Der Agentforce-Leitfaden für Context Engineering

_{Dieser Leitfaden unterstützt das Support-Paket für die neueste Version des Agentforce-Builders, die über den App Launcher verfügbar ist. Beachten Sie den Legacy-Leitfaden , wenn Sie Agents über das Setup verwalten.}

KI-Agenten revolutionieren Unternehmen, indem sie die Effizienz steigern, den manuellen Aufwand reduzieren und einen intelligenteren und anpassungsfähigeren Arbeitsplatz schaffen.

In diesem Leitfaden erfahren Sie mehr über die Kernfunktionen von Agentforce, der Salesforce-Plattform zur Entwicklung von KI-Agenten. Anwender:innen in der Praxis nutzen Context Engineering, um Agentforce-Agents mit den spezifischen Informationen, Maßnahmen und Anweisungen zu versorgen, die zur Erreichung der Ziele erforderlich sind. Wir werden untersuchen, wie Agentforce Script mithilfe von hybrider Inferenz generative KI mit deterministischer Steuerung verbindet.

Wir wissen, dass Entwickler:innen Agents in vielen verschiedenen Umgebungen erstellen. Wir unterstützen Sie bei der flexiblen Wahl des für Ihre Aufgabe am besten geeigneten Modells und der entsprechenden Umgebung.

Ganz gleich, ob Sie in Claude Code, Labs, Agentforce Studio oder einer anderen Umgebung entwickeln – ein Verständnis dafür, wie Agentforce die Logik und die Verbindungen im Hintergrund verwaltet werden, ist auf jeden Fall von Vorteil.

Unsere Themen:

• II. Die wichtigsten Erkenntnisse
• III. Agentforce Grundlagen
• IV. Agentforce Script
• V. Prompts vs. Agenten
• VI. Context Engineering
• VII. Inferenz in Agentforce
• VIII. Zuverlässiger Kontext
• IX. Best Practice
• X. Braucht Agentforce Data 360?
• XI. Fazit
• XII. Mehr erfahren

• Hybride Inferenz ist die Grundlage der Inferenzmaschine von Agentforce. Dieser Ansatz vereint die Flexibilität von LLM mit der deterministischen Zuverlässigkeit von Agentforce Script.
• Agentforce Script bietet Ihnen vollständige deterministische Kontrolle über das Verhalten der Agents und ersetzt überladene System-Prompts durch strukturierte Geschäftslogik.
• Data 360 ist ein integraler Bestandteil von Agentforce. Es unterstützt die Indizierung und Chunking für Abruf-erweiterte Generierung (RAG), Agenten-Analytik und Digital Wallet.

Ein Agent ist eine Art von Software, die generative KI nutzt, um Entscheidungen darüber zu treffen, was als Nächstes zu tun und wie dies zu bewerkstelligen ist. Ein Agent kann eine Frage (oft auch als Äußerung bezeichnet) verstehen, selbstständig eine Inferenz durchführen, um festzustellen, welche Maßnahmen erforderlich sind, um sein Ziel zu erreichen, welche Daten benötigt werden, und dann – mit oder ohne menschliches Eingreifen – Maßnahmen ergreifen.

Die wichtigsten Fähigkeiten von KI-Agenten

• Agenten sind dynamisch und können sich an unterschiedliche Situationen, Umgebungen und Informationen anpassen.
• Agents 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.

Agents verwenden große Sprachmodelle (LLMs), um natürliche Sprache und Intent zu verarbeiten. Darüber hinaus nutzt Agentforce Agentforce Script, um einer bestimmten Geschäftslogik zu folgen. Dieses hybride Inferenzmodell macht Agents dynamischer als herkömmliche Automatisierungslösungen, bleibt dabei jedoch ebenso zuverlässig wie fest programmierte Software.

Agentforce Studio

Agentforce Studio ist unser einheitlicher Arbeitsbereich für den gesamten Lebenszyklus von Agenten.

Agentforce Studio vereint alle Funktionen, die Sie zum Erstellen, Testen und Verwalten von Agentenverhalten benötigen. Drei wichtige Komponenten von Agentforce Studio helfen Ihnen, den Entwicklungslebenszyklus von Agents zu verwalten:

• Agentforce Builder: Verwenden Sie den KI-nativen Builder, um Regeln in einfacher Sprache zu entwerfen. Verwenden Sie Agentforce Script, eine Sprache, die zuverlässiges Agentenverhalten durch die Vereinheitlichung von Konfiguration, Geschäftslogik und Anweisungen ermöglicht.
• Testcenter: Validieren des Verhaltens von Agents vor der Bereitstellung
• Agentforce Observability: Überwachen und analysieren Sie die Agentenleistung, um festzustellen, wo die Logik optimiert werden muss.

Agentforce Studio schließt die Lücke zwischen technisch versierten und nicht technisch versierten Anwendern. Katherine Mains von Conagra Brands beschreibt dies als „die ‚Goldilocks-Zone‘ des Designs: fortschrittlich genug für unsere Architekten:innen, aber dennoch intuitiv genug, damit unsere Verwaltungsmitarbeiter:innen sofort loslegen können.“

Agentforce ist das Framework, das Ihrem Unternehmen die nötige Planungssicherheit bietet, um über einfache FAQs hinauszugehen und sich auf wertschöpfende Aufgaben zu konzentrieren. Hybride Inferenz und Agentforce Script verbinden Kontrolle und Kreativität. Intelligent Context versorgt die Agents zum richtigen Zeitpunkt mit den richtigen Daten. Agentforce Studio bietet eine zentrale Arbeitsumgebung zur Verwaltung des gesamten Systems.

Data 360 bietet eine Reihe von Funktionen, die Agentforce erweiterbar machen. Hier ist ein kurzer Blick auf diese Komponenten:

Werfen wir einen genaueren Blick auf Agentforce Script, die Blaupause für die Inferenz eines Agenten.

Agentforce Script ist unsere Agentforce-spezifische Skriptsprache, die als textbasierte Grundlage für die Erstellung und Steuerung von Agents dient. Sie fungiert als einheitliche Sprache, die das gesamte Verhalten eines Agent beschreibt. Diese einzelne Datei vereint Konfiguration, Geschäftslogik, Aktionen und Anweisungen zur Inferenz. Anstatt natürliche Sprache und Code als getrennte Elemente zu behandeln, nutzen Praktiker:innen diese Blaupause, um die gesamte Agentenarchitektur an einem Ort zu verwalten.

Bei agentengesteuerten Aktionen, die ausschließlich auf generative KI zurückgreifen, sind Benutzer:innen auf umfangreiche Prompts in natürlicher Sprache angewiesen, was zu inkonsistenten und unvorhersehbaren Ergebnissen führen kann. Agentforce Script ändert dies. Die hybride Inferenz mit Script verbindet natürliche Sprache mit deterministischen, regelbasierten Anweisungen.

Führungskräfte sehen bei dieser Ebene der Kontrolle sofortige Ergebnisse. Scott Van Dusen, Partner und COO bei Equitable Trust, merkt an, dass Agentforce Script unglaublich leistungsstark ist. Er hält die Fähigkeit, Flows und Aktionen zu steuern, für wesentlich leistungsfähiger als reine LLM-Methoden. „Es gelingt mir viel besser, es unter Kontrolle zu halten“, sagt Van Dusen.

Grant Roberson, der Agentforce-Administrator bei Datasite, sagte , dass das Skript „um Lichtjahre besser“ sei als Agents mit vorgefertigten Prompts.

„Früher hatte ich überall ganze Absätze mit sich wiederholenden Anweisungen, um ein bestimmtes Verhalten zu erzwingen“, sagte Roberson. „Mit Script lassen sich solche Störfaktoren ganz einfach beseitigen und durch bedingte Logik ersetzen, sodass Sie sich darauf verlassen können, dass Ihre Agents genau das tun, was Sie von ihnen erwarten.“

Mit Script müssen Sie keine Prompts mehr manuell erstellen, sondern können auf eine skalierbare Orchestrierung umsteigen. Da es sich um ein strukturiertes, textbasiertes Format handelt, kann Ihr Team das Verhalten der Agents genau wie bei herkömmlichem Code versionieren, überprüfen und steuern.

Agentforce Script organisiert die Fähigkeiten von Agents mithilfe einer deklarativen Syntax. Die Sprache behandelt Anweisungen, Aktionen und Unteragenten als modulare Komponenten. Diese Struktur verschafft der Inferenzmaschine einen klaren Überblick über die Ressourcen und setzt gleichzeitig Grenzen, um den Agent innerhalb seines vorgesehenen Wirkungsbereichs zu halten. Diese Skripte sorgen dafür, dass Workflows von probabilistischen Inferenzen zu garantierten Ergebnissen übergehen, indem sie die Anzahl der LLM-Aufrufe reduzieren und Logikfehler verhindern.

Architektur und Modularität

Im Folgenden finden Sie eine Liste von Best Practices für die Strukturierung, die nach den Prinzipien des modularen Designs gegliedert ist und Ihnen dabei helfen soll, einen wartungsfreundlichen und vorhersehbaren Agent zu entwickeln.

• Erstellen Sie kleine, eigenständige Skripte für bestimmte Aufgaben wie Identitätsprüfungen. Dadurch lässt sich das System einfacher warten, da Sie bei Änderungen der Unternehmensrichtlinien lediglich ein einziges Skript aktualisieren müssen, ohne dass andere Teile des Agent davon betroffen sind. Sie können diese gängigen Skripte auch auf mehrere Unteragenten anwenden, um eine einheitliche Experience zu gewährleisten.
• Ordnen Sie die Aktionen innerhalb des Skripts entsprechend ihrem jeweiligen Intent an. Geben Sie Unteragenten und Aktionen Namen, die ihre Funktion klar beschreiben, da die Inferzmaschine diese Namen zur Auswahl des besten Pfades verwendet.
• Verwenden Sie einen deterministischen Sandwich-Ansatz, bei dem der Code den Beginn und das Ende jeder Interaktion steuert. Verwenden Sie die natürliche Stimme der KI für den mittleren Teil, um die vollständige Kontrolle über den Verlauf und den Ausgang der Unterhaltung zu behalten.

Daten- und Kontextmanagement

Im Folgenden finden Sie eine nach Sitzungsverwaltung gegliederte Liste von Datenverwaltungstechniken, die Ihnen dabei helfen sollen, die Latenz zu verringern und die Personalisierung zu verbessern.

• Legen Sie die erforderlichen Eingabedaten zu Beginn eines Skriptblocks fest, damit der Agent den Kontext erfassen kann, bevor er versucht, eine Aktion auszuführen. Sie sollten alle erforderlichen Daten abrufen, bevor der Agent mit seiner Hauptaufgabe beginnt, um die Geschwindigkeit zu erhöhen. Jeder LM-Aufruf verlängert die Interaktion. Durch die Anwendung spezifischer Regeln zur Erfassung von Fakten im Vorfeld lassen sich daher zusätzliche Aufrufe vermeiden.
• Speichern Sie Informationen wie den Namen oder den Status von Benutzer:innen in Sitzungsvariablen, um die Daten während eines Chats zu verwalten. Mithilfe dieser Variablen können Sie Informationen zwischen Unteragenten weitergeben, wodurch verhindert wird, dass der Agent Fragen wiederholt. Außerdem wird dadurch sichergestellt, dass der Agent über die erforderlichen Daten verfügt, um Aktionen ohne zusätzliche Benutzereingaben auszuführen.
• Fügen Sie Variablen als Platzhalter direkt in Anweisungen ein. Dies hilft dem Agenten, personalisierte Antworten zu geben und anhand der Daten des Nutzers einer bestimmten Logik zu folgen.

Logik- und Compliance-Standards

Im Folgenden finden Sie eine nach Ausführungslogik gegliederte Liste von Konfigurationsstandards, die Ihnen dabei helfen soll, strenge Konformität und Zuverlässigkeit zu gewährleisten.

• Verwenden Sie Anweisungen, um den Stil der Unterhaltung zu beeinflussen, während das Skript die eigentliche Geschäftslogik übernimmt. Durch diese Trennung kann das LLM die Sprache verarbeiten, während das Skript Datenprüfungen oder vorgeschriebene Abläufe verwaltet. Dieser deterministische Ansatz beseitigt das Rätselraten, das bei Prompts in natürlicher Sprache häufig auftritt.
• Wenden Sie die „Wenn-Dann-Logik“ an, um einen Agent durch bestimmte Pfade zu führen. Sie können den Agent beispielsweise so programmieren, dass er den Treuestatus von Kund:innen überprüft, bevor er einen Rabatt anbietet.
• Legen Sie explizite Beendigungskriterien fest, um genau zu definieren, wann ein Unteragent die Unterhaltung an den Hauptagenten zurückgeben oder die Sitzung beenden soll. Klare Grenzen sorgen dafür, dass der Agent mit maximaler Effizienz arbeitet.

Strategische Umsetzung

Im Folgenden finden Sie eine Liste mit Implementierungsrichtlinien, die nach der Auswahl der Tools gegliedert ist, um Ihnen bei der Wahl des richtigen Automatisierungsansatzes für Ihren Anwendungsfall zu helfen.

• Vermeiden Sie es, Agents so zu gestalten, dass sie sich wie einfache, lineare Chatbots verhalten. Wenn ein Prozess statisch ist und sich nie ändert, verwenden Sie einen Standard-Flow im Flow Builder anstelle eines KI-Agenten. Behalten Sie Agentforce Script für den Umgang mit unübersichtlichen oder unvorhersehbaren Benutzereingaben vor.
• Auf AgentExchange finden Sie vorgefertigte Agenten-Lösungen und wiederverwendbare Skripte, mit denen Sie Entwicklungszeit sparen können. Dieser Marktplatz umfasst einsatzbereite KI-Aktionen und Integrationen von Drittanbietern, mit denen Sie gängige Geschäftsprozesse schnell automatisieren können. In diesem E-Book erfahren Sie mehr über die Vorteile von AgentExchange.

Bevor wir fortfahren, ist es wichtig zu beachten, dass Agents nicht das einzige generative KI-Tool sind, das auf Agentforce 360 Platform verfügbar ist. Prompt-Vorlagen sind ein weiteres leistungsstarkes Werkzeug für die Entwicklung von Anwendungen, die generative KI nutzen. Mit Prompt-Vorlagen, die in Prompt Builder integriert sind, können Sie eine Reihe strukturierter, wiederverwendbarer Anweisungen definieren, die ein generatives KI-Modell dazu anleiten, bestimmte Ergebnisse zu erzeugen. Sie können auf Salesforce-Daten über vordefinierte Felder, Datendiagramme und die kontextbezogene Abruf-erweiterte Generierung ( RAG) zugreifen. Prompt-Vorlagen sind zudem äußerst sicher – alle Eingabeaufforderungen werden über die Vertrauensschicht von Salesforce geleitet, wobei Berechtigungen berücksichtigt, sensible Daten maskiert und unangemessene Ausgaben gekennzeichnet werden.

Prompt-Vorlagen sind Interaktionen mit der KI von Salesforce, die in einem einzigen Schritt ablaufen, und eignen sich ideal für einmalige Aufgaben, die weder Gedächtnisleistung noch mehrstufige Inferenz erfordern. Eine Vorlage für Prompts eignet sich beispielsweise ideal, wenn Sie einen Satz umformulieren oder einen Kundenvorgang zusammenfassen müssen, da hierfür kein weiterführender Kontext erforderlich ist. Bei der Entwicklung von Lösungen mit Prompt-Vorlagen ist es wichtig zu beachten, dass diese zustandslos sind (sie speichern keine Informationen zwischen den Runden) und dass sie keine Entscheidungen treffen oder Aktionen ausführen. Prompt-Vorlagen generieren eine Antwort auf der Grundlage der Eingaben und der Logik, die Sie bei der Erstellung festlegen.

Prompt-Vorlagen können eigenständig in einer eingebetteten KI-Lösung verwendet werden, oder Sie können einem Agent über Agentenaktionen eine Prompt-Vorlage hinzufügen. Die Verwendung eines Prompts allein ist ideal, wenn:

• 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

Zu wissen, wie die Infernzmaschine hinter den Kulissen funktioniert, ist entscheidend für eine erfolgreiche Implementierung des Agenten. In den Anfängen der KI-Agents sprachen wir Praktiker viel über Prompt Engineering: die Kunst, ein LLM dazu zu „bewegen“, sich entsprechend zu verhalten. Nun sind wir zum Context Engineering übergegangen.

Context Engineering ist ein ganzheitlicherer Ansatz, der weit über das bloße Verfassen eines guten Prompts hinausgeht. Mit der hybriden Inferenz von Agentforce entwerfen Sie ein System, das autonomes LLM-Schlussfolgern mit regelbasierter Logik für eine deterministische Steuerung in Einklang bringt.

Context Engineering ist der Nachfolger von Prompt Engineering . Dabei geht es darum, ein System aus Unteragenten, Anweisungen, Regeln und Aktionen zu entwerfen, um einem Agent genau die Informationen und Rahmenbedingungen zur Verfügung zu stellen, die er benötigt, um erfolgreich zu sein – anstatt zu versuchen, die perfekten Worte zu finden, um ein LLM dazu zu bewegen, genau die richtigen Antworten zu liefern.

Die drei Hebel des Context Engineering

Praktiker:innen verwenden Agentforce Script als einheitliche Sprache, um Unteragenten, Anweisungen, Aktionen und Regeln in einer einzigen Sprache und Datei auszudrücken.

1. Unteragenten. Hier werden spezialisierte Agents und deren Fachkenntnisse beschrieben.
2. Anweisungen. Diese dienen als Orientierung für den Flow der Unterhaltung, den Tonfall und die Intent.
3. Handlungen und Regeln. Diese führen Aktionen aus und setzen die vorgeschriebene Geschäftslogik durch.

Werfen wir einen genaueren Blick auf Unteragenten, Anweisungen und Aktionen – drei wichtige Metadatenelemente, die Sie jedes Mal definieren, wenn Sie einen Agent mit Agentforce erstellen.

Unteragenten bilden die Grundlage für die Funktionen Ihres Agent und legen fest, was dieser leisten kann und welche Arten von Kundenanfragen er bearbeiten kann. Stellen Sie sich diese als spezialisierte Abteilungen vor, die über spezifisches Fachwissen verfügen, konkrete Maßnahmen ergreifen und Anweisungen erteilen. Wenn Kund:innen eine Nachricht sendet, ermittelt Ihr Agent zunächst, welche „Abteilung“ (Unterabteilung) die Anfrage bearbeiten soll, und nutzt dann die maßgeschneiderten Richtlinien und Tools dieser Unterabteilung, um den Kund:innen zu helfen.

Anweisungen sind Richtlinien, die festlegen, wie Unterhaltungen innerhalb eines Unteragenten abgewickelt werden, die Auswahl von Aktionen lenken, Muster für Unterhaltungen festlegen und geschäftlichen Kontext liefern. Eindeutig definierte Unteragenten verhindern Überschneidungen und stellen sicher, dass die Inferzmaschine Kundenanfragen korrekt klassifiziert. Anweisungen sollten klar, konkret und umsetzbar sein, um den Agent wirksam anzuleiten.

Ihr Agent nutzt Aktionen, um Informationen abzurufen oder Aufgaben auszuführen. Um Aktionen zu definieren, müssen Sie wissen, wie die Reasoning Engine sie verarbeitet. Die Engine wertet verfügbare Aktionen anhand ihrer Namen, Beschreibungen und Eingaben sowie anhand der Anweisungen der Unteragenten und des Kontexts der Unterhaltung aus. Agentforce verfügt über eine Reihe von Standard-Agentenaktionen, und Sie können benutzerdefinierte Agentenaktionen erstellen, um Ihre Implementierung weiter auszubauen. Prüfen Sie stets, ob eine Standardaktion verwendet werden kann, bevor Sie eine benutzerdefinierte Aktion erstellen. Entwerfen Sie Aktionen unter Berücksichtigung der Wiederverwendbarkeit, da sie von mehreren Unteragenten genutzt werden können. Die folgende Liste zeigt die verfügbaren benutzerdefinierten Agentenaktionen und wann Sie sie verwenden sollten.

Die Inferzmaschine nutzt Unteragenten, Anweisungen, Aktionen und Regeln, um Aufgaben zu erledigen. Da Agentforce Script die vollständige Definition des Agent darstellt, beseitigt es die „Black Box“ des probabilistischen Routings. Kurz gesagt, die Inferzensmaschine wird:

• Unteragenten klassifizieren: Die Engine ordnet eine Anfrage von Kund:innen anhand ihres Namens und ihrer Beschreibung dem am besten geeigneten Unteragenten zu.
• Skriptlogik ausführen: Die Engine führt die im Skript festgelegten Anweisungen und Regeln aus. Dies geschieht, bevor das System nicht-deterministische Befehle ausführt.
• Aktionen anwenden: Wenn eine Aufgabe externe Daten oder eine Aktualisierung erfordert, führt die Engine die erforderlichen Schritte aus und erfasst die Ergebnisse.
• Überprüfung der Kontextbildung: Bevor eine endgültige Antwort gesendet wird, stellt die Engine sicher, dass die Antwort auf korrekten Informationen aus Aktionen oder Anweisungen basiert und den im Skript und in den Anweisungen festgelegten Richtlinien entspricht.

Hier finden Sie eine schrittweise Übersicht darüber, was in der Inferzensmaschine geschieht, wenn ein Agent aufgerufen wird.

Weitere Informationen finden Sie unter Agentforce Leitfaden für ein zuverlässiges Agentenverhalten: Ein Framework für 6 Ebenen des Determinismus

Praktiker:innen müssen den Unterschied zwischen Filterung und Anweisungen verstehen, um präzise Agents zu entwickeln. Filter steuern, was das LLM sieht und was es in jeder Unterhaltung tun kann, und sie wirken auf mehreren Ebenen. Filter können auf Unteragenten, Aktionen und Abrufer angewendet werden, wodurch Praktiker eine detaillierte Kontrolle darüber erhalten, welche Unteragenten verfügbar sind, was diese Unteragenten tun können und welche Inhalte das Modell in jedem Schritt abruft.

Denken Sie an den virtuellen Assistenten einer Bank. Wenn Kund:innen eine Frage zu seiner Hypothek stellen, wird ein auf Wohnungsbaukredite spezialisierter Unteragent hinzugezogen. Sein Filter stellt sicher, dass das LLM ausschließlich Hypothekendokumente sieht, nicht jedoch Kreditkartendaten oder Anlageunterlagen. Im Rahmen derselben Unterhaltung wendet die Aktion, die den aktuellen Tarif der Kund:innen abruft, jedoch einen eigenen, enger gefassten Filter an, der auf den Account dieser Kund:innen beschränkt ist. Die Kund:innen erhalten eine präzise Antwort, und irrelevante Daten spielen dabei keine Rolle.

Filter können als statisch (bei der Einrichtung vorkonfiguriert) oder als dynamisch (zur Laufzeit aus dem Kontext der Unterhaltung oder über Eingaben im Prompt übergeben) festgelegt werden. Mit den erweiterten Retriever-Vorfiltern können Benutzer:innen nun bis zu 10 dynamische Filter pro Retriever anwenden, diese mit UND/ODER-Logik kombinieren und LIKE-Operatoren für den Musterabgleich verwenden. Dadurch wird das Suchrauschen reduziert und das Kontextfenster konzentriert sich auf die relevantesten Inhalte. In Workflows der Softwareentwicklung können Praktiker:innen beispielsweise aktionsspezifische Kontextfilter anwenden, um einem Agent Flexibilität bei der Interpretation von Prompts zu gewähren, während gleichzeitig strenge Vorgaben hinsichtlich des aktuellen Zustands der Codebasis eingehalten werden.

Agentforce Script bietet eine höchste Ebene deterministischer Steuerung, indem es bestimmte Abläufe und Regeln festlegt, denen der Agent folgen muss. Dieser Ansatz verhindert den Teufelskreis des Prompts, bei dem Anweisungen zu lang oder zu verwirrend werden, als dass das LLM ihnen genau folgen könnte.

Zwar ermöglichen Filter und Agentforce Script eine Steuerung auf Systemebene, doch müssen die Praktiker auch eine Möglichkeit zur Überprüfung der Genauigkeit bereitstellen. Zitate bieten den Benutzer:innen einen übersichtlichen Nachverfolgungspfad für jede Antwort und stellen einen Zusammenhang zwischen dem internen Kontext, auf den sich der Agent stützte, und der von ihm gegebenen Antwort her.

Die Inferenzmaschine koordiniert diese vier Komponenten, um Anfragen mit einer Kombination aus Flexibilität und Kontrolle zu bearbeiten. Stellen Sie sich ein:e Kund:in vor, die sagte: „Ich habe gestern einen roten Pullover bestellt, muss aber die Lieferadresse ändern.“

1. Klassifizierung von Unteragenten. Die Engine analysiert die Nachricht der Kund:innen und führt eine Unteragentenklassifizierung durch. Die Anfrage wird dem Unteragenten „Änderungsauftrag“ zugeordnet, da Name und Beschreibung mit der Aufgabe übereinstimmen.
2. Kontext-Assemblierung. Die Engine führt eine Kontext-Assemblierung durch, um den Agentenspeicher aufzubauen. Sie fasst die Anweisungen für den Unteragenten, das Skript und die verfügbaren Aktionen zusammen.
3. Agentforce Script Ausführung. Die Engine führt den Befehl Agentforce Script aus, um deterministische Geschäftslogik auszuführen. Das Skript überprüft den Bestellstatus des roten Pullovers. Wenn sich die Bestellung noch im Lager befindet, erlaubt das Skript dem Agenten, die Änderung durchzuführen.
4. Anweisungsbasierte Inferenz. Die Anweisungen leiten den Agent durch die Unterhaltung. Sie geben den Ton vor und leiten den Agent an, den:die Kund:in nach der neuen Lieferadresse zu fragen.
5. Aktionsanwendung. Der Agent wählt die Aktion „Versanddaten der Bestellung aktualisieren“ aus und führt sie aus. Er übermittelt die Bestellnummer und die neue Adresse an das System, um die Aktualisierung abzuschließen.
6. Reaktion im Kontext. Der Agent übermittelt dem:der Kund:in eine endgültige Bestätigung. Er führt eine Prüfung der Kontextbildung durch und enthält einen Verweis zur Überprüfung der Informationsquelle.

Ein erfolgreiches Context Engineering erfordert die nahtlose Integration von Unteragenten, Anweisungen, Skripten und Aktionen. Diese vier Elemente wirken zusammen, um sicherzustellen, dass ein Agent die Grenzen optimaler Relevanz und Genauigkeit einhält. Unteragenten stehen für spezialisiertes Fachwissen. Die Anweisungen geben Hinweise zur Unterhaltung und zum Tonfall. Agentforce Script fügt eine Ebene deterministischer Steuerung hinzu, um Geschäftsregeln durchzusetzen. Mithilfe von Aktionen kann der Agent Aktionen ausführen und auf Echtzeitdaten zugreifen. Diese kombinierte Strategie stellt sicher, dass Ihr Agent sowohl hilfreich als auch äußerst zuverlässig bleibt.

Effektives Context Engineering setzt die Kenntnis voraus, wo die Logik platziert werden muss.

• Verwenden Sie die Aktionen und Agentforce Script zur Steuerung. Verlagern Sie wichtige Geschäftsregeln und mehrstufige Workflows in Agentforce Script oder Aktionen. Dazu gehören komplexe Berechnungen und eine festgelegte Reihenfolge.
• Verwenden Sie die Verhaltensanweisungen. Steuern Sie den Flow der Unterhaltung und legen Sie den Ton der Antworten mithilfe von Anweisungen fest.

Best Practices für das Schreiben effektiver Anweisungen

• Definieren Sie Ihre Begriffe. Gehen Sie nicht davon aus, dass der Agent die Fachbegriffe der Branche kennt. Erläutern Sie beispielsweise den Unterschied zwischen „Aktionscodes“ für Rabatte und „Registrierungscodes“ für Garantien.
• Gehen Sie konkret auf die Abläufe ein. Sollten Schritte in einer bestimmten Reihenfolge ausgeführt werden, geben Sie dies bitte in einem Anweisungsblock deutlich an.
• Verwenden Sie eine einheitliche Terminologie. Bezeichnen Sie die Schritte mit ihren genauen Bezeichnungen und verwenden Sie in allen Anweisungen dieselben Begriffe.
• Gehen Sie bewusst mit absoluten Aussagen um. Wörter wie „immer“ und „nie“ haben einen erheblichen Einfluss darauf, wie Ihr Agent mit Ihnen umgeht.
• Nennen Sie Entscheidungskriterien. Helfen Sie Ihrem Agent bei der Entscheidung zwischen ähnlichen Optionen. Weisen Sie den Agent beispielsweise an, die Aktion „E-Mail zurücksetzen“ zu verwenden, wenn der Benutzer Zugriff auf seine E-Mails hat, und die Aktion „Sicherheitsfrage“ zu verwenden, wenn dies nicht der Fall ist.

Diese Frage hören wir oft von unseren Kund:innen. Die kurze Antwort lautet: Ja. Data 360 ist ein wesentlicher Bestandteil von Agentforce, da die Data 360-Architektur für bestimmte Funktionen in Agentforce verwendet wird, wie beispielsweise Agenten-Analytik und Digital Wallet. Data 360 Diese Infrastruktur unterstützt zudem die Indizierung und die Suche in unstrukturierten Daten sowie Feedback-Protokolle und Prüfpfade. Data 360 kann zudem zusätzliche Erweiterungsmöglichkeiten bieten. Agentforce-Kund:innen können zudem 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 auf Agentforce basierenden Agents zu nutzen.

Vom Zugriff auf Daten aus anderen Data Lakes über Datenföderation bis hin zur Nutzung der Hyperscale-Infrastruktur für Daten im Petabyte-Bereich – der Einsatz der Architektur von Data 360 in Verbindung mit Agentforce gewährleistet, dass Kund:innen bereits heute bessere KI-Ergebnisse Experience. Diese leistungsstarke Architektur gewährleistet zudem die langfristige Tragfähigkeit für eine erfolgreiche Einführung der Agenten, unabhängig davon, wie groß oder komplex die zugrunde liegenden Datensätze sind, auf denen diese Agents basieren.

Möchten Sie wissen, welche konkreten Agentforce Funktionen auf Data 360 basieren? Die folgende Tabelle enthält eine Übersicht über die Agentforce Funktionen Data 360, die standardmäßig bereitgestellt werden, sowie über die optionalen Funktionen, die Kund:innen aktivieren können, um ihre Implementierung zu erweitern.

Wir sind auf die wichtigsten Elemente eingegangen, die Agentforce zum Laufen bringen, darunter die Infernzmaschine sowie die Verwendung von Skripten, Unteragenten, Anweisungen und Aktionen. Das Verständnis dieser Komponenten ist der Schlüssel, um Agentforce effektiv zu nutzen. Nutzen Sie diesen Leitfaden, um bei der Umsetzung von Agentforce bessere Ergebnisse zu erzielen. Sehen Sie sich die bereitgestellten Ressourcen an, um mehr zu erfahren.

Auf Agentblazer.com und Agentforce.com finden Sie Blogs, Anleitungen, Demo-Videos und weitere Ressourcen

• Ausführliche Anleitungen:
  • Agentforce-Leitfaden für ein zuverlässiges Verhalten von Agenten: Ein Framework für 6 Ebenen des Determinismus
  • Leitfaden für die Führung eines agentengesteuerten Unternehmens
  • Agentforce und Abruf-erweiterte Generierung (RAG): Best Practice für bessere Agenten
  • Ein Agentforce-Leitfaden zum Context Engineering
    
    
• Für CIOs:
  • Ein praktischer Leitfaden für zuverlässige KI-Agenten, die funktionieren
  • Der unsichtbare Vorteil – 8 zentrale Prinzipien für ein agentengesteuertes Unternehmen, die von namhaften CIOs getestet und bestätigt wurden.

• Blog: Doomprompting führt nicht zu vorhersehbaren KI-Agenten, aber eine neue Skriptsprache kann dies bewirken
• Entwickler-Blog: Steuerung des Zugriffs und der Entscheidungsfindung von Agents mithilfe von Variablen und Filtern
  
  
• Trailhead: Agentenplanung: Die Arbeit des Agent skizzieren
  
  
• Hilfe und Dokumentation:
  • Anweisungen
  • Anweisungen für Unteragenten
  • Fehlerbehebung bei Agenten