problemas de atualização de software, e geração proativa de tarefas de solução de problemas ou tentativa de resolução remota por meio do acionamento de uma ação para invocar uma chamada de API.

Quer entender como o Agentforce entende as solicitações dos usuários e decide quais ações tomar? Esta seção o guiará pelo núcleo de seu processo de tomada de decisão: o mecanismo de raciocínio Atlas. Assim como entender a ordem de execução é fundamental para entender o que acontece quando um registro é salvo no Salesforce, saber como o mecanismo de raciocínio Atlas opera nos bastidores permite que você entenda como o Agentforce funciona.

O mecanismo de raciocínio Atlas usa uma série de prompts, códigos, chamadas de LLM e um conjunto de três blocos de construção para ajudar os agentes a entender e responder de forma eficaz. Pense nos três elementos a seguir (tópicos, instruções e ações) como as alavancas que você controla para fazer com que os agentes trabalhem para você. Ao ajustar esses elementos, você está criando os prompts que o mecanismo de raciocínio usa para entender, decidir e agir. É isso mesmo: o Agentforce usa prompts no mecanismo de raciocínio para classificar tópicos e ações. O que significa que você está fazendo engenharia de prompts toda vez que cria um agente no criador de agentes!

Antes de nos aprofundarmos no mecanismo de raciocínio Atlas, vamos examinar mais de perto os tópicos, instruções e ações, três partes importantes de metadados que você define sempre que cria um agente com Agentforce.

Os tópicos são a base das capacidades do seu agente, definindo o que ele pode fazer e os tipos de solicitações de clientes que ele pode atender. Pense neles como departamentos especializados com conhecimentos, ferramentas (ações) e diretrizes (instruções) específicos. Quando um cliente envia uma mensagem, antes de tudo, seu agente determina qual “departamento” (tópico) deve lidar com a solicitação, depois segue as diretrizes desse departamento e usa suas ferramentas para ajudar o cliente. Os tópicos também têm um escopo que define o que um agente pode ou não fazer dentro dessa área específica.

As instruções são as diretrizes que orientam como as conversas são tratadas em um tópico, orientando a seleção de ações, definindo padrões de conversação e fornecendo contexto comercial. Tópicos claros e distintos evitam a sobreposição e garantem que o mecanismo de raciocínio classifique corretamente as solicitações dos clientes. As instruções devem ser claras, específicas e acionáveis para orientar o agente de forma eficaz.

As ações servem como ferramentas que seu agente usa para obter informações ou realizar tarefas. Ao definir ações, é fundamental entender como o mecanismo de raciocínio as processa. O mecanismo analisa as ações disponíveis com base em seus nomes, descrições e entradas, bem como nas instruções do tópico e no contexto da conversa. O Agentforce vem com várias ações de agente padrões, e você pode criar ações de agente personalizadas para ampliar ainda mais sua implementação. No entanto, você deve sempre verificar se uma ação padrão pode ser usada antes de criar uma ação personalizada. Projete as ações com a reutilização em mente, pois elas podem ser usadas em vários tópicos. Abaixo está uma lista das ações personalizadas do agente disponíveis e quando você deve usá-las:

Você pode estar se perguntando como exatamente um agente usa tópicos, instruções e ações para realizar o trabalho. Aqui está um passo a passo detalhado do que acontece dentro do mecanismo de raciocínio Atlas sempre que um agente é invocado.

O processo começa quando uma mensagem ou consulta é recebida de um usuário ou quando um agente é invocado a partir de um evento, alteração de dados ou chamada de API.

O mecanismo de raciocínio analisa a mensagem do usuário para classificá-la no tópico mais relevante. Para essa etapa de classificação, o mecanismo de raciocínio analisa somente o nome do tópico e a descrição da classificação do tópico. Se nenhum tópico apropriado corresponder à análise, o padrão será uma classificação “fora do tópico”.

O escopo, as instruções e as ações associadas ao tópico selecionado são inseridos no prompt junto com a mensagem original do usuário e o histórico de conversas, normalmente os últimos seis turnos. O prompt resultante é enviado ao LLM para determinar o que o agente deve fazer em seguida.

O agente analisa a entrada combinada (mensagem do usuário, instruções, ações em potencial) e decide a próxima etapa:

• Executar uma ação: se informações específicas forem necessárias ou se uma tarefa precisar ser executada.
• Responder ao usuário: se ele tiver informações suficientes ou estiver procurando informações, o agente poderá enviar uma resposta.

• O agente invoca a Ação escolhida.
• A saída ou resultado da ação executada é capturada.
• Processamento da saída da ação: a saída da ação é enviada de volta ao LLM, combinada novamente com o contexto original (instruções, ações, histórico de conversas).

• O agente reavalia a situação com base nas novas informações (saída da ação) e no contexto da conversa em andamento.
• A saída é enviada junto com o foco Escopo do tópico, Instrução e Ações e decide se deve executar outra ação ou formular uma resposta.
• Esse loop continua até que o agente determine que tem todas as informações necessárias e está pronto para responder diretamente ao usuário.

Antes de enviar a resposta final, o agente realiza uma última verificação para garantir que a resposta proposta esteja fundamentada e cumpra as instruções fornecidas para o tópico. Esta etapa verifica se a resposta:

• Está devidamente fundamentada nas informações de origem.
• Segue as instruções e o escopo do tópico.
• Não inclui informações alucinadas ou não verificadas.
• Está livre de riscos potenciais de inserção de prompts.

A resposta final validada é enviada ao usuário. Se a etapa de fundamentação falhar, o agente tentará novamente produzir uma resposta fundamentada. Caso ele não consiga produzir uma resposta fundamentada, ele enviará uma mensagem padrão para informar ao usuário que não pode ajudar com a solicitação.

Compreender esse fluxo de trabalho ajuda a explicar por que cada componente do seu agente (tópicos, instruções e ações) deve ser cuidadosamente projetado para funcionar com esse processo de raciocínio. Mas isso não para por aí.

Para fornecer controle adicional e adicionar lógica determinística ao seu fluxo de trabalho agêntico, o Agentforce usa a filtragem condicional. É como ter regras dinâmicas de visibilidade para campos de formulários, mas para seus agentes no momento do raciocínio.

Os filtros condicionais atuam como guardiões que determinam se um tópico ou ação deve ser considerado durante o processo de raciocínio. Ao contrário das instruções que orientam as decisões do LLM, os filtros operam no nível do sistema para remover ou incluir completamente tópicos e ações com base em condições específicas.

A filtragem condicional melhora o desempenho do agente de duas maneiras críticas:

1. Precisão aprimorada da classificação de tópicos

Ao remover tópicos irrelevantes da consideração com base no estado da conversa, você reduz o "ruído semântico" durante o processo de classificação de tópicos. Isso facilita para o LLM selecionar o tópico correto para uma consulta do usuário.

Por exemplo, se um usuário ainda não se autenticou, os filtros podem ocultar todos os tópicos relacionados às ações específicas da conta. Isso evita que o agente classifique incorretamente as consultas gerais em tópicos confidenciais, o que acabaria causando erros de autenticação ou respostas inadequadas.

2. Seleção de ação contextualmente apropriada

Depois que um tópico é selecionado, os filtros refinam ainda mais quais ações dentro desse tópico estão disponíveis com base no estado atual da conversa:

• Se as variáveis necessárias não forem preenchidas (por exemplo, número do pedido), as ações que dependem dessas variáveis podem ser ocultadas.
• Se determinadas ações só devem estar disponíveis com base nos atributos ou direitos do usuário, os filtros podem impor essas regras.

Como funciona a filtragem condicional

O mecanismo de raciocínio Atlas oferece suporte à filtragem com base em dois tipos de variáveis: variáveis de contexto e variáveis personalizadas. Aqui está uma visão geral rápida das propriedades de cada tipo:

Essas são variáveis derivadas da sessão de mensagens e podem incluir:

• Campos padrão do objeto de sessão de mensagens.
• Campos personalizados adicionados ao objeto de sessão de mensagens.
• Dados do formulário pré-chat.
• Informações de sessões de mensagens anteriores.

As variáveis de contexto são particularmente úteis para personalizar interações com base em informações conhecidas do cliente, sem exigir que o agente as solicite de forma conversacional. Ao projetar uma solução com variáveis de contexto, é importante estar ciente de que elas são definidas no início da sessão e são imutáveis durante essa sessão.

As variáveis personalizadas armazenam informações retornadas das ações. Elas podem ser usados para:

• Rastrear o estado da conversa (por exemplo, status de autenticação).
• Armazenar saídas de ação que precisam persistir em entradas de ação.
• Criar dependências entre ações, permitindo que as ações estejam disponíveis somente se uma determinada condição for atendida.

Os filtros são baseados nos valores de contexto e variáveis personalizadas. Os filtros podem ser aplicados no nível do tópico e da ação:

• Filtros em nível de tópico: controlam se o tópico inteiro está disponível para classificação.
• Filtros em nível de ação: controlam a disponibilidade de ações específicas em um tópico, mesmo que o tópico em si seja selecionado.

Aqui está uma visão simples do mecanismo de raciocínio Atlas que mostra como os filtros em nível de tópico e de ação se encaixam no fluxo de raciocínio.

O caso de uso mais comum da filtragem é controlar o acesso a operações confidenciais:

Filtro: "Requer autenticação"

Condição: StatusAutenticacao = "verified"

Aplicado a: Tópico de gerenciamento de contas, Tópico de processamento de pagamentos

Isso garante que, mesmo que um usuário pergunte sobre sua conta ou pagamentos antes da autenticação, o agente não permitirá que esses tópicos sejam chamados.

Os filtros também podem ajudar as etapas do processo a serem executadas na ordem correta:

Filtro: "Número do pedido obrigatório"

Condição: orderNumber != null

Aplicado a: Verificar ação de status do pedido, Modificar ação do pedido

Isso garante que as ações relacionadas ao pedido estejam disponíveis somente após o número do pedido ter sido coletado e armazenado em uma variável.

É importante entender a distinção entre filtragem e instruções:

1. Os filtros operam de forma determinística: eles usam a correspondência de variáveis para incluir/excluir tópicos e ações.
2. As instruções são interpretadas pelo LLM: elas se baseiam na compreensão do LLM e não são determinísticas, o que significa que seus resultados podem variar de acordo com a compreensão e interpretação do modelo.
3. Os filtros restringem as decisões do agente: eles removem completamente as opções da consideração, o que minimiza o espaço de pesquisa, resultando em maior precisão.

Outra parte do mecanismo de raciocínio Atlas são as citações. Você pode usar citações para validar as fontes usadas pelo LLM para gerar uma resposta. O diagrama abaixo mostra onde as citações se encaixam no fluxo do mecanismo de raciocínio.

Esse diagrama também destaca a arquitetura combinável do mecanismo de raciocínio. Escalação, citações e proteções são componentes modulares usados pelo mecanismo de raciocínio ao criar um agente usando o modelo do Agentforce para atendimento. Hoje, os componentes modulares usados pelo mecanismo de raciocínio são definidos modelo por modelo. Estamos trabalhando para tornar esses componentes ainda mais parecidos com peças de Lego que podem ser trocadas de um agente para outro, e possivelmente até mesmo entre clientes no futuro.

Já abordamos muita coisa. Agora, vamos dar um passo atrás e analisar um exemplo completo de como tópicos, instruções e ações funcionam em conjunto com o mecanismo de raciocínio quando um cliente faz uma pergunta para um agente.

Mensagem do cliente: “Eu pedi um suéter vermelho ontem, mas preciso mudar o endereço de entrega.”

• O mecanismo compara a mensagem com todos os nomes de tópicos e descrições de classificação.
• Ele seleciona o tópico "Alterar o pedido" porque sua descrição de classificação menciona "alteração de pedidos".

• O mecanismo de raciocínio traz o tópico "Alterar horário de entrega" ou "Alterar endereço" para o prompt de foco e inclui o escopo do tópico, as instruções e as ações disponíveis, juntamente com o histórico da conversa e a mensagem do usuário
• O escopo indica que o agente pode modificar os pedidos, mas não pode cancelá-los após o processamento.
• As instruções incluem orientação sobre como lidar com modificações de pedidos.

• Com base nas instruções do tópico e nas descrições das ações, o mecanismo determina que precisa:
  • Primeiro identificar o pedido (usando a ação “Encontrar pedido por descrição”).
  • Em seguida, atualizar o endereço de entrega (usando a ação “Atualizar envio do pedido”).

• O mecanismo solicita ao cliente seu email para encontrar o pedido.
• Depois que o pedido é localizado, ele coleta o novo endereço de entrega.
• Ele executa a ação “Atualizar envio do pedido” com o ID do pedido e o novo endereço.
• Ele confirma a mudança de endereço com o cliente.

Agora que você entende como o mecanismo de raciocínio funciona e por que tópicos, ações e instruções são tão importantes, vamos dar uma olhada em algumas práticas recomendadas para criá-los.

Os tópicos são a base das capacidades do seu agente. Eles definem o que seu agente sabe fazer e quais tipos de solicitações de clientes ele pode atender. Os três elementos de um tópico são o nome do tópico, a descrição da classificação e o escopo.

• Pense: “Como eu categorizaria os 'trabalhos a serem feitos' pelo meu agente?".
• Use nomes facilmente reconhecíveis
• Use nomes curtos e descritivos
• Comece nomes com verbos, como fornecer, alterar ou cancelar
• Certifique-se de que nomes de tópicos diferentes não se sobreponham em significado.
• Revise os tópicos existentes antes de criar novos
• Limite os tópicos de 10 a 15 por agente. Tópicos excessivos/sobrepostos aumentam a probabilidade de o agente ser inconsistente ou impreciso.

• Inclua as diferentes maneiras pelas quais os usuários podem solicitar esse tipo de ajuda.
• Liste palavras-chave e frases específicas que os clientes normalmente usam.
• Aborde toda a gama de questões que este tópico deve tratar.
• Escreva em linguagem natural, não em termos técnicos.
• Escreva de forma diferente das descrições de outros tópicos.

Se você descobrir que o agente não está sempre selecionando o tópico correto para as consultas dos usuários, os nomes e as descrições dos tópicos são o primeiro lugar que você deve investigar e refinar.

• Escreva isso como se estivesse explicando um trabalho para um novo colaborador: “Seu trabalho é... Você não pode...”.
  • Seja explícito sobre permissões e limitações.
• Use uma linguagem clara e transparente sobre limites.

Vamos ver como configurar um tópico no momento do design para que um agente possa ajudar os usuários a redefinir suas senhas. Os tópicos, instruções e ações podem ser visualizados assim:

Então, em tempo de execução, quando um cliente está interagindo com nosso agente a partir do site de uma empresa, é isso o que acontece:

1. O cliente diz: “Esqueci meus detalhes de login”.
2. O mecanismo de raciocínio combina isso com o tópico de redefinição de senha porque a descrição da classificação menciona “senhas esquecidas, problemas de login, problemas de acesso à conta”.
3. O escopo informa ao agente que ele pode ajudar na redefinição de senha, mas não pode acessar as informações da conta nem fazer alterações na conta.
4. O agente segue as instruções para primeiro verificar a identidade do cliente e, em seguida, oferecer o envio de um link de redefinição de senha.
5. O agente usa a ação Enviar email de redefinição de senha para concluir a tarefa.

As instruções são as diretrizes que dizem ao seu agente como lidar com conversas dentro de um tópico. Elas ajudam o agente a tomar decisões sobre quais ações tomar e como responder.

As instruções desempenham várias funções cruciais no processo de tomada de decisão do seu agente:

1. Selecionar ações orientadoras: elas ajudam seu agente a escolher qual ação usar em situações específicas.
2. Estabelecer padrões de conversação: elas estabelecem como seu agente deve interagir com os clientes.
3. Fornecer contexto comercial: elas ajudam seu agente a entender os processos e a terminologia da sua empresa.

Sem instruções claras, seu agente pode selecionar as ações erradas, interpretar mal as solicitações dos usuários ou fornecer respostas inconsistentes. Mas lembre-se de que as instruções são mescladas em um prompt e enviadas ao LLM e, portanto, não são determinísticas. Elas não substituem a necessidade de regras de negócios codificadas dentro da ação.

Quando o mecanismo de raciocínio processa uma solicitação do cliente, ele usa suas instruções para:

1. Decidir quais ações executar: as instruções ajudam o mecanismo a determinar qual ação é mais apropriada para uma situação específica.
2. Determinar a sequência de etapas: as instruções podem orientar o mecanismo sobre se determinadas etapas devem ser executadas antes de outras. Para obter mais determinismo, você pode usar variáveis de ação e filtros condicionais.
3. Formatar a resposta: as instruções moldam a forma como as informações são apresentadas ao cliente.
4. Lidar com exceções: as instruções dizem ao mecanismo o que fazer quando os processos padrão não se aplicam. (Por exemplo, se ocorrer um caso extremo, ofereça a transferência para um agente).

Quanto mais claras e específicas forem suas instruções, mais consistente será o desempenho do seu agente.

Ao criar seu agente, é fundamental entender quando usar instruções e ações para implementar a funcionalidade. Use ações para lógica crítica de negócios que deve ser aplicada de forma consistente, como cálculos complexos, processamento de informações confidenciais e operações em várias etapas que exigem sequenciamento específico. Por outro lado, use as instruções para orientar o fluxo da conversa, ajudar o agente a selecionar as ações apropriadas com base no contexto, definir a formatação e o tom da resposta e estabelecer estratégias de esclarecimento quando as informações são ambíguas.

• Exemplo ruim: “Nunca emita reembolsos para pedidos com mais de 30 dias” (como instrução).
• Melhor abordagem: incorpore essa lógica na própria ação do Pedido de reembolso com uma entrada de data e faça a validação da ação.

Exemplo de ação de pedido de reembolso:

public with sharing class ResponsavelPedidoReembolso {

public class ResultadoReembolso {

@AuraEnabled public Boolean canReturn;

@AuraEnabled public String message;

}

@AuraEnabled

public static ResultadoReembolso reembolsoProcesso(Id idPedido, Date dataPedido) {

RefundResult result = new RefundResult();

if (orderDate == null || orderId == null) {

result.canReturn = false;

result.message = 'Entrada inválida: ID do pedido e Data do Pedido são obrigatórios.';

return result;

}

Date today = Date.today();

Integer daysSinceOrder = today.daysBetween(orderDate);

if (daysSinceOrder > 30) {

result.canReturn = false;

resultado.message = 'O pedido não pode ser devolvido. Se passaram mais de 30 dias.';

} else {

resultado.canReturn = true;

resultado.message = 'O pedido pode ser devolvido. Envio do comprovante de devolução.';

sendReturnEmail(orderId);

}

return result;

}

• Defina seus termos: não presuma que o agente saiba o que os termos do setor significam.
  • Exemplo: “Os códigos promocionais são usados para descontos durante a finalização da compra, já os códigos de registro são usados para registrar produtos para garantia”.
• Seja específico sobre as sequências: se as etapas devem acontecer em uma determinada ordem, indique-as claramente e inclua-as em uma caixa de instruções.
  • Exemplo: “Primeiro verifique a identidade do cliente usando a ação Verificar cliente e, em seguida, forneça as informações da conta”.
• Use terminologia consistente: use os mesmos termos em todas as instruções.
  • Exemplo ruim: "Verifique as informações do cliente" em uma instrução e "Verifique os detalhes do cliente" em outra.
  • Bom exemplo: use "cliente" de forma consistente e se refira às ações por seus nomes exatos.
• Tenha cuidado com absolutos: palavras como “sempre” e “nunca” são interpretadas literalmente.
  • Os absolutos podem ter um impacto significativo na forma como seu agente interage. Certifique-se de que você é intencional sobre como eles são usados nas instruções.
• Combine ações com situações: especifique claramente quais ações usar em quais circunstâncias.
  • Exemplo: “Use a ação Rastrear pedido quando os clientes perguntarem sobre a localização do pacote ou as datas de entrega”.
• Forneça critérios de decisão: ajude seu agente a escolher entre opções semelhantes.
  • Exemplo: “Se o cliente tiver acesso ao email, use a ação Redefinição de senha do email. Se o usuário não tiver acesso ao email, use a ação Verificação da pergunta de segurança".

As ações servem como ferramentas que seu agente usa para obter informações ou realizar tarefas.

Quando seu agente lida com uma solicitação de cliente, o mecanismo de raciocínio:

1. Analisa a mensagem do cliente e o tópico selecionado
2. Analisa as ações disponíveis nesse tópico.
3. Decide quais ações usar com base em:
   - Os nomes das ações, a descrição da ação e as entradas da ação
   - As instruções do tópico que fazem referência às ações
   - O contexto da conversa.
4. Executa a ação selecionada com as entradas apropriadas.
5. Usa a saída da ação para formular uma resposta ou determinar as próximas etapas.

Para que esse processo funcione de forma eficaz, suas ações precisam de nomes e instruções claros e descritivos que ajudem o mecanismo de raciocínio a entender quando e como usá-las. Para minimizar a latência e melhorar o desempenho, não atribua mais de 15 ações a um tópico e lembre-se de que as ações podem ser reutilizadas em todos os tópicos.

Cada ação do seu agente tem três partes importantes que precisam ser configuradas: nome da ação, instruções da ação e instruções da entrada da ação.

• Use uma linguagem simples que corresponda à forma como os clientes descreveriam a ação.
• Como o Nome da API da ação é enviado ao mecanismo de raciocínio, certifique-se de que o Nome da API seja claro e descreva a funcionalidade.

Práticas recomendadas para instruções de ação:

• Escreva de 1 a 3 frases explicando exatamente o que a ação deve fazer.
• Especifique quando essa ação deve ser usada (tipos de solicitações de clientes).
• Liste quais informações a ação precisa para ser executada com êxito.
• Mencione quaisquer condições especiais ou casos extremos que a ação deve tratar.
• Inclua exemplos de frases de clientes que devem acionar essa ação.

Principais dicas para instruções de entrada de ações:

• Descreva claramente o que é a entrada e sua finalidade.
• Especifique o formato esperado (comprimento, caracteres, estrutura).
• Inclua critérios de validação ou requisitos de formatação.

Essa é uma pergunta que ouvimos com frequência de nossos clientes. A resposta curta é: sim. O Data Cloud é parte integrante do Agentforce porque a arquitetura do Data Cloud é aproveitada para determinados recursos do Agentforce, como análise de agentes e carteira digital. Além disso, a infraestrutura do Data Cloud possibilita a indexação e a pesquisa de dados não estruturados, bem como a trilha de auditoria e registros de feedback. O Data Cloud também pode fornecer extensibilidade adicional para o Agentforce. Os clientes também podem optar por ativar recursos como Traga seu lake (BYOL) e Traga seu grande modelo de linguagem (BYO-LLM) para usar dados e modelos criados em plataformas fora do Salesforce com agentes baseados no Agentforce.

Desde o acesso a dados de outros data lakes por meio da federação de dados até a utilização da infraestrutura de hiperescala para dados em escala de petabytes, a utilização da arquitetura do Data Cloud com o Agentforce garante que a experiência do clientes melhore com os resultados de IA atuais e garante a viabilidade a longo prazo para a adoção bem-sucedida de agentes, não importa quão grandes ou complexos sejam os conjuntos de dados subjacentes que alimentam esses agentes.

Quer saber quais recursos específicos do Agentforce são impulsionados pelo Data Cloud? Abaixo, você encontrará um resumo dos recursos do Agentforce suportados por Data Cloud por padrão e dos recursos opcionais do Data Cloud que podem ser ativados por clientes que desejam ampliar sua implementação.

Abordamos os principais elementos que fazem o Agentforce funcionar, incluindo o mecanismo de raciocínio Atlas e como usar tópicos, instruções e ações. Compreender esses componentes é fundamental para usar o Agentforce de forma eficaz. Lembre-se de usar este guia ao começar a implementar o Agentforce para melhorar seus resultados no Agentforce. Recomendamos que você confira os recursos fornecidos para saber mais.

Planejamento de agentes: Descreva o trabalho do agente
https://trailhead.salesforce.com/content/learn/modules/agentforce-agent-planning/outline-the-agents-work

Instruções da ação:
https://help.salesforce.com/s/articleView?id=ai.copilot_actions_instructions.htm&type=5

Instruções do tópico:
https://help.salesforce.com/s/articleView?id=ai.copilot_topics_instructions.htm&type=5

Agentes de solução de problemas:
https://help.salesforce.com/s/articleView?id=ai.copilot_troubleshoot.htm&type=5

Variáveis do Agentforce:
https://developer.salesforce.com/blogs/2025/04/agentforce-variables-a-new-way-to-structure-agent-memory

https://developer.salesforce.com/blogs/2025/04/control-agent-access-and-decision-making-with-variables-and-filters