Wir stellen vor: Der Agentforce-Leitfaden

KI-Agenten haben das Potenzial, Unternehmen zu revolutionieren, indem sie die Effizienz steigern, den manuellen Aufwand reduzieren und einen intelligenteren und anpassungsfähigeren Arbeitsplatz schaffen. Deshalb haben wir Agentforce eingeführt, eine Plattform zur Entwicklung von KI-Agenten. Aber mit neuer Technologie kommen auch neue Konzepte und Überlegungen zur Implementierung.

Dieser Leitfaden befasst sich mit den Kernelementen von Agentforce. Er ist der erste in einer Reihe von Leitfäden, die sich zusammen mit Agentforce selbst weiterentwickeln werden. Finden Sie heraus, wie Agentforce funktioniert, und entdecken Sie die wichtigsten Funktionen und Trade-offs, die Architekt:innen und alle technischen Fachleute kennen müssen, wenn sie mit Agentforce entwickeln.

Unsere Themen:

• Das Wichtigste:
• Agentforce-Grundlagen
• Eingabeaufforderungen vs. Agenten
• Wie Agentforce begründet
• Best Practices für die Verwendung von Filtern verglichen mit Anweisungen
• Best Practices für Themen, Anweisungen und Aktionen
• Benötigt Agentforce die Data Cloud?
• Schlussworte
• Ressourcen

• Agenten unterscheiden sich von anderen generativen KI-Tools wie Chatbots, Co-Piloten und Eingabeaufforderungen, weil sie mit oder ohne menschliches Eingreifen planen, folgern und Tools verwenden können.
• Prompt Engineering ist der Schlüssel, um Agenten zu entwickeln. Es ist die primäre Methode, um das Verhalten eines Agenten zu lenken und die Ergebnisse durch Themen, Aktionen und Anweisungen zu kontrollieren. Außerdem ist es unverzichtbar, um effektive Aktionen zu entwerfen, die durch Eingabeaufforderungsvorlagen gesteuert werden.
• Mit Themen, Aktionen und Anweisungen steuern Sie die Eingabeaufforderungen, die die Reasoning Engine antreiben. Sie sind Schlüsselelemente, damit Agentforce gut für Sie arbeitet.
• Da Agentforce zur Salesforce Platform gehört, können mit Agentforce erstellte Agenten die Low-Code- und Pro-Code-Tools verwenden, mit denen Sie bereits vertraut sind.
• Data Cloud ist ein integraler Bestandteil der Agentforce. Sie ermöglicht Indexierung und Segmentierung für Abruf-erweiterte Generierung (RAG), Agenten-Analytik, Bring Your Own Model (BYOM) und Digital Wallet.
• Agenten sind großartig, aber manchmal reicht auch eine Eingabeaufforderungsvorlage.

Einfach ausgedrückt ist ein Agent eine Art von Software, die mithilfe generativer KI entscheidet, was als Nächstes zu tun ist und wie es zu tun ist. Ein Agent kann eine Frage (oft auch als Äußerung bezeichnet) verstehen, autonom schlussfolgern, welche Maßnahmen er zum Erreichen seines Ziels ergreifen muss, die benötigten Daten identifizieren und dann handeln – mit oder ohne menschliches Eingreifen. Das Beste daran? Agenten verwenden Large Language Models (LLMs) anstelle strenger, vorgefertigter Regeln. Das macht Agenten dynamischer als eine regelbasierte Automatisierung und stellt einen bedeutenden Unterschied zu herkömmlicher Software dar, die fest kodierten Anweisungen folgt.

Die wichtigsten Fähigkeiten von KI-Agenten

• Agenten sind dynamisch und können sich an unterschiedliche Situationen, Umgebungen und Informationen anpassen.
• Agenten können autonom sein (ohne menschliches Eingreifen handeln) oder so angeleitet werden, dass ein Mensch in die Schleife einbezogen wird.
• Agenten unterscheiden sich von anderen generativen KI-Tools, weil sie planen, folgern und handeln können.

Zwar folgen Agenten keiner fest programmierten Logik wie herkömmliche Software, doch Agentforce bietet zahlreiche Komponenten, mit denen Sie die Schlussfolgerungen Ihrer Agenten zusätzlich steuern können. Es gibt auch eine Reihe von Funktionen, mit denen Sie Agentforce erweitern können. Hier ist ein kurzer Blick auf diese Komponenten:

Strategische Planung ist ein entscheidender Aspekt der Bereitstellung von KI-Agenten. Wenn Ihr Unternehmen keine Strategie hat, empfehlen wir Ihnen, zunächst die Qualifikation KI-Strategie-Badge auf Trailhead zu erwerben. Wir gehen im Folgenden davon aus, dass Sie bereits mit dem Prozess des Definierens Ihrer KI-Vision, der Einrichtung eines KI-Ausschusses, des Einführens von KI-Governance, des Bestimmens von KI-Anwendungsfällen und des Erstellens einer Roadmap vertraut sind.

Das Erstellen eines Agenten erfordert Zeit und Ressourcen. Eine sorgfältige Planung hilft Ihnen, es gleich im ersten Anlauf richtig zu machen. Bevor Sie mit dem Erstellen eines Agenten beginnen, definieren Sie einen Anwendungsfall und erstellen einen Prozessplan für jeden Agenten, den Sie erstellen möchten. Das Badge „Agentenplanung“ auf Trailhead umfasst die Prozesszuordnung in der Lektion „Arbeit des Agenten skizzieren “. Skizzieren Sie, wie die ideale Benutzererfahrung aussieht und wie das System auf Benutzereingaben reagiert und mit potenziellen Fehlern oder Problemen umgeht.

Das resultierende Diagramm hilft Ihnen, den Flow zu verstehen. Anhand des Diagramms können Sie dann Anweisungen generieren und wissen, wo Sie Aktionen, Variablen und Filter verwenden müssen. Zu den Vorteilen dieses Planungsansatzes für Agenten gehören:

• Einbeziehen der Geschäftsanwender:innen und Vereinbaren des Anwendungsbereichs
• Definieren von Aktionen, Anweisungen und Leitlinien
• Generieren klarer, spezifischer Anweisungen
• Debuggen während des Tests und der Bewertung
• Bewerten gesamter Szenarien
• Nachweisen von Compliance und Audit Trail
• Erklären Sie das erwartete Verhalten des Agenten und lassen Sie es genehmigen

Bevor wir fortfahren, sollten Sie wissen, dass Agenten nicht das einzige generative KI-Tool sind, das Sie bei Salesforce Platform verwenden können. Promptvorlagen sind ein weiteres leistungsstarkes Tool, um Anwendungen zu erstellen, die generative KI verwenden. Mit den in Eingabeaufforderungsgenerator integrierten Promptvorlagen können Sie einen Satz strukturierter, wiederverwendbarer Anweisungen definieren, die ein generatives KI-Modell dazu anleiten, bestimmte Outputs zu erzeugen. Sie können Salesforce Daten über vordefinierte Felder, Datendiagramme und kontextbezogenes Abrufen von Daten (Abruf-erweiterte Generierung, RAG) einbeziehen. Promptvorlagen sind zudem hochgradig sicher, da alle Prompts durch die Vertrauensebene von Salesforce geleitet werden – dabei werden Berechtigungen beachtet, sensible Daten maskiert und toxische Outputs gekennzeichnet.

Promptvorlagen sind Single-Turn-Interaktionen mit der KI. Sie eignen sich ideal für einmalige Aufgaben, die keine Speicherung oder mehrstufige Schlussfolgerungen erfordern. Eine Promptvorlagen bietet sich beispielsweise an, wenn Sie einen Satz umformulieren oder einen Sachverhalt zusammenfassen müssen, da kein fortlaufender Kontext erforderlich ist. Beachten Sie, dass Lösungen mit Promptvorlagen zustandslos sind (sie haben keinen Speicher zwischen den Turns) und dass sie keine Entscheidungen treffen oder Aktionen ausführen. Promptvorlagen generieren eine Antwort basierend auf dem Input und der Logik, die Sie zum Zeitpunkt ihres Designs bereitstellen.

Promptvorlagen können eigenständig in einer eingebetteten KI-Lösung verwendet werden, oder Sie können einem Agenten eine Promptvorlage als Agententaktion hinzufügen. Verwenden Sie eine eigenständige Promptvorlage unter den folgenden Umständen:

• Der Business-Kontext ist gut verständlich und stabil
• Der gewünschte Output folgt einem vorhersehbaren Format, obwohl die Antwort selbst nicht deterministisch ist
• Es ist nicht nötig, verschiedene Möglichkeiten zu bewerten oder eigenständig zu handeln
• Ein fortlaufender Kontext oder Status ist nicht erforderlich
• Eine mehrstufige Argumentation ist nicht erforderlich

Anwendungsfälle für Eingabeaufforderungsvorlagen:

• Eine strukturierte Datensatzzusammenfassung generieren, z. B. das Zusammenfassen von Notizen zu Kundenvorgängen
• Strukturierte Meeting-Notizen erstellen
• E-Mail-Antwortvorlagen generieren
• Die nächstbesten Aktionen vorschlagen
• Stimmungsanalyse zu einem Kundenvorgang identifizieren

Beachten Sie, dass Eingabeaufforderungsvorlagen zwar dynamisch Daten eingeben und Antworten basierend auf den dynamischen Eingaben generieren können, die zur Laufzeit gerendert werden, aber sie können keine Optionen durchdenken oder Aktionen ausführen.

Agenten sind Softwaresysteme, die autonom entscheiden, was, in welcher Reihenfolge und wie etwas zu tun ist – basierend auf einem sich entwickelnden Kontext. Agenten gehen über eine einzelne Eingabeaufforderung hinaus, denn sie können planen, folgern, externe Aktionen (wie API-Aufrufe oder Datenbankabfragen) aufrufen und anhand von Ergebnissen reagieren. Je nachdem, was sie während des Prozesses erfahren, können sie verschiedene Wege oder Reaktionen wählen. Dann sind Agenten am besten:

• Die Situation oder der Kontext kann sich dynamisch ändern
• Daten ermöglichen mehrere Entscheidungen oder Verzweigungen
• KI muss das menschliche Urteilsvermögen ersetzen oder unterstützen, wenn es darum geht, eine Entscheidung zu treffen oder zu handeln

Anwendungsfälle für KI-Agenten:

• Sichtung und Weiterleitung eingehender Supportfälle
• Lösen von Buchungsproblemen durch Überprüfung externer Systeme und Richtlinien
• Verwaltung mehrstufiger Workflows mit Feedbackschleifen
• Verfassen einer Antwort-E-Mail zu einem Kundenvorgang basierend auf den Details des Kundenproblems, mit möglichen Lösungen und relevanten Wissensartikeln von Ihrer Kundenwebsite
• Planung eines Termins entsprechend der Verfügbarkeit von Servicemitarbeiter:innen und der Kundenpräferenz
• Erkennen von Ereignissen wie Softwareaktualisierungsproblemen und proaktives Generieren von Problembehebungsaufgaben oder Versuchen einer Remote-Lösung durch aus Auslösen einer Aktion zum Einleiten eines API-Aufrufs

Möchten Sie verstehen, wie Agentforce Benutzeranfragen versteht und entscheidet, welche Aktionen durchgeführt werden sollen? In diesem Abschnitt erfahren Sie, was im Mittelpunkt des Entscheidungsprozesses steht: die Atlas Reasoning Engine. Das Verständnis der Ausführungsreihenfolge ist der Schlüssel, um zu verstehen, was beim Speichern eines Datensatzes in Salesforce geschieht. Ebenso hilft es zu wissen, wie die Atlas Reasoning Engine arbeitet, um zu verstehen, wie Agentforce funktioniert.

Die Atlas Reasoning Engine verwendet eine Reihe von Prompts, Code, LLM-Aufrufe und drei wichtige Bausteine, die Agenten beim Verstehen und Reagieren helfen. Stellen Sie sich die folgenden drei Elemente (Themen, Anweisungen und Aktionen) als die Hebel vor, mit denen Sie die Arbeit des Agenten steuern. Durch das Abpassen dieser Elemente formulieren Sie die Prompts, anhand derer die Reasoning Engine versteht, entscheidet und handelt. Richtig: Agentforce verwendet Prompts in der Reasoning Engine, um Themen und Aktionen zu klassifizieren. Sie betreiben also jedes Mal, wenn Sie einen Agenten in Agent Builder erstellen, Prompt Engineering!

Bevor wir tiefer in die Atlas Reasoning Engine eintauchen, schauen wir uns Themen, Anweisungen und Aktionen genauer an – drei wichtige Metadaten, die Sie jedes Mal definieren, wenn Sie einen Agenten mit Agentforce erstellen.

Themen bilden die Grundlage für die Fähigkeiten Ihres Agenten. Sie definieren, was er tun und welche Arten von Kundenanfragen er bearbeiten kann. Betrachten Sie sie als spezialisierte Abteilungen mit spezifischem Fachwissen, Tools (Aktionen) und Richtlinien (Anweisungen). Wenn ein:e Kund:in eine Nachricht sendet, bestimmt Ihr Agent zunächst, welche „Abteilung“ (Thema) die Anfrage bearbeiten soll. Dann folgt er den Richtlinien dieser Abteilung und verwendet deren Tools, um dem:der Kund:in zu helfen. Themen haben auch einen Bereich, der festlegt, was ein Agent in diesem bestimmten Themenbereich tun kann und was nicht.

Diese Richtlinien regeln den Umgang mit Unterhaltungen innerhalb eines Themas, indem sie die Auswahl der Aktionen und die Gesprächsmuster vorgeben und den Business-Kontext liefern. Klare und eindeutige Themen verhindern Überschneidungen und stellen sicher, dass die Reasoning Engine die Kundenanfragen richtig einordnet. Anweisungen sollten klar, spezifisch und umsetzbar sein, um den Agenten effektiv zu steuern.

Aktionen dienen als Tools, mit denen Ihr Agent Informationen abruft oder Aufgaben ausführt. Zum Definieren von Aktionen müssen Sie wissen, wie die Reasoning Engine sie verarbeitet. Die Engine überprüft die verfügbaren Aktionen anhand ihrer Namen, Beschreibungen und Inputs sowie der Themenanweisungen und des Unterhaltungskontexts. Agentforce enthält eine Reihe von standardmäßigen Agentenaktionen. Sie können auch benutzerdefinierte Agentenaktionen erstellen, um Ihre Implementierung zu erweitern. Prüfen Sie jedoch immer, ob Sie eine Standardaktion verwenden können, bevor Sie eine benutzerdefinierte Aktion erstellen. Denken Sie beim Aktionsdesign stets an die Wiederverwendbarkeit, denn Aktionen können für verschiedenen Themen verwendet werden. Die folgende Liste zeigt die verfügbaren benutzerdefinierten Agentenaktionen und wann sie verwenden werden sollten:

Sie fragen sich vielleicht, wie ein Agent die Themen, Anweisungen und Aktionen nutzt, um seine Arbeit zu erledigen. Hier erfahren Sie Schritt für Schritt, was innerhalb der Atlas Reasoning Engine passiert, wenn ein Agent aufgerufen wird.

Der Prozess beginnt, wenn eine Nachricht oder Anfrage von einem:einer Nutzer:in eingeht oder wenn ein Ereignis, eine Datenänderung oder ein API-Aufruf einen Agenten aktiviert.

Die Reasoning Engine analysiert die Nutzernachricht und ordnet sie dem relevantesten Thema zu. Bei diesem Klassifizierungsschritt betrachtet die Reasoning Engine nur den Themennamen und die Beschreibung der Themenklassifizierung. Wird kein passendes Thema gefunden, wird standardmäßig die Klassifizierung „Off-topic“ verwendet.

Der Geltungsbereich, die Anweisungen und die Aktionen, die dem ausgewählten Thema zugeordnet sind, werden zusammen mit der ursprünglichen Benutzernachricht und dem Unterhaltungsverlauf in den Prompt eingefügt, normalerweise in den letzten sechs Umläufen. Der resultierende Prompt wird an das LLM gesendet, um zu bestimmen, was der Agent als Nächstes tun soll.

Der Agent analysiert den kombinierten Input (Nutzernachricht, Anweisungen, mögliche Aktionen) und entscheidet über den nächsten Schritt:

• Aktion ausführen: Wenn bestimmte Informationen benötigt werden oder eine Aufgabe ausgeführt werden muss.
• Nutzer:innen antworten: Wenn der Agent genügend Informationen hat oder nach Informationen sucht, kann er eine Antwort senden.

• Der Agent ruft die gewählte Aktion auf.
• Der Output oder das Ergebnis der ausgeführten Aktion wird erfasst.
• Action Output Processing: Der Output der Aktion wird an das LLM zurückgesendet und wieder mit dem ursprünglichen Kontext (Anweisungen, Aktionen, Gesprächsverlauf) kombiniert.

• Der Agent bewertet die Situation basierend auf den neuen Informationen (Aktions-Output) und des laufenden Gesprächskontexts neu.
• Der Output wird zusammen mit dem Fokusthemenbereich, Anweisungen und Aktionen übermittelt und entscheidet, ob eine weitere Aktion ausgeführt oder eine Antwort formuliert werden soll.
• Diese Schleife wird so lange fortgesetzt, bis der Agent über alle erforderlichen Informationen verfügt, um dem:der Benutzer:in direkt zu antworten.

Bevor der Agent die endgültige Antwort sendet, führt er eine letzte Prüfung durch. So stellt er sicher, dass seine vorgeschlagene Antwort auf den bereitgestellten Anweisungen für das Thema basiert und diese auch befolgt. In diesem Schritt wird überprüft, ob die Antwort folgende Kriterien erfüllt:

• Sie stützt sich auf fundierte Quelleninformationen
• Sie hält sich an die Anweisungen und den Themenbereich
• Sie enthält keine halluzinierten oder ungeprüften Informationen
• Sie ist frei von potenziellen Prompt-Injection-Risiken

Die endgültige, geprüfte Antwort wird an den:die Benutzer:in gesendet. Wenn der Grounding-Schritt fehlschlägt, versucht der Agent erneut, eine kontextbezogene Antwort zu erzeugen. Ist er nicht dazu in der Lage, sendet er eine Standardnachricht und informiert den:die Benutzer:in, dass er bei der Anfrage nicht helfen kann.

Wenn Sie diesen Workflow verstehen, wird klar, warum jede Komponente Ihres Agenten – Themen, Anweisungen und Aktionen – sorgfältig auf den Reasoning-Prozess abgestimmt sein muss. Aber das ist noch nicht alles.

Um Ihrem agentenbasierten Workflow zusätzliche Kontrolle zu verleihen und eine deterministische Logik hinzuzufügen, verwendet Agentforce die bedingte Filterung. Das ist so ähnlich wie mit dynamischen Sichtbarkeitsregeln für Formularfelder – nur für Ihre Agenten, wenn sie schlussfolgern.

Bedingte Filter fungieren als Torwächter. Sie bestimmen, ob ein Thema oder eine Aktion beim Reasoning-Prozess berücksichtigt werden soll. Im Gegensatz zu Anweisungen, die die Entscheidungen des LLM steuern, arbeiten Filter auf Systemebene. Sie können Themen und Aktionen anhand bestimmter Bedingungen vollständig entfernen oder einbeziehen.

Die bedingte Filterung verbessert die Leistung des Agenten auf zwei entscheidende Arten:

1. Verbesserte Genauigkeit bei der Themenklassifizierung

Durch das Ausschließen irrelevanter Themen auf Basis des Unterhaltungsstatus reduzieren Sie das „semantische Rauschen“ während der Themenklassifizierung. Dies erleichtert es dem LLM, das richtige Thema für eine Benutzeranfrage auszuwählen.

Hat sich ein:e Nutzer:in beispielsweise noch nicht authentifiziert, können Filter alle Themen ausblenden, die sich auf kontospezifische Aktionen beziehen. Dadurch wird verhindert, dass der Agent allgemeine Anfragen fälschlicherweise als sensible Themen einstuft, was letztlich zu Authentifizierungsfehlern oder unangemessenen Antworten führen würde.

2. Auswahl kontextbezogener Maßnahmen

Sobald ein Thema ausgewählt ist, können Filter weiter eingrenzen, welche Aktionen innerhalb dieses Themas je nach aktuellem Gesprächsstatus verfügbar sind:

• Wenn erforderliche Variablen nicht ausgefüllt werden (beispielsweise die Bestellnummer), können Aktionen, die von diesen Variablen abhängen, ausgeblendet werden
• Wenn bestimmte Aktionen nur aufgrund von Nutzerattributen oder Berechtigungen verfügbar sein sollen, können Filter diese Regeln durchsetzen

So funktioniert die bedingte Filterung

Die Atlas Reasoning Engine unterstützt die Filterung anhand von Kontextvariablen und benutzerdefinierten Variablen. Schauen wir uns die Eigenschaften jedes Typs kurz an:

Die Variablen stammen aus der Messaging-Sitzung und können Folgendes enthalten:

• Standardfelder aus dem Objekt „Messaging-Sitzung“
• Benutzerdefinierte Felder, die dem Objekt „Messaging-Sitzung“ hinzugefügt wurden
• Daten aus dem Pre-Chat-Formular
• Informationen aus früheren Messaging-Sitzungen

Kontextvariablen sind besonders nützlich, um Interaktionen anhand bekannter Kundeninformationen zu personalisieren, ohne dass der Agent im Gespräch danach fragen muss. Wenn Sie eine Lösung mit Kontextvariablen entwerfen, müssen Sie wissen, dass sie zu Beginn der Sitzung festgelegt werden und während der Sitzung unveränderlich sind.

Benutzerdefinierte Variablen speichern Informationen, die von Aktionen zurückgegeben werden. Dafür können sie verwendet werden:

• Gesprächsstatus (beispielsweise Authentifizierungsstatus) verfolgen
• Aktions-Outputs sammeln, die als Aktions-Inputs bestehen bleiben müssen
• Abhängigkeiten zwischen Aktionen erstellen, sodass Aktionen nur verfügbar sind, wenn eine bestimmte Bedingung erfüllt ist

Filters basieren auf den Werten von Kontext- und benutzerdefinierten Variablen. Filter können sowohl auf Themen- als auch auf Aktionsebene angewendet werden:

• Filter auf Themenebene: Steuern Sie, ob das gesamte Thema für die Klassifizierung verfügbar ist
• Filter auf Aktionsebene: Steuern Sie die Verfügbarkeit bestimmter Aktionen innerhalb eines Themas, auch wenn das Thema selbst ausgewählt ist

Hier sehen Sie eine einfache Ansicht der Atlas Reasoning Engine. Sie zeigt, wie sich Filter auf Themen- und Aktionsebene in den Reasoning-Prozess einfügen.

Der häufigste Anwendungsfall für das Filtern ist die Steuerung des Zugriffs auf sensible Vorgänge:

Filter: „Authentifizierung erforderlich“

Bedingung: authenticationStatus = „verifiziert“

Angewendet auf: Thema „Kontoverwaltung“, Thema „Zahlungsabwicklung“

Dies stellt sicher, dass der Agent selbst dann, wenn Benutzer:innen vor der Authentifizierung nach ihrem Konto oder ihren Zahlungen fragen, keinen Aufruf dieser Themen zulässt.

Filter können auch dabei helfen, Prozessschritte in der richtigen Reihenfolge auszuführen:

Filter: „Bestellnummer erforderlich“

Bedingung: orderNumber != null

Angewendet auf: Aktion „Bestellstatus prüfen“, Aktion „Bestellung ändern“

Dadurch sind auftragsbezogene Aktionen erst verfügbar, nachdem eine Bestellnummer erfasst und in einer Variablen gespeichert wurde.

Es ist wichtig, den Unterschied zwischen Filtern und Anweisungen zu verstehen:

1. Filter arbeiten deterministisch: Sie verwenden Variablenabgleiche, um Themen und Aktionen einzuschließen/auszuschließen.
2. Anweisungen werden vom LLM interpretiert: Sie setzen das Verständnis des LLM voraus und sind nicht deterministisch. Das bedeutet: Ihre Ergebnisse können je nach Verständnis und Interpretation des Modells variieren.
3. Filter schränken die Agentenentscheidungen ein: Sie entfernen Optionen vollständig aus der Erwägung und minimieren damit den Suchraum. Das führt zu höherer Genauigkeit.

Zitate sind ein weiterer Aspekt der Atlas Reasoning Engine. Sie können Zitate verwenden, um die Quellen zu validieren, die das LLM verwendet, um eine Antwort zu generieren. Das folgende Diagramm zeigt, wo Zitate in den Flow der Reasoning Engine passen.

Das Diagramm verdeutlicht auch die Composable- Architektur der Reasoning Engine. Eskalation, Zitate und Leitlinien sind modulare Komponenten, die die Reasoning Engine verwendet, wenn ein Agent mithilfe der Vorlage „Agentforce für den Service“ erstellt wird. Derzeit werden die von der Reasoning Engine genutzten modularen Komponenten für jede Vorlage einzeln festgelegt. Geplant ist eine Gestaltung dieser Komponenten wie Legosteine, die in einen Agenten ein- und ausgebaut werden können – in Zukunft vielleicht sogar von Kund:innen.

Wir haben schon viel gelernt. Jetzt gehen wir einen Schritt zurück und schauen uns ein umfassendes Beispiel an, wie Themen, Anweisungen und Aktionen mit der Reasoning Engine zusammenarbeiten, wenn ein:e Kund:in einem Agenten eine Frage stellt.

Kundennachricht: „Ich habe gestern einen roten Pullover bestellt, aber ich muss die Lieferadresse ändern.“

• Die Engine vergleicht die Nachricht mit allen Themenbezeichnungen und Klassifizierungsbeschreibungen
• Sie wählt das Thema „Änderungsauftrag“ aus, weil in der Klassifizierungsbeschreibung „Aufträge ändern“ erwähnt wird

• Die Reasoning Engine bringt das Thema „Lieferzeit ändern“ oder „Adresse ändern“ in den Fokus-Prompt ein und nimmt den Umfang, die Anweisungen und die verfügbaren Aktionen des Themas sowie den Unterhaltungsverlauf und die Benutzernachricht auf
• Der Scope gibt an, dass der Agent zwar Aufträge ändern, aber nicht stornieren kann, nachdem sie bearbeitet wurden
• Die Anweisungen enthalten Anleitungen zum Umgang mit Auftragsänderungen

• Die Engine bestimmt anhand der Themenanweisungen und Aktionsbeschreibungen, was sie tun muss:
  • Zuerst die Bestellung identifizieren (mit der Aktion „Bestellung anhand Beschreibung suchen“)
  • Dann die Lieferadresse aktualisieren (mit der Aktion „Versand der Bestellung aktualisieren“)

• Die Engine fragt den:die Kund:in nach seiner:ihrer E-Mail, um die Bestellung zu finden
• Sobald die Bestellung gefunden wurde, wird die neue Lieferadresse erfasst
• Die Aktion „Bestellversand aktualisieren“ wird mit der Bestellnummer und der neuen Adresse ausgeführt
• Die Adressänderung wird dem:der Kund:in bestätigt

Jetzt wissen Sie, wie die Reasoning Engine funktioniert und warum Themen, Anweisungen und Aktionen so wichtig sind. Schauen wir uns nun einige Best Practices zur Erstellung an.

Themen bilden die Grundlage für die Fähigkeiten Ihres Agenten. Sie definieren, was er tun und welche Arten von Kundenanfragen er bearbeiten kann. Die drei Elemente eines Themas sind der Themenname, die Beschreibung der Klassifizierung und der Bereich.

• Überlegen Sie: „Wie würde ich die ‚zu erledigenden Aufgaben‘ meines Agenten kategorisieren?“
• Verwenden Sie leicht erkennbare Namen
• Verwenden Sie kurze, beschreibende Namen
• Beginnen Sie Namen mit Verben wie bereitstellen, ändern oder abbrechen
• Stellen Sie sicher, dass sich die Bedeutung verschiedener Themennamen nicht überschneidet
• Überprüfen Sie vorhandene Themen, bevor Sie neue erstellen
• Begrenzen Sie die Themen auf 10 bis 15 pro Agent. Zu viele/überlappende Themen erhöhen die Wahrscheinlichkeit, dass der Agent inkonsistent oder ungenau ist.

• Nehmen Sie die verschiedenen Möglichkeiten auf, mit denen Benutzer:innen diese Art von Hilfe anfordern können
• Listen Sie bestimmte Schlüsselwörter und Phrasen auf, die Kund:innen typischerweise verwenden
• Decken Sie die gesamte Bandbreite der Fragen ab, die dieses Thema behandeln sollte
• Schreiben Sie in natürlicher Sprache, nicht mit Fachbegriffen
• Heben Sie es von den Beschreibungen anderer Themen ab

Wenn Sie feststellen, dass der Agent bei Benutzeranfragen immer wieder das falsche Thema auswählt, sollten Sie zuerst die Namen und Beschreibungen der Themen untersuchen und optimieren.

• Schreiben Sie es so, als würden Sie neuen Mitarbeiter:innen eine Aufgabe erklären: „Deine Aufgabe ist es, ... Du kannst nicht ...“
  • Nennen Sie ausdrücklich sowohl die Berechtigungen als auch die Einschränkungen
• Verwenden Sie eine klare, unmissverständliche Sprache bezüglich der Grenzen

Sehen wir uns an, wie Sie ein Thema zur Designzeit konfigurieren, damit ein Agent den Benutzer:innen dabei helfen kann, ihre Passwörter zurückzusetzen. So könnten die Themen, Anweisungen und Aktionen aussehen:

Wenn ein:e Kund:in dann zur Runtime über die Website eines Unternehmens mit unserem Agenten interagiert, geschieht Folgendes:

1. Kund:in sagt: „Ich habe meine Anmeldedaten vergessen.“
2. Die Reasoning Engine ordnet das dem Thema Zurücksetzen des Passworts zu, da in der Klassifizierungsbeschreibung „vergessene Passwörter, Anmeldeprobleme, Probleme beim Zugriff auf Benutzerkonto“ erwähnt wird.
3. Der Scope teilt dem Agent mit, dass er beim Zurücksetzen von Passwörtern helfen, aber nicht auf Kontoinformationen zugreifen oder Kontoänderungen vornehmen kann.
4. Der Agent folgt den Anweisungen, um zuerst die Identität des:der Kund:in zu überprüfen und dann anzubieten, einen Link zum Zurücksetzen des Passworts zu senden.
5. Der Agent schließt die Aufgabe mit der Aktion „E-Mail zum Zurücksetzen des Kennworts senden“ ab.

Anweisungen sind die Richtlinien, die Ihrem Agenten sagen, wie er Gespräche innerhalb eines Themas führen soll. Anweisungen helfen dem Agenten zu entscheiden, welche Aktionen er durchführen und wie er reagieren soll.

Anweisungen spielen bei der Entscheidungsfindung Ihres Agenten eine entscheidende Rolle:

1. Auswahl von Aktionen leiten: Sie helfen Ihrem Agenten, die richtige Aktion für bestimmte Situationen zu wählen.
2. Gesprächsmuster festlegen: Sie bestimmen, wie Ihr Agent mit Kund:innen interagieren soll.
3. Business-Kontext bereitstellen: Sie helfen Ihrem Agenten, die Prozesse und Terminologie Ihres Unternehmens zu verstehen.

Ohne klare Anweisungen könnte Ihr Agent die falschen Aktionen auswählen, Kundenanfragen missverstehen oder inkonsistente Antworten geben. Denken Sie aber daran, dass Anweisungen zu einem Prompt zusammengefasst und an das LLM gesendet werden und daher nicht deterministisch sind. Sie ersetzen nicht die Notwendigkeit von kodierten Business-Regeln innerhalb der Aktion.

Dafür verwendet die Reasoning Engine Ihre Anweisungen, wenn sie eine Kundenanfrage verarbeitet:

1. Entscheiden, welche Aktionen ausgeführt werden sollen: Anweisungen helfen der Engine zu bestimmen, welche Aktion in einer bestimmten Situation am besten geeignet ist.
2. Reihenfolge der Schritte bestimmen: Durch Anweisungen können Sie der Engine mitteilen, ob bestimmte Schritte vor anderen ausgeführt werden sollen. Für mehr Determinismus können Sie Aktionsvariablen und bedingte Filter verwenden.
3. Antwort formatieren: Anweisungen beeinflussen, wie die Informationen den Kund:innen präsentiert werden.
4. Ausnahmen berücksichtigen: Anweisungen teilen der Engine mit, was zu tun ist, wenn Standardprozesse nicht anwendbar sind. (Wenn ein Sonderfall auftritt, bieten Sie beispielsweise eine Eskalation an einen Agenten an.)

Je klarer und spezifischer Ihre Anweisungen sind, desto konsequenter wird Ihr Agent arbeiten.

Wenn Sie Ihren Agenten erstellen, sollten Sie unbedingt wissen, wann Sie Anweisungen und wann Sie Aktionen nutzen sollten, um Funktionen zu implementieren. Verwenden Sie Aktionen für kritische Geschäftslogik, die konsistent durchgesetzt werden muss – wie komplexe Berechnungen, die Verarbeitung sensibler Informationen und mehrstufige Vorgänge, die eine bestimmte Reihenfolge erfordern. Im Gegensatz dazu verwenden Sie Anweisungen, um den Gesprächsverlauf zu lenken, dem Agenten bei der Auswahl geeigneter Aktionen basierend auf dem Kontext zu helfen, die Formatierung von Antworten und den Tonfall festzulegen und Klärungsstrategien zu entwickeln, wenn Informationen mehrdeutig sind.

• Schlechtes Beispiel: „Gib niemals Erstattungen für Bestellungen aus, die älter als 30 Tage sind“ (als Anweisung)
• Besserer Ansatz: Integrieren Sie die Logik mit einer Datumseingabe in die Aktion „Bestellung erstatten“ und führen Sie die Validierung in der Aktion durch.

Beispiel für eine „Bestellung erstatten“-Aktion:

public with sharing class RefundOrderHandler {

public class RefundResult {

@AuraEnabled public Boolean canReturn;

@AuraEnabled public String message;

}

@AuraEnabled

public static RefundResult processRefund(Id orderId, Date orderDate) {

RefundResult result = new RefundResult();

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

result.canReturn = false;

result.message = 'Ungültige Eingabe: Bestellnummer und Bestelldatum sind erforderlich.';

return result;

}

Date today = Date.today();

Integer daysSinceOrder = today.daysBetween(orderDate);

if (daysSinceOrder > 30) {

result.canReturn = false;

result.message = 'Bestellung kann nicht zurückgegeben werden. Es sind mehr als 30 Tage vergangen.';

} else {

result.canReturn = true;

result.message = 'Bestellung kann zurückgegeben werden. Rücksendeschein senden.';

sendReturnEmail(orderId);

}

return result;

}

• Definieren Sie Ihre Begriffe: Gehen Sie nicht davon aus, dass der Agent weiß, was branchenspezifische Begriffe bedeuten.
  • Beispiel: „Promocodes werden beim Check-out für Rabatte verwendet, während man mit Registrierungscodes die Produkte für die Garantie registrieren kann.“
• Definieren Sie die Abläufe genau: Wenn die Schritte in einer bestimmten Reihenfolge ablaufen sollen, machen Sie das deutlich und fügen Sie sie in ein Anweisungsfeld ein.
  • Beispiel: „Überprüfe zunächst die Identität des Kunden mit der Aktion ‚Kunde verifizieren‘ und gib dann die Kontoinformationen an.“
• Verwenden Sie eine einheitliche Terminologie: Nutzen Sie in all Ihren Anweisungen die gleichen Begriffe.
  • Schlechtes Beispiel: „Überprüfe die Daten des Bestellers“ in einer Anweisung und „Verifiziere die Daten des Kunden“ in einer anderen.
  • Gutes Beispiel: Verwenden Sie konsequent „Kunde“ und bezeichnen Sie Aktionen mit ihrem genauen Namen.
• Seien Sie vorsichtig mit absoluten Aussagen: Begriffe wie „immer“ und „nie“ werden sehr wörtlich genommen.
  • Absolute Werte können stark beeinflussen, wie Ihr Agent interagiert. Achten Sie darauf, wie Sie sie in den Anweisungen verwenden.
• Verbinden Sie Aktionen mit Situationen: Legen Sie klar fest, welche Aktionen unter welchen Umständen zu verwenden sind.
  • Beispiel: „Verwende die Aktion ‚Bestellung verfolgen‘, wenn Kunden nach dem Standort des Pakets oder dem Liefertermin fragen.“
• Geben Sie Entscheidungskriterien vor: Helfen Sie Ihrem Agenten, zwischen ähnlichen Optionen zu wählen.
  • Beispiel: „Wenn der Kunde auf seine E-Mail zugreifen kann, verwende die Aktion ‚E-Mail-Passwort zurücksetzen‘. Haben Kund:innen keinen Zugriff auf ihre E-Mails, verwende die Aktion ‚Überprüfung der Sicherheitsfrage‘.“

Aktionen sind die Tools, mit denen Ihr Agent Informationen abruft oder Aufgaben ausführt.

Wenn Ihr Agent eine Kundenanfrage bearbeitet, führt die Reasoning Engine folgende Schritte aus:

1. Analysiert die Nachricht des Kunden und das ausgewählte Thema
2. Überprüft die verfügbaren Aktionen zu diesem Thema
3. Entscheidet, welche Aktionen verwendet werden sollen, basierend auf:
   – Aktionsnamen, Aktionsbeschreibung und Aktionseingaben
   – Themenanweisungen, die auf Aktionen verweisen
   – Kontext der Unterhaltung
4. Führt die ausgewählte Aktion mit entsprechenden Inputs aus
5. Verwendet den Output der Aktion, um eine Antwort zu formulieren oder die nächsten Schritte zu bestimmen

Damit dieser Prozess effektiv funktioniert, benötigen Ihre Aktionen klare, beschreibende Namen und Anweisungen, sodass die Reasoning Engine versteht, wann und wie sie verwendet werden sollen. Um Latenzzeiten zu minimieren und die Leistung zu verbessern, weisen Sie einem Thema nicht mehr als 15 Aktionen zu. Denken Sie auch daran, dass Aktionen themenübergreifend wiederverwendet werden können.

Jede Aktion Ihres Agenten besteht aus drei wichtigen Teilen, die Sie konfigurieren müssen: Aktionsname, Aktionsanweisungen und Eingabeanweisungen für Aktionen.

• Verwenden Sie eine einfache Sprache – so, wie Kund:innen die Aktion beschreiben würden.
• Da der Aktions-API-Name an die Reasoning Engine gesendet wird, sollten Sie sicherstellen, dass der API-Name eindeutig ist und die Funktionalität beschreibt.

Best Practices für Handlungsanweisungen:

• Schreiben Sie 1 bis 3 Sätze, die genau erklären, was die Aktion bewirkt
• Legen Sie fest, wann die Aktion verwendet werden soll (Arten von Kundenanfragen)
• Listen Sie auf, welche Informationen die Aktion benötigt, um erfolgreich ausgeführt zu werden
• Erwähnen Sie alle besonderen Bedingungen oder Sonderfälle, die die Aktion betreffen
• Fügen Sie Beispiele für Kundenphrasen ein, die die Aktion auslösen sollen

Wichtige Tipps zur Eingabe von Aktionen:

• Beschreiben Sie die Eingabe und ihren Zweck klar und deutlich
• Geben Sie das erwartete Format an (Länge, Zeichen, Struktur)
• Fügen Sie Validierungskriterien oder Formatierungsanforderungen ein

Diese Frage hören wir oft von unseren Kund:innen. Die kurze Antwort: Ja. Data Cloud ist ein integraler Bestandteil der Agentforce, da die Data Cloud-Architektur für bestimmte Funktionen in Agentforce wie Agenten-Analytik und Digital Wallet genutzt wird. Darüber hinaus ermöglicht die Data Cloud-Infrastruktur die Indizierung und Suche nach unstrukturierten Daten sowie die Protokollierung von Feedback und den Audit Trail. Data Cloud kann auch zusätzliche Erweiterungsmöglichkeiten für Agentforce bieten. Kund:innen können auch Funktionen wie Bring Your Own Lake (BYOL) und Bring Your Own Large Language Model (BYO-LLM) aktivieren, um Daten und Modelle, die auf Plattformen außerhalb von Salesforce erstellt wurden, mit Agenten zu verwenden, die auf Agentforce basieren.

Vom Zugriff auf Daten aus anderen Data Lakes über den Datenverbund bis hin zur Nutzung der Hyperscale-Infrastruktur für Daten im Petabyte-Bereich stellt die Verwendung der Data Cloud-Architektur mit Agentforce sicher, dass Kund:innen heute bessere KI-Erfahrungen machen und langfristig eine erfolgreiche Einführung von Agenten gewährleistet ist – unabhängig davon, wie groß oder komplex die zugrunde liegenden Datensätze sind, die diese Agenten antreiben.

Möchten Sie wissen, welche spezifischen Agentforce-Funktionen von Data Cloud unterstützt werden? Nachfolgend erhalten Sie einen Überblick über die Agentforce-Funktionen, die Data Cloud standardmäßig unterstützt, und die optionalen Data Cloud-Funktionen, die Kund:innen aktivieren können, um die ihre Implementierung zu erweitern.

Wir haben uns die wichtigsten Elemente angesehen, mit denen Agentforce funktioniert – einschließlich der Atlas Reasoning Engine und der Verwendung von Themen, Anweisungen und Aktionen. Das Verständnis dieser Komponenten ist der Schlüssel, um Agentforce effektiv zu nutzen. Denken Sie daran, diesen Leitfaden zu verwenden, wenn Sie mit der Implementierung von Agentforce beginnen – so verbessern Sie Ihre Agentforce-Ergebnisse. Wir empfehlen Ihnen, sich die bereitgestellten Ressourcen anzusehen, um mehr zu erfahren.

Agentenplanung: Skizzieren Sie die Arbeit des Agenten
https://trailhead.salesforce.com/content/learn/modules/agentforce-agent-planning/outline-the-agents-work

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

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

Fehlerbehebung bei Agenten:
https://help.salesforce.com/s/articleView?id=ai.copilot_troubleshoot.htm&type=5

Agentforce-Variablen:
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