De Agentforce-gids voor contextengineering

_{Deze gids ondersteunt de nieuwste Agentforce Builder die beschikbaar is via de Appstarter . Raadpleeg de Legacy Guide als je agents onderhoudt via Setup.}

AI-agents transformeren organisaties door de efficiëntie te verhogen, handmatige inspanningen te verminderen en een meer geavanceerde en adaptieve werkplek te creëren.

Deze gids behandelt de kernelementen van Agentforce, het Salesforce-platform voor het bouwen van AI-agents. Met behulp van contextengineering wordt Agentforce-agents de specifieke informatie, acties en instructies gegeven die nodig zijn om doelen te bereiken. We onderzoeken hoe Agentforce Script hybride redenering gebruikt om generatieve AI te combineren met deterministische controle.

We weten dat developers agents bouwen in veel verschillende omgevingen. We ondersteunen deze flexibiliteit om het model en de omgeving van je voorkeur voor de taak te kiezen.

Of je nu bouwt in Claude Code, Labs, Agentforce Studio of elders, het is handig om te begrijpen hoe Agentforce de logica en connecties achter de schermen beheert.

Wat we zullen bespreken:

• II. Belangrijkste punten
• III. Basisprincipes van Agentforce
• IV. Agentforce Script
• V. Prompts versus agents
• VI. Contextengineering
• VII. Hoe Agentforce redeneert
• VIII. Betrouwbare context
• IX. Best practices
• X. Heeft Agentforce Data 360 nodig?
• XI. Conclusie
• XII. Meer informatie

• Hybride redenering is de drijvende kracht achter de redeneringsengine van Agentforce. Deze aanpak combineert LLM-flexibiliteit met de deterministische betrouwbaarheid van Agentforce Script.
• Agentforce Script geeft je volledige deterministische controle over het gedrag van agents en vervangt overbelaste systeemprompts door gestructureerde bedrijfslogica.
• Data 360 vormt een integraal onderdeel van Agentforce. Het maakt indexering en opdelen in blokken mogelijk voor retrieval-augmented generation (RAG), agentanalyse en digital wallet.

Een agent is een type software dat 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), zelfstandig redeneren om te bepalen welke acties hij nodig heeft om zijn doel te bereiken, identificeren welke data nodig zijn en vervolgens actie ondernemen, met of zonder menselijke tussenkomst.

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 grote taalmodellen (LLM's) gebruiken om natuurlijke taal en intentie af te handelen, gebruikt Agentforce ook Agentforce Script om specifieke bedrijfslogica te volgen. Dit hybride redeneringsmodel maakt agents dynamischer dan traditionele automatisering, terwijl ze net zo betrouwbaar blijven als statische softwarecode.

Agentforce Studio

Agentforce Studio is onze uniforme werkruimte voor de hele levenscyclus van agents.

Agentforce Studio brengt alle acties samen die je nodig hebt om het gedrag van agents te bouwen, te testen en te beheren. Drie belangrijke componenten van Agentforce Studio helpen je bij het beheren van de ontwikkelingscyclus van agents:

• Agentforce Builder: Gebruik de AI-native builder om regels op te stellen in gewone taal. Gebruik Agentforce Script, een taal die betrouwbaar agentgedrag uitdrukt door configuratie, bedrijfslogica en instructies te verenigen.
• Testcentrum: Valideer het gedrag van agents voordat je deze implementeert
• Agentforce Observability: Monitor en analyseer de prestaties van agents om te zien waar de logica moet worden verfijnd.

Agentforce Studio overbrugt de kloof tussen technische en niet-technische gebruikers. Katherine Mains van ConAgra Brands beschrijft dit als 'de 'Goldilocks Zone' van design; geavanceerd genoeg voor onze architecten, maar intuïtief genoeg om onze beheerders direct in te laten duiken."

Agentforce is het framework dat de voorspelbaarheid biedt die je bedrijf nodig heeft om voorbij eenvoudige veelgestelde vragen te komen en hoogwaardig werk te bereiken. Hybride redenering en Agentforce-script combineren controle en creativiteit. Intelligent Context voorziet agents van de juiste data op het juiste moment. Agentforce Studio biedt een uniforme werkruimte om het hele systeem te beheren.

Agentforce biedt ook een aantal functies die Data 360 uitbreidbaar maken. Hieronder geven we je een beknopt overzicht van deze componenten:

Laten we eens nader ingaan op Agentforce Script, de blauwdruk voor het redeneringsproces van een agent.

Agentforce Scriptis onze Agentforce-specifieke scripttaal die dient als de tekstgebaseerde basis voor het bouwen en beheren van agents. Het functioneert als een uniforme taal die het hele gedrag van een agent uitdrukt. Dit ene bestand brengt configuratie, bedrijfslogica, acties en redeneringsinstructies samen. In plaats van natuurlijke taal en code als afzonderlijke elementen te behandelen, wordt deze blauwdruk gebruikt om de hele agentarchitectuur op één plek te beheren.

In agentische acties die alleen generatieve AI gebruiken, vertrouwen gebruikers op lange prompts in natuurlijke taal, wat kan leiden tot inconsistente en onvoorspelbare taakresultaten. Agentforce Script verandert dit. Hybride redenering met Script combineert natuurlijke taal met deterministische, op regels gebaseerde instructies.

Leiders zien met dit niveau van controle onmiddellijke resultaten. Scott van Dusen, partner & COO bij Equitable Trust, merkt op dat Agentforce Script enorm krachtig is. Hij vindt het vermogen om stromen en acties te manipuleren veel robuuster dan LLM-methoden. "Ik kan het veel beter beheersen", zegt Van Dusen.

Grant Roberson, de Agentforce-beheerder bij Datasite, zei dat Script 'lichtjaren beter' is dan prompt-engineering agents.

"Vroeger had ik overal alinea's met repetitieve instructies om te proberen gedrag af te dwingen", zegt Roberson. "Met Script kun je die ruis eenvoudig verwijderen en vervangen door voorwaardelijke logica waarmee je erop kunt vertrouwen dat je agents precies doen wat jij wilt."

Met Script stap je van promptcreatie over naar schaalbare organisatie. Omdat het gebruikmaakt van een gestructureerde, tekstgebaseerde indeling, kan je team het gedrag van agents vertalen, beoordelen en beheren, net als bij traditionele code.

Agentforce Script organiseert de mogelijkheden van agents via declaratieve syntaxis. Het behandelt instructies, acties en subagents als modulaire componenten. Deze structuur geeft de redeneringsengine een duidelijk overzicht van resources en stelt grenzen vast om de agent binnen het beoogde bereik te houden. Deze scripts verplaatsen workflows van waarschijnlijkheidsredenering naar gegarandeerde resultaten door LLM-aanroepen te verminderen en logische fouten te voorkomen.

Architectuur en modulariteit

Hieronder volgt een lijst met best practices voor de structuur, georganiseerd op basis van modulaire ontwerpprincipes, zodat je een te onderhouden en voorspelbare agent kunt bouwen.

• Maak kleine, afzonderlijke scripts voor specifieke taken zoals identiteitscontroles. Dit maakt het systeem gemakkelijker te onderhouden, omdat je één script kunt bijwerken wanneer bedrijfsbeleid wordt gewijzigd zonder dat dit gevolgen heeft voor andere onderdelen van de agent. Je kunt deze veelvoorkomende scripts ook toepassen op meerdere subagents om een consistente ervaring te garanderen.
• Organiseer acties binnen het script op basis van de specifieke intentie die ze dienen. Geef subagents en acties namen die hun functie duidelijk beschrijven, aangezien de redeneringsengine deze namen gebruikt om het beste pad te selecteren.
• Kies voor een deterministische sandwichbenadering waarbij code het begin en het einde van elke interactie regelt. Gebruik de natuurlijke stem van AI voor het middelste gedeelte om volledige controle te bieden over het invoeren en oplossen van gesprekken.

Data- en contextbeheer

Hieronder volgt een lijst met technieken voor databeheer die zijn georganiseerd op basis van sessieafhandeling om de latentie te verminderen en de personalisatie te verbeteren.

• Definieer de vereiste data-invoer aan het begin van een scriptblok, zodat de agent context verzamelt voordat hij actie probeert te ondernemen. Om de snelheid te verhogen, moet je alle benodigde data ophalen voordat de agent met zijn hoofdtaak begint. Elk LLM-gesprek voegt tijd toe aan de interactie, dus het gebruik van specifieke regels om vooraf feiten te verzamelen voorkomt extra aanroepen.
• Sla feiten zoals de naam of status van een gebruiker op in sessievariabelen om data tijdens een chat te beheren. Met deze variabelen kun je informatie doorgeven tussen subagents, waardoor de agent geen vragen hoeft te herhalen. Het zorgt er ook voor dat de agent de data heeft die nodig is om acties te gebruiken zonder extra gebruikersinvoer.
• Voeg variabelen rechtstreeks in instructies in als samenvoegvelden. Dit helpt de agent gepersonaliseerde antwoorden te geven en specifieke logica te volgen op basis van de data van de gebruiker.

Logica en nalevingsnormen

Hieronder volgt een lijst met configuratiestandaarden die zijn georganiseerd op basis van uitvoeringslogica om je te helpen strikte naleving en betrouwbaarheid te handhaven.

• Gebruik instructies om de gespreksstijl te beïnvloeden, terwijl het script de werkelijke bedrijfslogica afhandelt. Met deze scheiding kan het LLM de taal afhandelen, terwijl het script gegevenscontroles of verplichte sequenties beheert. Deze deterministische aanpak elimineert het giswerk dat vaak voorkomt in prompts in natuurlijke taal.
• Pas als-dan-logica toe om een agent door specifieke paden te leiden. Je kunt de agent bijvoorbeeld programmeren om de loyaliteitsstatus van een klant te controleren voordat deze de klant een korting aanbiedt.
• Stel expliciete afsluitcriteria in om precies te definiëren wanneer een subagent het gesprek moet teruggeven aan de hoofdagent of de sessie moet sluiten. Duidelijke grenzen zorgen ervoor dat de agent met maximale efficiëntie werkt.

Strategische implementatie

Hieronder volgt een lijst met implementatierichtlijnen, georganiseerd op gereedschapselectie, zodat je het juiste automatiseringspad voor je use case kunt kiezen.

• Ontwikkel geen agents om als eenvoudige, lineaire chatbots te functioneren. Als een proces statisch is en nooit verandert, gebruik dan een standaardstroom in Flow Builder in plaats van een AI-agent. Reserveer Agentforce Script voor het omgaan met rommelige of onvoorspelbare menselijke input.
• Vind kant-en-klare agentoplossingen en herbruikbare scripts op de AgentExchange om ontwikkelingstijd te besparen. Deze marktplaats bevat kant-en-klare AI-acties en integraties van derden om je te helpen veelvoorkomende zakelijke taken snel te automatiseren. Lees meer over alle voordelen van AgentExchange in dit e-book.

Voordat we verder gaan, is het belangrijk op te merken dat agents niet de enige generatieve AI-tool zijn die gebruikt kunnen worden voor Agentforce 360 Platform. Prompttemplates zijn een ander krachtig hulpmiddel voor het bouwen van applicaties die gebruikmaken van generatieve AI. Met prompttemplates die zijn gebouwd in Prompt Builder, 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

Weten hoe de redeneringsengine achter de schermen werkt, is essentieel voor een succesvolle implementatie van agents. In de begindagen van AI-agents spraken we veel over prompt engineering: het overreden van een LLM om zich te gedragen. Nu zijn we uitgegroeid tot contextengineering.

Contextengineering is een meer holistische praktijk, die veel verder gaat dan alleen het schrijven van een goede prompt. Met Agentforce hybride redenering ontwerp je een systeem dat autonome LLM-redenering in balans brengt met op regels gebaseerde logica voor deterministische controle.

Contextengineering is de opvolger van promptengineering . Het omvat het ontwerpen van een systeem van subagents, instructies, regels en acties om een agent te voorzien van de exacte informatie en grenzen die deze nodig heeft om succesvol te zijn, in plaats van te proberen de perfecte woorden te formuleren in een poging om een LLM zover te krijgen je precies de juiste antwoorden te geven.

De drie hefbomen van contextengineering

Gebruikers werken met Agentforce Script als de uniforme taal om subagents, instructies, acties en regels in één taal en bestand uit te drukken.

1. Subagents. Deze definiëren gespecialiseerde agents en hun expertise.
2. Instructies. Deze bieden begeleiding voor gespreksstroom, toon en intentie.
3. Acties en regels. Deze voeren acties uit en dwingen verplichte bedrijfslogica af.

Laten we eens nader ingaan op subagents, instructies en acties, drie belangrijke stukjes metadata die je definieert telkens wanneer je een agent bouwt met Agentforce.

Subagents vormen de basis van de mogelijkheden van je agent en definiëren wat deze kan doen en welke soorten klantverzoeken deze kan afhandelen. Beschouw ze als gespecialiseerde afdelingen met specifieke expertise, acties die leiden tot actie en instructies. Wanneer een klant een bericht stuurt, bepaalt je agent eerst welke 'afdeling' (subagent) het verzoek moet afhandelen en gebruikt vervolgens de op maat gemaakte richtlijnen en tools van die subagent om de klant te helpen.

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 redeneringsengine klantverzoeken correct classificeert. Instructies moeten duidelijk, specifiek en uitvoerbaar zijn om de agent effectief te begeleiden.

Je agent gebruikt acties om informatie op te halen of taken uit te voeren. Bij het definiëren van acties is het van cruciaal belang om te begrijpen hoe de redeneringsengine ze verwerkt. De engine beoordeelt beschikbare acties op basis van hun namen, beschrijvingen en input, evenals de instructies en gesprekscontext van de subagent. 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 herbruikbaarheid in gedachten, omdat ze kunnen worden gebruikt in meerdere subagents. Hieronder vind je een lijst met de beschikbare acties voor aangepaste agents en wanneer je ze moet gebruiken:

De redeneringsengine gebruikt subagents, instructies, acties en regels om het werk gedaan te krijgen. Aangezien Agentforce Script dient als de volledige definitie van de agent, elimineert het de zwarte doos van probabilistische routering. Kortom, de redeneringsengine zal:

• Subagent classificeren: De engine koppelt een klantbericht aan de meest geschikte subagent op basis van de naam en beschrijving.
• Gescripte logica uitvoeren: De engine voert de gescripte instructies en regels uit die door het script worden gedicteerd. Dit gebeurt voordat het systeem niet-deterministische instructies evalueert.
• Acties toepassen: Als een taak externe data of een update vereist, voert de engine de nodige acties uit en verzamelt de resultaten.
• Controle van de basis: Voordat een definitief antwoord wordt verzonden, zorgt de engine ervoor dat het antwoord is gebaseerd op nauwkeurige informatie uit acties of instructies en volgt hij de richtlijnen in het script en de instructies.

Hier is een stapsgewijs overzicht van wat er in de Reasoning Engine gebeurt wanneer een agent wordt aangeroepen.

Zie voor een nog diepere duik de Agentforce gids voor het bereiken van betrouwbaar gedrag van agents: Een raamwerk voor 6 niveaus van determinisme

Gebruikers moeten het onderscheid tussen filteren en instructies begrijpen om nauwkeurige agents te bouwen. Filters bepalen wat de LLM ziet en wat het kan doen bij elke beurt van een gesprek, en ze werken op meerdere niveaus. Filters kunnen worden toegepast op subagents, acties en ophaalprocessen, waardoor gebruikers nauwkeurig kunnen bepalen welke subagents beschikbaar zijn, wat die subagents kunnen doen en welke content het model bij elke stap ophaalt.

Denk aan de virtuele assistent van een bank. Wanneer een klant naar zijn hypotheek vraagt, wordt een subagent die zich bezighoudt met woningkredieten actief. Het filter zorgt ervoor dat de LLM alleen hypotheekdocumenten ziet, niet creditcardgegevens of investeringsrecords. Maar in hetzelfde gesprek gebruikt de actie die het huidige tarief van de klant ophaalt zijn eigen strakkere filter, dat beperkt is tot het account van die klant. De klant krijgt een nauwkeurig antwoord en irrelevante data komen nooit in beeld.

Filters kunnen worden ingesteld als statisch (vooraf geconfigureerd tijdens de installatie) of dynamisch (doorgegeven tijdens runtime vanuit gesprekscontext of taakaanwijzingsinvoer). Met verbeterde Retriever-voorfilters kunnen zorgverleners nu maximaal 10 dynamische filters per retriever toepassen, deze combineren met EN/OF logica en SOORTGELIJK-operators gebruiken voor patroonafstemming. Dit vermindert ophaalruis en houdt het contextvenster gefocust op de meest relevante inhoud. In workflows voor softwareontwikkeling kunnen gebruikers bijvoorbeeld actiespecifieke contextfilters toepassen om een agent flexibiliteit te bieden bij het interpreteren van gebruikersprompts, terwijl ze deze strikt houden over de huidige status van de codebasis.

Agentforce Script biedt het hoogste niveau van deterministische controle door specifieke sequenties en regels te coderen die de agent moet volgen. Deze aanpak voorkomt de doom-lus van de prompt, waarbij instructies te lang worden of verwarrend voor de LLM om nauwkeurig te volgen.

Hoewel filters en Agentforce Script controle op systeemniveau bieden, moeten gebruikers ook een manier bieden om de nauwkeurigheid te verifiëren. Citaten geven gebruikers een duidelijk audittrail voor elk antwoord, waarbij de interne context die de agent gebruikte wordt gekoppeld aan het antwoord dat het naar voren bracht.

De redeneringsengine orkestreert deze vier componenten om verzoeken op te lossen met een mix van flexibiliteit en controle. Denk aan een klant die zegt: "Ik heb gisteren een rode trui besteld, maar ik wil graag het bezorgadres wijzigen."

1. Classificatie van subagents. De engine analyseert het klantbericht en voert subagentclassificatie uit. Het koppelt het verzoek aan de subagent 'Bestelling wijzigen' omdat de naam en beschrijving overeenkomen met de taak.
2. Context samenstellen. De engine voert context-assembly uit om het agentgeheugen op te bouwen. Het verzamelt de instructies, het script en de beschikbare acties van de subagent.
3. Agentforce ScriptUitvoering. De -engine voert de Agentforce Script uit om deterministische bedrijfslogica uit te voeren. Het script controleert de bestelstatus van de rode trui. Als de bestelling nog in het magazijn ligt, staat het script de agent toe om verder te gaan met de wijziging.
4. Op instructie gebaseerde redenering. De instructies leiden de agent door het gesprek. Ze definiëren de toon en begeleiden de agent om de klant naar het nieuwe verzendadres te vragen.
5. Actietoepassing. De agent selecteert en voert de actie 'Verzending van bestelling bijwerken' uit. De agent geeft de bestelnummer en het nieuwe adres door aan het systeem om de update te voltooien.
6. Gegronde reactie. De agent geeft de klant een laatste bevestiging. Het voert een controle uit en neemt een citaat op om de bron van de informatie te verifiëren.

Succesvolle contextengineering vereist de naadloze integratie van subagents, instructies, scripts en acties. Deze vier elementen werken samen om een agent binnen de grenzen van optimale relevantie en nauwkeurigheid te houden. Subagents definiëren gespecialiseerde expertise. Instructies bieden conversationele begeleiding en toon. Agentforce Script voegt een laag van deterministische controle toe om bedrijfsregels af te dwingen. Met acties kan de agent acties uitvoeren en toegang krijgen tot realtime data. Deze gecombineerde strategie zorgt ervoor dat je agent zowel behulpzaam als zeer betrouwbaar blijft.

Succesvolle contextengineering vereist dat je weet waar je je logica moet plaatsen.

• Gebruik acties en Agentforce Script voor controle. Verplaats kritieke bedrijfsregels en workflows met meerdere stappen naar Agentforce Script of acties. Dit omvat complexe berekeningen en verplichte volgordebepaling.
• Gebruiksinstructies voor gedrag. Begeleid de gespreksstroom en definieer de antwoordtoon met behulp van instructies.

Best practices voor het schrijven van effectieve instructies

• Definieer je termen. Ga er niet vanuit dat de agent weet wat sectortermen betekenen. Definieer bijvoorbeeld het verschil tussen 'promotiecodes' voor kortingen en 'registratiecodes' voor garanties.
• Wees specifiek over volgordes. Als stappen in een bepaalde volgorde moeten plaatsvinden, vermeld dit dan duidelijk in één instructieblok.
• Gebruik consistente terminologie. Verwijs naar acties met de exacte naam en gebruik dezelfde termen in alle instructies.
• Wees bewust met absolute waarden. Woorden als 'altijd' en 'nooit' hebben een aanzienlijke impact op de manier waarop je agent communiceert.
• Geef beslissingscriteria. Help je agent te kiezen tussen vergelijkbare opties. Geef de agent bijvoorbeeld de opdracht om de actie 'E-mail opnieuw instellen' te gebruiken als de gebruiker e-mailtoegang heeft, maar de actie beveiligingsvraag te gebruiken als dat niet zo is.

Dit is een vraag die we vaak van onze klanten horen. Het korte antwoord is: ja. Data 360 is een integraal onderdeel van Agentforce omdat de Data 360-architectuur wordt gebruikt voor bepaalde functies in Agentforce, zoals agentanalyse en digital wallet. Bovendien maakt de Data 360-infrastructuur het mogelijk om ongestructureerde data te indexeren en te zoeken, evenals feedbackregistratie en audittrail. Data 360 kan ook extra uitbreiding bieden. 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 data op petabyte-schaal, het gebruik van de Data 360-architectuur met Agentforce zorgt ervoor dat klanten tegenwoordig betere AI-resultaten ervaren. Deze krachtige architectuur zorgt ook voor levensvatbaarheid op de lange termijn voor een succesvolle acceptatie van agents, ongeacht hoe groot of complex de onderliggende datasets zijn die deze agents mogelijk aandrijven.

Benieuwd welke specifieke Agentforce-functies worden aangedreven door Data 360? In de volgende tabel staan de Agentforce-functies waarin Data 360 standaard voorziet, samen met de optionele functies die klanten kunnen inschakelen om hun implementatie uit te breiden.

We hebben de belangrijkste elementen behandeld die Agentforce laten werken, waaronder de Reasoning Engine, en hoe Script, subagents, instructies en acties worden gebruikt. Het begrijpen van deze componenten is de sleutel tot het effectief gebruiken van Agentforce. Gebruik deze gids om de resultaten te verbeteren tijdens de implementatie van Agentforce. Bekijk de beschikbare bronnen voor meer informatie.

Vind blogs, gidsen, demovideo's en meer bronnen op Agentblazer.com en Agentforce.com

• Handleidingen voor lange formulieren:
  • Agentforce-gids om betrouwbaar gedrag van agents te waarborgen: Een raamwerk voor 6 niveaus van determinisme
  • De gids voor het runnen van een agentische onderneming
  • Agentforce en RAG: Best practices voor betere agents
  • Een Agentforce-gids voor contextengineering
    
    
• Voor CIO's:
  • Een praktische gids voor betrouwbare AI-agents die werken
  • Het onzichtbare voordeel - 8 belangrijke ontwerpprincipes voor agentische bedrijven die zijn getest en gevalideerd door genoemde CIO's.

• Blog: Doomprompting zal je geen voorspelbare AI-agents opleveren, maar een nieuwe scripttaal kan dat wel
• Dev-blog: Beheer de toegang en besluitvorming van agents met variabelen en filters
  
  
• Trailhead: Agentplanning: Geef een overzicht van het werk van de agent
  
  
• Hulpdocumentatie:
  • Actie-instructies
  • Instructies voor agents
  • Agents voor probleemoplossing