Agentforce คำแนะนำในการบรรลุพฤติกรรมตัวแทนที่เชื่อถือได้

Olfa Kharrat ผู้อำนวยการฝ่ายการจัดการผลิตภัณฑ์ - Agentforce
Reinier van Leuken ผู้อำนวยการอาวุโสฝ่ายการจัดการผลิตภัณฑ์ - Agentforce

ความไว้วางใจถือเป็นค่านิยมอันดับ 1 ของ Salesforce นับตั้งแต่ก่อตั้งขึ้นในปี 1999 โดยเป็นผู้บุกเบิกรูปแบบเทคโนโลยีใหม่ของคลาวด์คอมพิวติ้งและ SaaS ธุรกิจมอบความไว้วางใจให้แก่ Salesforce ในการจัดเก็บข้อมูลบริษัทที่มีค่าไว้ในระบบคลาวด์ ซึ่งรู้ว่าข้อมูลนี้จะปลอดภัยและอยู่ภายใต้การควบคุมการเข้าถึงที่เหมาะสม แม้ว่าจะยังคงเป็นสิ่งสำคัญ แต่ในยุคของ Agentic AI คำจำกัดความของความไว้วางใจนั้นกว้างกว่าที่เคย เมื่อบริษัทต่างๆ พึ่งพาตัวแทนอัตโนมัติในการดำเนินธุรกิจที่สำคัญมากขึ้น ตัวแทนจะต้องกลายเป็นคู่ค้าทางธุรกิจที่เชื่อถือได้ ซึ่งมีการทำงานที่แม่น ยำเกี่ยวข้อง และส่วนใหญ่เชื่อถือได้

แล้วเราจะสร้างตัวแทนที่เชื่อถือได้ได้ได้อย่างไร ความน่าเชื่อถือโดยทั่วไปหมายถึงการให้ผลลัพธ์เดียวกันสำหรับอินพุตเดียวกัน อย่างไรก็ตาม ตัวแทนไม่จำเป็นต้องทำงานแบบนั้น เนื่องจากตัวแทนได้รับการขับเคลื่อนด้วยโมเดลภาษาขนาดใหญ่ (LLM) ซึ่งโดยธรรมชาติแล้วไม่ได้เป็นนิยัตินิยม ซึ่งช่วยให้ตัวแทนมีความคล่องตัวในการพัฒนาโซลูชันที่สร้างสรรค์ เหมาะกับสถานการณ์เฉพาะโดยไม่จำเป็นต้องเขียนโปรแกรมตามแต่ละเงื่อนไขหรือสถานการณ์ที่พบอย่างชัดเจน อย่างไรก็ตาม ตัวแทนยังต้องการการกำกับดูแลเพื่อให้สอดคล้องกับข้อกำหนดทางธุรกิจและปฏิบัติตามแนวทางการดำเนินงาน เมื่อดำเนินการตามกระบวนการทางธุรกิจ ตัวแทนจะต้องแสดงให้เห็นถึงความน่าเชื่อถือและสร้างผลลัพธ์ทางธุรกิจที่สอดคล้องกับข้อจำกัดของนิยัตินิยม นิยัตินิยมกำหนดความแข็งแกร่งและมีวินัยที่สอดคล้องกับความเป็นอิสระและความคล่องตัวที่ตัวแทนมอบให้ ดังนั้นกุญแจสำคัญในการสร้างตัวแทนที่ประสบความสำเร็จ คือการสร้างสมดุลที่เหมาะสมระหว่างความคล่องตัวของความคิดสร้างสรรค์และการควบคุมระดับองค์กร

เอกสารนี้จะกล่าวถึงข้อควรพิจารณาที่สำคัญสำหรับการพัฒนาตัวแทนที่เชื่อถือได้ กำหนดการควบคุมแบบตัวแทนห้าระดับและให้แนวทางปฏิบัติที่ดีที่สุดในการดึงดูดและควบคุมพฤติกรรมแบบตัวแทนสำหรับแต่ละระดับเหล่านี้ คำแนะนำจะกล่าวถึงวิธีการทำงานของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ของ Agentforce เมื่อ Agentforce เติบโตขึ้น เอกสารนี้จะได้รับการปรับปรุงเพื่อให้สอดคล้องกับแนวทางปฏิบัติที่ดีที่สุดล่าสุด

เอกสารนี้จะสมมติว่ามีความคุ้นเคยกับการออกแบบและการสร้างตัวแทน Agentforce เป็นพื้นฐาน สำหรับบทนำ Agentforce เราขอแนะนำสิ่งต่อไปนี้:

• ตรวจสอบทรัพยากรบน agentforce.com
• ติดตามเส้นทางสู่การเป็น Agentblazer Champion เส้นทางนี้จะสำรวจแนวคิดหลักของ AI และช่วยให้คุณสร้างตัวแทนพื้นฐานสำหรับงานสำคัญ
• อ่านข้อมูลเพิ่มเติมเกี่ยวกับ Agentforce ได้บน help.salesforce.com โดยเฉพาะการออกแบบและนำตัวแทนไปใช้ แผนที่การเรียนรู้นี้จะแนะนำคุณตลอดทุกขั้นตอนสำคัญของวงจรชีวิต นับตั้งแต่การสร้างโซลูชัน การตั้งค่าและกำหนดค่าตัวแทน การทดสอบ การปรับใช้ และการตรวจสอบ

หากต้องการทำความเข้าใจพฤติกรรมของตัวแทนให้ดีขึ้น อันดับแรกเรามาเปรียบเทียบตัวแทนกับคู่แข่งที่แข็งแกร่ง: แชทบอท

แชทบอท: ผู้ปฏิบัติตามกฎที่เข้มงวด

แชทบอทปฏิบัติตามแผนผังการตัดสินใจที่กำหนดไว้ล่วงหน้า ซึ่งกำหนดโครงสร้างบทสนทนาที่สามารถเข้าร่วมได้ การเดินทางผ่านแผนผังการตัดสินใจเหล่านี้จะขึ้นอยู่กับคำตอบที่ผู้ใช้ได้รับ คำตอบนี้อาจเป็นการเลือกจากชุดตัวเลือกที่กำหนดไว้ล่วงหน้า หรืออาจเป็นคำตอบแบบข้อความอิสระก็ได้ ในกรณีที่ตอบข้อความอิสระ โมเดลเชิงคาดการณ์จะถูกใช้ในการจำแนกประเภทจุดประสงค์ แผนผังเหล่านี้จะแมปเส้นทางการสนทนาที่มีโอกาสทั้งหมด และกำหนดการตอบสนองของแชทบอทในแต่ละขั้นตอน พฤติกรรมของแชทบอทได้รับการกำหนดอย่างเข้มงวดโดยกฎที่ตั้งไว้ล่วงหน้า หากข้อมูลที่ผู้ใช้ป้อนไม่ตรงกับเส้นทางที่รู้จักหรือหากโมเดลเชิงคาดการณ์ไม่ได้รับการฝึกฦฯให้จดจำจุดประสงค์บางอย่าง แชทบอทจะไม่สามารถตอบสนองอย่างเหมาะสม

ตัวแทน: ปรับตัวและใช้งานง่าย

ในทางกลับกัน ตัวแทนใช้ประโยชน์จากพลังของ LLM และความสามารถขั้นสูงในการประมวลผลภาษาธรรมชาติ (NLP) LLM ช่วยให้ตัวแทนสามารถเข้าใจจุดประสงค์เบื้องหลังอินพุตของผู้ใช้ได้ แม้ว่าจะใช้คำที่คาดไม่ถึงก็ตาม ตัวแทนสามารถเลือกการดำเนินการที่เหมาะสมที่สุดจากความเป็นไปได้หลากหลายรูปแบบ ตามความเข้าใจในจุดประสงค์ ตัวแทนสามารถแม้แต่ประมวลผลคำตอบทั้งหมดใหม่ได้ ความยืดหยุ่นและความสามารถในการปรับตัวนี้ทำให้ตัวแทนแตกต่างจากแชทบอท

การเปรียบเทียบกับการทำอาหาร

ความแตกต่างระหว่างแชทบอทและตัวแทนสามารถเปรียบได้กับความแตกต่างระหว่างพ่อครัวมือใหม่และเชฟที่มีประสบการณ์

• พ่อครัวมือใหม่ (แชทบอท) อาศัยสูตรโดยละเอียดอย่างมากพร้อมด้วยการชั่งตวงที่แม่นยำ คำแนะนำทีละขั้นตอน และเวลาในการปรุงอาหารที่เจาะจง การเบี่ยงเบนใดๆ จากสูตรส่งผลให้เกิดหายนะในการทำอาหาร ในทำนองเดียวกัน แชทบอทจะต้องทำงานภายในขอบเขตของแผนผังการตัดสินใจที่ตั้งโปรแกรมไว้ล่วงหน้า
• เชฟที่มีประสบการณ์ (ตัวแทน) มีประสบการณ์ละสัญชาตญาณในการทำอาหารแมานานหลายปี เมื่อมีความเข้าใจทั่วไปเกี่ยวกับความต้องการของคุณและคำอธิบายโดยย่อเกี่ยวกับส่วนผสมที่มีอยู่แล้ว เชฟจะสามารถทำอาหารเลิศรสที่ตรงกับความต้องการของคุณได้ ขั้นตอนที่แน่นอนอาจแตกต่างกันไปในแต่ละครั้ง และแต่ละจานก็อาจมีความแตกต่างกันเล็กน้อยแต่ผลลัพธ์โดยรวมก็น่าพึงพอใจอย่างสม่ำเสมอ ในทำนองเดียวกันตัวแทนสามารถปรับเปลี่ยนแนวทางตามบริบทและจุดประสงค์ของอินพุตที่ผู้ใช้ป้อน ส่งผลให้การโต้ตอบประสบความสำเร็จ

โดยสรุปความแตกต่างพื้นฐานระหว่างตัวแทนและแชทบอทอยู่ที่ความสามารถในการปรับตัวและความสามารถในการจัดการกับข้อมูลที่ไม่คาดคิด

ฟีเจอร์ที่โดดเด่นของระบบอัจฉริยะของตัวแทนอยู่ที่ความสามารถในการจัดการและเรียกใช้การดำเนินการที่เหมาะสมที่สุดในช่วงเวลาที่พอเหมาะ ความยืดหยุ่นนี้ช่วยลดความจำเป็นในการเขียนโปรแกรมให้ครอบคลุมทุกการโต้ตอบของผู้ใช้ที่มีโอกาส

ใน Agentforce การสร้างตัวแทนเกี่ยวข้องกับหัวข้อ การดำเนินการ และคำสั่งและคำอธิบายในภาษาธรรมชาติ

หัวข้อ

หัวข้อคือ " งานที่ต้องทำ " สำหรับตัวแทน หัวข้อมีแอตทริบิวต์ เช่นคำอธิบายการจำแนกประเภท ขอบเขต และคำสั่งที่กำหนดงานแต่ละงาน รวมถึงวิธีการดำเนินการให้เสร็จสิ้น หัวข้อมีการดำเนินการที่ตัวแทนสามารถดำเนินการได้ พร้อมกับคำสั่งที่ควบคุมวิธีการดำเนินการเหล่านี้

การดำเนินการ

การดำเนินการเป็นงานที่กำหนดไว้ล่วงหน้าที่ตัวแทนสามารถดำเนินการเพื่อทำงานของตนได้ การดำเนินการมี 5 ประเภทที่แตกต่างกัน:

• ดำเนินการโค้ด Apex
• เรียกใช้ API
• ดำเนินการตามโฟลว์
• รับการตอบสนอง LLM ต่อแม่แบบพร้อมท์
• เรียกใช้โมเดลเชิงคาดการณ์

คำสั่งและคำอธิบายภาษาธรรมชาติ

คำจำกัดความของตัวแทนประกอบด้วยคำสั่งภาษาธรรมชาติที่อธิบายถึงแอสเซทของตัวแทน และกำหนดแนวทางที่ตัวแทนจะต้องดำเนินการ คำสั่งถูกเขียนขึ้นสำหรับการดำเนินการและหัวข้อ

• การดำเนินการ การดำเนินการประกอบด้วย:
  • คำสั่งที่อธิบายถึงสิ่งที่การดำเนินการนั้นทำ จะบอกกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ว่าควรดำเนินการนี้เมื่อใด
  • อินพุตพร้อมคำอธิบายภาษาธรรมชาติเพื่อให้ตัวแทนสามารถเตรียมการได้
  • เอาต์พุตพร้อมคำอธิบายภาษาธรรมชาติเกี่ยวกับวิธีการจัดรูปแบบและใช้งาน
• หัวข้อ หัวข้อมีคำสั่งที่ควบคุมวิธีการดำเนินการในระดับที่สูงกว่า เช่น คำสั่งสามารถระบุแนวทางป้องกันเกี่ยวกับน้ำเสียง ลำดับการดำเนินการที่ต้องการ ข้อกำหนดเบื้องต้นที่เป็นไปได้ หรือเมื่อใดจึงจะส่งต่อการสนทนาให้กับมนุษย์ หัวข้อยังมีคำอธิบายการจำแนกประเภทและการวิเคราะห์ขอบเขตอีกด้วย ทั้งหมดนี้ช่วยให้มั่นใจได้ว่าตัวแทนจะอยู่ในขอบเขตของบทบาทที่กำหนดไว้และดำเนินงาน
• ข้อมูล ตัวแทนต้องการข้อมูลเพื่อทำให้งานของตนสำเร็จ ข้อมูลสามารถมีโครงสร้าง เช่น ข้อมูล CRM หรือไม่มีโครงสร้าง เช่น บทความความรู้ของบริษัท ตัวแทนเข้าถึงข้อมูลโดยใช้อินพุตการดำเนินการ เช่น การดำเนินการสามารถเรียกใช้แม่แบบพร้อมท์ที่มีพื้นฐานมาจากข้อมูล CRM หรือเสริมด้วยข้อมูลที่ไม่มีโครงสร้างจำนวนมากโดยใช้เทคนิค RAG

เมื่อสร้างองค์ประกอบพื้นฐานเหล่านี้อย่างถูกต้องจะช่วยให้ตัวแทนดำเนินการตามวัตถุประสงค์ที่ตั้งใจ พร้อมกับดำเนินการภายในขอบเขตที่เหมาะสม

กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ของ Agentforce จะจัดองค์ประกอบพื้นฐานเหล่านี้ให้เป็นพฤติกรรมตัวแทนที่ถูกต้อง โดยใช้ประโยชน์จากคำสั่งและคำอธิบายภาษาธรรมชาติที่กำหนดไว้ในหัวข้อและการดำเนินการ ต่อยอดจาก ReAct ซึ่งเป็นกระบวนทัศน์การใช้ตรรกะและกฎเกณฑ์ใหม่สำหรับ LLM ที่เปิดตัวในปี 2022 โดย Yao และคณะ กระบวนทัศน์นี้เลียนแบบการจัดการงานของมนุษย์ด้วยกการใช้ตรรกะและกฎเกณฑ์เกี่ยวกับปัญหา ดำเนินการ สังเกตผลลัพธ์ของการดำเนินการ และทำซ้ำวงจรจนกว่างานจะเสร็จสมบูรณ์

ตัวแทน Salesforce ปฏิบัติตามกระบวนทัศน์นี้:

1. เหตุผล: ทำความเข้าใจจุดประสงค์ของผู้ใช้และปรับให้สอดคล้องกับหัวข้อและการดำเนินการที่ถูกต้อง
2. ดำเนินการ: เริ่มต้นห่วงโซ่การดำเนินการที่ถูกต้อง
3. สังเกต: ประเมินผลลัพธ์การดำเนินการตามจุดประสงค์ของผู้ใช้ หากยังไม่บรรลุจุดประสงค์ ให้ใช้เหตุผลเพิ่มเติมตามผลลัพธ์ที่ได้รับจนถึงขณะนี้ และทำตามคำสั่งและคำอธิบายหัวข้อ/การดำเนินการ หากบรรลุจุดประสงค์แล้ว ให้ตอบกลับครั้งสุดท้ายพร้อมกับปฏิบัติตามคำสั่งการจัดรูปแบบที่เป็นไปได้
4. ทำซ้ำ: ทำซ้ำขั้นตอนเหล่านี้จนกว่าจะถึงขั้นตอนที่ได้รับคำสั่งขั้นสุดท้าย

กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ใช้ LLM ในทุกขั้นตอนเหตุผลและสังเกต นอกจากนี้ยังสามารถใช้ LLM ในขั้นตอนดำเนินการได้ โดยขึ้นอยู่กับประเภทการดำเนินการ

ส่วนนี้จะกล่าวถึงแนวทางแบบเป็นเลเยอร์เพื่อปรับปรุงนิยัตินิยมของตัวแทน แต่ละระดับจะต่อยอดจากระดับก่อนหน้า โดยมีความซับซ้อนและความสามารถที่เพิ่มขึ้นซึ่งจะทำให้สามารถควบคุมพฤติกรรมของตัวแทนได้มากขึ้น

ระดับแรกมุ่งเน้นไปที่การช่วยให้ตัวแทนสามารถระบุหัวข้อที่เกี่ยวข้องได้โดยอัตโนมัติ จากนั้นเลือกการดำเนินการที่เหมาะสมโดยใช้เป้าหมายแทนที่จะใช้คำสั่งที่ชัดเจน กลไกหลักเกี่ยวข้องกับการใช้การทำความเข้าใจบริบทเพื่อตอบสนองต่ออินพุตของผู้ใช้ แม้ว่าในทางเทคนิคแล้วจะสามารถเพิ่มการดำเนินการได้ทุกประเภท แต่ในระดับนี้เราจะถือว่าการดำเนินการเป็นการดำเนินการพร้อมท์ หัวข้อที่ไม่ต้องมีคำสั่งพร้อมการดำเนินการพร้อมท์จะช่วยให้จัดการกับคำถามทั่วไปได้อย่างรวดเร็วและมีประสิทธิภาพ

ในระดับนี้ การเน้นที่การสร้างระดับพื้นฐานของการตอบสนองของตัวแทนและความเป็นอิสระผ่านความเข้าใจแบบไดนามิก

สร้างขึ้นจากพื้นฐานของการเลือกการดำเนินการที่ไม่ต้องใช้คำสั่ง ซึ่งทำให้ระดับนี้จะใช้คำสั่งที่ชัดเจนเพื่อเป็นแนวทางให้กับพฤติกรรมของตัวแทน การเพิ่มคำสั่งที่แม่นยำจะช่วยเพิ่มการควบคุมวิธีที่ตัวแทนตอบสนองต่อสถานการณ์ที่แตกต่างกัน คำสั่งที่ส่งไปยังตัวแทนสามารถแสดงเป็นกฎ แนวปฏิบัติ แนวทางป้องกัน และตัวอย่างได้ สิ่งเหล่านี้ช่วยให้ตัวแทนมีทิศทางที่เฉพาะเจาะจงเกี่ยวกับวิธีการจัดการหัวข้อ ดำเนินการ และประมวลผลเอาต์พุตของตน เป้าหมายสำหรับระดับนี้คือการให้คำแนะนำที่ชัดเจนแก่ตัวแทน เพื่อเพิ่มความสม่ำเสมอและปรับปรุงการปฏิบัติตามแนวทางและกระบวนการของบริษัท

การสร้างรากฐานเกี่ยวข้องกับการเชื่อมโยงความเข้าใจและการตอบสนองต่อของตัวแทนเข้ากับแหล่งความรู้ภายนอก การสร้างรากฐานช่วยให้แน่ใจว่าข้อมูลที่ตัวแทนให้มานั้นมีความแม่นยำ เป็นปัจจุบัน และเกี่ยวข้องมากขึ้น ระดับนี้จะผสานรวมการเข้าถึงฐานข้อมูล, ฐาน Knowledge และที่เก็บข้อมูลอื่นๆ การสร้างรากฐานการตอบสนองของตัวแทนในข้อมูลที่ได้รับการยืนยัน จะช่วยเพิ่มความมั่นคงและความน่าเชื่อถือ

ระดับนี้จะเพิ่มความสามารถให้ตัวแทนทำงานกับตัวแปร ตัวแปรช่วยให้ตัวแทนสามารถปรับแต่งการโต้ตอบ รักษาบริบทในการโต้ตอบหลายครั้ง และปรับเปลี่ยนพฤติกรรมแบบไดนามิกตามจุดข้อมูลเฉพาะที่เก็บรักษาไว้ในระหว่างเซสชันของตัวแทน ตัวอย่างเช่น ตัวแทนสามารถบันทึกการตั้งค่าของผู้ใช้ รายละเอียดคำสั่งซื้อ และข้อมูลที่เกี่ยวข้องอื่นๆ จากนั้นใช้ข้อมูลนั้นเพื่อปรับแต่งการโต้ตอบ ตัวแปรจะช่วยให้ตัวแทนจะสามารถจัดการกับการโต้ตอบที่ซับซ้อน มีข้อกำหนดมากขึ้น และเป็นแบบเฉพาะบุคคลมากขึ้นได้ดีขึ้น

ขั้นตอนสุดท้ายจะผสานการทำงานของตัวแทนเข้ากับฟังก์ชันการทำงานหลักของ Salesforce: Apex, API และโฟลว์ การบูรณาการช่วยให้ตัวแทนสามารถดำเนินการที่ซับซ้อนภายในระบบนิเวศของ Salesforce เช่น การเข้าถึงและจัดการข้อมูล การเรียกใช้เวิร์กโฟลว์และการโต้ตอบกับระบบอื่นๆ

• Apex ให้การควบคุมแบบเป็นโปรแกรม
• API ช่วยให้บูรณาการกับแอปพลิเคชันอื่นๆ ได้อย่างราบรื่น
• โฟลว์ทำให้กระบวนการทางธุรกิจที่ซับซ้อนเป็นระบบอัตโนมัติได้

ที่ระดับนี้จะเปลี่ยนตัวแทนให้เป็นเครื่องมืออันทรงพลังที่สามารถดำเนินการงานที่ซับซ้อนและมีส่วนร่วมโดยตรงต่อผลลัพธ์ทางธุรกิจ

เริ่มต้นด้วยพื้นฐานของการตอบสนองและความเป็นอิสระของตัวแทน พิจารณาตัวแทนที่ประกอบด้วยหัวข้อและการดำเนินการเท่านั้น พร้อมคำอธิบายที่สอดคล้องกัน เราสามารถใช้ตัวแทนในตัวอย่างนี้เพื่อใช้ขั้นตอนต่างๆ ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ และเพื่อแสดงให้เห็นว่าจะใช้ประโยชน์จากคำอธิบายเหล่านี้เพื่อเลือกหัวข้อที่ถูกต้องแล้วดำเนินการอย่างไร การละเว้นคำสั่งหัวข้อจากตัวอย่างนี้ จะทำให้เราสามารถสังเกตได้ว่าตัวแทนในระดับแรกนี้มีระดับความเป็นอิสระมากที่สุดเมื่อเทียบกับตัวแทนในระดับที่สูงกว่า ในระดับที่หนึ่ง ตัวแทนมีอิสระอย่างสมบูรณ์ในการเลือกการดำเนินการที่คิดว่าเหมาะสมโดยอิงจากการสนทนาที่กำลังดำเนินอยู่เท่านั้น

ตรวจสอบข้อควรพิจารณาต่อไปนี้สำหรับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์:

• แก้ไขการตั้งค่ากำหนดสำหรับ LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ เครื่องมือสร้างตัวแทนไม่สามารถเปลี่ยนแปลงได้ ในปัจจุบัน OpenAI LLM ถูกนำมาใช้เพื่อความสามารถในการใช้ตรรกะและกฎเกณฑ์ แต่ก็อาจมีการเปลี่ยนแปลงได้เมื่อมีการเพิ่มโมเดลเพิ่มเติม
• ประวัติเริ่มต้นของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์: เมื่อใดก็ตามที่มีคำขอไปยังกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ (ขั้นตอนที่ 2 - 5) ระบบจะดึงข้อมูลประวัติคำขอและการตอบกลับล่าสุดโดยอัตโนมัติ วิธีนี้จะช่วยให้แน่ใจว่าบริบทการสนทนาจะได้รับการเก็บกษาไว้สำหรับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ นอกเหนือจากการโต้ตอบกับลูกค้าแล้ว การเรียกใช้งานโปรแกรมวางแผน LLM เหล่านี้ ยังรวมถึงการเรียกใช้ LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์สำหรับคำขออื่นๆ เช่น การเลือกหัวข้อ

กระบวนการใช้ตรรกะและกฎเกณฑ์ประกอบด้วยสี่ขั้นตอนหลัก:

1. การเลือกหัวข้อ
2. การเลือกการดำเนินการ
3. ลูปของตัวแทน
4. การตรวจสอบการสร้างรากฐาน

หัวข้อได้รับการออกแบบมาเพื่อปรับปรุงความแม่นยำ ด้วยตัวแทนที่จำแนกประเภทการดำเนินการหรือลำดับการดำเนินการที่ถูกต้อง แต่ละหัวข้อควรประกอบด้วยการดำเนินการที่แตกต่างกันทางความหมาย ซึ่งทั้งหมดสามารถเป็นคำอธิบายหัวข้อที่กระชับได้ จึงเป็นของฟังก์ชันตัวแทนที่คล้ายคลึงกัน

เลือกหัวข้อที่ถูกต้องโดย LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ (ขั้นตอนที่ 2-3 ของแผนภาพ) โดยจะเลือกหัวข้อที่มีคำอธิบายการจำแนกประเภทตรงกับคำสุดท้ายมากที่สุดโดยใช้พร้อมท์หัวข้อ พร้อมท์หัวข้อนี้มีคำอธิบายการจำแนกประเภทของหัวข้อทั้งหมด รวมถึงประวัติการสนทนา นอกเหนือจากคำและการตอบกลับของตัวแทนแล้ว ประวัติการสนทนายังรวมถึงการดำเนินการที่ทำไปแล้วและผลลัพธ์ของการสนทนาด้วย นอกจากนี้ พร้อมท์ยังมีคำสั่งสำคัญที่กำหนดให้มีการวิเคราะห์ภายในบริบทของประวัติการสนทนาและกำหนดให้ LLM ต้องแชร์กระบวนการคิด

ข้อควรพิจารณาเพิ่มเติม:

• หัวข้อที่ซ่อนอยู่เพิ่มเติมสำหรับคำแปล "นอกหัวข้อ" จะมีอยู่ควบคู่ไปกับหัวข้อที่มองเห็นได้โดยอัตโนมัติ หัวข้อนี้จะถูกเลือก เมื่อหัวข้ออื่นที่มีอยู่ไม่มีหัวข้อใดที่สอดคล้องกับคำ ซึ่งจะช่วยให้ตัวแทนหลีกเลี่ยงการจำแนกประเภทที่ไม่ถูกต้อง หัวข้อนี้ไม่มีการดำเนินการใดๆ มีไว้เพื่อช่วยให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์กำหนดการตอบสนองที่เหมาะสมในภายหลังเท่านั้น
• ใช้เฉพาะชื่อและคำอธิบายการจำแนกประเภทของหัวข้อในพร้อมท์หัวข้อเท่านั้น
• LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์สามารถเลือกได้ครั้งละหนึ่งหัวข้อเท่านั้น
• การสนทนาอาจเปลี่ยนไปโดยไม่คาดคิด เมื่อใดก็ตามที่ได้รับคำมา กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะดำเนินการต่อไปยังขั้นตอนการเลือกหัวข้อ ซึ่งหมายความว่าสามารถเลือกหัวข้อใหม่ได้ในการพิมพ์คำใหม่แต่ละครั้ง

วัตถุประสงค์ของหัวข้อแบ่งเป็นสองส่วน:

1. ลดความเสี่ยงในการทำให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์สับสนด้วยการจัดกลุ่มการดำเนินการ หลีกเลี่ยงไม่ให้เลือกการดำเนินการที่ไม่ถูกต้อง
2. แนะนำการเลือกการดำเนินการและการดำเนินการด้วยคำสั่ง (ข้อมูลเพิ่มเติมเกี่ยวกับในระดับสอง: การควบคุมตัวแทน: เพิ่มคำสั่ง)

ด้วยการจัดระเบียบความสามารถของตัวแทนอย่างรอบคอบลงในหัวข้อที่กำหนดไว้อย่างชัดเจน ซึ่งประกอบด้วยการดำเนินการที่เกี่ยวข้อง ซึ่งตัวแทนจะทำงานได้อย่างมีประสิทธิภาพและคาดการณ์ได้มากขึ้น รวมถึงการอัปเดตและขยายก็ง่ายขึ้น มีสองแนวทางที่เป็นไปได้ในการออกแบบหัวข้อ: จากบนลงล่างและล่างขึ้นบน

• ในแนวทางแบบบนลงล่าง หัวข้อต่างๆ จะได้รับการออกแบบมาเป็นอันดับแรกว่าเป็นงานระดับสูงที่ตัวแทนต้องทำ จากนั้นจึงกำหนดการดำเนินการแต่ละอย่างสำหรับหัวข้อเหล่านั้น
• ในแนวทางแบบล่างขึ้นบน อันดับแรกคือจะกำหนดการดำเนินการแต่ละอย่างไว้ จากนั้นจะถูกจัดกลุ่มเข้าด้วยกันในหัวข้อต่างๆ

ทั้งสองแนวทางนำไปสู่ผลลัพธ์ที่ดีเมื่อปฏิบัติตามอย่างถูกต้อง

แนวทางแบบล่างขึ้นบน

ส่วนนี้จะอธิบายถึงแนวทางแบบล่างขึ้นบน เนื่องจากสอดคล้องอย่างมากกับเหตุผลที่กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ต้องการหัวข้อที่จะเริ่มต้น

ขั้นตอนที่ 1 แสดงรายการการดำเนินการของตัวแทนทั้งหมด

เริ่มต้นด้วยการแสดงรายการการดำเนินการเฉพาะทั้งหมดที่ตัวแทนควรจะสามารถดำเนินการได้ ในขั้นตอนนี้จ ควรที่จะเจาะจงมากกว่าที่จะเป็นแบบทั่วไปเกินไป หลีกเลี่ยงการพยายามจัดกลุ่มหรือลดความซับซ้อนของการดำเนินการก่อนกำหนด เป้าหมายคือการสร้างมุมมองที่ครอบคลุมและละเอียดเกี่ยวกับสิ่งที่ตัวแทนสามารถทำได้

เช่น ในกรณีของตัวแทนบริการลูกค้า รายการเริ่มต้นอาจประกอบด้วย:

• ส่งคืนคำสั่งซื้อ: ใช้เพื่อเริ่มต้นกระบวนการส่งคืนสำหรับคำสั่งซื้อ
• ตรวจสอบความพร้อมของสินค้าคงคลัง: ใช้เพื่อตรวจสอบว่ามีสินค้าอยู่ในสต็อกหรือไม่
• ตรวจสอบนโยบายการแลกเปลี่ยนสินค้า: ใช้เพื่อดึงข้อมูลเกี่ยวกับกฎการแลกเปลี่ยน
• ตอบคำถามด้วยความรู้: ใช้เพื่อตอบคำถามทั่วไปหรือคำถามที่พบบ่อย
• ตรวจสอบโปรโมชัน: ใช้เพื่อตรวจสอบโปรโมชันหรือส่วนลดที่มีอยู่
• คาดการณ์วันที่จัดส่ง: ใช้เพื่อประเมินวันที่/เวลาจัดส่งที่คาดไว้
• ตรวจสอบสถานะคำสั่งซื้อ: ใช้เพื่อค้นหาสถานะปัจจุบันของคำสั่งซื้อของลูกค้า
• ค้นหาคำสั่งซื้อของลูกค้า: ใช้เพื่อดึงข้อมูลคำสั่งซื้อที่ผ่านมาหรือคำสั่งซื้อในปัจจุบันทั้งหมดของลูกค้าที่เฉพาะเจาะจง
• แก้ไขปัญหาทางเทคนิค: ใช้เพื่อแก้ไขปัญหาทางเทคนิคเกี่ยวกับผลิตภัณฑ์หรือบริการ
• ค้นหาเงื่อนไขคำสั่งซื้อของลูกค้า: ดึงข้อมูลเงื่อนไขทั้งหมดที่เกี่ยวข้องกับคำสั่งซื้อ
• ค้นหาแอสเซทของลูกค้า: ใช้เพื่อระบุหรือดึงแอสเซทที่เกี่ยวข้องกับลูกค้า
• เปลี่ยนที่อยู่จัดส่ง

โปรดทราบว่าการดำเนินการ เช่น "แก้ไขคำร้องเรียนของลูกค้า" นั้นกว้างเกินไปในจุดนี้ การดำเนินการควรแสดงถึงระดับความละเอียดที่เล็กที่สุดในพฤติกรรมของตัวแทน คำร้องเรียนอาจมีหลายประเภทและการดำเนินการที่แตกต่างกันครอบคลุมถึงคำร้องเรียนเหล่านั้นแล้ว:

• ปัญหาหลังการจัดส่ง เช่น การแก้ไขปัญหาสินค้าที่เสียหายหรือทำงานผิดปกติ “การแก้ไขปัญหาทางเทคนิค”ครอบคลุมอยู่แล้ว)
• ปัญหาก่อนการจัดส่ง เช่น การจัดส่งที่ขาดหายไป ความจำเป็นในการเปลี่ยนวันที่จัดส่งหรือการแก้ไขคำสั่งซื้อนั้นครอบคลุมอยู่แล้วด้วยการดำเนินการเช่น “ตรวจสอบสถานะคำสั่งซื้อ” “คาดการณ์วันที่จัดส่ง” หรือ “ส่งคืนคำสั่งซื้อ”
• ข้อกังวลทั่วไปของลูกค้า เช่น การสอบถามเกี่ยวกับนโยบายครอบคลุมด้วย “ตอบคำถามด้วยความรู้” หรือ“ตรวจสอบนโยบายการแลกเปลี่ยนผลิตภัณฑ์” อยู่แล้ว

ขั้นตอนที่ 2: ทำเครื่องหมายคู่การดำเนินการ (หรือหลายรายการ) ที่อาจทำให้เกิดความสับสนในการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์

ทำเครื่องหมายการดำเนินการที่มีลักษณะคล้ายคลึงกัน เนื่องจากอาจทำให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์สับสน คำอธิบายจะไม่แตกต่างกันมากพอในเชิงความหมาย จึงทำให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ไม่รู้ว่าจะต้องเลือกการดำเนินการใดในขั้นตอนที่ 5

ตัวอย่างเช่น“การแก้ไขปัญหาทางเทคนิค” และ “ตอบคำถามด้วยความรู้” มีคำอธิบายที่คล้ายคลึงกัน แต่ฟังก์ชันการทำงานอาจแตกต่างกันอย่างมาก การทำเครื่องหมายทับซ้อนความหมายดังกล่าวจะช่วยระบุการดำเนินการที่จะแยกระหว่างหลายๆ หัวข้อได้

ขั้นตอนที่ 3: สร้างการจัดกลุ่มการดำเนินการเบื้องต้นลงในหัวข้อต่างๆ

เมื่อกำหนดการดำเนินการอย่างชัดเจนและระบุการทับซ้อนความหมายแล้ว การดำเนินการสามารถจัดกลุ่มให้กับหัวข้อเบื้องต้นได้ หัวข้อคือหมวดหมู่ฟังก์ชันการทำงานเชิงตรรกะซึ่ โดยเป็นการจัดกลุ่มการดำเนินการที่แสดงถึงความสามารถหรือทักษะที่สอดคล้องกันของตัวแทน

เมื่อสร้างการจัดกลุ่มเหล่านี้:

• หลีกเลี่ยงการทับซ้อนความหมายโดยใช้จำนวนหัวข้อขั้นต่ำที่จำเป็น
• ตรวจสอบให้แน่ใจว่าแต่ละหัวข้อมีการดำเนินการที่เกี่ยวข้องอย่างมีความหมาย
• ตรวจสอบให้แน่ใจว่าการดำเนินการสนับสนุนที่ต้องดำเนินการในห่วงโซ่มีอยู่ในหัวข้อเดียวกัน

นี่คือตัวอย่างของการจัดกลุ่มเบื้องต้นสำหรับตัวแทนบริการลูกค้า:

หัวข้อที่ 1:

• ส่งคืนคำสั่งซื้อ
• ตรวจสอบความพร้อมของสินค้าคงคลัง
• ตรวจสอบนโยบายการแลกเปลี่ยนผลิตภัณฑ์
• ตรวจสอบโปรโมชัน
• คาดการณ์วันที่จัดส่ง
• ค้นหาเงื่อนไขคำสั่งซื้อของลูกค้า
• ตรวจสอบสถานะคำสั่งซื้อ
• ค้นหาคำสั่งซื้อของลูกค้า
• ค้นหาแอสเซทของลูกค้า
• ตอบคำถามด้วยความรู้
• เปลี่ยนที่อยู่จัดส่ง

หัวข้อที่ 2:

• แก้ไขปัญหาทางเทคนิค
• ค้นหาแอสเซทของลูกค้า

ขั้นตอนที่ 4: เขียนคำอธิบายการจำแนกประเภทสำหรับหัวข้อและแบ่งหัวข้อหากจำเป็น

เมื่อคุณจัดกลุ่มเบื้องต้นแล้ว ให้เขียนคำอธิบายการจำแนกประเภทสำหรับแต่ละหัวข้อ

• หัวข้อที่ 2 ในตัวอย่างของเราเกี่ยวข้องกับปัญหาทางเทคนิคของผลิตภัณฑ์อย่างชัดเจน
• อย่างไรก็ตามหัวข้อที่ 1 จะครอบคลุมขอบเขตที่กว้างขึ้น ส่วนใหญ่แล้วจะเกี่ยวกับการจัดการคำสั่งซื้อ แต่ก็มีการดำเนินการบางอย่างที่ไม่เกี่ยวข้องกับการจัดการคำสั่งซื้อด้วย เช่น การตรวจสอบโปรโมชันและการตอบคำถามด้วยความรู้ หัวข้อที่ 1 ไม่สามารถอธิบายได้อย่างชัดเจนและกระชับในประโยคเดียว ดังนั้นจึงควรแบ่งหัวข้อออกเป็นหัวข้อต่างๆ

หลังจากการปรับแต่ง เราจะได้รับ:

• หัวข้อที่ 1: การจัดการคำสั่งซื้อ: อธิบายการดำเนินการที่เกี่ยวข้องกับการจัดการและแก้ไขคำสั่งซื้อของลูกค้าและโลจิสติกส์ที่เกี่ยวข้อง ยกเว้นสิ่งที่เกี่ยวข้องกับการแลกเปลี่ยนและการคืนสินค้า
  • ตรวจสอบความพร้อมของสินค้าคงคลัง: พิจารณาว่ามีสินค้าอยู่ในสต็อกหรือไม่
  • คาดการณ์วันที่จัดส่ง: ประมาณเวลาที่คำสั่งซื้อจะมาถึง
  • ตรวจสอบสถานะคำสั่งซื้อ: ค้นหาสถานะของคำสั่งซื้อของลูกค้า
  • ค้นหาคำสั่งซื้อของลูกค้า: ดึงข้อมูลคำสั่งซื้อทั้งหมดที่ลูกค้าสั่งซื้อ
  • เปลี่ยนที่อยู่จัดส่ง
• หัวข้อที่ 2: การแก้ไขปัญหา
  • ค้นหาแอสเซทของลูกค้า: ดึงข้อมูลอุปกรณ์หรือผลิตภัณฑ์ที่ลงทะเบียนของลูกค้า
  • แก้ไขปัญหาทางเทคนิค: ให้ความช่วยเหลือทางเทคนิคหรือการวินิจฉัย
• หัวข้อที่ 3: การแลกเปลี่ยน: อธิบายการดำเนินการที่เกี่ยวข้องกับการแลกเปลี่ยนและการส่งคืนคำสั่งซื้อ
  • ส่งคืนคำสั่งซื้อ: เริ่มกระบวนการส่งคืนคำสั่งซื้อ
  • ตรวจสอบนโยบายการแลกเปลี่ยนสินค้า: ให้กฎการแลกเปลี่ยนสำหรับสินค้า
  • ค้นหาคำสั่งซื้อของลูกค้า: ดึงข้อมูลคำสั่งซื้อทั้งหมดที่ลูกค้าสั่งซื้อ
  • ค้นหาเงื่อนไขการสั่งซื้อของลูกค้า: ดึงข้อมูลเงื่อนไขทั้งหมดที่เกี่ยวข้องกับคำสั่งซื้อ
• หัวข้อที่ 4: การสนับสนุนผลิตภัณฑ์: อธิบายการดำเนินการตัดขวางที่ใช้สำหรับการดึงข้อมูลและการกำหนดเส้นทาง
  • ตอบคำถามด้วยความรู้: ตอบคำถามทั่วไปของลูกค้าโดยใช้ข้อมูลฐาน Knowledge
  • ตรวจสอบโปรโมชัน: ดูโปรโมชันหรือส่วนลดในปัจจุบัน

ในการสรุป ขั้นแรกให้สร้างรายการการดำเนินการที่เป็นไปได้ทั้งหมดที่ครอบคลุม จากนั้นทำเครื่องหมายทับซ้อนความหมายระหว่างการดำเนินการเหล่านี้ จากนั้นสร้างชุดหัวข้อที่อย่างน้อยที่สุดจะช่วยแก้ปัญหาการทับซ้อนความหมายทั้งหมด (เพื่อให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ไม่สับสนภายในขอบเขตของหัวข้อเดียว) จากนั้นเขียนคำอธิบายการจำแนกประเภทของทุกหัวข้อ หากหัวข้อมีขอบเขตกว้างเกินไป ให้แบ่งหัวข้อออกเป็นหัวข้อที่ละเอียดยิ่งขึ้น การนำคำแนะนำนี้ไปใช้จะทำให้คุณสามารถสร้างตัวแทนที่ไม่เพียงแต่ทำงานได้ดีเท่านั้น แต่ยังดูแลรักษาและขยายได้ง่ายอีกด้วย

โครงสร้างนี้รองรับการใช้ตรรกะและกฎเกณฑ์ที่ดีขึ้น การดำเนินการที่แม่นยำยิ่งขึ้นและขอบเขตการตัดสินใจที่ชัดเจนยิ่งขึ้นภายในพฤติกรรมของตัวแทน นอกจากนี้ยังต้องอาศัยความร่วมมือระหว่างนักออกแบบ วิศวกร และผู้เชี่ยวชาญเฉพาะด้านเพื่อให้ความสามารถของตัวแทนโปร่งใสและเป็นแบบโมดูลาร์มากขึ้น

ข้อควรพิจารณาเพิ่มเติมสำหรับการสร้างหัวข้อที่มีประสิทธิภาพ

• จำนวนหัวข้อที่เหมาะสมที่สุด: เพื่อปรับปรุงประสิทธิภาพของ LLM ในการจำแนกประเภทหัวข้อที่ถูกต้องโดยทั่วไปแล้วไม่แนะนำให้มีหัวข้อเกิน 10 หัวข้อ แต่นี่เป็นเพียงหลักการง่ายๆ นอกจากนี้ แต่ละหัวข้อควรมีคำอธิบายที่ชัดเจนและแตกต่างกัน ในท้ายที่สุด จำนวนหัวข้อที่เหมาะสมที่สุดจะขึ้นอยู่กับระยะความหมายระหว่างคำอธิบายการจำแนกประเภทหัวข้อ หากหัวข้อมีคำอธิบายการจำแนกประเภทที่แตกต่างกันมาก ความเสี่ยงของการทับซ้อนของหัวข้อจะลดลง แนวทางปฏิบัติที่ดีที่สุดเพิ่มเติมเพื่อหลีกเลี่ยงการทับซ้อนระหว่างหัวข้อต่างๆอธิบายไว้ที่นี่
• ปรับสมดุลขนาดหัวข้อและความชัดเจน: แม้ว่าโดยทั่วไปแล้วการมีหัวข้อเล็กๆ ในแง่ของการดำเนินการและคำสั่งเพื่อให้จำแนกประเภทได้ง่ายขึ้น แต่การสร้างหัวข้อจำนวนมากเกินไปที่มีคำอธิบายที่คล้ายกันมากอาจนำไปสู่ความสับสน เช่นเดียวกับการทับซ้อนกันของความหมายระหว่างการดำเนินการที่นำไปสู่การจำแนกประเภทที่ผิด ดังนั้นจึงเป็นสิ่งสำคัญที่จะต้องมีคำอธิบายหัวข้อที่แตกต่างกันอย่างชัดเจน คุณสามารถใช้ LLM เพื่อช่วยคุณสร้างการจำแนกประเภทที่แตกต่างกันได้ดี
• ภาษามาตรฐานและความชัดเจนของบริบท: LLM อาจไม่ทราบถึงความหมายและคำย่อเฉพาะของบริษัทหรือธุรกิจ ใช้ภาษามาตรฐานหรือมีความชัดเจนมากในการอธิบายความหมายของคำภายในบริบทที่เฉพาะของคุณ
• เฉพาะชื่อหัวข้อและคำอธิบายเท่านั้นที่จะถูกส่งในพร้อมท์หัวข้อ ดังนั้นการเปลี่ยนขอบเขตหรือคำสั่งของหัวข้อ จะไม่ส่งผลกระทบต่อการเลือกหัวข้อ

ตัวอย่างการใช้งานจริง

ลองนึกภาพว่าตัวแทนบริการได้รับคำขอนโยบายการรับประกันสำหรับนาฬิกา ปัญหาการรับประกันไม่เกี่ยวข้องกับการแลกเปลี่ยนหรือการสนับสนุนสินค้า การจัดการคำสั่งซื้อดูเหมือนจะเป็นหัวข้อที่เหมาะสมที่สุดในการรับมือกับคำขอนี้ ดังนั้น กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จึงเลือกหัวข้อหลังเป็นหัวข้อที่น่าจะเป็นไปได้มากที่สุดเพื่อตอบสนองคำขอ

หลังจากเลือกหัวข้อแล้ว กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะเลือกการดำเนินการที่เหมาะสมเพื่อดำเนินการจากหัวข้อที่เลือก อีกครั้งที่ LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์มีหน้าที่รับผิดชอบในเรื่องนี้ โดยใช้พร้อมท์อื่นที่เรียกว่าพร้อมท์การสังเกตการณ์ วัตถุประสงค์ของพร้อมท์การสังเกตคือการได้รับขั้นตอนถัดไปในกระบวนการใช้ตรรกะและกฎเกณฑ์ ขั้นตอนถัดไปนี้อาจเป็นขั้นตอนใดขั้นตอนหนึ่งต่อไปนี้:

• การเริ่มต้นการดำเนินการ
• การร้องขออินพุตการดำเนินการจากผู้ใช้
• การร้องขอคำชี้แจงของคำขอจากผู้ใช้
• การส่งคำตอบสุดท้ายไปยังผู้ใช้ (การดำเนินการตามคำขอของผู้ใช้) เมื่อการดำเนินการครบวงจร (ดูสำหรับรายละเอียดเพิ่มเติมเกี่ยวกับขั้นตอนการใช้ตรรกะและกฎเกณฑ์ 3)

อินพุตไปยังพร้อมท์การสังเกตจะเกิดขึ้นจากคำอธิบายทั้งหมดของการดำเนินการทั้งหมดจากหัวข้อ ซึ่งรวมถึงจากประวัติการสนทนา

แนวทางปฏิบัติที่ดีที่สุดสำหรับการออกแบบการดำเนินการ

การดำเนินการเป็นงานที่กำหนดไว้ล่วงหน้าที่ตัวแทนสามารถดำเนินการเพื่อทำงานของตนได้ การดำเนินการเป็นคำจำกัดความที่ละเอียดที่สุดของงาน การดำเนินการของตัวแทนมีห้าประเภท: (1) เรียกใช้โค้ด Apex, (2) เรียกใช้ API, (3) เรียกใช้โฟลว์, (4) รับการตอบสนองของ LLM ต่อแม่แบบพร้อมท์ และ (5 เรียก) เรียกใช่โมเดลเชิงคาดการณ์ การดำเนินการส่วนใหญ่เหล่านี้เป็นแบบนิยัตินิยม ข้อยกเว้นคือการได้รับการตอบกลับแม่แบบพร้อมท์ (โดยมีเงื่อนไขว่าระบบภายนอก, การดำเนินการโฟลว์หรือ Apex ไม่มีองค์ประกอบความน่าจะเป็น เช่น การเรียกใช้พร้อมท์) เราจะกล่าวถึงปัญหาเหล่านี้ในระดับที่ 5 ของการควบคุมตัวแทน

1. การควบคุมพฤติกรรมของตัวแทนในการดำเนินการพร้อมท์ มีสองวิธีในการบังคับใช้การควบคุมพฤติกรรมของตัวแทนในการดำเนินการพร้อมท์: (1) เพิ่มคำสั่งเพิ่มเติมลงในแม่แบบพร้อมท์ผ่านวิศวกรรมพร้อมท์ และ (2) กำหนดค่าไฮเปอร์พารามิเตอร์ของ LLM ที่สร้างการตอบสนองพร้อมท์ โดยเฉพาะอุณหภูมิ (ดูเอกสารประกอบ ) การลดอุณหภูมิจะช่วยลดความผันแปรในการตอบสนองที่สร้างขึ้น ซึ่งจะเพิ่มอัตราการทำซ้ำและความน่าเชื่อถือของตัวแทน
2. จำนวนการดำเนินการที่เหมาะสมที่สุดภายในหัวข้อเดียว: เช่นเดียวกับจำนวนหัวข้อสูงสุด จำนวนการดำเนินการภายในหัวข้อไม่ควรเกิน 10 รายการ แต่ย้ำอีกครั้งว่านี่เป็นเพียงหลักการง่ายๆ ปัจจัยขับเคลื่อนที่แท้จริงคือระยะห่างของความหมายระหว่างการดำเนินการ เมื่อการดำเนินการมีความแตกต่างอย่างชัดเจนตามคำอธิบายของการดำเนินการ ตัวเลขนี้อาจมีจำนวนมากขึ้น อย่างไรก็ตาม ไม่มีการวัดตัวเลขสำหรับระยะความหมาย โดยขึ้นอยู่กับการตีความของเครื่องมือสร้างตัวแทน ยิ่งความหมายระหว่างคำอธิบายการดำเนินการมีความแตกต่างกันมากเท่าใด ระยะความหมายก็จะมากขึ้นเท่านั้น ควรหลีกเลี่ยงการทับซ้อนตลอดเวลาที่นี่
3. คำอธิบายการดำเนินการ: “คำสั่งการดำเนินการ” ทำหน้าที่เป็นคำสั่งที่ LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ใช้เพื่อเลือกการดำเนินการที่ถูกต้องจากหัวข้อ ซึ่งตรงกันข้ามกับที่ชื่อแนะนำ โปรดทราบว่าการใช้คำอธิบายการดำเนินการที่มีความโดดเด่นด้านความหมายสามารถปรับปรุงคุณภาพของการจำแนกประเภทได้อย่างมาก ตรวจสอบคำอธิบายเหล่านี้อย่างละเอียดและเปรียบเทียบคำอธิบายการดำเนินการทั้งหมดที่เป็นของหัวข้อเดียวโดยเฉพาะ

ตัวอย่างการใช้งานจริง

มาดูตัวอย่างก่อนหน้าที่ตัวแทนบริการได้รับคำถามเกี่ยวกับนโยบายการรับประกันสำหรับนาฬิกากัน หลังจากเลือกหัวข้อการจัดการคำสั่งซื้อแล้ว ให้เลือกการดำเนินการที่น่าจะเป็นไปได้มากที่สุด เนื่องจากนี่คือหัวข้อการจัดการคำสั่งซื้อ ขั้นตอนแรกที่เป็นเหตุเป็นผลคือการค้นหาคำสั่งซื้อ (ไม่เช่นนั้นจะดึงข้อมูลการรับประกันจากอะไร) โดยการเปิดใช้การดำเนินการค้นหาคำสั่งซื้อ

คำของผู้ใช้สามารถทริกเกอร์การดำเนินการหลายอย่างก่อนที่คำตอบจะถูกส่งกลับไปยังผู้ใช้ เนื่องจากลูปของตัวแทน ซึ่งยังคงเลือกและดำเนินการตามการดำเนินการที่เหมาะสมที่สุดถัดไปจนกว่าจะเป็นไปตามเงื่อนไขข้อใดข้อหนึ่งต่อไปนี้:

• LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะกำหนดว่าคำขอเสร็จสมบูรณ์แล้ว ในกรณีนี้จะพบว่าคำขอของผู้ใช้ได้รับการตอบสนอง โปรดทราบว่าส่วนหนึ่งของการตรวจสอบนี้ประกอบด้วยการตรวจสอบการสร้างรากฐาน เพื่อตรวจสอบว่าการตอบสนองนั้นมีพื้นฐานมาจากเอาต์พุตการดำเนินการ ไม่ควรมีการคิดค้นข้อมูลในการตอบสนองโดย LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ เนื่องจากอาจนำไปสู่การตอบสนองที่ไร้สาระหรือที่ไม่ถูกต้อง
• ไม่พบการดำเนินการที่เหมาะสมอีกต่อไป
• ถึงจำนวนการเรียกใช้ LLM สูงสุดที่อนุญาตสำหรับขั้นตอนปัจจุบันแล้ว ตัวเลขนี้จะถูกกำหนดโดยกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์

การดำเนินการไม่อยู่ภายใต้การหมดเวลาที่เฉพาะเจาะจง วิธีเพื่อหลีกเลี่ยงการหยุดชะงัก เมื่อเวลาในการดำเนินการแตกต่างกันไปขึ้นอยู่กับความซับซ้อน การดำเนินการบางอย่างมีความซับซ้อนมากกว่าการดำเนินการอื่นๆ

ตัวอย่างการใช้งานจริง

หลังจากเริ่มต้นการค้นหาคำสั่งซื้อแล้ว กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะประเมินการตอบกลับที่สร้างขึ้นจนถึงขณะนี้ จากนั้นจึงตัดสินใจว่าจะต้องทำงานมากขึ้นก่อนที่จะส่งคำตอบกลับไปยังผู้ใช้ จะค้นหานโยบายการรับประกันตอนนี้ คำสั่งซื้อปรากฏอยู่ในประวัติการสนทนา

อย่างไรก็ตาม ในการดำเนินการดังกล่าวตัวแทนจะทราบว่าลูกค้าได้ซื้อนาฬิกาสองเรือนจริงๆ ตามที่เรียกใช้โดยการดำเนินการ " ค้นหาคำสั่งซื้อ " ดังนั้นในลูปของตัวแทน กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะขอให้ลูกค้าระบุนาฬิกาที่ต้องการข้อมูลการรับประกันโดยเฉพาะ

หลีกเลี่ยงการเขียนสคริปต์มากเกินไป

หลีกเลี่ยงการเขียนสคริปต์มากเกินไปในรูปแบบที่ตัวแทนควรมีการสนทนากับผู้ใช้ การเขียนสคริปต์มากเกินไปสามารถช่วยลดความสามารถของตัวแทนในการสร้างความสัมพันธ์ ทำความเข้าใจความต้องการเฉพาะของผู้ใช้ และตอบสนองอย่างมีประสิทธิภาพแบบเรียลไทม์ต่อสถานการณ์ที่เปลี่ยนแปลงอยู่ตลอดเวลา ยิ่งไปกว่านั้นคำสั่งที่ยาว สามารถทำให้ตัวแทนตอบสนองได้ช้าลงและสร้างความสับสนกับให้กับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ การบังคับนิยัตินิยมผ่านคำสั่งไม่ใช่แนวทางที่ควรใช้

สิ่งที่ไม่ควรทำ

ตัวอย่างเช่น ไม่จำเป็นต้องบอกตัวแทนให้หลีกเลี่ยงการอ้างถึงคู่แข่งในคำตอบการให้บริการ ซึ่งอาจนำไปสู่พฤติกรรมที่ไม่พึงประสงค์ เนื่องจากตัวแทนสามารถปฏิเสธที่จะตอบคำถามที่อ้างถึงการบูรณาการกับผู้ให้บริการที่เป็นคู่แข่งด้วย แต่คำสั่งอาจเป็น “เมื่อพูดคุยถึงคู่แข่ง ให้ตอบกลับโดยคำนึงถึงผลประโยชน์ที่ดีที่สุดของบริษัท” วิธีนี้จะช่วยหลีกเลี่ยงคำสั่งแบบมีเงื่อนไขที่เข้มงวดเช่น “พูดถึงคู่แข่ง xyz เพียงอย่างเดียวในกรณีของ...” และใช้ประโยชน์จากความสามารถในการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ของ LLM แทน ตัวอย่างนี้แสดงให้เห็นว่าสามารถให้คำสั่งในระดับที่สูงขึ้นและเป็นนามธรรมมากขึ้นได้อย่างไร คล้ายกับวิธีการฝึกอบรมพนักงานบริการที่เป็นมนุษย์หลังจากเข้าร่วมบริษัทแล้ว

มาดูตัวอย่างเพิ่มเติมเกี่ยวกับสิ่งที่ไม่ควรทำกัน นี่คือคำสั่งที่ไม่ดีบางประการที่มอบให้กับตัวแทนบริการจัดการกับโปรไฟล์ผู้สมัครงานบนเว็บไซต์การสรรหาบุคลากร คำสั่งเหล่านี้พยายามคาดการณ์คำพูดของลูกค้าที่เป็นไปได้ทั้งหมด ดังนั้นจึงควรหลีกเลี่ยง:

คำสั่งที่ 1: ตัวแทนได้รับคำต่อไปนี้: “ฉันสามารถเพิ่มรูปภาพลงในโปรไฟล์ของฉันได้หรือไม่” จากนั้นถามลูกค้าทันทีว่า “ประเภทโปรไฟล์ของคุณคืออะไร”

คำสั่งที่ 2: หากลูกค้าระบุโปรไฟล์พรีเมียมให้ตอบว่า “ให้ฉันตรวจสอบรายละเอียดสัญญาของคุณ “จากนั้นค้นหารายละเอียดสัญญาและตรวจสอบว่าลูกค้าเห็นด้วยหรือไม่ว่าสามารถอัปเดตรูปภาพโปรไฟล์ได้

หากเห็นด้วยว่าผู้สมัครสามารถทำได้ ให้ตอบว่า “ใช่ ฉันจะอัปเดตให้คุณได้ คุณสามารถส่งรูปภาพใหม่มาได้ไหม” เมื่อได้รับรูปภาพแล้ว ให้อัปเดตโปรไฟล์ของผู้สมัครให้สอดคล้องกัน หากสัญญาไม่รวมการเปลี่ยนแปลงรูปภาพโปรไฟล์ ให้พูดว่า “ขออภัยไม่สามารถทำได้ ให้ฉันส่งคุณไปยังตัวแทนที่เป็นมนุษย์”

คำสั่งที่ 3: โปรไฟล์ที่ไม่ใช่พรีเมียม: หากลูกค้าระบุโปรไฟล์ที่ไม่ใช่โปรไฟล์พรีเมียม ให้ตอบกลับด้วย “คุณไม่สามารถอัปเดตรูปภาพของคุณได้ หากคุณต้องการทำเช่นนั้น โปรดแจ้งให้เราทราบและฉันจะส่งต่อคุณไปยังตัวแทนที่เป็นมนุษย์”

คำสั่งที่ 4: หากประเภทโปรไฟล์ไม่ชัดเจน ให้ตอบกลับด้วย “ฉันไม่เข้าใจประเภทโปรไฟล์ของคุณ”

สิ่งที่ต้องทำแทน

แทนที่จะใช้การจัดการที่จู้จี้ประเภทนี้ ให้ใช้แนวทางที่ยืดหยุ่นมากขึ้นซึ่งจะสั่งมีพฤติกรรมและดำเนินการของตัวแทน พิจารณาแนวทางปฏิบัติที่ดีที่สุดต่อไปนี้:

1. ใช้การดำเนินการ RAG/Knowledge สำหรับนโยบายและกฎที่มีอยู่ในบทความ Knowledge (แทนที่จะเขียนเป็นคำสั่ง) ข้อมูลที่เกี่ยวข้องจะถูกดึงมาในเวลาที่เหมาะสม สำหรับตัวอย่างข้างต้น นั่นหมายความว่าบทความ Knowledge ที่มีชื่อว่า “การอัปเดตรูปภาพ” ควรระบุว่า: “เฉพาะผู้สมัครที่มีโปรไฟล์พรีเมียมที่สัญญาอนุญาตให้เปลี่ยนแปลงรูปภาพเท่านั้นที่สามารถอัปเดตรูปภาพของตนได้”
2. กำหนดแนวทางหลักและแนวทางป้องกันแยกจากกัน โดยไม่ขึ้นอยู่กับการสนทนา ให้คำอธิบายที่ชัดเจนและกระชับแก่ตัวแทนเกี่ยวกับพฤติกรรมหรือขั้นตอนที่คาดว่าจะเกิดขึ้น

ตามแนวทางปฏิบัติที่ดีที่สุดเหล่านี้ชุดคำสั่งที่ดีกว่าอาจมีลักษณะดังนี้:

คำสั่งที่ 1: : “ใช้การดำเนินการให้ความรู้เพื่อตรวจสอบนโยบายในกรณีที่มีคำขอเปลี่ยนแปลงบัญชี”

คำสั่งที่ 2: : “อย่าตอบคำถามที่ไม่พบนโยบายที่เกี่ยวข้อง”

การใช้แนวทางข้างต้นสามารถปรับปรุงผลลัพธ์ของตัวแทนได้ ตอนนี้ หากลูกค้าขอให้ตัวแทนทำการเปลี่ยนแปลงโปรไฟล์ ตัวแทนจะเข้าใจว่าจำเป็นต้องดึงข้อมูลนโยบายที่จำเป็นจากฐาน Knowledge, ตีความกฎที่ดึงข้อมูลมา, ใช้กฎเหล่านั้นกับบริบท และในที่สุดก็ตอบกลับลูกค้า ในทางตรงกันข้ามกับงการเขียนสคริปต์มากเกินไป แนวทางเชิงพฤติกรรมนี้เป็นแนวทางทั่วไปและใช้ได้อย่างกว้างขวางมากขึ้น ไม่ต้องเขียนการสนทนาที่เป็นไปได้แต่ละครั้ง ตอนนี้ตัวแทนสามารถตอบสนองได้อย่างยืดหยุ่นด้วยพฤติกรรมที่ต้องการไปยังหัวข้อการสนทนาที่หลากหลายยิ่งขึ้น

บังคับใช้ลำดับการดำเนินการ

พร้อมท์การสังเกตการณ์ประกอบด้วยคำสั่งและคำอธิบายการดำเนินการ แต่ไม่มีคำสั่งที่กำหนดไว้ หากลำดับของการดำเนินการมีความสำคัญ จะต้องระบุไว้อย่างชัดเจนภายในคำสั่งเดียวกัน

มาดูตัวอย่างของตัวแทนเว็บไซต์สรรหาบุคลากรกันต่อ ตัวแทนควรสามารถจัดการวางแผนการสัมภาษณ์กับผู้สัมภาษณ์ที่เหมาะสมได้ ในการดำเนินการดังกล่าว ตัวแทนควรตรวจสอบความพร้อมของผู้สรรหาบุคลากรก่อน จากนั้นจึงเสนอเวลาที่เป็นไปได้สามช่วงให้กับผู้สมัคร

ในกรณีนี้เพื่อรักษาลำดับการดำเนินการ คำสั่งไม่ควรอยู่ในกล่องแยกต่างหาก:

1. คำสั่งที่ 1: ตรวจสอบความพร้อมของผู้สัมภาษณ์
2. คำสั่งที่ 2: จากนั้นเสนอช่วงที่เหมาะสมให้กับผู้สมัคร

คำสั่งเหล่านี้ไม่ทำงาน เนื่องจากกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ไม่ทราบว่าข้อความ “จากนั้น” ในคำสั่ง 2 หมายถึงอะไร เนื่องจากคำสั่งจะถูกส่งไปยังกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์เป็นกลุ่มไม่ใช่ตามลำดับใดๆ โดยเฉพาะ

แต่ควรรวมคำสั่งที่กำหนดลำดับไว้ในข้อความเดียวและเขียนเป็น:

1. คำสั่งที่ 1: ตรวจสอบความพร้อมของผู้สัมภาษณ์ จากนั้นเสนอช่วงเวลาที่เหมาะสมให้กับผู้สมัคร

บังคับใช้เอาต์พุตการดำเนินการโดยไม่ต้องเขียนใหม่

กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์เป็น LLM ในตัวเอง มีหน้าที่รับผิดชอบในการสร้างคำตอบสุดท้ายตามลูปของตัวแทน จำเป็นต้องใช้แนวทางในการบังคับใช้คำสั่งของตัวแทนที่ให้แนวทางป้องกันในการสร้างการตอบสนอง หรือรวมเอาต์พุตจากการดำเนินการหลายอย่างที่เป็นส่วนหนึ่งของลูปของตัวแทนเพื่อตอบสนองคำขอของผู้ใช้

อย่างไรก็ตามเมื่อความคาดหวังคือมีการดำเนินการเพียงหนึ่งพร้อมท์ คำสั่งสามารถนำไปใช้เพื่อสั่งให้ตัวแทนไม่เปลี่ยนเอาต์พุตของการดำเนินการได้ การทำเช่นนี้จะช่วยให้มั่นใจได้ถึงพฤติกรรมของตัวแทนที่คาดเดาได้และเชื่อถือได้มากขึ้น

การบังคับใช้การปฏิบัติตามอย่างเคร่งครัดในแม่แบบพร้อมท์ที่ได้รับการอนุมัตินี้ถือเป็นสิ่งสำคัญในบางสถานการณ์ โดยเฉพาะอย่างยิ่งเมื่อความสม่ำเสมอ การปฏิบัติตามข้อบังคับ และการส่งข้อความที่กำหนดไว้ล่วงหน้ามีความสำคัญ นี่คือสองตัวอย่าง:

• อุตสาหกรรมที่มีการควบคุม: องค์กรที่ดำเนินงานในภาคส่วนที่มีการควบคุมสูง (เช่น การเงิน การดูแลสุขภาพ หรือกฎหมาย) มักต้องมีการควบคุมอย่างเข้มงวดในการสื่อสารกับลูกค้าทั้งหมด แม่แบบพร้อมท์ที่ได้รับการอนุมัติ ช่วยให้แน่ใจว่าการตอบกลับสอดคล้องกับข้อกำหนดทางกฎหมายและการกำกับดูแล ลดความเสี่ยงในการตีความผิด ความรับผิด หรือการเผยแพร่ข้อมูลที่ไม่ถูกต้อง
• การตอบกลับที่ทดสอบล่วงหน้าและตรวจสอบแล้ว: เมื่อแม่แบบพร้อมท์ได้รับการทดสอบและการตรวจสอบอย่างเข้มงวดเพื่อให้แน่ใจว่ามีความแม่นยำ มีประสิทธิผล และได้ผลลัพธ์ที่ต้องการ การเบี่ยงเบนจากแม่แบบเหล่านี้อาจบั่นทอนประสิทธิภาพและคุณค่าของแม่แบบได้ การปฏิบัติตามอย่างเคร่งครัดรับประกันว่าข้อความที่ได้รับการพิสูจน์แล้วจะถูกส่งมอบอย่างสม่ำเสมอ

คำสั่งนี้จำกัดอิสระของตัวแทนในการเปลี่ยนแปลงเอาต์พุตของการดำเนินการ ตรวจสอบให้แน่ใจว่าคำสั่งอ้างอิงผลลัพธ์ของแม่แบบพร้อมท์ (เช่น “promptResponse”) ดังที่แสดงในตัวติดตามแผนนี้

ดังนั้นคำสั่งในกรณีนี้อาจเป็น:

“ อย่าเปลี่ยนเอาต์พุต promptResponse ไม่ว่าตัวแทนจะอยู่ในช่องทางใดก็ตาม ”

ข้อจำกัดในการบังคับใช้การปฏิบัติตามอย่างเคร่งครัด:

เมื่อการโต้ตอบกำหนดให้มีการดำเนินการของตัวแทนที่แตกต่างกันหลายรายการ การบังคับใช้การปฏิบัติตามแม่แบบเดียวอย่างเคร่งครัดจะไม่สามารถทำได้ ในความเป็นจริง ในสถานการณ์นี้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จำเป็นต้องรวบรวมการดำเนินการเหล่านี้ไว้ในคำตอบเดียว ดังนั้นจึงต้องเปลี่ยนแปลงผลลัพธ์การดำเนินการแต่ละรายการ

จำนวนคำสั่งที่เหมาะสมที่สุด

ตามลักษณะ LLM ทั่วไป จำนวนคำสั่งเป้าหมายจะอยู่ระหว่าง 5 ถึง 10 ขึ้นอยู่กับความซับซ้อนของคำสั่งและการโต้ตอบคำสั่ง ลักษณะคำสั่งเหล่านี้มีอิทธิพลต่อจำนวนคำสั่งที่กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ามารถปฏิบัติตามได้:

• ความชัดเจนและความเฉพาะเจาะจง: กฎที่กำหนดไว้อย่างชัดเจนนั้นง่ายต่อการปฏิบัติตาม
• ความขัดแย้งระหว่างกฎ: หากกฎนั้นมีความขัดแย้งกันเอง จำเป็นต้องมีตรรกะเพิ่มเติมเพื่อแก้ไขปัญหาเหล่านั้น
• ความยาวและความซับซ้อน: หากแต่ละกฎต้องการการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์เชิงลึก ให้พิจารณาแบ่งกฎออกเป็นคำสั่งขนาดเล็ก

หากคำสั่งมีความสำคัญมากที่จะต้องปฏิบัติตามอย่างชัดเจน ให้เพิ่มคำที่สะท้อนถึงความสำคัญของคำสั่งเหล่านั้น:

• ความเร่งด่วนและความสำคัญ (ทันที เร่งด่วน สำคัญ จำเป็น ต้องมี)
• การอนุญาตและการบังคับใช้ (จำเป็น บังคับ บังคับใช้อย่างเคร่งครัด)
• ผลที่ตามมาและคำเตือน (การละเมิดจะส่งผลให้ การไม่ปฏิบัติตามข้อบังคับจะนำไป สู่การไม่ปฏิบัติตามอาจส่งผลให้มีการใช้บทลงโทษที่เข้มงวด ไม่ยอมรับเด็ดขาด)
• ความชัดเจนและความตรงไปตรงมา (ต้อง เป็นสิ่งต้องห้าม ไม่ได้รับอนุญาต เสมอ/ไม่เคย)

การสร้างรากฐานคำตอบให้กับข้อมูล ช่วยเพิ่มความมั่นคงและความน่าเชื่อถือของตัวแทนได้อย่างมาก การตอบสนองที่มีรากฐานจะขึ้นอยู่กับข้อมูลที่เป็นข้อเท็จจริง แทนที่จะเป็นการคาดเดาหรือความรู้ที่ล้าสมัย การสร้างโดยการเสริมจากภายนอก (RAG) ของ Retri เป็นเทคนิคที่นำมาใช้กันอย่างแพร่หลาย ซึ่งช่วยให้ตัวแทนสามารถเข้าถึงและใช้ฐานความรู้เพื่อกำหนดคำตอบที่แม่นยำและเกี่ยวข้องกับบริบทมากขึ้น ตัวแทนใช้ RAG เพื่อดึงข้อมูลที่เกี่ยวข้องจากแหล่งข้อมูลที่เกี่ยวข้อง จากนั้นเพิ่มพร้อมท์ด้วยข้อมูลนี้ก่อนที่จะส่งไปยัง LLM โดยอิงตามคำถามของผู้ใช้ ตัวแทนที่ใช้ RAG มีคุณภาพ ความแม่นยำ และประโยชน์โดยรวมของการโต้ตอบของตัวแทนสูงกว่า ซึ่งจะช่วยเพิ่มความมั่นใจและความพึงพอใจของผู้ใช้ แนวทางปฏิบัติที่ดีที่สุดสำหรับ RAG ได้รับการอธิบายอย่างกว้างขวางในเอกสารข้อมูลที่เปิดเผยต่อสาธารณะที่เรียกว่า Agentforce และ RAG: แนวทางปฏิบัติที่ดีที่สุดสำหรับตัวแทนที่ดีขึ้น

ความรู้เทียบกับคำสั่ง

การแยกแยะระหว่างความรู้และคำสั่งเป็นสิ่งสำคัญ เมื่อต้องสร้างสมดุลที่เหมาะสมระหว่างคำแนะนำและความยืดหยุ่นเมื่อบรรลุวัตถุประสงค์ที่แตกต่างกัน:

• ความรู้: ลองนึกถึงความรู้ในฐานะห้องสมุดห ที่ตัวแทนสามารถเข้าถึงได้ในขณะที่สร้างคำตอบ ตัวอย่างเช่น เอกสารบทความให้ความรู้และเอกสารข้อมูล โปรดทราบว่าอาจรวมถึงนโยบายและกฎทั่วไปของบริษัท ความรู้อาจหมายถึงไฟล์ธุรกรรม เช่น อีเมล บันทึกการโทร และแม้แต่ประวัติการสนทนา (ตัวแทน) ท้ายที่สุด ความรู้จะรวมฟิลด์ข้อความยาวในข้อมูลที่มีโครงสร้าง โดยทั่วไปความรู้จะถูกนำไปยังตัวแทนผ่าน RAG
• คำสั่ง: ลองนึกถึงคำสั่งว่าเป็นชุดกฎขั้นต่ำ ที่ชี้แจงให้ตัวแทนทราบว่าควรใช้การดำเนินการแต่ละอย่างเมื่อใด คำสั่งยังอาจกำหนดแนวทางป้องกันไว้ในการสนทนาทั้งหมด เช่น โทนเสียงที่ต้องใช้ บ่อยครั้งที่คำสั่งสามารถทำให้กระชับและยืดหยุ่นมากขึ้น โดยไม่สูญเสียความชัดเจนหรือจุดประสงค์ แทนที่จะให้สคริปต์ที่เข้มงวดพร้อมการตอบสนองที่เฉพาะเจาะจงสำหรับทุกสถานการณ์ของลูกค้าที่เป็นไปได้ ให้พิจารณานำแนวปฏิบัติและหลักการทั่วไปมาใช้ ซึ่งช่วยให้ตัวแทนเลือกการดำเนินการที่ถูกต้องในสถานการณ์ต่างๆ ได้

การสร้างโดยการเสริมจากภายนอก (RAG)

การสร้างโดยการเสริมจากภายนอก (RAG) ทำหน้าที่เป็นเลเยอร์ข้อมูลอัจฉริยะสำหรับองค์ความรู้ ช่วยให้ตัวแทนสามารถเข้าถึงข้อมูลได้ในรูปแบบต่างๆ และระบุส่วนของข้อความที่เกี่ยวข้องสำหรับการตอบคำถาม RAG จะทำให้ตัวแทนได้รับการตอบสนองของ LLM ที่แม่นยำยิ่งขึ้น โดยไม่ทำให้พร้อมท์ LLM มีเนื้อหาที่ไม่เกี่ยวข้องมากเกินไปหรือเกินหน้าต่างบริบท

ในขณะที่ทำงาน RAG จะดำเนินการสามขั้นตอน:

1. การดึงข้อมูล: ระบบ AI จะค้นหาฐานข้อมูลขนาดใหญ่หรือแหล่งความรู้เพื่อรวบรวมข้อมูลที่เกี่ยวข้องสำหรับพร้อมท์ LLM ซึ่งทำได้โดยใช้การค้นหาความหมาย ซึ่งเป็นเทคนิคที่ซับซ้อนกว่าเมื่อเทียบกับการค้นหาตามคีย์เวิร์ดแบบดั้งเดิม การค้นหาความหมายจะเข้าใจความหมายหรือบริบทเบื้องหลังคำ ต่างจากการค้นหาตามคีย์เวิร์ดแบบดั้งเดิม ซึ่งต้องตรงกับคำทั้งตัวอักษร ระบุข้อมูลที่เกี่ยวข้องตามแนวคิดหรือความสัมพันธ์ระหว่างคำ แทนที่จะมองหาคำที่ตรงกันทุกตัวอักษร การค้นหาตามคีย์เวิร์ดสามารถมีบทบาทในกระบวนการดึงข้อมูลนี้ได้เช่นกัน จะช่วยเพิ่มประสิทธิภาพให้กับการค้นหาเชิงความหมายด้วยการจับคู่คีย์เวิร์ดกับคำศัพท์หรือชื่อเฉพาะ ประเภทการค้นหานี้เรียกว่าการค้นหาแบบไฮบริด
2. การเสริม: ข้อมูลที่ดึงมาจะถูกเพิ่มลงในพร้อมท์
3. การสร้าง: LLM สร้างการตอบสนองที่เหมาะสมตามบริบทและแม่นยำยิ่งขึ้นด้วยพร้อมท์ที่ได้รับการเสริมด้วยความรู้ที่ดึงมา

ใน Agentforce สามารถใช้ RAG ได้โดยมีหรือไม่มีแม่แบบพร้อมท์:

1. RAG ตามพร้อมท์: ในแนวทางนี้ คำสั่งที่ระบุวิธีสร้างการตอบกลับจะอยู่ในคำสั่งพร้อมท์ในแม่แบบพร้อมท์ ในกรณีนี้ การตอบสนองจะขึ้นอยู่กับสิ่งที่ LLM สร้างขึ้นทั้งหมด นอกเหนือจากคำสั่งพร้อมท์แล้ว ยังมีวิธีที่จะมีอิทธิพลต่อการตอบสนอง เช่น การตั้งค่าการกำหนดค่า LLM ใน Einstein Studio แต่ผลลัพธ์ยังคงไม่เป็นนิยัตินิยม
2. RAG ตามกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์: แทนที่จะใช้แม่แบบพร้อมท์ ตัวแทนจะใช้การดำเนินการที่ดึงข้อมูลส่วนต่างๆ (ผ่านโฟลว์หรือคลาส Apex) และจัดเก็บไว้ในตัวแปร (ดูส่วนถัดไป) ในแนวทางนี้ กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ (แทนที่จะเป็น LLM) จะสร้างคำตอบโดยตรงโดยอิงจากข้อมูลที่ดึงมา คำสั่งที่ควบคุมการสร้างการตอบกลับเป็นคำสั่งของตัวแทน แทนที่จะเป็นคำสั่งแม่แบบพร้อมท์ ตัวแปรที่มีเนื้อหาที่ดึงมายังสามารถส่งผ่านเป็นอินพุตไปยังการดำเนินการได้อย่างชัดเจน นอกจากนี้ ยังสามารถมอบให้กับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ได้โดยให้สิทธิ์การเข้าถึงเนื้อหาของตัวแปรเริ่มต้น แนวทางนี้มีสิ่งที่ต้องแลก มีความเสี่ยงที่อาจเกิดขึ้นจากการโอเวอร์โหลดกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ด้วยเนื้อหาและความรับผิดชอบ ยิ่งไปกว่านั้น พารามิเตอร์ LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ไม่สามารถกำหนดค่าได้ ซึ่งต่างจากพร้อมท์ ในทางกลับกัน กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์กลับสามารถสร้างคำตอบได้โดยใช้ทั้งกลุ่มที่ดึงข้อมูลมา รวมถึงประวัติการสนทนา

วิธีที่แนะนำคือตัวเลือกที่ 1 ซึ่งจะช่วยลดจำนวนงานที่กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ควรดำเนินการและปรับปรุงคุณภาพคำตอบ ส่วนถัดไปจะสำรวจข้อยกเว้นของกฎนี้ ซึ่งเนื้อหาจะได้รับการเก็บรักษาไว้ตลอดการสนทนาทำให้ได้รับการดำเนินการอย่างชัดเจน

แนวทางปฏิบัติที่ดีที่สุดของ RAG

• การหลีกเลี่ยงคำสั่ง RAG ที่มีสคริปต์: แทนที่จะเชื่อมโยงคำสั่งโดยตรงกับบทความเฉพาะสำหรับคำถามที่เฉพาะเจาะจง ให้ใช้ประโยชน์จากความชาญฉลาดของ RAG เพื่อค้นหาแหล่งข้อมูลที่เกี่ยวข้องมากที่สุดและส่วนข้อความที่แม่นยำแบบไดนามิก กระบวนการจับคู่ของ RAG ขึ้นอยู่กับความเข้าใจที่กว้างขึ้นเกี่ยวกับคำถาม ไม่ใช่แค่การแมปคำถามกับแหล่งที่มาที่แน่นอน
• การรวมหัวข้อ: จัดกลุ่มหมวดหมู่คำถามที่เกี่ยวข้องภายใต้หัวข้อเดียว RAG สามารถระบุคำตอบที่เกี่ยวข้องได้อย่างมีประสิทธิภาพตามประเภทคำถาม แม้จะอยู่ในหัวข้อที่กว้างขึ้นก็ตาม ตัวอย่างเช่น ปัญหาผลิตภัณฑ์เช่นการบำรุงรักษาและปัญหาแบตเตอรี่สามารถรวบรวมเป็นหัวข้อที่ครอบคลุมมากขึ้นได้

การจัดเก็บเอาต์พุต RAG ในตัวแปร: เมื่อถึงขีดจำกัดการโต้ตอบแล้ว ให้จัดเก็บเอาต์พุต RAG ไว้ในตัวแปร วิธีนี้จะช่วยให้สามารถเข้าถึงข้อมูลเพื่อแนะนำการโต้ตอบของตัวแทนที่มากกว่าเกณฑ์มาตรฐานได้ ตัวอย่างของสิ่งนี้จะมีให้ในส่วนถัดไป

กระบวนการทางธุรกิจบางอย่างต้องการการดำเนินการที่คาดการณ์ได้มากขึ้น เช่น การบังคับใช้ลำดับการดำเนินการหรือเงื่อนไขเฉพาะสำหรับการเรียกใช้การดำเนินการหรือหัวข้อ

สามารถใช้ตัวแปรได้เพื่อให้บรรลุพฤติกรรมแบบนิยัตินิยมนี้ ตัวแปรทำหน้าที่เป็นรูปแบบที่มีโครงสร้างของหน่วยความจำตัวแทนระยะสั้นที่สามารถทำหน้าที่เป็นอินพุตหรือเอาต์พุตการดำเนินการ นอกจากนี้ สถานะของตัวแปรยังสามารถควบคุมการเรียกใช้หัวข้อและการดำเนินการเฉพาะได้อีกด้วย

วิธีที่ตัวแปรสนับสนุนนิยัตินิยม

ตัวแปรสามารถช่วยให้บรรลุนิยัตินิยมแบบมีคำแนะนำของตัวแทนได้ด้วยวิธีต่อไปนี้:

1. การสร้างรากฐานแบบไดนามิก: ตัวแปรช่วยให้ตัวแทนสามารถอัปเดตความเข้าใจของตนเกี่ยวกับโลกได้อย่างต่อเนื่อง ในขณะที่ยังคงรักษาข้อมูลสำคัญที่ยังคงไม่ได้รับผลกระทบจากการโต้ตอบในภายหลังใดๆ ได้ วิธีนี้ช่วยให้มั่นใจได้ว่าข้อมูลที่สำคัญ ซึ่งสามารถดึงข้อมูลที่ไม่มีโครงสร้างผ่าน RAG หรือข้อมูลที่มีโครงสร้าง เช่น ข้อมูลโปรไฟล์ผู้ใช้ จะได้รับการเก็บรักษาไว้ตลอดการสนทนาโดยไม่อิงกับระยะเวลาการสนทนา
2. อินพุต/เอาต์พุตการดำเนินการ: สามารถใช้ตัวแปรเป็นทั้งอินพุตและเอาต์พุตสำหรับการดำเนินการได้ การดำเนินการนี้หมายถึงตัวแปรอย่างชัดเจน และการดำเนินการไม่ได้ขึ้นอยู่กับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ในการตั้งค่าอินพุตและเอาต์พุตเหล่านี้ ซึ่งจะเพิ่มนิยัตินิยมของตัวแทน
3. การกรอง: สามารถใช้ตัวแปรเพื่อกำหนดการดำเนินการตามเงื่อนไขของการดำเนินการหรือหัวข้อ ตัวแปรช่วยให้มีโฟลว์ข้อมูลที่เฉพาะเจาะจงระหว่างการดำเนินการและนิยัตินิยมไว้ในการดำเนินการ ความสามารถนี้มีความสำคัญอย่างยิ่งสำหรับกฎความปลอดภัยที่ไม่สามารถเริ่มต้นการดำเนินการได้ หากตัวแปรอินพุตที่เฉพาะเจาะจง เช่น อีเมลไม่ได้รับการตรวจสอบ

ประเภทของตัวแปรใน Agentforce

Agentforce มีตัวแปรสองประเภท:

• ตัวแปรบริบทเป็นตัวแปรที่ระบบสร้างขึ้น ซึ่งเก็บข้อมูลเกี่ยวกับผู้ใช้และเซสชันการสนทนา
• ผู้ใช้สามารถสร้างอินสแตนซ์ตัวแปรที่กำหนดเองได้ ซึ่งจะเก็บข้อมูลประเภทใดก็ได้ที่ใช้กับหนึ่งในสามวิธีที่ตัวแปรสนับสนุนนิยัตินิยม

ประเภทตัวแปรรองรับความสามารถต่อไปนี้:

มาเจาะลึกตัวแปรเพิ่มเติมด้วยกรณีการใช้งานตัวอย่าง: ตัวแทนการแก้ไขปัญหาที่ติดต่อกับลูกค้า ในตัวอย่างนี้ ตัวแปรจะถูกใช้เพื่อวัตถุประสงค์ทั้งสามประการ ได้แก่ การสร้างรากฐานแบบไดนามิกต่อเนื่อง อินพุต/เอาต์พุตการดำเนินการ และการกรอง

ในตัวอย่างนี้ ตัวแทนจะช่วยลูกค้าแก้ไขปัญหาอุปกรณ์ทางเทคนิค การแก้ไขปัญหาโดยทั่วไปเกี่ยวข้องกับการดำเนินการหลายขั้นตอน ตัวแทนควรเสนอประสบการณ์การบริการที่เลียนแบบการทำงานของตัวแทนบริการที่เป็นมนุษย์ ในการดำเนินการดังกล่าว ตัวแทนไม่ควรให้ขั้นตอนการแก้ไขปัญหาทั้งหมดแก่ลูกค้าในครั้งเดียว แต่ควรเสนอคำแนะนำแบบทีละขั้นตอน ควบคู่ไปกับความสามารถในการดำเนินการระหว่างขั้นตอนต่างๆ (รวมถึงการกลับไปยังขั้นตอนที่ครอบคลุมก่อนหน้านี้) โดยอิงตามวิธีที่ลูกค้าตอบสนอง

ความท้าทายประการหนึ่งคือความสามารถของตัวแทนในการรักษาขั้นตอนการแก้ไขปัญหาทั้งหมดตลอดการสนทนา เนื่องจากหน่วยความจำที่จำกัดของตัวแทน เนื่องจากจำนวนการโต้ตอบที่จำกัดจึงสามารถจัดเก็บได้ ขั้นตอนเหล่านี้สามารถลดลงจากบริบทของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ได้ หากการสนทนายาวขึ้น

วิธีแก้ไขปัญหานี้คือการใช้ตัวแปรเพื่อสร้างกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์แบบไดนามิกในขั้นตอนการแก้ไขปัญหา การดึงข้อมูลและจัดเก็บไว้ในตัวแปรจะยังคงพร้อมใช้งานและสามารถอัปเดตได้ตลอดการสนทนา กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะใช้ข้อมูลที่จัดเก็บไว้ในตัวแปรนี้สำหรับการสร้างรากฐานแบบไดนามิก

ในตัวอย่างนี้ หัวข้อจะมีการดำเนินการสองแบบ การดำเนินการทั้งสองนี้จำเป็นต่อการรักษาโฟลว์ข้อมูลที่สอดคล้องกัน การดำเนินการแรกใช้เพื่อเติมข้อมูลตัวแปรที่มีขั้นตอนการแก้ไขปัญหาทั้งหมด การดำเนินการที่สองจะใช้ตัวแปรดังกล่าวในระหว่างการแก้ไขปัญหา

1. การดำเนินการที่ 1: “เติมข้อมูลขั้นตอนการแก้ไขปัญหา” นี่คือการดำเนินการเริ่มต้น ซึ่งเรียกใช้โดยการแนะนำปัญหาครั้งแรกของตัวแทน ใช้การสร้างโดยการเสริมจากภายนอก (RAG) เพื่อดึงขั้นตอนการแก้ไขปัญหาที่จำเป็นทั้งหมดออกจากฐาน Knowledge ที่ทำดัชนีไว้ การดำเนินการจะจัดเก็บเอาต์พุตผลลัพธ์ในตัวแปรที่ชื่อว่า ‘ขั้นตอนการแก้ไขปัญหา’
2. การดำเนินการที่ 2: “ใช้ในระหว่างการแก้ไขปัญหา” นี่คือการดำเนินการตามพร้อมท์ที่แสดงขั้นตอนการแก้ไขปัญหาถัดไปที่มีแนวโน้มมากที่สุดที่จะใช้ในระหว่างกระบวนการแก้ไขปัญหา ตัวแทนได้รับคำสั่งให้ใช้การดำเนินการนี้ในระหว่างการแก้ไขปัญหา

คำถามเดิมของลูกค้าคือการป้อนข้อมูลการดำเนินการทั้งสอง การดำเนินการที่สองมีอินพุตอื่น: เนื้อหาของตัวแปร “ขั้นตอนการแก้ไขปัญหา” ตัวแปรนี้ถูกกำหนดโดยการดำเนินการแรก โปรดทราบว่าการดำเนินการที่สองจะไม่ดึงขั้นตอนการแก้ไขปัญหาออกมาเอง แต่จะรับข้อมูลเหล่านี้เป็นอินพุตจากการดำเนินการแรกผ่านตัวแปรแทน แผนภาพต่อไปนี้แสดงโฟลว์ข้อมูลระหว่างการดำเนินการทั้งสอง

การดำเนินการ ‘ใช้ในระหว่างการแก้ไขปัญหา’ จะอ้างอิงถึงขั้นตอนการแก้ไขปัญหาเดิมที่ได้รับจากการดำเนินการตามขั้นตอนการแก้ไขปัญหาเสมอ โฟลว์ข้อมูลนี้ช่วยให้มั่นใจได้ว่าขั้นตอนการแก้ไขปัญหาจะได้รับการดูแลอย่างสอดคล้องกันและมีอยู่เสมอ โดยไม่ขึ้นกับระยะเวลาของการสนทนา

ในการดำเนินการตามที่กำหนดไว้ในตัวอย่างนี้จำเป็นต้องมีคำสั่งเฉพาะ เช่น “ดำเนินการ ‘เติมข้อมูลขั้นตอนการแก้ไขปัญหา’ ก่อนเสมอ” อย่างไรก็ตาม เนื่องจากลักษณะที่ไม่แน่นอนของ LLM ที่ตัวแทนใช้จึงอาจส่งผลให้เกิดลำดับที่แตกต่างกันในบางกรณี เพื่อให้แน่ใจว่ามีคำสั่งการดำเนินการแบบนิยัตินิยม เราจึงแนะนำตัวกรองแบบมีเงื่อนไขบนตัวแปรเหล่านี้เพื่อบังคับใช้ลำดับการดำเนินการที่เหมาะสม ตัวแทนจะอ่านค่าของตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ และกำหนดตัวกรองสองตัวโดยอิงจากว่าตัวแปรนี้มีค่าหรือไม่

• สามารถดำเนินการขั้นตอนการแก้ไขปัญหาได้เฉพาะเมื่อตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ ว่างเปล่า
• สามารถดำเนินการ ‘ใช้ในระหว่างการแก้ไขปัญหา’ ได้ก็ต่อเมื่อมีการเติมตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ เท่านั้น

ตอนนี้ตัวกรองแบบมีเงื่อนไขเหล่านี้จะบังคับใช้ลำดับการดำเนินการอย่างแน่นอน: ‘.ช้ในระหว่างการแก้ไขปัญหา’ ต้องรอจนกว่า ‘ขั้นตอนการแก้ไขปัญหา’ จะเสร็จสิ้นการทำงาน จึงรับประกันได้ว่าตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ จะมีค่าเสมอ

เพื่อให้แน่ใจว่าการดำเนินการนั้นถูกต้อง จึงจำเป็นต้องมีการดำเนินการที่สามเพื่อรีเซ็ตตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ หากปัญหาได้รับการแก้ไขอย่างครบถ้วน ด้วยเหตุนี้ ตัวแทนจึงถูกรีเซ็ตกลับสู่สถานะที่จำเป็นเพื่อช่วยแก้ไขปัญหาใหม่ที่แตกต่าง ซึ่งอาจเกิดขึ้นได้ การดำเนินการที่สามนี้เรียกว่า ‘ล้างตัวแปรการแก้ไขปัญหา’ แผนภาพการดำเนินการทั้งหมดแสดงอยู่ด้านล่าง

ตัวแปรมีความสำคัญต่อการช่วยให้ตัวแทนการแก้ไขปัญหาของเราสามารถแก้ไขปัญหาของลูกค้าได้โดย:

• การสร้างรากฐานแบบไดนามิก ตัวแปรจะจัดเก็บขั้นตอนการแก้ไขปัญหา เพื่อให้แน่ใจว่าสามารถใช้งานได้ตลอดการสนทนา โดยไม่คำนึงถึงระยะเวลาหรือจำนวนการโต้ตอบ วิธีนี้จะช่วยป้องกันไม่ให้ตัวแทนลืมบริบท
• โฟลว์ข้อมูล: ตัวแปรช่วยอำนวยความสะดวกโฟลว์ข้อมูละหว่างการดำเนินการ ตัวอย่างเช่น ตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ จะจัดเก็บขั้นตอนการแก้ไขปัญหาที่ดึงมาจากการดำเนินการขั้นตอนการแก้ไขปัญหา และเป็นอินพุตของการดำเนินการใช้ในระหว่างการแก้ไขปัญหา
• นิยัตินิยม: สามารถใช้ตัวแปรเป็นตัวกรองเพื่อบังคับใช้ลำดับการดำเนินการที่เฉพาะเจาะจงได้ ตัวอย่างเช่น การดำเนินการในระหว่างการแก้ไขปัญหาจะดำเนินการก็ต่อเมื่อมีการเติมตัวแปรขั้นตอนการแก้ไขปัญหาแล้วเท่านั้น เพื่อให้แน่ใจว่าการดำเนินการขั้นตอนการแก้ไขปัญหาจะทำงานก่อน

ในยุคของ AI การสร้างนั้น AI เชิงคาดการณ์ยังคงมีความสำคัญอย่างยิ่งในการสร้างระบบอัจฉริยะพื้นฐานที่เป็นแนวทาง ปรับปรุง และปรับบริบทความสามารถในการสร้าง แม้ว่า AI การสร้างจะมุ่งเน้นไปที่การสร้างเนื้อหาใหม่ เช่น ข้อความ รูปภาพ หรือวิดีโอ แต่โมเดลเชิงคาดการณ์จะทำการคาดการณ์เกี่ยวกับอนาคตโดยอิงจากอินพุตจากข้อมูลธุรกิจแบบเรียลไทม์ ตัวอย่างผลลัพธ์ทางธุรกิจ ได้แก่ ความเป็นไปได้ของลูกค้าที่จะเปลี่ยนใจ ความเป็นไปได้ของคอนเวอร์ชัน ความเป็นไปได้ในการยกระดับเคส มูลค่าตลอดอายุการใช้งานของลูกค้า และการจำแนกประเภทเคส การคาดการณ์สามารถช่วยคาดการณ์ความต้องการของผู้ใช้ ปรับแต่งเอาต์พุตแบบเฉพาะบุคคล กำหนดการตัดสินใจ เพิ่มประสิทธิภาพความเกี่ยวข้องของเนื้อหาแบบเรียลไทม์ โดยทั้งหมดนี้ทำได้โดยการวิเคราะห์แนวโน้มและตัวเลข ตัวอย่างเช่น ในแอปพลิเคชันอย่างการเรียนรู้แบบเฉพาะบุคคล การดูแลสุขภาพ หรือการวางแผนทางการเงิน AI เชิงคาดการณ์ช่วยให้แน่ใจว่าผลลัพธ์เชิงสร้างสรรค์สอดคล้องกับบริบทของแต่ละบุคคลและสถานการณ์ในอนาคตที่อาจเกิดขึ้น รวม AI เชิงคาดการณ์และการสร้างเข้าด้วยกันเพื่อสร้างการทำงานร่วมกันที่ทรงพลังผสานการมองการณ์ไกลเข้ากับความคิดสร้างสรรค์ เพื่อขับเคลื่อนโซลูชันเทคโนโลยีที่ชาญฉลาด ปรับตัวได้ และมีประสิทธิภาพมากขึ้น

วิธีบูรณาการเอาต์พุตโมเดลเชิงคาดการณ์เข้ากับเวิร์กโฟลว์ของตัวแทน

หากต้องการรวมเอาต์พุตโมเดลเชิงคาดการณ์ไว้ในเวิร์กโฟลว์ของตัวแทนเพียงเพิ่มการดำเนินการโมเดลเชิงคาดการณ์ลงในแอสเซท Agentforce ตัวสร้างโมเดลมีวิธีการสร้างหรือลงทะเบียนโมเดลเชิงคาดการณ์ (BYO) จากนั้นตัวแทนจะใช้โมเดลเหล่านี้เพื่อทำการคาดการณ์ สามารถจัดเก็บการคาดการณ์ผลลัพธ์ (รวมถึงตัวคาดการณ์) ไว้ในตัวแปรที่กำหนดเองได้ ตัวแทนสามารถใช้ค่าตัวแปรเหล่านี้เป็นอินพุตไปยังและปรับแต่งการดำเนินการการดำเนินการและหัวข้อเฉพาะได้

ตัวอย่างกรณีการใช้งานที่บูรณาการเข้ากับโมเดลเชิงคาดการณ์

• การแบ่งส่วน: ดำเนินการจำแนกประเภทหลายคลาสสำหรับการแบ่งกลุ่มลูกค้า และใช้ส่วนผลลัพธ์เพื่อกรองการดำเนินการที่เจาะจง เช่น สำรองการดำเนินการพรีเมียมสำหรับลูกค้าระดับพรีเมียม
• โอกาสในการยกระดับ: คาดการณ์ความเป็นไปได้ในการยกระดับสำหรับเคสบริการ หากความเป็นไปได้นี้เกินเกณฑ์ที่กำหนด อนุญาตให้ดำเนินการที่แก้ไขเคสได้เร็วขึ้นหรือส่งต่อเคสไปยังตัวแทนที่เป็นมนุษย์ได้เร็วขึ้น
• CPG: วางแผนโปรโมชันเฉพาะเมื่อการเพิ่มยอดขาย (คะแนนที่คำนวณโดยโมเดลเชิงคาดการณ์) เกินเกณฑ์ที่กำหนดเท่านั้น
• การพาณิชย์: เสนอผลิตภัณฑ์เฉพาะเมื่อแนวโน้มที่จะซื้อเกินเกณฑ์ที่กำหนดเท่านั้น

กระบวนการทางธุรกิจบางอย่างจำเป็นต้องดำเนินการตามคำสั่งที่แม่นยำ และไม่จำเป็นต้องมีอินพุตผู้ใช้ในระหว่างการดำเนินการ ในกรณีนี้ สามารถบังคับใช้ขั้นตอนที่กำหนดไว้ล่วงหน้าผ่านโฟลว์, API หรือ Apex ได้ หากคุณมีโฟลว์อยู่แล้วซึ่งต้องใช้งานในการผลิต ตัวแทนสามารถเก็บและใช้โฟลว์นั้นเพื่อดำเนินการตามกระบวนการทางธุรกิจดังกล่าวได้ ซึ่งถือเป็นข้อบ่งชี้ที่ดี ตัวอย่างทั้งหมดต่อไปนี้รวมถึงลำดับขั้นตอนที่กำหนดไว้ล่วงหน้า ซึ่งตัวแทนสามารถดำเนินการได้โดยไม่ต้องมีอินพุตผู้ใช้ พฤติกรรมของตัวแทนในกรณีนี้ ประกอบด้วยการระบุกระบวนการแบบนิยัตินิยมที่จะดำเนินการ วิธีการรวบรวมอินพุตที่จำเป็น และวิธีการตีความและประมวลผลผลลัพธ์

กระบวนการทางธุรกิจที่มีขั้นตอนตามลำดับหลายขั้นตอน (โดยหลักการแล้วมากกว่าสามขั้นตอน) และการพึ่งพาตัวแปรจำนวนมากกลายเป็นเรื่องซับซ้อนเกินไปและยุ่งยากในการบังคับใช้ด้วยคำสั่ง ในกรณีนี้สามารถทำการฮาร์ดโค้ดได้ โดยใช้ประเภทการดำเนินการแบบนิยัตินิยมที่ระบุไว้ในส่วนนี้ สุดท้ายโปรดทราบว่าการนำไปใช้เหล่านี้ อาจรวมถึงองค์ประกอบที่ไม่แน่นอน เช่น การเรียกใช้ LLM ด้วยแม่แบบพร้อมท์ที่ได้รับการแก้ไขแล้ว ดังนั้นจึงไม่จำเป็นต้องเป็นแบบนิยัตินิยมโดยสมบูรณ์ตั้งแต่ต้นจนจบ และยังสามารถแสดงให้เห็นถึงระดับความราบรื่นที่ต้องการซึ่งตัวแทนเป็นที่รู้จัก

ลำดับขั้นตอนในเส้นทางการตลาดจะถูกกำหนดโดยกฎตายตัว และไม่อิงจากอินพุตการสนทนาของผู้ใช้ ดังนั้นจึงสามารถใช้โฟลว์เป็นการดำเนินการ Agentforce ได้ สามารถสร้างการดำเนินการที่สามารถเรียกได้เพื่อทำงานเบื้องหลังหรืองานที่เรียกใช้เหตุการณ์ให้เสร็จสิ้นจากองค์ประกอบโซลูชันที่สามารถเรียกใช้โฟลว์หรือคลาส Apex ได้ เพิ่มการดำเนินการที่สามารถเรียกได้ลงในโฟลว์หรือคลาส Apex แล้วระบุงานที่ตัวแทนต้องทำให้เสร็จสิ้น รวมถึงเงื่อนไขที่ทริกเกอร์ตัวแทน การดำเนินการที่สามารถเรียกได้ยังสามารถดำเนินการตัวแปรบริบทของตัวแทนและส่งต่อข้อมูลสำคัญได้อีกด้วย

สามารถใช้โฟลว์ของ Salesforce เพื่อทำให้งานประจำวันเป็นระบบอัตโนมัติ เช่น การสร้างงานติดตามผล การส่งอีเมลแจ้งเตือน หรือการอัปเดตบันทึก โฟลว์ทำให้การทำงานมีประสิทธิภาพและประสิทธิผลมากขึ้น ตัวแทนยังสามารถดำเนินการตามโฟลว์ โดยใช้การดำเนินการตามโฟลว์ได้อีกด้วย เนื่องจากนิยัตินิยมของตัวแทน โฟลว์จึงเป็นวิธีที่ดีในการชี้นำพฤติกรรมของตัวแทน เมื่อจำเป็นต้องดำเนินกระบวนการทางธุรกิจในลำดับที่เฉพาะเจาะจง สิ่งบ่งชี้ที่ดีว่าเมื่อใดที่ควรใช้การดำเนินการตามโฟลว์ คือเมื่อหัวข้อจะมีคำสั่งเช่น “ทำสิ่งนี้ก่อน จากนั้นจึงทำสิ่งนี้ และสุดท้ายทำสิ่งนี้” การบังคับใช้ลำดับของขั้นตอนมากกว่าสามขั้นตอน กลายเป็นเรื่องยุ่งยากในการจัดการผ่านคำสั่งและตัวแปร

โฟลว์ยังสามารถรวมถึงองค์ประกอบที่ไม่ใช่แบบนิยัตินิยมได้ด้วยการเรียกใช้พร้อมท์ โหนดพร้อมท์ในโฟลว์จะเรียกใช้แม่แบบพร้อมท์และรวบรวมการตอบสนองที่สามารถส่งต่อไปยังองค์ประกอบอื่นๆ ในโฟลว์ได้ องค์ประกอบเพิ่มเติมเหล่านี้อาจเป็นโหนดพร้อมท์อีกครั้ง เช่น การสรุปการตอบกลับก่อนหน้านี้ จึงสร้างห่วงโซ่ของพร้อมท์ขึ้นมา สิ่งนี้มีประโยชน์อย่างยิ่งเมื่อกฎสำหรับสายโซ่พร้อมท์ถูกกำหนดโดยองค์ประกอบคงที่และไม่ขึ้นอยู่กับอินพุตผู้ใช้ ตัวอย่างหนึ่งคือ RAG ตัวแทน ซึ่งลำดับที่กำหนดไว้ล่วงหน้าของตัวดึงข้อมูลหรือพร้อมท์ในโฟลว์สามารถเข้าถึงแหล่งข้อมูลเฉพาะในลำดับที่เฉพาะเจาะจง เช่น การดึงข้อมูลจากเอกสารประเทศของผู้ใช้ ก่อนที่จะปรึกษาแหล่งที่มาอื่นตามความจำเป็น กลไกสายโซ่นี้บังคับใช้การดึงข้อมูลที่เกี่ยวข้องอย่างเชื่อถือได้และเป็นไปตามลำดับ

คล้ายกับโฟลว์ การดำเนินการ Apex และ API จะเป็นแบบนิยัตินิยมว่าสามารถเขียนโค้ดลำดับการดำเนินการที่กำหนดไว้ล่วงหน้าได้ การดำเนินการเหล่านี้อาจรวมถึงองค์ประกอบที่ไม่แน่นอน เช่น การเรียกใช้แม่แบบพร้อมท์หรือการเรียกใช้ LLM อย่างไรก็ตาม ในคำจำกัดความจะดำเนินการตามขั้นตอนเหล่านี้แบบนิยัตินิยม ซึ่งจะช่วยลดความผันแปรของตัวแทนด้วยการเรียกใช้การดำเนินการในเวลาที่เหมาะสม รวบรวมอินพุตที่จำเป็น และประมวลผลเอาต์พุต ความรับผิดชอบเหล่านี้ยังคงต้องอยู่ภายใต้การกำกับดูแลของตัวแทน ดังนั้นจึงไม่ใช่แบบนิยัตินิยม การดำเนินการ Apex และ API เป็นการดำเนินการตามขั้นตอนแบบดั้งเดิมที่เทียบเท่ากับการดำเนินการตามโฟลว์

การบรรลุพฤติกรรมของตัวแทนที่เชื่อถือได้ต้องใช้แนวทางที่มีโครงสร้างซึ่งสร้างสมดุลระหว่างความยืดหยุ่นโดยธรรมชาติของโมเดลภาษาขนาดใหญ่ (LLM) กับความจำเป็นในการควบคุมและคาดการณ์ระดับองค์กร บทความนี้ระบุกลยุทธ์แบบเลเยอร์สำหรับการนำ “นิยัตินิยมแบบมีคำแนะนำ” มาใช้ ช่วยให้สามารถสร้างตัวแทนที่ไม่เพียงแต่ชาญฉลาดและเป็นอิสระเท่านั้น แต่ยังมีความแม่นยำและสอดคล้องกับกระบวนการทางธุรกิจอย่างสม่ำเสมออีกด้วย กุญแจสำคัญในการสร้างตัวแทนที่เชื่อถือได้เหล่านี้อยู่ที่การนำกลไกการควบคุมไปใช้อย่างต่อเนื่อง โดยแต่ละตัวจะเพิ่มความน่าเชื่อถืออีกหนึ่งเลเยอร์:

1. หัวข้อพื้นฐานและการออกแบบการดำเนินการ: กระบวนการเริ่มต้นด้วยการจัดระเบียบความสามารถของตัวแทนอย่างรอบคอบในหัวข้อที่แตกต่างกันและการดำเนินการแบบละเอียด ด้วยการสร้างการจัดกลุ่มแบบมีความหมายและมีตรรกะ เราจะลดความเสี่ยงที่จะทำให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์สับสนในการเลือกการดำเนินการที่ไม่ถูกต้อง ซึ่งจะวางรากฐานสำหรับพฤติกรรมที่คาดการณ์ได้
2. คำสั่งที่ชัดเจน: การสร้างรากฐานนี้ คำสั่งของตัวแทนจะมอบการควบคุมในระดับถัดไป คำสั่งเหล่านี้ทำหน้าที่เป็นแนวทางป้องกันและแนวทางปฏิบัติ ชี้นำกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ในการดำเนินการตามวัตถุประสงค์ ปฏิบัติตามนโยบายของบริษัท และจัดการโฟลว์ารสนทนาโดยไม่ต้องเขียนสคริปต์การโต้ตอบมากเกินไป
3. การสร้างรากฐานข้อมูลด้วย RAG: เพื่อปรับปรุงการตอบสนองด้วยข้อเท็จจริงและความเกี่ยวข้อง การสร้างรากฐานข้อมูลจะเชื่อมโยงตัวแทนเข้ากับแหล่งความรู้ที่ได้รับการยืนยัน แนวทางต่างๆ เช่น การสร้างโดยการเสริมจากภายนอก (RAG) ช่วยให้ตัวแทนสามารถดึงข้อมูลที่ถูกต้องแบบเรียลไทม์จากบทความให้ความรู้และข้อมูลของบริษัท ซึ่งช่วยลดการคาดเดาและเพิ่มความน่าเชื่อถือ
4. การจัดการบริบทและสถานะด้วยตัวแปร: สำหรับการโต้ตอบที่ซับซ้อนและมีสถานะมากขึ้น ตัวแปรจะใช้รูปแบบของหน่วยความจำระยะสั้น ช่วยให้ตัวแทนสามารถรักษาบริบท คงข้อมูลที่สำคัญตลอดการสนทนา และบังคับใช้ลำดับการดำเนินการที่แน่นอนโดยปรับการดำเนินการตามสถานะของตัวแปร
5. การดำเนินการแบบนิยัตินิยมด้วยโฟลว์, Apex และ API: สำหรับกระบวนการทางธุรกิจที่ต้องการการดำเนินการที่เข้มงวดและไม่เปลี่ยนแปลง ระดับการควบคุมสูงสุดจะบรรลุได้จากการดำเนินการแบบนิยัตินิยม ด้วยการบูรณาการการตัวแทนเข้ากับโฟลว์, Apex และ API ของ Salesforce ทำให้สามารถดำเนินการตามลำดับที่กำหนดไว้ล่วงหน้าได้อย่างแม่นยำ ทำให้ไม่ต้องพึ่งพาอินพุตผู้ใช้หรืออินพุต LLM สำหรับขั้นตอนสำคัญ

ด้วยการนำเลเยอร์การควบคุมเหล่านี้ไปใช้อย่างเป็นระบบ ตั้งแต่การออกแบบที่รอบคอบและคำสั่งที่ชัดเจนเพื่อสร้างรากฐานข้อมูล การจัดการสถานะ และระบบอัตโนมัติของกระบวนการแบบนิยัตินิยม ช่วยให้นักพัฒนาสามารถจัดการกับความท้าทายในการสร้างตัวแทนที่เชื่อถือได้ที่มีผลลัพธ์ทางธุรกิจที่สอดคล้องกันได้ แนวทางเชิงกลยุทธ์นี้ช่วยให้มั่นใจได้ว่าตัวแทน Agentforce มีความน่าเชื่อถือในการดำเนินการฟังก์ชันทางธุรกิจที่สำคัญด้วยความแม่นยำและสม่ำเสมอที่จำเป็นในภูมิทัศน์ขององค์กร