Introductie van het e-book Agentforce

AI-agents hebben het potentieel om organisaties radicaal te veranderen door de efficiëntie te verhogen, handmatige inspanningen te verminderen en een meer geavanceerde en adaptieve werkplek te creëren. Daarom hebben we Agentforcegelanceerd, een platform voor het bouwen van AI-agents. Maar met nieuwe technologie komen nieuwe concepten en nieuwe overwegingen voor wat betreft implementatie.

Deze gids verkent de kernelementen van Agentforce, en het is de eerste in een reeks handleidingen die samen met Agentforce zelf zullen meegroeien. In dit artikel vind je alle details over hoe Agentforce werkt en de belangrijkste mogelijkheden en afwegingen waar architecten en alle technisch specialisten van op de hoogte moeten zijn bij het bouwen met Agentforce.

Wat we zullen bespreken:

• Belangrijkste punten
• basisprincipes Agentforce
• Prompts of agents
• Hoe Agentforce redeneert
• Praktische tips voor het gebruik van filters versus instructies
• Aanbevolen procedures voor onderwerpen, instructies en acties
• Heeft Agentforce Data Cloud nodig?
• Tot slot
• Resources

• Agents verschillen van andere generatieve AI-tools zoals chatbots, co-pilots en prompts omdat ze kunnen plannen, redeneren en tools gebruiken met of zonder menselijke tussenkomst.
• Snelle engineering is de sleutel tot het bouwen van agents. Het is de primaire methode voor het sturen van het gedrag van een agent en het beheersen van resultaten door middel van onderwerpen, acties en instructies, en het is essentieel voor het ontwerpen van effectieve acties op basis van prompttemplates.
• Onderwerpen, acties en instructies bepalen hoe je de prompts beheert die de reasoning engine aansturen. Daarom vormen ze een belangrijk onderdeel van hoe je Agentforce voor jou laat werken.
• Aangezien Agentforce deel uitmaakt van het Salesforce Platform, kunnen agents die zijn gebouwd met Agentforce de low-code en pro-code tools gebruiken waarmee je al bekend bent.
• Data Cloud vormt een integraal onderdeel van Agentforce. Het maakt indexering en opdelen in blokken mogelijk voor retrieval-augmented generation (RAG), agentanalyse, bring your own model (BYOM) en digital wallet.
• Agents zijn geweldig, maar soms is een promptsjabloon voldoende.

Simpel gezegd: een agent is een soort software die generatieve AI gebruikt om beslissingen te nemen over wat er vervolgens moet gebeuren en hoe dat moet gebeuren. Een agent kan een vraag begrijpen (vaak een uiting genoemd), autonoom redeneren om te bepalen welke acties moeten worden ondernomen om dit doel te bereiken, identificeren welke data nodig zijn, en vervolgens actie ondernemen, met of zonder menselijke tussenkomst. Het grootste voordeel? Agents gebruiken grote taalmodellen (LLM's) in plaats van strikte, voorgeschreven regels. Dit maakt agents dynamischer dan op regels gebaseerde automatisering, maar het is ook een belangrijke verschuiving ten opzichte van traditionele software die de vast in hardware geprogrammeerde instructies volgt.

Belangrijkste mogelijkheden van AI-agents

• Agents zijn dynamisch en kunnen zich aanpassen aan verschillende situaties, omgevingen en soorten informatie.
• Agents kunnen autonoom zijn (handelen zonder menselijke tussenkomst) of kunnen worden aangestuurd om een mens bij het proces te betrekken.
• Agents verschillen van andere generatieve AI-tools omdat ze kunnen plannen, redeneren en handelen.

Hoewel agents geen hardgecodeerde logica volgen zoals traditionele software, biedt Agentforce een aantal componenten om extra controles toe te voegen aan de manier waarop je agents redeneren. Er zijn ook een aantal functies die Agentforce uitbreidbaar maken. Hieronder geven we je een beknopt overzicht van deze componenten:

Strategische planning is een cruciaal onderdeel van het inzetten van een AI-agent. Als je organisatie geen strategie heeft, raden we je aan om de AI-strategiebadge op Trailhead te gebruiken. Van nu af aan gaan we ervan uit dat je al bekend bent met het proces van het definiëren van je AI-visie, het vormen van een AI-raad, het instellen van AI-governance, het identificeren van praktijdvoorbeelden voor AI en het opstellen van een routekaart.

Het bouwen van een agent vereist tijd en resources. Zorgvuldige planning helpt je om het direct goed te doen. Voordat je begint met het bouwen van een agent, definieer je een praktijdvoorbeeld en maak je een proceskaart voor elke agent die je wilt bouwen. De badge voor agentplanning op Trailhead bevat het procesoverzicht in de unit 'Overzicht van het werk van de agent '. Schets de ideale gebruikerservaring en hoe het systeem reageert op gebruikersinvoer en mogelijke fouten of problemen afhandelt.

Het resulterende diagram zorgt ervoor dat je de stroom begrijpt. Het helpt je instructies te genereren en weet waar je acties, variabelen en filters moet gebruiken. Voordelen van deze benadering voor agentplanning zijn onder meer:

• Zakelijke gebruikers betrekken en vaststellen wat het bereik is
• Acties, instructies en vangrails definiëren
• Duidelijke, specifieke instructies genereren
• Debuggen tijdens het testen en evalueren
• End-to-end scenario's evalueren
• Naleving en audittrails demonstreren
• Het verwachte gedrag van agenten uitleggen en je afmelden

Voordat we verder gaan, is het belangrijk op te merken dat agenten niet de enige generatieve AI-tool zijn voor Salesforce Platform. Prompttemplates zijn een ander krachtig hulpmiddel voor het bouwen van applicaties die gebruikmaken van generatieve AI. Met prompttemplates die zijn gebouwd in Aanwijzingensamensteller, kun je een reeks gestructureerde, herbruikbare instructies definiëren die een generatief AI-model begeleiden om specifieke output te produceren. Ze kunnen verwijzen naar Salesforce-data via vooraf gedefinieerde velden, datagrafieken en contextuele retrieval-augmented generation (RAG). Prompttemplates zijn bovendien zeer veilig: alle prompts worden via de vertrouwenslaag van Salesforce gestuurd, waarbij machtigingen worden gerespecteerd, gevoelige gegevens worden gemaskeerd en schadelijke uitvoer wordt gemarkeerd.

Prompttemplates zijn single-turn interacties met AI en zijn ideaal voor eenmalige taken waarvoor geen geheugen of redeneren in meerdere stappen nodig is. Een prompttemplate is bijvoorbeeld ideaal wanneer je een zin moet herformuleren of een case moet samenvatten, omdat er geen doorlopende context nodig is. Bij het ontwerpen van oplossingen met prompttemplates is het belangrijk om te onthouden dat ze stateless zijn (ze slaan geen geheugen op tussen beurten) en dat ze geen beslissingen nemen of acties ondernemen. Prompttemplates genereren een antwoord op basis van de input en logica die je tijdens het ontwerp opgeeft.

Prompttemplates kunnen op zichzelf worden gebruikt in een geïntegreerde AI-oplossing, of je kunt een prompttemplate toevoegen aan een agent als een agentactie. Het gebruik van een losse prompttemplate is ideaal wanneer:

• De zakelijke context goed begrepen en stabiel is
• De gewenste output een voorspelbaar formaat volgt, hoewel de respons zelf niet deterministisch is
• Het niet nodig is om verschillende paden te evalueren of autonome acties te ondernemen
• Doorlopende context, of status, niet vereist is
• Redeneren in meerdere stappen niet nodig is

Use cases voor prompttemplates:

• Het genereren van een gestructureerd recordoverzicht, zoals het samenvatten van case-notities
• Het maken van gestructureerde notulen
• Het genereren van sjablonen voor e-mailreacties
• Suggesties voor de beste vervolgacties
• Het vaststellen van een sentimentanalyse van een case

Houd er rekening mee dat hoewel promptsjablonen dynamisch data kunnen invullen en antwoorden kunnen genereren op basis van de dynamische input die tijdens runtime wordt weergegeven, ze geen opties kunnen beredeneren of actie kunnen ondernemen.

Agents zijn softwaresystemen die op basis van een veranderende context autonoom beslissen wat ze doen, in welke volgorde ze werken en hoe ze dat doen. Agents gaan verder dan een enkele prompt, omdat ze kunnen plannen, redeneren, externe acties kunnen aanroepen (zoals API-aanroepen of zoeken in de database) en kunnen reageren op basis van resultaten. Ze kunnen verschillende paden of reacties kiezen, afhankelijk van wat ze tijdens het proces leren. Agents zijn op hun best wanneer:

• De omgeving of context dynamisch kan meeveranderen
• Meerdere beslissingen of branches mogelijk zijn op basis van data
• AI het menselijk oordeel moet vervangen of ondersteunen bij het maken van een keuze of het ondernemen van actie

Use cases voor AI-agents:

• Triage en routing van binnenkomende supportcases
• Oplossen van boekingsproblemen door externe systemen en beleidsregels te controleren
• Workflows met meerdere stappen beheren met feedbackloops
• Het opstellen van een case response e-mail op basis van de details van het probleem van de klant met mogelijke oplossingen en relevante kennisartikelen van je klantgerichte website
• Een afspraak plannen op basis van de beschikbaarheid van servicemedewerkers en de voorkeur van de klant
• Dingen opmerken, zoals problemen met software-updates, en dan zelf problemen oplossen of op afstand proberen op te lossen door een actie te starten die een API-aanroep doet

Wil je weten hoe Agentforce de verzoeken van gebruikers begrijpt en beslist welke acties moeten worden ondernomen? In dit gedeelte kom je meer te weten over het besluitvormingsproces Agentforce: de Atlas Reasoning Engine. Net zoals het begrijpen van de uitvoeringsvolgorde belangrijk is om te snappen wat er gebeurt wanneer een record wordt opgeslagen in Salesforce, kun je begrijpen hoe Agentforce werkt door te snappen hoe de Atlas Reasoning Engine achter de schermen werkt.

De Atlas Reasoning Engine maakt gebruik van een reeks prompts, code, LLM-aanroepen en drie belangrijke bouwstenen om agents zaken te helpen begrijpen en effectief te laten reageren. Beschouw de volgende drie onderdelen (onderwerpen, instructies en acties) als de hefbomen die je gebruikt om agenten voor je te laten werken. Wanneer je deze elementen aanpast, bouw je de prompts die de reasoning engine gebruikt om te begrijpen, te beslissen en te handelen. Dat klopt: Agentforce gebruikt prompts in de reasoning engine om onderwerpen en acties te classificeren. Dat betekent dat je steeds wanneer je een agent bouwt in Agent Builder, engineering van taakaanwijzingen gebruikt.

Laten we voordat we dieper ingaan op de Atlas Reasoning Engine de onderwerpen, instructies en acties eens nader bekijken: de drie belangrijke stukjes metadata die je definieert telkens wanneer je een agent met Agentforce bouwt.

Onderwerpen vormen de basis van de capaciteiten van je agent, ze bepalen wat de agent kan doen en welke soorten klantverzoeken de agent kan verwerken. Je kunt ze beschouwen als gespecialiseerde afdelingen met specifieke expertise, tools (acties) en richtlijnen (instructies). Wanneer een klant een bericht stuurt, bepaalt je agent eerst welke 'afdeling' (onderwerp) het verzoek moet afhandelen, volgt deze vervolgens de richtlijnen van die afdeling en gebruikt dan de voor de agent beschikbare tools om de klant te helpen. Onderwerpen hebben ook een bereik dat definieert wat een agent wel en niet binnen dat specifieke onderwerpgebied kan doen.

Instructies zijn de richtlijnen die aangeven hoe gesprekken binnen een onderwerp worden afgehandeld: als leidraad voor de selectie van acties, het instellen van gesprekspatronen en het bieden van zakelijke context. Duidelijke en goed omschreven onderwerpen voorkomen overlap en zorgen ervoor dat de reasoning engine klantverzoeken correct classificeert. Instructies moeten duidelijk, specifiek en uitvoerbaar zijn om de agent effectief te begeleiden.

Acties dienen als de tools die je agent gebruikt om informatie te verkrijgen of taken uit te voeren. Bij het definiëren van acties is het van cruciaal belang om te begrijpen hoe de reasoning engine ze verwerkt. De engine beoordeelt beschikbare acties op basis van hun namen, beschrijvingen en input, evenals de onderwerpinstructies en gesprekscontext. Agentforce wordt geleverd met een aantal standaard agentacties, en je kunt aangepaste agentacties maken om je implementatie verder uit te breiden. Controleer wel altijd of een standaardactie kan worden gebruikt voordat je een aangepaste actie maakt. Ontwerp acties met het oog op herbruikbaarheid, want ze kunnen voor meerdere onderwerpen worden gebruikt. Hieronder vind je een lijst met de beschikbare acties voor aangepaste agenten en wanneer je ze moet gebruiken:

Je vraagt je misschien af hoe een agent onderwerpen, instructies en acties gebruikt om het werk gedaan te krijgen. Hier is een stapsgewijs overzicht van wat er in de Atlas Reasoning Engine gebeurt wanneer een agent wordt aangeroepen.

Het proces begint wanneer een bericht of query wordt ontvangen van een gebruiker of wanneer een agent wordt aangeroepen vanuit een gebeurtenis, datawijziging of API-aanroep.

De reasoning engine analyseert het bericht van de gebruiker om het te classificeren onder het meest relevante onderwerp. Voor deze classificatiestap kijkt de reasoning engine alleen naar de naam van het onderwerp en de beschrijving van de onderwerpclassificatie. Als er geen geschikt onderwerp overeenkomt, wordt standaard een 'off-topic'-classificatie gebruikt.

Het bereik, de instructies en de acties die aan het geselecteerde onderwerp zijn gekoppeld, worden samen met het oorspronkelijke bericht van de gebruiker en de gespreksgeschiedenis (meestal de laatste zes beurten) in de taakaanwijzing gezet. De taakaanwijzing die hieruit komt, wordt naar de LLM gestuurd om te bepalen wat de agent nu moet doen.

De agent analyseert de gecombineerde input (gebruikersbericht, instructies, mogelijke acties) en beslist over de volgende stap:

• Een actie uitvoeren: als er specifieke informatie nodig is of als er een taak moet worden uitgevoerd.
• Reageren op gebruiker: als er voldoende informatie is of er wordt gezocht naar informatie, kan de agent een antwoord sturen.

• De agent roept de gekozen actie op.
• De output of het resultaat van de uitgevoerde actie wordt vastgelegd.
• Verwerking van actie-output: de output van de actie wordt teruggestuurd naar het LLM en opnieuw gecombineerd met de oorspronkelijke context (instructies, acties, gespreksgeschiedenis).

• De agent evalueert de situatie opnieuw op basis van de nieuwe informatie (actie-output) en de lopende gesprekscontext.
• De output wordt samen met het de focus Onderwerpbereik, Instructie en Acties verzonden, en beslist of er nog een actie moet worden uitgevoerd of een antwoord moet worden geformuleerd.
• Deze cyclus gaat door totdat de agent vaststelt dat hij over alle benodigde informatie beschikt en klaar is om rechtstreeks op de gebruiker te reageren.

Voor hij het definitieve antwoord verzendt, voert de agent nog een laatste controle uit om er zeker van te zijn dat het voorgestelde antwoord is gebaseerd op de verstrekte instructies voor het onderwerp en dat het zich daaraan houdt. Deze stap bestaat uit het controleren of het antwoord:

• Goed gebaseerd is op broninformatie
• Zich houdt aan de instructies en het bereik van het onderwerp
• Geen verzonnen of niet-geverifieerde informatie bevat
• Vrij is van mogelijke risico's op prompt injections

Het uiteindelijke, gevalideerde antwoord wordt naar de gebruiker verzonden. Als de groundingstap mislukt, zal de agent opnieuw proberen een gegronde reactie te produceren. Als het niet in staat is om een gegrond antwoord te produceren, stuurt het een standaardbericht om de gebruiker te laten weten dat het niet kan helpen met het verzoek.

Inzicht in deze workflow helpt verklaren waarom elk onderdeel van je; onderwerpen, instructies en acties, zorgvuldig moet worden ontworpen om dit redeneerproces te kunnen gebruiken. Maar daar blijft het niet bij.

Om extra controle te bieden en deterministische logica toe te voegen aan je agentische workflow, maakt Agentforce gebruik van voorwaardelijke filtering. Dit is vergelijkbaar met dynamische zichtbaarheidsregels voor formuliervelden, maar dan voor je agents bij het redeneren.

Voorwaardelijke filters fungeren als poortwachters die bepalen of een onderwerp of actie in overweging moet worden genomen tijdens het redeneerproces. In tegenstelling tot instructies die de beslissingen van het LLM sturen, werken filters op systeemniveau om onderwerpen en acties volledig te verwijderen of op te nemen op basis van specifieke voorwaarden.

Voorwaardelijke filtering verbetert de prestaties van de agent op twee belangrijke manieren:

1. Verbeterde nauwkeurigheid van onderwerpclassificatie

Door irrelevante onderwerpen op basis van de gespreksstatus uit de overweging te verwijderen, verminder je de 'semantische ruis' tijdens het onderwerpclassificatieproces. Hierdoor kan de LLM makkelijker het juiste onderwerp kiezen voor een vraag van een gebruiker.

Als een gebruiker bijvoorbeeld nog niet is geverifieerd, kunnen filters alle onderwerpen verbergen die betrekking hebben op accountspecifieke acties. Dit voorkomt dat de agent algemene query's verkeerd classificeert in gevoelige onderwerpen, wat uiteindelijk zou leiden tot verificatiefouten of ongepaste antwoorden.

2. Contextueel passende actieselectie

Zodra een onderwerp is geselecteerd, verfijnen filters verder welke acties binnen dat onderwerp beschikbaar zijn op basis van de huidige gespreksstatus:

• Als de vereiste variabelen niet zijn ingevuld, zoals het bestelnummer, kunnen acties die afhankelijk zijn van die variabelen, worden verborgen
• Als bepaalde acties alleen beschikbaar zouden moeten zijn op basis van gebruikerskenmerken of rechten, kunnen filters deze regels afdwingen

Hoe voorwaardelijke filtering werkt

De Atlas Reasoning Engine ondersteunt filteren op basis van twee soorten variabelen: contextvariabelen en aangepaste variabelen. Hier is een kort overzicht van de eigenschappen van elk type:

Dit zijn variabelen die zijn afgeleid van de berichtensessie. Deze kunnen zijn:

• Standaardvelden van het object Berichtensessie
• Aangepaste velden die zijn toegevoegd aan het object Berichtensessie
• Gegevens van het pre-chatformulier
• Informatie uit eerdere berichtensessies

Contextvariabelen zijn met name handig voor het personaliseren van interacties op basis van bekende klantinformatie zonder dat de agent er in een gesprek om hoeft te vragen. Bij het ontwerpen van een oplossing met contextvariabelen is het belangrijk om te weten dat deze zijn ingesteld bij het begin van de sessie en onveranderlijk zijn tijdens die sessie.

Aangepaste variabelen slaan informatie op die wordt teruggestuurd door acties. Deze kunnen worden gebruikt voor:

• Het tracken van de gespreksstatus (bijv. verificatiestatus)
• Het opslaan van actie-outputs die moeten blijven bestaan in actie-inputs
• Het creëren van afhankelijkheden tussen acties, waardoor acties alleen beschikbaar zijn als aan een bepaalde voorwaarde is voldaan

Filters zijn gebaseerd op de waarden van context en aangepaste variabelen. Filters kunnen zowel op onderwerp- als actieniveau worden toegepast:

• Filters op onderwerpniveau: Bepaal of het hele onderwerp beschikbaar is voor classificatie
• Filters op actieniveau: Beheer de beschikbaarheid van specifieke acties binnen een onderwerp, zelfs als het onderwerp zelf is geselecteerd

Hier volgt een eenvoudige weergave van de Atlas Reasoning Engine die laat zien hoe filters op onderwerpniveau en actieniveau in de redeneerstroom passen.

De meest voorkomende toepassing van filteren is het beheren van de toegang tot gevoelige bewerkingen:

Filter: "Requires Authentication"

Voorwaarde: authenticatieStatus = "geverifieerd"

Toegepast op: Accountbeheer onderwerp, Betalingsverwerking onderwerp

Dit zorgt ervoor dat zelfs als een gebruiker naar zijn account of betalingen vraagt voordat hij zich identificeert, de agent deze onderwerpen niet kan bespreken.

Filters kunnen er ook voor zorgen dat stappen in de juiste volgorde worden uitgevoerd:

Filter: "Order Number Required"

Voorwaarde: bestelnummer != null

Applied to: Check Order Status Action, Modify Order Action

Dit zorgt ervoor dat ordergerelateerde acties pas beschikbaar zijn nadat een bestelnummer is verzameld en opgeslagen in een variabele.

Het is belangrijk om het onderscheid tussen filteren en instructies te begrijpen:

1. Filters werken deterministisch: ze gebruiken variabele matching om onderwerpen en acties op te nemen/uit te sluiten.
2. Instructies worden geïnterpreteerd door het LLM: ze zijn gebaseerd op het begrip van het LLM en zijn niet-deterministisch, wat betekent dat hun resultaten kunnen variëren op basis van het begrip en de interpretatie van het model.
3. Filters beperken de keuzes van agents: ze halen opties volledig uit de overweging, waardoor de zoekruimte wordt geminimaliseerd en wat leidt tot een betere nauwkeurigheid.

Een ander onderdeel van de Atlas Reasoning Engine zijn citaten. Je kunt citaten gebruiken om de bronnen te valideren die door het LLM worden gebruikt om een reactie te genereren. Het onderstaande diagram toont waar citaten passen in de stroom van de redeneringsengine.

Dit diagram benadrukt ook de samenstelbare architectuur van de reasoning engine. Escalatie, citaten en begrenzingen zijn modulaire componenten die door de reasoning engine worden gebruikt bij het bouwen van een agent met behulp van de sjabloon Agentforce for Service. Tegenwoordig worden de modulaire componenten die door de reasoning engine worden gebruikt, per template ingesteld. We werken eraan om deze componenten nog meer op lego-stukjes te laten lijken die in en uit een agent kunnen worden geplaatst, in de toekomst mogelijk zelfs door klanten.

We hebben al veel behandeld. Laten we nu een stap terug doen en een compleet voorbeeld doornemen van hoe onderwerpen, instructies en acties samenwerken met de reasoning engine wanneer een klant een vraag stelt aan een agent.

Bericht van de klant: "Ik heb gisteren een rode trui besteld, maar ik wil graag het bezorgadres wijzigen."

• De engine vergelijkt het bericht met alle onderwerpnamen en classificatiebeschrijvingen
• Het selecteert het onderwerp 'Bestelling wijzigen' omdat in de classificatiebeschrijving 'wijzigen van bestellingen' staat

• De redeneringsengine brengt het onderwerp 'Wijziging levertijd' of 'Wijziging adres' in de focusprompt en bevat het bereik, de instructies en de beschikbare acties van het onderwerp, samen met de gespreksgeschiedenis en het gebruikersbericht
• Het bereik geeft aan dat de agent bestellingen kan wijzigen, maar bestellingen niet kan annuleren nadat ze zijn verwerkt
• De instructies bevatten richtlijnen voor het afhandelen van orderwijzigingen

• Op basis van de onderwerpinstructies en actiebeschrijvingen bepaalt de engine dat het volgende moet gebeuren:
  • Identificeer eerst de bestelling (met de actie 'Bestelling zoeken op beschrijving')
  • Werk vervolgens het verzendadres bij (met de actie 'Verzending bestelling bijwerken')

• De engine vraagt de klant om hun e-mailadres om de bestelling te vinden
• Zodra de bestelling is gevonden, wordt het nieuwe verzendadres opgehaald
• De agent voert de actie 'Verzending bestelling bijwerken' uit met de bestel-ID en het nieuwe adres
• De agent bevestigt de adreswijziging richting de klant

Nu je begrijpt hoe de reasoning engine werkt en waarom onderwerpen, acties en instructies zo belangrijk zijn, laten we eens kijken naar enkele best practices om ze te bouwen.

Onderwerpen vormen de basis van de capaciteiten van je agent. Ze bepalen wat je agent kan doen en wat voor soort klantverzoeken deze kan afhandelen. De drie onderdelen van een onderwerp zijn de naam van het onderwerp, de classificatiebeschrijving en het bereik.

• Bedenk: "Hoe zou ik de 'Uit te voeren taken' van mijn agent categoriseren?"
• Gebruik gemakkelijk herkenbare namen
• Gebruik korte, beschrijvende namen
• Begin namen met werkwoorden, zoals opgeven, wijzigen of annuleren
• Zorg ervoor dat verschillende onderwerpnamen elkaar niet overlappen in betekenis
• Bekijk bestaande onderwerpen voordat je nieuwe maakt
• Beperk onderwerpen tot 10-15 per agent, te veel/overlappende onderwerpen vergroten de kans dat de agent inconsistent of onnauwkeurig is

• Vermeld de verschillende manieren waarop gebruikers om dit soort hulp kunnen vragen
• Maak een lijst van specifieke trefwoorden en woordgroepen die klanten doorgaans gebruiken
• Behandel het volledige scala aan vragen die in dit onderwerp moeten worden behandeld
• Schrijf in natuurlijke taal, niet in technische termen
• Maak het onderscheidend van de beschrijvingen van andere onderwerpen

Als je merkt dat de agent er steeds maar niet in slaagt het juiste onderwerp voor gebruikersvragen te selecteren, moet je als eerste de onderwerpnamen en -beschrijvingen onderzoeken en verfijnen.

• Schrijf dit alsof je een taak uitlegt aan een nieuwe medewerker: "Het is jouw taak om... Je mag niet..."
  • Wees expliciet over zowel machtigingen als beperkingen
• Gebruik duidelijke, ondubbelzinnige taal met betrekking tot begrenzingen

Laten we eens kijken hoe we een onderwerp kunnen configureren tijdens het ontwerp, zodat een agent gebruikers kan helpen hun wachtwoord opnieuw in te stellen. De onderwerpen, instructies en acties kunnen er als volgt uitzien:

Wanneer een klant tijdens runtime interactie heeft met onze agent vanaf de website van een bedrijf, gebeurt het volgende:

1. Klant zegt: "Ik ben mijn inloggegevens vergeten."
2. De reasoning engine koppelt dit aan het onderwerp Wachtwoord opnieuw instellen, omdat in de classificatiebeschrijving 'vergeten wachtwoorden, inlogproblemen, problemen met accounttoegang' staat.
3. Het bereik vertelt de agent dat het kan helpen bij het opnieuw instellen van wachtwoorden, maar geen toegang heeft tot accountgegevens of accountwijzigingen kan aanbrengen.
4. De agent volgt de instructies om eerst de identiteit van de klant te verifiëren en vervolgens aan te bieden om een link voor het opnieuw instellen van het wachtwoord te sturen.
5. De agent gebruikt de actie E-mail verzenden voor opnieuw instellen wachtwoord om de taak te voltooien.

Instructies zijn de richtlijnen die je agent vertellen hoe hij met gesprekken binnen een onderwerp moet omgaan. Instructies helpen de agent bij het nemen van beslissingen over welke acties hij moet ondernemen en hoe hij moet reageren.

Instructies spelen verschillende belangrijke rollen in het besluitvormingsproces van je agent:

1. Begeleiden van de actieselectie: Ze helpen je agent te kiezen welke actie het voor specifieke situaties moet gebruiken.
2. Gesprekspatronen instellen: Deze bepalen hoe je agent met klanten moet omgaan.
3. Zakelijke context bieden: Dit helpt je agent de processen en terminologie van je bedrijf te begrijpen.

Zonder duidelijke instructies kan je agent de verkeerde acties selecteren, verzoeken van gebruikers verkeerd begrijpen of inconsistente antwoorden geven. Maar vergeet niet dat instructies worden samengevoegd in een prompt en naar het LLM worden verzonden, en daarom niet-deterministisch zijn. Ze vervangen niet de noodzaak van gecodeerde bedrijfsregels binnen de actie.

Wanneer de reasoning engine een verzoek van een klant verwerkt, gebruikt hij jouw instructies om:

1. Te bepalen welke acties moeten worden uitgevoerd: Instructies helpen de engine te bepalen welke actie het meest geschikt is voor een specifieke situatie.
2. De volgorde van de stappen te bepalen: Instructies kunnen de engine begeleiden bij het bepalen of bepaalde stappen vóór andere moeten worden uitgevoerd. Voor meer determinisme kun je actievariabelen en voorwaardelijke filters gebruiken.
3. Het antwoord op te stellen: Instructies bepalen hoe informatie wordt teruggegeven aan de klant.
4. Om te gaan met uitzonderingen: Instructies vertellen de engine wat het moet doen als standaardprocessen niet van toepassing zijn. (Als er zich bijvoorbeeld een randgeval voordoet, bied dan aan om te escaleren naar een medewerker.)

Hoe duidelijker en specifieker je instructies zijn, hoe consistenter je agent zal presteren.

Bij het bouwen van je agent is het van cruciaal belang om te begrijpen wanneer je instructies of juist acties moet gebruiken om functionaliteit te implementeren. Gebruik acties voor belangrijke bedrijfslogica die consequent moet worden afgedwongen, zoals complexe berekeningen, verwerking van gevoelige informatie en bewerkingen in meerdere stappen die een specifieke volgorde vereisen. Gebruik daarentegen instructies voor het begeleiden van het gespreksverloop, om de agent te helpen bij het selecteren van de juiste acties op basis van de context, het definiëren van de opmaak en de toon van antwoorden, en het opstellen van strategieën voor verduidelijking wanneer informatie dubbelzinnig is.

• Slecht voorbeeld: "Voer nooit terugbetalingen uit voor bestellingen ouder dan 30 dagen" (als instructie)
• Betere aanpak: Bouw deze logica in de actie 'Terugbetaling bestelling' zelf in met een datuminvoer en voer de validatie van de actie uit

Voorbeeld van een actie 'Terugbetaling bestelling'

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 = 'Ongeldige input: Order-ID en besteldatum zijn vereist.';

return result;

}

Date today = Date.today();

Integer daysSinceOrder = today.daysBetween(orderDate);

if (daysSinceOrder > 30) {

result.canReturn = false;

result.message = 'Bestelling kan niet worden geretourneerd. Er zijn meer dan 30 dagen verstreken.".

} else {

result.canReturn = true;

result.message = 'Bestelling kan geretourneerd worden. Verzending van de retourbon.".

sendReturnEmail(orderId);

}

return result;

}

• Definieer je voorwaarden: Ga er niet vanuit dat de agent weet wat vaktermen betekenen.
  • Voorbeeld: "Promotiecodes worden gebruikt voor kortingen tijdens het afrekenen, terwijl registratiecodes worden gebruikt om producten te registreren voor garantie."
• Wees specifiek over sequenties: Als stappen in een bepaalde volgorde moeten plaatsvinden, vermeld dit dan duidelijk en neem ze op in één instructieveld.
  • Voorbeeld: "Verifieer eerst de identiteit van de klant met behulp van de actie 'Klant verifiëren' en geef vervolgens accountgegevens op."
• Gebruik consistente terminologie: Gebruik dezelfde termen in al je instructies.
  • Slecht voorbeeld: "Controleer de gegevens van de klant" in de ene instructie en "Verifieer de gegevens van de klant" in een andere instructie
  • Goed voorbeeld: gebruik 'klant' consequent en verwijs naar acties met hun exacte naam
• Wees op je hoede voor absolute waarden: Woorden als 'altijd' en 'nooit' worden heel letterlijk opgevat.
  • Absolute waarden kunnen een aanzienlijke invloed hebben op de manier waarop je agent communiceert. Wees je bewust van de manier waarop ze in instructies worden gebruikt.
• Koppel acties aan situaties: Geef duidelijk aan welke acties in welke omstandigheden moeten worden gebruikt.
  • Voorbeeld: "Gebruik de actie 'Bestelling volgen' wanneer klanten vragen stellen over de locatie van het pakket of de bezorgdatums."
• Geef beslissingscriteria: Help je agent keuzes te maken tussen vergelijkbare opties.
  • Voorbeeld: "Als de klant toegang heeft tot hun e-mail, gebruik de actie 'E-mail voor wachtwoord opnieuw instellen'. Als de gebruiker geen toegang heeft tot zijn e-mail, gebruik de actie 'Verificatie van beveiligingsvragen'."

Acties zijn de tools die je agent gebruikt om informatie te verkrijgen of taken uit te voeren.

Wanneer je agent een verzoek van een klant afhandelt, zal de redeneermachine:

1. Analyseert het bericht van de klant en het geselecteerde onderwerp
2. Bekijkt de beschikbare acties in dat onderwerp
3. Bepaalt welke actie(s) je moet nemen op basis van:
   - De namen van acties, de actiebeschrijving en de actie-input
   - De onderwerpinstructies die verwijzen naar acties
   - De context van het gesprek
4. De geselecteerde actie uit met de juiste input uitvoeren
5. Gebruikt de output van de actie om een antwoord te formuleren of de volgende stappen te bepalen

Om dit proces effectief te laten werken, hebben je acties duidelijke, beschrijvende namen en instructies nodig die de redeneermachine helpen te begrijpen wanneer en hoe ze moeten worden gebruikt. Om de latentie te minimaliseren en de prestaties te verbeteren, kun je beter niet meer dan 15 acties aan een onderwerp toewijzen. Vergeet ook niet dat acties opnieuw kunnen worden gebruikt voor gebruik binnen verschillende onderwerpen.

Elke actie in je agent heeft drie belangrijke onderdelen die moeten worden geconfigureerd: actienaam, actie-instructies en actie-inputinstructies.

• Gebruik duidelijke taal die overeenkomt met hoe klanten de actie zouden beschrijven.
• Aangezien de actie-API-naam naar de reasoning engine wordt verzonden, moet je ervoor zorgen dat de API-naam duidelijk is en de functionaliteit beschrijft.

Best practices voor actie-instructies:

• Beschrijf in 1-3 zinnen precies wat de actie doet
• Soecificeer wanneer deze actie moet worden gebruikt (soorten klantaanvragen)
• Maak een lijst van welke informatie de actie nodig heeft om succesvol te kunnen worden uitgevoerd
• Vermeld eventuele speciale voorwaarden of randgevallen die de actie hanteert
• Voeg voorbeeldzinnen van klanten toe die deze actie moeten activeren

Belangrijke tips voor actie-input-instructies:

• Beschrijf duidelijk wat de input is en wat het doel ervan is
• Specificeer de verwachte indeling (lengte, tekens, structuur)
• Neem validatiecriteria of opmaakvereisten op

Dit is een vraag die we vaak van onze klanten horen. Het korte antwoord is: ja. Data Cloud is een integraal onderdeel van Agentforce, omdat de Data Cloud-architectuur wordt gebruikt voor bepaalde functies in Agentforce, zoals agentanalyse en digital wallet. Bovendien maakt de Data Cloud-infrastructuur het mogelijk om ongestructureerde data te indexeren en te zoeken, evenals feedbackregistratie en audittrails. Data Cloud kan ook extra uitbreiding bieden aan Agentforce. Klanten kunnen er ook voor kiezen om functies zoals Bring Your Own Lake (BYOL) en Bring Your Own Large Language Model (BYO-LLM) in te schakelen om data en modellen te gebruiken die zijn gebouwd op platforms buiten Salesforce met agents die zijn gebouwd op Agentforce.

Van toegang tot data uit andere data lakes via datafederatie tot het gebruik van de hyperscale-infrastructuur voor gegevens op petabyteschaal: het gebruik van de architectuur van Data Cloud met Agentforce helpt klanten betere AI-resultaten te behalen en zorgt voor levensvatbaarheid op de lange termijn voor de succesvolle toepassing van agents, ongeacht hoe groot of complex de onderliggende datasets zijn die de agents aansturen.

Benieuwd welke specifieke Agentforce-functies worden aangestuurd door Data Cloud? Hieronder vind je een overzicht van de Agentforce-functies die standaard door Data Cloud worden ondersteund en de optionele Data Cloud-functies die kunnen worden ingeschakeld door klanten die hun implementatie willen uitbreiden.

We hebben de belangrijkste elementen behandeld die Agentforce laten werken, waaronder de Atlas Reasoning Engine, en hoe onderwerpen, instructies en acties worden gebruikt. Het begrijpen van deze componenten is de sleutel tot het effectief gebruiken van Agentforce. Gebruik deze gids vooral wanneer je begint met het implementeren van Agentforce om je Agentforce-resultaten te verbeteren. Voor nog meer kennis raden we je aan om de extra achtergrondinformatie door te nemen.

Agentplanning: Geef een overzicht van het werk van de agent
https://trailhead.salesforce.com/content/learn/modules/agentforce-agent-planning/outline-the-agents-work

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

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

Agents voor probleemoplossing:
https://help.salesforce.com/s/articleView?id=ai.copilot_troubleshoot.htm&type=5

Agentforce-variabelen:
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