Agentforce-guiden till kontextteknik

_{Den här guiden stöder den senaste Agentforce-byggaren som är tillgänglig via appens startprogram . Se den äldre guiden om du underhåller agenter via Inställningar.}

AI-agenter revolutionerar organisationer genom att öka effektiviteten, minska den manuella arbetsbördan och skapa en mer sofistikerad och anpassningsbar arbetsplats.

Den här guiden handlar om huvudkomponenterna i Agentforce, Salesforce-plattformen för att bygga AI-agenter. Utövare använder kontextteknik för att ge Agentforce-agenter den specifika information, åtgärder och instruktioner som behövs för att uppnå mål. Vi kommer att undersöka hur Agentforce Script använder hybridresonemang för att blanda generativ AI med deterministisk kontroll.

Vi vet att utvecklare bygger agenter i många olika miljöer. Vi stöder denna flexibilitet att välja den modell och miljö du föredrar för jobbet.

Oavsett om du bygger i Claude Code, Labs, Agentforce Studio eller någon annanstans är det bra att förstå hur Agentforce hanterar logiken och anslutningarna bakom kulisserna.

Innehåll:

• II. Viktiga lärdomar
• III. Grunderna i Agentforce
• IV. Agentforce Script
• V. Promptar kontra agenter
• VI. Kontextteknik
• VII. Så resonerar Agentforce
• VIII. Tillförlitlig kontext
• IX. Bästa praxis
• X. Behöver Agentforce Data 360?
• XI. Slutsats
• XII. Läs mer

• Hybridresonemang driver Agentforces resonemangsmotor. Denna metod kombinerar LLM-flexibilitet med den deterministiska tillförlitligheten hos Agentforce Script.
• Agentforce Script ger dig full deterministisk kontroll över agentbeteende och ersätter överbelastade systempromptar med strukturerad affärslogik.
• Data 360 tillhandahåller en integrerad del av Agentforce. Den driver indexering och chunking för Retrieval-augmented Generation (RAG), agentanalys och Digital Wallet.

En agent är en typ av programvara som använder generativ AI för att fatta beslut om vad som ska göras härnäst och hur det ska göras. En agent kan förstå en fråga (kallas ofta yttrande), autonomt resonera för att avgöra vilka åtgärder den behöver för att nå sitt mål, identifiera vilka data som behövs och sedan vidta åtgärder, med eller utan mänsklig inblandning.

AI-agenters 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.

Medan agenter använder stora språkmodeller (LLM:er) för att hantera naturligt språk och syfte, använder Agentforce även Agentforce Script för att följa specifik affärslogik. Denna modell med hybridresonemang gör agenter mer dynamiska än traditionell automatisering samtidigt som den förblir lika tillförlitlig som hårdkodad programvara.

Agentforce Studio

Agentforce Studio är vår enhetliga arbetsyta för hela agentlivscykeln.

Agentforce Studio samlar alla åtgärder du behöver för att bygga, testa och hantera agentbeteende. Tre viktiga komponenter i Agentforce Studio hjälper dig att hantera agentutvecklingslivscykeln:

• Agentforce Builder: Använd den AI-baserade byggaren för att utarbeta regler med enkelt språk. Använd Agentforce Script, ett språk som uttrycker tillförlitligt agentbeteende genom att förena konfiguration, affärslogik och instruktioner.
• Testcenter: Validera agentbeteenden innan du distribuerar
• Agentforce Observabilitet: Övervaka och analysera agentresultat för att se var logiken kan förfinas.

Agentforce Studio fungerar som en bro mellan tekniska och icke-tekniska användare. Katherine Mains från Conagra Brands beskriver detta som ”’Guldlockzonen’ för design – tillräckligt avancerad för våra arkitekter, men tillräckligt intuitiv för att våra administratörer ska kunna sätta igång direkt”.

Agentforce är ramverket som ger den förutsägbarhet ditt företag behöver för att gå från enkla vanliga frågor till arbete med högt värde. Hybridresonemang och Agentforce Script kombinerar kontroll och kreativitet. Intelligent kontext förser agenter med rätt data vid rätt tidpunkt. Agentforce Studio tillhandahåller en enhetlig arbetsyta för att hantera hela systemet.

Agentforce tillhandahåller ett antal funktioner som gör Data 360 utökningsbar. Här följer en snabb titt på dessa komponenter:

Vi tittar närmare på Agentforce Script, planen för en agents resonemangsprocess.

Agentforce Script är vårt Agentforce-specifika skriptspråk som fungerar som den textbaserade grunden för att bygga och styra agenter. Det fungerar som ett enhetligt språk som uttrycker en agents hela beteende. Denna enskilda fil samlar konfiguration, affärslogik, åtgärder och resonemangsinstruktioner. Istället för att behandla naturligt språk och kod som separata element använder utövare denna plan för att hantera hela agentarkitekturen på ett ställe.

I agentiska åtgärder som endast använder generativ AI förlitar sig användare på långa promptar på naturligt språk, vilket kan leda till inkonsekventa och oförutsägbara uppgiftsresultat. Agentforce Script förändrar detta. Hybridresonemang med skript kombinerar naturligt språk med deterministiska, regelbaserade instruktioner.

Ledare ser omedelbara resultat med denna kontrollnivå. Scott Van Dusen, partner och operativ chef på Equitable Trust, konstaterar att Agentforce Script är otroligt kraftfull. Han anser att möjligheten att manipulera flöden och åtgärder är mycket mer robust än metoder som endast är LLM-baserade. ”Jag har mycket större framgång med att kontrollera den”, säger Van Dusen.

Grant Roberson, Agentforce-administratör på Datasite, sa att Script är ”ljusår bättre” än promptkonstruerade agenter.

”Jag brukade ha stycken med repetitiva instruktioner överallt för att försöka tvinga fram beteende”, sa Roberson. ”Med Script är det enkelt att ta bort bruset och ersätta det med villkorlig logik så att du kan lita på att dina agenter gör exakt som du vill.”

Script tar dig från promptskapande till skalbar orkestrering. Eftersom den använder ett strukturerat, textbaserat format kan ditt team versionera, granska och styra agentbeteende precis som traditionell kod.

Agentforce Script organiserar agentfunktioner genom deklarativ syntax. Den behandlar instruktioner, åtgärder och underagenter som modulära komponenter. Denna struktur ger resonemangsmotorn en tydlig karta över resurser samtidigt som den sätter gränser för att hålla agenten inom dess avsedda omfattning. Dessa skript flyttar arbetsflöden från sannolikhetsbaserat resonemang till garanterade resultat genom att minska LLM-anrop och förhindra logikfel.

Arkitektur och modularitet

Följande är en lista över strukturella bästa praxis organiserade efter modulära designprinciper som kan hjälpa dig att bygga en underhållsanpassad och förutsägbar agent.

• Skapa små, separata skript för specifika uppgifter som identitetskontroller. Det gör systemet enklare att underhålla eftersom du kan uppdatera ett enda skript när företagspolicyer ändras utan att påverka andra delar av agenten. Du kan också tillämpa dessa vanliga skript på flera underagenter för att säkerställa en konsekvent upplevelse.
• Organisera åtgärder inom skriptet utifrån deras specifika syfte. Ge underagenter och åtgärder namn som tydligt beskriver deras funktion eftersom resonemangsmotorn använder dessa namn för att välja den bästa vägen.
• Använd en deterministisk lagermetod där kod hanterar början och slutet av varje interaktion. Använd AI:ns naturliga röst för mittdelen för att ge total kontroll över inmatning och lösning av konversationer.

Data- och kontexthantering

Följande är en lista över datahanteringstekniker organiserade efter sessionshantering som kan hjälpa dig att minska latensen och förbättra personaliseringen.

• Definiera nödvändiga datainmatningar i början av ett skriptblock så att agenten samlar kontext innan den försöker vidta åtgärder. För att öka hastigheten bör du hämta alla nödvändiga data innan agenten påbörjar huvuduppgiften. Varje LLM-anrop lägger till tid i interaktionen, så genom att använda specifika regler för att samla in fakta initialt undviker du extra anrop.
• Lagra fakta som en användares namn eller status i sessionsvariabler för att hantera data under en chatt. Med dessa variabler kan du skicka information mellan underagenter, vilket förhindrar att agenten upprepar frågor. Det säkerställer också att agenten har de data den behöver för att använda åtgärder utan extra användarinmatning.
• Infoga variabler direkt i instruktioner som sammanfogningsfält. Det hjälper agenten att ge personanpassade svar och följa specifik logik baserat på användarens data.

Logik- och efterlevnadsstandarder

Följande är en lista över konfigurationsstandarder organiserade efter utförandelogik som kan hjälpa dig att upprätthålla strikt efterlevnad och tillförlitlighet.

• Använd instruktioner för att påverka konversationsstilen medan skriptet hanterar den faktiska affärslogiken. Med denna uppdelning kan LLM:en hantera språket medan skriptet hanterar datakontroller eller obligatoriska sekvenser. Denna deterministiska metod eliminerar gissningar som ofta finns i promptar på naturligt språk.
• Tillämpa om-då-logik för att vägleda en agent genom specifika vägar. Du kan till exempel programmera agenten att kontrollera en kunds lojalitetsstatus innan den erbjuder rabatt.
• Ange explicita avslutningskriterier för att definiera exakt när en underagent ska lämna tillbaka konversationen till huvudagenten eller stänga sessionen. Tydliga gränser säkerställer att agenten arbetar med högsta effektivitet.

Strategisk implementering

Följande är en lista över implementeringsriktlinjer organiserade efter verktygsval som kan hjälpa dig att välja rätt automatiseringsväg för ditt användningsfall.

• Undvik att designa agenter så att de fungerar som enkla, linjära chattbotar . Om en process är statisk och aldrig ändras ska du använda ett standardflöde i flödesbyggaren istället för en AI-agent. Förbehåll Agentforce Script för att hantera rörig eller oförutsägbar mänsklig inmatning.
• Hitta färdiga agentlösningar och återanvändbara skript på AgentExchange för att spara utvecklingstid. Den här marknadsplatsen innehåller färdiga AI-åtgärder och tredjepartsintegreringar som hjälper dig att automatisera vanliga affärsuppgifter snabbt. Läs mer om fördelarna med AgentExchange i den här e-boken.

Innan vi fortsätter är det viktigt att notera att agenter inte är det enda generativa AI-verktyget som finns tillgängligt på Agentforce 360 Platform. Promptmallar är ett annat kraftfullt verktyg för att bygga applikationer som använder generativ AI. Promptmallar, inbyggda i Prompt Builder, 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 Retrieval-augmented Generation ( RAG) för kontextuella data. 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 du utformar lösningar med promptmallar är det viktigt att komma ihåg att de är tillståndslösa (informationen finns inte kvar i minnet nästa gång) 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 via agentåtgärder. 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

Att veta hur resonemangsmotorn fungerar bakom kulisserna är nyckeln till framgångsrik agentimplementering. I AI-agenternas början pratade vi utövare mycket om promptteknik: konsten att förmå en LLM att bete sig. Nu har vi gått vidare till kontextteknik.

Kontextteknik är en mer holistisk metod, som handlar om mer än att bara skriva en bra prompt. Med Agentforces hybridresonemang designar du ett system som balanserar autonomt LLM-resonemang med regelbaserad logik för deterministisk kontroll.

Kontextteknik är efterföljaren till promptteknik . Det innefattar att utforma ett system av underagenter, instruktioner, regler och åtgärder för att ge en agent exakt den information och de gränser den behöver för att lyckas, snarare än att försöka skapa den perfekta formuleringen i ett försök att förmå en LLM att ge dig exakt rätt svar.

Kontextteknikens tre hävstänger

Utövare använder Agentforce Script som enhetligt språk för att uttrycka underagenter, instruktioner, åtgärder och regler på ett enda språk och i en enda fil.

1. Underagenter. Dessa definierar specialiserade agenter och deras expertis.
2. Instruktioner. Dessa ger vägledning för konversationers flöde, ton och syfte.
3. Åtgärder och regler. Dessa utför åtgärder och tillämpar obligatorisk affärslogik.

Vi tittar närmare på underagenter, instruktioner och åtgärder, tre viktiga metadata som du definierar varje gång du bygger en agent med Agentforce.

Underagenter 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, åtgärder som leder till åtgärder och instruktioner. När en kund skickar ett meddelande avgör din agent först vilken ”avdelning” (underagent) som ska hantera förfrågan och använder sedan den underagentens skräddarsydda riktlinjer och verktyg för att hjälpa kunden.

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

Din agent använder åtgärder för att hämta information eller utföra uppgifter. När du definierar åtgärder är det avgörande att förstå hur resonemangsmotorn bearbetar dem. Motorn granskar tillgängliga åtgärder baserat på deras namn, beskrivningar och inmatningar, samt underagentinstruktioner och konversationskontext. Agentforce levereras med ett antal standardagentåtgärder, och du kan skapa anpassade agentåtgärder för att utöka implementeringen ytterligare. Kontrollera alltid om en standardåtgärd kan användas innan du skapar en anpassad åtgärd. Utforma åtgärder med återanvändbarhet i åtanke, eftersom de kan användas i flera underagenter. Nedan följer en lista över tillgängliga anpassade agentåtgärder och när du bör använda dem.

Resonemangsmotorn använder underagenter, instruktioner, åtgärder och regler för att få jobbet gjort. Eftersom Agentforce Script fungerar som agentens fullständiga definition elimineras den svarta lådan för sannolikhetsbaserad routing. Kort sagt kommer resonemangsmotorn att göra följande:

• Klassificera underagent: Motorn matchar ett kundmeddelande med den lämpligaste underagenten baserat på dess namn och beskrivning.
• Utför skriptad logik: Motorn utför de skriptade instruktionerna och reglerna enligt skriptet. Detta sker innan systemet utvärderar icke-deterministiska instruktioner.
• Tillämpa åtgärder: Om en uppgift kräver externa data eller en uppdatering kör motorn nödvändiga åtgärder och samlar in resultaten.
• Grundningskontroll: Innan motorn skickar ett slutligt svar säkerställer den att svaret baseras på korrekt information från åtgärder eller instruktioner och följer de riktlinjer som anges i skriptet och instruktionerna.

Här är en steg-för-steg-beskrivning av vad som händer i resonemangsmotorn när en agent anropas.

Du kan fördjupa dig ännu mer i Agentforce-guiden för att uppnå tillförlitligt agentbeteende: Ett ramverk för sex nivåer av determinism

Utövare måste förstå skillnaden mellan filtrering och instruktioner för att bygga korrekta agenter. Filter styr vad LLM:en ser och vad den kan göra vid varje steg i en konversation. De fungerar på flera nivåer. Filter kan tillämpas på underagenter, åtgärder och hämtare, vilket ger utövare detaljerad kontroll över vilka underagenter som är tillgängliga, vad dessa underagenter kan göra och vilket innehåll modellen hämtar i varje steg.

Tänk på en banks virtuella assistent. När en kund frågar om sitt bolån sätter en underagent som är begränsad till bolån igång. Filtret säkerställer att LLM:en bara ser bolånedokument, inte kreditkortsuppgifter eller investeringsposter. Men inom samma konversation använder åtgärden som hämtar kundens nuvarande kurs ett eget snävare filter, som är begränsat till kundens konto. Kunden får ett exakt svar, och irrelevanta data kommer aldrig in i bilden.

Filter kan ställas in som statiska (förkonfigurerade vid inställning) eller dynamiska (skickas vid körning från konversationskontext eller promptinmatningar). Med förbättrade förfilter för hämtare kan utövare nu tillämpa upp till 10 dynamiska filter per hämtare, kombinera dem med OCH/ELLER-logik och använda LIKNAR-operatorer för mönstermatchning. Detta minskar hämtningsbruset och håller kontextfönstret fokuserat på det mest relevanta innehållet. I arbetsflöden för programvaruutveckling kan utövare till exempel tillämpa åtgärdsspecifika kontextfilter för att ge en agent flexibilitet i att tolka användarpromptar samtidigt som den är strikt när det gäller kodbasens aktuella tillstånd.

Agentforce Script ger den högsta nivån av deterministisk kontroll genom att koda specifika sekvenser och regler som agenten ska följa. Denna metod förhindrar ”doomprompting”-loopen, där instruktionerna blir för långa eller förvirrande för att LLM:en ska kunna följa dem korrekt.

Även om filter och Agentforce Script ger kontroll på systemnivå måste utövare också tillhandahålla ett sätt att verifiera korrekthet. Citat ger användarna en tydlig logg för varje svar, och kopplar samman den interna kontexten som agenten använde med det svar som den presenterade.

Resonemangsmotorn orkestrerar dessa fyra komponenter för att lösa förfrågningar med en blandning av flexibilitet och kontroll. Tänk dig en kund som sa ”Jag beställde en röd tröja igår men jag behöver ändra leveransadressen”.

1. Klassificering av underagent. Motorn analyserar kundmeddelandet och utför klassificering av underagent. Den matchar förfrågan med underagenten ”Ändra order” eftersom namnet och beskrivningen överensstämmer med uppgiften.
2. Kontextmontering. Motorn utför kontextmontering för att bygga agentminnet. Den samlar in underagentinstruktioner, skript och tillgängliga åtgärder.
3. Agentforce Script-utförande. Motorn kör Agentforce Script för att utföra deterministisk affärslogik. Skriptet kontrollerar orderstatus för den röda tröjan. Om ordern finns kvar i lagret tillåter skriptet agenten att gå vidare med ändringen.
4. Instruktionsbaserat resonemang. Instruktionerna vägleder agenten genom konversationen. De definierar tonen och vägleder agenten att be kunden om den nya leveransadressen.
5. Tillämpning av åtgärd. Agenten väljer och kör åtgärden ”Uppdatera orderleverans”. Den skickar order-ID och den nya adressen till systemet för att slutföra uppdateringen.
6. Grundat svar. Agenten ger kunden en slutlig bekräftelse. Den utför en grundningskontroll och inkluderar ett citat för att verifiera informationskällan.

Framgångsrik kontextteknik kräver sömlös integrering av underagenter, instruktioner, skript och åtgärder. Dessa fyra element samverkar för att hålla en agent inom gränserna för optimal relevans och korrekthet. Underagenter definierar specialiserad expertis. Instruktioner ger konversationsvägledning och ton. Agentforce Script lägger till ett lager av deterministisk kontroll för att tillämpa affärsregler. Åtgärder gör att agenten kan utföra åtgärder och få åtkomst till realtidsdata. Denna kombinerade strategi säkerställer att agenten är både användbar och mycket tillförlitlig.

Framgångsrik kontextteknik kräver att du vet var du ska placera logiken.

• Använd åtgärder och Agentforce Script för kontroll. Flytta viktiga affärsregler och arbetsflöden i flera steg till Agentforce Script eller åtgärder. Det innefattar komplexa beräkningar och obligatorisk sekvensering.
• Använd instruktioner för beteende. Vägled konversationsflödet och definiera svarstonen med hjälp av instruktioner.

Bästa praxis för att skriva effektiva instruktioner

• Definiera dina termer. Förutsätt inte att agenten vet vad branschtermer betyder. Definiera till exempel skillnaden mellan ”kampanjkoder” för rabatter och ”registreringskoder” för garantier.
• Var specifik när det gäller sekvenser. Om stegen ska ske i en viss ordning ska du ange det tydligt i ett instruktionsblock.
• Använd konsekvent terminologi. Hänvisa till åtgärder med deras exakta namn och använd samma termer i alla instruktioner.
• Var medveten om absoluta ord. Ord som ”alltid” och ”aldrig” har en betydande inverkan på hur agenten interagerar.
• Ange beslutskriterier. Hjälp agenten att välja mellan liknande alternativ. Instruera till exempel agenten att använda åtgärden E-poståterställning om användaren har åtkomst till sin e-post, men att använda åtgärden Säkerhetsfråga om de inte har det.

Det här är en fråga vi ofta får från våra kunder. Det korta svaret är: ja. Data 360 är en integrerad del av Agentforce eftersom Data 360-arkitekturen används för vissa funktioner i Agentforce, som agentanalys och Digital Wallet. Data 360-infrastrukturen möjliggör även indexering och ostrukturerade datasökningar, samt feedbackloggar och andra loggar. Data 360 kan också ge ytterligare utökningsmöjligheter. 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.

Tack vare Data 360s arkitektur med Agentforce kan kunderna bland annat komma åt data från andra datasjöar via datafederering och använda den hyperskaliga infrastrukturen för data i petabyte-skala. Det ger dem bättre AI-resultat idag. Denna kraftfulla arkitektur säkerställer också en långsiktigt välfungerande och framgångsrik agentimplementering, oavsett hur stora eller komplexa de underliggande datamängderna som driver dessa agenter är.

Nyfiken på vilka specifika Agentforce-funktioner som drivs av Data 360? I följande tabell beskrivs de Agentforce-funktioner som Data 360 tillhandahåller som standard, tillsammans med de valfria funktioner som kunder kan aktivera för att utöka implementeringen.

Vi har nu gått igenom de viktigaste elementen som gör att Agentforce fungerar, inklusive resonemangsmotorn, och hur du använder skript, underagenter, instruktioner och åtgärder. Att förstå dessa komponenter är nyckeln till att använda Agentforce effektivt. Använd den här guiden för att förbättra resultaten när du implementerar Agentforce. Ta en titt på de tillgängliga resurserna för att lära dig mer.

Du hittar bloggar, guider, demovideor och fler resurser på Agentblazer.com och Agentforce.com

• Långa guider:
  • Agentforce-guide för att uppnå tillförlitligt agentbeteende: Ett ramverk för sex nivåer av determinism
  • Guiden till att driva en agentisk verksamhet
  • Agentforce och RAG: Bästa praxis för bättre agenter
  • En Agentforce-guide till kontextteknik
    
    
• För IT-chefer:
  • En praktisk guide till tillförlitliga AI-agenter som fungerar
  • Den osynliga fördelen – åtta viktiga designprinciper för agentiska verksamheter som har testats och validerats av namngivna IT-chefer.

• Blogg: ”Doomprompting” ger dig inte förutsägbara AI-agenter, men ett nytt skriptspråk kan göra det
• Utvecklarblogg: Kontrollera agenters åtkomst och beslutsfattande med variabler och filter
  
  
• Trailhead: Agentplanering: Beskriv agentens arbete
  
  
• Hjälpdokumentation:
  • Åtgärdsinstruktioner
  • Underagentinstruktioner
  • Felsökningsagenter