Hur Agentforce fungerar > Video med hur Agentforce fungerar

I den här demonstrationen ska jag visa dig hur Agentforce fungerar genom att bygga en AI-serviceagent som avlastar inkommande supportärenden genom att besvara kundfrågor. För att se hur det fungerar utökar vi agentens funktioner så att den även kan hjälpa till med att boka in installation av dessa produkter. Jag gör det genom att lägga till en ny underagent. Med underagenter definierar du vilka uppgifter dina AI-agenter ska och inte ska utföra, och de bidrar till att sätta ramar för dina AI-agenter. Jag vill utöka min agents ramar genom att skapa en ny underagent.

Om du någon gång har byggt en chattbot av äldre modell kommer den här processen att se mycket annorlunda ut. Det finns inga dialogträd, bara beskrivningar på naturligt språk som hjälper agenten att förstå uppgiften som ska utföras. I det här fallet är uppgiften bokningshantering, följt av en beskrivning som hjälper AI-agenten att förstå när den ska använda den här underagenten. Beskrivningen omfattar uppgiftens omfattning och de instruktioner som agenten ska följa i arbetet, till exempel att hämta kundens e-postadress innan en tid bokas, att ta reda på vilket installationsdatum kunden föredrar, att omvandla alla datum till ett visst format och att säkerställa att installationsdatumet inte infaller före leveransdatumet. Slutligen bekräftar agenten kundens bokning när den har gjorts. Dessa instruktioner skulle kräva mängder av komplicerad om-så-annars-logik i en traditionell chattbot, men med Agentforce är det bara beskrivningar på naturligt språk som hjälper AI-agenten att förstå uppgiften som ska utföras.

Nästa steg är att lägga till åtgärder som gör det möjligt för agenten att faktiskt utföra dessa jobb. Åtgärder kan baseras på flöden, Apex-klasser eller promptar. För tillfället ska jag hålla det enkelt. Detta är ett flöde jag skapade för att hämta tillgängliga installationstider, vilket kommer att utrusta AI-agenten med den kunskap den behöver för att utföra detta arbete. Det här flödet bokar faktiskt installationsmötet och har lite mer logik för att etablera några extra skyddsräcken och vara extremt föreskrivande för hur arbetet utförs. Med dessa två flöden skapade ska jag nu lägga till dem som åtgärder i min AI-agent. Tro det eller ej, men den här AI-agenten kan nu schemalägga installationsmöten.

Låt oss prova. Jag börjar med att än en gång be den hämta statusen för en beställning. Återigen får jag ett svar, och jag kan se att underagenten klassificerades som orderhantering. Nu ska jag be den här agenten att boka in installationen av den här beställningen. Som du ser byter agenten spår och klassificerar om underagenten. Eftersom jag gav den en instruktion frågar den mig vilket installationsdatum jag föredrar. Nu tänker jag sätta den på prov och svara ”imorgon”, vilket faktiskt är före leveransdatumet. Men detta var ytterligare en instruktion jag gav agenten, och den förhindrar att det sker och ber mig artigt att välja ett datum efter leveransdatumet.

Nu ska jag vara riktigt besvärlig och säga: ”Vad sägs om den där fredagen, fast inte på förmiddagen?” Låt oss stanna upp och tänka på vilken kontext som krävs för att förstå ett sådant yttrande. Jag blev inte bara förstådd, utan fick också ett lämpligt svar. Låt oss titta närmare på vad som just hände. Utöver klassificeringen av underagenten använde Agentforce kontexten från hela den här konversationen för att göra en dynamisk plan, en plan som innebar att köra det flöde för bokningshämtning som jag lade till som en åtgärd. Titta noga: den där fredagen omvandlades till rätt datum i det format som flödet kräver. Titta på utdata från flödet, som innehöll en tid på förmiddagen. Men eftersom jag sa ”inte på förmiddagen” filtrerades den automatiskt bort från det genererade svaret. Detta sker eftersom Agentforce ger AI:n handlingsutrymme att resonera inom ramarna, vilket gör dessa AI-agenter betydligt mer flexibla och bättre rustade att utföra sina tilldelade uppgifter.

Nu har du sett vad Agentforce kan göra inom ramarna. Men vad händer när jag går utanför ramarna och ber den göra något som den inte är byggd för? Som du ser klassificerade Agentforce detta som utanför ämnet och leder tillbaka mig till den godkända underagenten. Agentforce har också inbyggd upptäckt av skadligt och stötande innehåll, vilket innebär att om jag frågar AI-agenten något olämpligt upptäcks det, klassificeras som olämpligt och agenten vägrar svara. Om jag går ännu längre och försöker med något illasinnat, som en promptinjiceringsattack, ser du att Agentforce automatiskt upptäcker och avvisar detta försök till bakåtkompilering.

Så fungerar Agentforce : genom att hjälpa dig skapa AI-agenter och distribuera dessa agenter över flera kanaler för att svara på frågor, vidta åtgärder och driva kundernas framgång genom att på ett tillförlitligt sätt utföra de jobb de tilldelas. Tack för att du tittade.