Introduktion till Agentforce-guiden

AI-agenter har potentialen att revolutionera organisationer genom att öka effektiviteten, minska den manuella arbetsbördan och skapa en mer sofistikerad och anpassningsbar arbetsplats. Av denna anledning har vi skapat Agentforce – en plattform för att bygga AI-agenter. Men med ny teknik kommer även nya koncept och nya faktorer att ta hänsyn till vid implementeringen.

Den här guiden handlar om huvudkomponenterna i Agentforce och är den första i en serie guider som kommer att tas fram i takt med att själva Agentforce utvecklas. Här beskriver vi hur Agentforce fungerar och berättar lite närmare om de viktigaste funktionerna och avvägningarna som arkitekter och tekniker behöver känna till för att bygga med Agentforce.

Innehåll:

• Viktiga slutsatser
• Grunderna i Agentforce
• Promptar kontra agenter
• Så resonerar Agentforce
• Bästa metoder för att använda filter kontra instruktioner
• Bästa metoder för ämnen, instruktioner och åtgärder
• Behöver Agentforce Data Cloud?
• Avslutande anmärkningar
• Resurser

• Agenter skiljer sig från andra generativa AI-verktyg som chattbotar, copilots och promptar eftersom de kan planera, resonera och använda verktyg med eller utan mänsklig intervention.
• Promptteknik är nyckeln till att bygga agenter. Det är den primära metoden för att vägleda en agents beteende och styra resultat genom ämnen, åtgärder och instruktioner, och den är avgörande för att utforma effektiva åtgärder baserade på promptmallar.
• Ämnen, åtgärder och instruktioner är hur du styr de promptar som driver resonemangsmotorn. Därför är de en viktig del av att få Agentforce att fungera för dig.
• Eftersom Agentforce är en del av Salesforce Platform kan agenter som byggts med Agentforce använda de verktyg för låg kod och professionell kod som du redan är bekant med.
• Data Cloud är en integrerad del av Agentforce. Den driver indexering och chunking för Retrieval Augmented Generation (RAG), agentanalys, BYOM (bring your own model) och digital plånbok.
• Agenter är fantastiska, men ibland duger en promptmall.

Enkelt uttryckt är en agent en typ av programvara som använder generativ AI för att fatta beslut om vad man ska göra härnäst och hur man gör det. En agent kan förstå en fråga (ofta kallad ett yttrande), autonomt resonera för att avgöra vilka åtgärder som ska vidtas för att nå sitt mål, identifiera vilka data som behövs och sedan vidta åtgärder, med eller utan mänsklig inblandning. Det bästa av allt? Agenter använder stora språkmodeller (LLM:er) istället för strikta, förskrivna regler. Detta gör agenter mer dynamiska än regelbaserad automatisering, men det är också ett betydande skifte från traditionell programvara som följer hårdkodade instruktioner.

En AI-agents viktigaste funktioner

• Agenter är dynamiska och kan anpassa sig till olika situationer, miljöer och information.
• Agenter kan vara autonoma (agera utan mänsklig inblandning) eller kan vägledas att involvera en människa i loopen.
• Agenter skiljer sig från andra generativa AI-verktyg eftersom de kan planera, resonera och agera.

Även om agenter inte följer hårdkodad logik som traditionell programvara, tillhandahåller Agentforce ett antal komponenter för att lägga till ytterligare kontroller för hur dina agenter resonerar. Det finns också ett antal funktioner som gör Agentforce utökningsbar. Här är en snabb titt på dessa komponenter:

Strategisk planering är en avgörande del av att driftsätta en AI-agent. Om din organisation inte har en strategi på plats föreslår vi att du tar AI Strategy-märket på Trailhead . Härifrån utgår vi från att du redan är bekant med processen att definiera din AI-vision, bilda ett AI-råd, etablera AI-styrning, identifiera AI-användningsfall och bygga en färdplan.

Att bygga en agent kräver tid och resurser. Noggrann planering hjälper dig att få rätt första gången. Innan du börjar bygga en agent ska du definiera ett användningsfall och skapa en processkarta för varje agent du planerar att bygga. Agentplaneringens märke på Trailhead täcker processkartläggning i ”Outline the Agents Work ”-enheten. Beskriv den ideala användarupplevelsen, samt hur systemet kommer att reagera på användarinmatningar och hantera potentiella fel eller problem.

Det resulterande diagrammet hjälper till att säkerställa att du förstår flödet. Det hjälper dig att generera instruktioner och veta var du ska använda åtgärder, variabler och filter. Fördelarna med denna metod för agentplanering inkluderar följande:

• Engagera företagsanvändare och kom överens om omfattning
• Definiera åtgärder, instruktioner och skydd
• Generera tydliga, specifika instruktioner
• Felsök under testning och utvärdering
• Utvärdera end-to-end-scenarier
• Visa efterlevnad och revisionslogg
• Förklara det förväntade agenternas beteende och få en avregistrering

Innan vi fortsätter är det viktigt att notera att agenter inte är det enda generativa AI-verktyget som finns tillgängligt på Salesforce Platform. Promptmallar är ett annat kraftfullt verktyg för att bygga applikationer som använder generativ AI. Promptmallar, inbyggda i Promptbyggare, låter dig definiera en uppsättning strukturerade, återanvändbara instruktioner som vägleder en generativ AI-modell för att producera specifika resultat. De kan referera till Salesforce-data via fördefinierade fält, datagrafer och kontextuell datahämtning Augmented Generation (RAG). Promptmallar är också mycket säkra – alla promptar dirigeras genom Salesforces förtroendelager – vilket respekterar behörigheter, maskerar känsliga data och flaggar giftiga utdata.

Promptmallar är interaktioner med AI som utförs en gång och passar perfekt för engångsuppgifter som inte kräver minne eller flerstegsresonemang. Till exempel är en promptmall idealisk när du behöver omformulera en mening eller sammanfatta ett ärende, eftersom kontinuerlig kontext inte behövs. När man utformar lösningar med promptmallar är det viktigt att komma ihåg att de är tillståndslösa (de behåller inte minnet mellan turn) och att de inte fattar beslut eller vidtar åtgärder. Promptmallar genererar ett svar baserat på den inmatning och logik du anger vid designtillfället.

Promptmallar kan användas på egen hand i en inbäddad AI-lösning, eller så kan du lägga till en promptmall till en agent som en agentåtgärd. Att använda en promptmall på egen hand är idealiskt när:

• företagskontexten är väl förstådd och stabil
• det önskade resultatet följer ett förutsägbart format, även om själva svaret inte är deterministiskt
• det inte finns något behov av att utvärdera olika vägar eller vidta autonoma åtgärder
• pågående kontext, eller tillstånd, inte krävs
• flerstegsresonemang inte krävs.

Användningsfall för promptmallar:

• Generera en strukturerad postsammanfattning, som att sammanfatta ärendeanteckningar
• skapa strukturerade mötesanteckningar
• generera mallbaserade e-postsvar
• föreslå kommande bästa åtgärder
• identifiera en sentimentanalys av ett ärende.

Tänk på att även om promptmallar dynamiskt kan fylla i data och generera svar baserat på de dynamiska indata som återges vid körning, kan de inte resonera igenom alternativ eller vidta åtgärder.

Agenter är programvarusystem som autonomt bestämmer vad de ska göra, i vilken ordning och hur de ska göra det, baserat på föränderlig kontext. Agenter går utöver en enda prompt eftersom de kan planera, resonera, anropa externa åtgärder (som API-anrop eller databassökningar) och reagera baserat på resultat. De kan välja olika vägar eller svar beroende på vad de lär sig mitt i processen. Agenter är bäst när:

• miljön eller sammanhanget kan förändras dynamiskt
• flera beslut eller grenar är möjliga baserat på data
• AI behöver ersätta eller hjälpa mänskligt omdöme att göra ett val eller vidta åtgärder.

Användningsfall för AI-agenter:

• prioritera och vidarebefordra inkommande supportärenden
• lösa bokningsproblem genom att kontrollera externa system och policyer
• hantera arbetsflöden i flera steg med feedback-loopar
• Utarbeta ett e-postmeddelande med svar på kundcase baserat på detaljerna om kundens problem med möjliga lösningar och relevanta kunskapsartiklar från din kundwebbplats
• schemalägga ett möte baserat på tjänsterepresentantens tillgänglighet och kundens preferenser
• Upptäcka händelser, som problem med programvaruuppdateringar, och proaktivt generera felsökningsuppgifter eller försöka lösa problem på distans genom att utlösa en åtgärd för att anropa ett API-anrop

Vill du förstå hur Agentforce förstår användarförfrågningar och bestämmer vilka åtgärder du ska vidta? Det här avsnittet guidar dig genom kärnan i dess beslutsprocess: Atlas resonemangsmotor. Precis som att förstå exekveringsordningen är nyckeln till att förstå vad som händer när en post sparas i Salesforce, ger kunskap om hur Atlas resonemangsmotor fungerar bakom kulisserna dig möjlighet att förstå hur Agentforce fungerar.

Atlas resonemangsmotor använder en serie promptar, kod, LLM-anrop och en uppsättning av tre viktiga byggstenar för att hjälpa agenter att förstå och reagera effektivt. Tänk på följande tre element (ämnen, instruktioner och åtgärder) som de hävstänger du kontrollerar för att få agenter att arbeta för dig. När du justerar dessa element konstruerar du de promptar som resonemangsmotorn använder för att förstå, besluta och agera. Just det! Agentforce använder promptar i resonemangsmotorn för att klassificera ämnen och åtgärder. Vilket innebär att du får promptteknik varje gång du bygger en agent i agentverktyget!

Innan vi dyker djupare in i Atlas resonemangsmotor tittar vi närmare på ämnen, instruktioner och åtgärder, tre viktiga metadata som du definierar varje gång du bygger en agent med Agentforce.

Ämnen är grunden för din agents förmågor och definierar vad den kan göra och vilka typer av kundförfrågningar den kan hantera. Tänk på dem som specialiserade avdelningar med specifik expertis, verktyg (åtgärder) och riktlinjer (instruktioner). När en kund skickar ett meddelande avgör din agent först vilken "avdelning" (ämne) som ska hantera förfrågan, följer sedan denna avdelnings riktlinjer och använder dess verktyg för att hjälpa kunden. Ämnen har också befogenheter som definierar vad en agent kan och inte kan göra inom det specifika ämnesområdet.

Instruktioner är riktlinjer som styr hur konversationer hanteras inom ett ämne, vägleder val av åtgärder, skapar konversationsmönster och ger företagskontext. Enkla och tydliga ämnen förhindrar överlappning och säkerställer att resonemangsmotorn korrekt klassificerar kundförfrågningar. Instruktionerna bör vara tydliga, specifika och åtgärdsinriktade för att vägleda agenten effektivt.

Åtgärder fungerar som de verktyg som din agent använder för att hämta information eller utföra uppgifter. När man definierar åtgärder är det avgörande att förstå hur resonemangsmotorn bearbetar dem. Motorn granskar tillgängliga åtgärder baserat på deras namn, beskrivningar och inmatningar, samt ämnesinstruktioner och konversationskontext. Agentforce levereras med ett antal standardåtgärder för agenter, och du kan skapa anpassade agentåtgärder för att ytterligare utöka din implementering. Du bör dock alltid kontrollera om en standardåtgärd kan användas innan du skapar en anpassad åtgärd. Designa åtgärder med återanvändbarhet i åtanke, eftersom de kan användas för fler ämnen. Nedan följer en lista över tillgängliga anpassade agentåtgärder och när du bör använda dem:

Du kanske undrar exakt hur en agent använder ämnen, instruktioner och åtgärder för att få jobbet gjort. Här är en steg-för-steg-beskrivning av vad som händer i Atlas resonemangsmotor när en agent anropas.

Processen börjar när ett meddelande eller en fråga tas emot från en användare, eller när en agent anropas från en händelse, dataändring eller ett API-anrop.

Resonemangsmotorn analyserar användarens meddelande för att klassificera det under det mest relevanta ämnet. För detta klassificeringssteg tittar resonemangsmotorn endast på ämnesnamnet och beskrivningen av ämnesklassificeringen. Om inget lämpligt ämne matchar används standardinställningen för klassificeringen "utanför ämnet".

Omfattning, instruktioner och åtgärder som är kopplade till det valda ämnet infogas i prompten tillsammans med det ursprungliga användarmeddelandet och konversationshistoriken, vanligtvis de sista sex turerna. Den resulterande prompten skickas till LLM:en för att avgöra vad agenten ska göra härnäst.

Agenten analyserar den kombinerade inmatningen (användarmeddelande, instruktioner, potentiella åtgärder) och bestämmer nästa steg:

• Köra en åtgärd: om specifik information behövs eller en uppgift måste utföras.
• Svara användaren: om agenten har tillräckligt med information eller letar efter information kan den skicka ett svar.

• Agenten anropar den valda åtgärden.
• Utdata eller resultatet från den utförda åtgärden registreras.
• Bearbetning av åtgärdsutdata: åtgärdens utdata skickas tillbaka till LLM:en, kombinerat igen med det ursprungliga sammanhanget (instruktioner, åtgärder, konversationshistorik).

• Agenten omvärderar situationen baserat på den nya informationen (åtgärdsresultat) och den pågående konversationskontexten.
• Utdata skickas tillsammans med fokusämnesomfattning, instruktion och åtgärder och avgör om en annan åtgärd ska köras eller ett svar formuleras.
• Denna loop fortsätter tills agenten fastställer att den har all nödvändig information och är redo att svara direkt till användaren.

Innan det slutliga svaret skickas utför agenten en sista kontroll för att säkerställa att det föreslagna svaret är grundat i och följer de angivna instruktionerna för ämnet. Detta steg kontrollerar att svaret:

• är korrekt grundat i källinformation
• följer ämnets instruktioner och omfattning
• inte innehåller hallucinerad eller overifierad information
• är fritt från potentiella risker för promptinjicering.

Det slutliga, validerade svaret skickas till användaren. Om grundningssteget misslyckas kommer agenten att försöka igen och försöka producera ett grundat svar. Om den inte kan producera ett grundat svar skickar den ett standardmeddelande för att informera användaren om att den inte kan hjälpa till med begäran.

Att förstå detta arbetsflöde hjälper till att förklara varför varje komponent i din agent – ämnen, instruktioner och åtgärder – måste utformas noggrant för att fungera med denna resonemangsprocess. Men det slutar inte där.

För att ge ytterligare kontroll och lägga till deterministisk logik i det agentiska arbetsflödet använder Agentforce villkorsbaserad filtrering. Det är ungefär som att ha dynamiska synlighetsregler för formulärfält, fast för dina agenter när de resonerar.

Villkorsbaserade filter fungerar som portvakter som avgör om ett ämne eller en åtgärd ska beaktas under resonemangsprocessen. Till skillnad från instruktioner som vägleder LLM:ens beslut, fungerar filter på systemnivå för att helt ta bort eller inkludera ämnen och åtgärder baserat på specifika villkor.

Villkorsbaserad filtrering förbättrar agentens resultat på två viktiga sätt:

1. Noggrannare ämnesklassificering

Genom att ta bort irrelevanta ämnen från övervägande baserat på konversationsstatus minskar du det ”semantiska bruset” under ämnesklassificeringsprocessen. Detta gör det enklare för LLM:en att välja rätt ämne för en användarfråga.

Om en användare till exempel inte har autentiserat sig ännu kan filter dölja alla ämnen som är kopplade till kontospecifika åtgärder. Det förhindrar att agenten felklassificerar allmänna frågor som känsliga ämnen, vilket i slutändan skulle leda till autentiseringsfel eller olämpliga svar.

2. Kontextuellt lämpligt åtgärdsval

När ett ämne har valts förfinar filtren ytterligare vilka åtgärder inom det ämnet som är tillgängliga baserat på den aktuella konversationsstatusen:

• Om obligatoriska variabler inte är ifyllda (som ordernummer) kan åtgärder som är beroende av dessa variabler döljas.
• Om vissa åtgärder endast ska vara tillgängliga baserat på användarattribut eller rättigheter kan filter tillämpa dessa regler.

Så fungerar villkorsbaserad filtrering

Atlas resonemangsmotor stöder filtrering baserat på två typer av variabler: kontextvariabler och anpassade variabler. Här är en snabb översikt över egenskaperna för varje typ:

Det här är variabler som härrör från meddelandesessionen och kan inkludera:

• Standardfält från objektet Messaging Session
• Anpassade fält har lagts till i objektet Messaging Session
• Data för förchattsformulär
• Information från tidigare meddelandesessioner

Kontextvariabler är särskilt användbara för att anpassa interaktioner baserat på känd kundinformation utan att agenten behöver be om det under samtalet. När man utformar en lösning med kontextvariabler är det viktigt att vara medveten om att de ställs in vid sessionsstart och är oföränderliga under den sessionen.

Anpassade variabler lagrar information som returneras från åtgärder. Dessa kan användas för att:

• Spårning av konversationsstatus (till exempel autentiseringsstatus)
• Lagra åtgärdsutdata som behöver sparas som åtgärdsinmatningar
• Skapa beroenden mellan åtgärder, så att åtgärder endast är tillgängliga om ett visst villkor är uppfyllt

Filter baseras på värdena för kontext och anpassade variabler. Filter kan tillämpas på både ämnes- och åtgärdsnivå:

• Filter på ämnesnivå: Kontrollera om hela ämnet är tillgängligt för klassificering
• Filter på åtgärdsnivå: Kontrollera tillgängligheten för specifika åtgärder inom ett ämne, även om själva ämnet är valt

Här är en enkel vy av Atlas resonemangsmotor som visar hur filter på ämnesnivå och åtgärdsnivå passar in i resonemangsflödet.

Filtrering används oftast för att kontrollera åtkomst till känsliga processer:

Filter: "Kräver autentisering"

Villkor: authenticationStatus = "verified"

Tillämpat på: ämnet Kontohantering, ämnet Betalningsbehandling

Detta säkerställer att även om en användare frågar om sitt konto eller sina betalningar innan autentiseringen, kommer agenten inte att tillåta att dessa ämnen anropas.

Filter kan också underlätta för processteg att köras i rätt ordning:

Filter: "Ordernummer krävs"

Villkor: orderNumber != null

Tillämpas på: Åtgärd för att kontrollera orderstatus, Åtgärd för att ändra order

Detta säkerställer att orderrelaterade åtgärder endast är tillgängliga efter att ett ordernummer har inhämtats och lagrats i en variabel.

Det är viktigt att förstå skillnaden mellan filtrering och instruktioner:

1. Filter fungerar deterministiskt: de använder variabelmatchning för att inkludera/exkludera ämnen och åtgärder.
2. Instruktioner tolkas av LLM: De förlitar sig på LLM:ens förståelse och är icke-deterministiska, vilket innebär att deras resultat kan variera baserat på modellens förståelse och tolkning.
3. Filter begränsar agentbeslut: De tar helt bort alternativ från övervägande, vilket minimerar sökutrymmet och leder till bättre noggrannhet.

En annan del av Atlas resonemangsmotor är citat. Du kan använda citat för att validera de källor som används av LLM:en för att generera ett svar. Diagrammet nedan visar var citat passar in i resonemangsmotorflödet.

Detta diagram belyser också den komponerbara arkitekturen för resonemangsmotorn. Eskalering, citat och skyddsräcken är modulära komponenter som används av resonemangsmotorn när en agent byggs med hjälp av Agentforce for Service-mallen. Idag ställs de modulära komponenter som används av resonemangsmotorn in mall för mall. Vi arbetar med att göra dessa komponenter ännu mer som legobitar som kan bytas in och ut hos en agent, eventuellt även av kunder i framtiden.

Vi har redan täckt en hel del. Nu ska vi ta ett steg tillbaka och gå igenom ett komplett exempel på hur ämnen, instruktioner och åtgärder fungerar tillsammans med resonemangsmotorn när en kund ställer en fråga till en agent.

Kundmeddelande: ”Jag beställde en röd tröja igår men jag behöver ändra leveransadressen.”

• Motorn jämför meddelandet med alla ämnesnamn och klassificeringsbeskrivningar
• Den väljer ämnet ”ändra order” eftersom dess klassificeringsbeskrivning nämner ”ändra order”

• Resonemangsmotorn placerar ämnet ”Ändra leveranstid” eller ”Ändra adress” i fokus och inkluderar ämnets omfattning, instruktioner och tillgängliga åtgärder tillsammans med konversationshistoriken och användarmeddelandet
• Omfattningen anger att agenten kan ändra ordrar men inte kan avbryta ordrar efter att de har bearbetats.
• Instruktionerna innehåller vägledning om hantering av orderändringar

• Baserat på ämnesinstruktionerna och åtgärdsbeskrivningarna avgör motorn att den:
  • först måste identifiera ordern (med hjälp av åtgärden "Hitta order efter beskrivning")
  • och därefter uppdatera leveransadressen (med åtgärden "Uppdatera orderleverans")

• Sökmotorn ber kunden om sin e-postadress för att hitta beställningen
• När ordern har hittats hämtar den den nya leveransadressen.
• Den kör åtgärden "Uppdatera orderleverans" med order-id och ny adress.
• Den bekräftar adressändringen med kunden.

Nu när du förstår hur resonemangsmotorn fungerar och varför ämnen, åtgärder och instruktioner är så viktiga, ska vi ta en titt på några tips för att skapa dem.

Ämnen är själva grunden till agentens förmågor. De definierar vad agenten kan göra och vilka typer av kundförfrågningar den kan hantera. De tre elementen i ett ämne är ämnesnamn, klassificeringsbeskrivning och omfattning.

• Tänk: "Hur skulle jag kategorisera de 'jobb som ska utföras' av min agent?"
• Använd namn som är lätta att känna igen
• Använd korta, beskrivande namn
• Börja namnen med verb, som tillhandahåll, ändra eller avbryt
• Se till att olika ämnesnamn inte överlappar varandra i betydelse.
• Granska befintliga ämnen innan du skapar nya
• Begränsa ämnen till 10–15 per agent, för många/överlappande ämnen ökar sannolikheten för att agenten kommer att vara inkonsekvent eller felaktig.

• Inkludera de olika sätt som användare kan be om den här typen av hjälp
• Lista specifika sökord och fraser som kunder vanligtvis använder
• Täck hela spektrumet av frågor som detta ämne bör behandla
• Skriv på naturligt språk, inte i tekniska termer
• Gör så att beskrivningen skiljer sig från andra ämnens beskrivningar

Om du märker att agenten konsekvent misslyckas med att välja rätt ämne för användarfrågor, är ämnesnamnen och beskrivningarna det första du bör undersöka och förfina.

• Skriv detta som om du skulle förklara ett jobb för en nyanställd: "Ditt jobb är att... Du kan inte…"
  • Var tydlig med både behörigheter och begränsningar.
• Använd ett tydligt språk som inte kan misstolkas när det gäller gränser.

Nu ska vi se hur man konfigurerar ett ämne vid designtillfället så att en agent kan hjälpa användare att återställa sina lösenord. Så här kan ämnena, instruktionerna och åtgärderna se ut:

Vid körning, när en kund interagerar med vår agent från ett företags webbplats, sker då följande:

1. Kunden säger: ”Jag har glömt mina inloggningsuppgifter.”
2. Resonemangsmotorn matchar detta med ämnet Lösenordsåterställning eftersom klassificeringsbeskrivningen nämner "glömt lösenord, inloggningsproblem, problem med kontoåtkomst".
3. Funktionen Befogenheter anger att agenten kan hjälpa till att återställa lösenordet, men den kan inte komma åt kontoinformation eller göra kontoändringar.
4. Agenten följer instruktionerna för att först verifiera kundens identitet och sedan erbjuda sig att skicka en länk för återställning av lösenord.
5. Agenten använder åtgärden Skicka e-post för återställning av lösenord för att slutföra uppgiften.

Instruktioner är riktlinjer som talar om för din agent hur den ska hantera konversationer inom ett ämne. Instruktioner hjälper agenten att fatta beslut om vilka åtgärder som ska vidtas och hur den ska reagera.

Instruktioner spelar flera avgörande roller i din agents beslutsprocess:

1. Vägledande åtgärdsval: De hjälper din agent att välja vilken åtgärd som ska användas i specifika situationer.
2. Ange konversationsmönster: De fastställer hur din agent ska interagera med kunder.
3. Tillhandahåll företagskontext: Instruktionerna hjälper agenten att förstå företagets processer och terminologi.

Utan tydliga instruktioner kan agenten välja fel åtgärder, missförstå användarens förfrågningar eller ge inkonsekventa svar. Men kom ihåg att instruktioner sammanfogas till en prompt och skickas till LLM:en, och därför är icke-deterministiska. De ersätter inte behovet av kodade företagsregler inom åtgärden.

När resonemangsmotorn bearbetar en kundförfrågan använder den dina instruktioner för att göra följande:

1. Bestämma vilka åtgärder som ska köras: Instruktionerna hjälper motorn att avgöra vilken åtgärd som är mest lämplig för en specifik situation.
2. Bestäm stegens sekvens: Instruktioner kan vägleda motorn om huruvida vissa steg ska köras före andra. För mer determinism kan du använda åtgärdsvariabler och villkorliga filter.
3. Formatera svaret: Instruktionerna formar hur informationen presenteras tillbaka till kunden.
4. Hantera undantag: Instruktioner talar om för motorn vad den ska göra när standardprocesser inte gäller. (Till exempel om ett marginalärende uppstår kan du erbjuda dig att eskalera till en agent.)

Ju tydligare och mer specifika instruktionerna är, desto mer konsekvent kommer din agent att prestera.

När du bygger din agent är det avgörande att förstå när du ska använda instruktioner kontra åtgärder för att implementera funktionalitet. Använd åtgärder för kritisk företagslogik som måste tillämpas konsekvent, till exempel komplexa beräkningar, bearbetning av känslig information och flerstegsoperationer som kräver specifik sekvensering. Använd däremot instruktioner för att vägleda konversationsflödet, hjälpa agenten att välja lämpliga åtgärder baserat på kontext, definiera formatering och ton i svaren och etablera förtydligande strategier när informationen är tvetydig.

• Dåligt exempel: "Utfärda aldrig återbetalningar för beställningar äldre än 30 dagar" (som en instruktion)
• Bättre tillvägagångssätt: Mygg in denna logik i själva åtgärden för återbetalningsordern med datuminmatning och gör valideringen på åtgärden.

Exempel på åtgärd för återbetalningsorder:

offentlig med delningsklassen RefundOrderHandler {

offentlig klass 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 = 'Invalid input: Order ID and Order Date are required.';

return result;

}

Date today = Date.today();

Integer daysSinceOrder = today.daysBetween(orderDate);

if (daysSinceOrder > 30) {

result.canReturn = false;

result.message = 'Order cannot be returned. More than 30 days have passed.';

} annars {

result.canReturn = true;

result.message = 'Order can be returned. Sending return slip.';

sendReturnEmail(orderId);

}

return result;

}

• Definiera dina termer: Utgå inte från att agenten vet vad branschspecifika termer betyder.
  • Exempel: "Kampanjkoder används för rabatter vid betalning, medan registreringskoder används för att registrera produkter för garanti."
• Var specifik gällande sekvenser: om stegen ska ske i en viss ordning ska du ange det tydligt och inkludera dem i en instruktionsruta.
  • Exempel: "Verifiera först kundens identitet med hjälp av åtgärden Verifiera kund och ange sedan kontoinformation."
• Använd konsekvent terminologi: Använd samma termer i alla dina instruktioner.
  • Dåligt exempel: "Kontrollera kundens information" i en instruktion och "verifiera kundens uppgifter" i en annan.
  • Bra exempel: Använd "kund" konsekvent och hänvisa till åtgärder med deras exakta namn.
• Var försiktig med absoluta ord: ord som ”alltid” och ”aldrig” tas mycket bokstavligt.
  • Absoluta ord kan ha en betydande inverkan på hur din agent interagerar. Se till att du är medveten om hur de används i instruktionerna.
• Para ihop åtgärder med situationer: Ange tydligt vilka åtgärder som ska användas under vilka omständigheter.
  • Exempel: ”Använd åtgärden Spåra order när kunder frågar om paketets plats eller leveransdatum.”
• Ange beslutskriterier: Hjälp agenten att välja mellan liknande alternativ.
  • Exempel: ”Om kunden har tillgång till sin e-post använder du åtgärden Återställ lösenord för e-post.” Om användaren inte har tillgång till sin e-post använder du åtgärden Verifiering av säkerhetsfråga.

Åtgärder är de verktyg som din agent använder för att hämta information eller utföra uppgifter.

När agenten hanterar en kundförfrågan gör resonemangsmotorn följande:

1. Analyserar kundens meddelande och det valda ämnet
2. Granskar de tillgängliga åtgärderna i det ämnet.
3. Bestämmer vilka åtgärder som ska användas baserat på:
   Åtgärdsnamn, åtgärdsbeskrivning och åtgärdsinmatningar
   - ämnesinstruktionerna som refererar till åtgärder
   - konversationens kontext.
4. Kör den valda åtgärden med lämpliga inmatningar
5. Använder åtgärdens resultat för att formulera ett svar eller bestämma nästa steg

För att den här processen ska fungera effektivt behöver dina åtgärder tydliga, beskrivande namn och instruktioner som hjälper resonemangsmotorn att förstå när och hur de ska användas. För att minimera latens och förbättra prestanda ska du inte tilldela fler än 15 åtgärder till ett ämne, och kom ihåg att åtgärder kan återanvändas över olika ämnen.

Varje åtgärd i agenten har tre viktiga delar som måste konfigureras: åtgärdsnamn, åtgärdsinstruktioner och instruktioner för åtgärdsinmatning.

• Använd ett enkelt språk som matchar hur kunderna själva skulle beskriva åtgärden.
• Eftersom API-namnet för åtgärden skickas till resonemangsmotorn måste du se till att API-namnet är tydligt och beskriver funktionaliteten.

Bästa metoden för åtgärdsinstruktioner:

• Skriv 1–3 meningar som förklarar exakt vad åtgärden gör.
• Ange när denna åtgärd ska användas (typer av kundförfrågningar).
• Lista vilken information åtgärden behöver för att köras korrekt.
• Nämn eventuella speciella villkor eller marginalfall som åtgärden hanterar.
• Inkludera exempel på kundfraser som ska utlösa denna åtgärd.

Viktiga tips om instruktioner för åtgärdsinmatning:

• Beskriv tydligt vad inmatningen är och dess syfte
• Ange förväntat format (längd, tecken, struktur)
• Inkludera valideringskriterier eller formateringskrav

Det här är en fråga vi ofta får från våra kunder. Det korta svaret är: ja. Data Cloud är en integrerad del av Agentforce eftersom Data Cloud-arkitekturen används för vissa funktioner i Agentforce, som agentanalys och Digital Wallet. Dessutom möjliggör Data Cloud-infrastrukturen indexering och sökning efter ostrukturerade data, samt återkopplingsloggning och granskningsspår. Data Cloud kan också ge ytterligare utökningsmöjligheter till Agentforce. Kunder kan även välja att aktivera funktioner som Bring Your Own Lake (BYOL) och Bring Your Own Large Language Model (BYO-LLM) för att använda data och modeller byggda på plattformar utanför Salesforce med agenter byggda på Agentforce.

Från att komma åt data från andra datasjöar via datafederation, till att använda den hyperskaliga infrastrukturen för petabyteskaliga data, säkerställer användningen av Data Cloud s arkitektur med Agentforce att kunderna upplever bättre AI-resultat idag, och säkerställer långsiktig lönsamhet för framgångsrik agentimplementering, oavsett hur stora eller komplexa de underliggande datamängderna som driver dessa agenter kan vara.

Nyfiken på vilka specifika Agentforce-funktioner som drivs av Data Cloud? Nedan hittar du en sammanfattning av de Agentforce-funktioner som stöds av Data Cloud som standard, och de valfria Data Cloud-funktioner som kan aktiveras av kunder som vill utöka sin implementering.

Vi har nu gått igenom de viktigaste elementen som gör att Agentforce fungerar, inklusive Atlas resonemangsmotor, och hur man använder ämnen, instruktioner och åtgärder. Att förstå dessa komponenter är nyckeln till att använda Agentforce effektivt. Kom ihåg att använda den här guiden när du börjar implementera Agentforce för att förbättra dina Agentforce-resultat. Vi rekommenderar dig att använda de resurser som finns tillgängliga för att lära dig mer.

Agentplanering: Beskriv agentens arbete
https://trailhead.salesforce.com/content/learn/modules/agentforce-agent-planning/outline-the-agents-work

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

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

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

Agentforce-variabler:
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