Beispiel: Zuverlässigere Agentenanweisungen mit Agentenskript

Anweisungen vor Agentenskript

Dies sind die Anweisungen des alten Generators für einen Unteragenten, der Rückerstattungsanfragen verarbeitet. Aufträge können erstattet werden, wenn der Kunde über eine gültige Auftrags-ID verfügt oder wenn der Kunde ein VIP-Kunde ist. Wenn ein Auftrag für eine Rückgabe berechtigt ist, erstellt der Agent eine Rückerstattungsanforderung. Wenn ein Auftrag nicht für eine Rückgabe berechtigt ist, bietet der Agent an, einen Kundenvorgang zu erstellen, damit ein Mitarbeiter den Kunden kontaktieren kann.

Dies ist ein relativ einfaches Beispiel. (Und wie Sie wahrscheinlich wissen, können die Workflows, die Sie für die Bearbeitung Ihrer Geschäftsfälle benötigen, erheblich komplexer sein.) Aber es hängt von der LLM ab, um viele Dinge richtig zu machen.

• Ihr Agent muss Ihren Geschäftskontext verstehen, um richtige Entscheidungen treffen zu können. Was macht einen Auftrag beispielsweise erstattungsfähig? Im alten Generator können Sie sie entweder in einfacher Sprache definieren, was sich zu einer Menge Token und Zeitaufwand für die Feinabstimmung Ihrer Eingabeaufforderung summieren kann, damit Ihr Agent sie versteht. Alternativ können Sie Ihren Agenten anweisen, eine Aktion auszuführen, um zu bestimmen, ob ein Auftrag berechtigt ist, was Ihr Agent während seines Argumentationsprozesses entscheidet.
• Ihr Agent muss die Reihenfolge der Anweisungen verstehen, denen er folgen soll (die Auftragsnummer validieren UND DANN validieren, ob der Kunde VIP ist UND DANN die richtigen Informationen erfassen UND DANN eine Anforderung erstellen). Zudem muss der Agent die Anweisungen jedes Mal richtig befolgen. Im alten Generator sollten Sie eine vollständige Sequenz von Anweisungen in ein einzelnes Anweisungsfeld aufnehmen und Begriffe in eindeutiger Reihenfolge verwenden (z. B. "Erstes Mal X... Zweites Mal Y... Endlich Z..."). LLMs können jedoch am besten den nächsten wahrscheinlichsten Schritt prognostizieren und nicht eine Abfolge von Schritten. Und je komplexer eine Anweisung mit natürlicher Sprache ist, desto wahrscheinlicher ist es, dass Ihr Agent verwirrt wird.
• Ihr Agent muss wissen, welche Bundesländer und Bedingungen und damit welche Anweisungen gelten. Im alten Generator müssen Sie die Logik und die Werte, die mögliche Benutzerstatus darstellen, in einfacher Sprache beschreiben, was zu großen Eingabeaufforderungen und einer höheren Latenz führen kann. Unabhängig davon, welche Zustände und Bedingungen wahr sind, wird die gesamte Aufforderung an den LLM gesendet. Das bedeutet, dass der LLM irrelevante Informationen durchsieben, relevante Informationen richtig identifizieren und dann nur die relevanten Anweisungen einhalten muss. Das ist so ähnlich wie jemandem eine lange Bedienungsanleitung ohne Inhaltsverzeichnis zu geben. Sie werden wahrscheinlich Dinge vergessen, Schritte überspringen und ihren Platz verlieren, besonders wenn sie unterbrochen werden.

Anweisungen nach dem Agentenskript

Im neuen Generator bieten Ihnen das diagrammbasierte Atlas-Überlegungenmodul und das Agentenskript mehr Tools, um das Verhalten Ihres Agenten zu steuern und Ihre Eingabeaufforderung zu optimieren, um sicherzustellen, dass der Agent Ihre erforderlichen Geschäftsprozesse einhält. Im Folgenden finden Sie ein Beispiel für Anweisungen für einen ähnlichen Unteragenten, die im Agentenskript geschrieben wurden.

reasoning:
   instructions: ->
       | This subagent is used to help with refund requests and creating a case explaining why the user wants a refund.

       if @variables.orderValidated == None
	 run @actions.Validate_Order
	  with Customer_ID=@variables.verifiedCustomerId
	  with Order_ID=@variables.orderId
	  set @variable.orderValidated=@outputs.Order_Validated

       if @variables.loyaltyTierLevel == None
	 run @actions.Get_Loyalty_Tier
	  with Customer_ID=@variables.verifiedCustomerId
	  set @variable.loyaltyTierLevel=@outputs.Loyalty_Tier

       if @variables.orderValidated == True
           | Help the customer create a refund request. Ask the customer to explain why they want a refund and pass the details into {!@actions.Create_Refund_Request}.

       if @variables.orderValidated == False and @variables.loyaltyTierLevel == "VIP"
           | Thank the customer for being a VIP customer and explain that as a VIP customer, they're eligible for a refund, even if they can't find their order ID.
Ask the customer to explain why they want a refund and pass the details into {!@actions.Create_Refund_Request}.

       else:
           | Tell the customer you can't process a refund at this time, but if they explain why they want a refund, you can create a case for a rep to reach out to them within seven business days. To create a case, ask them to explain why they
want a refund and use {!@actions.Create_New_Case}.

Im Folgenden finden Sie einige wichtige Möglichkeiten, wie diese Anweisungen Argumentation und Determinismus kombinieren, um den Agenten zuverlässiger zu machen.

Der Agent führt deterministisch Aktionen aus, um Informationen über den Kunden und seinen aktuellen Status abzurufen.

Funktionsweise: Bei Agenten, die im Agentenskript geschrieben wurden, löst der Agent die Argumentationsanweisungen des Unteragenten von oben nach unten auf und führt dabei alle logischen Ausdrücke in der Reihenfolge aus, in der sie geschrieben wurden. Entsprechende Informationen finden Sie unter Auflösen von Unteragentenanweisungen zum Erstellen einer Eingabeaufforderung. In diesem Fall beginnen die Argumentationsanweisungen mit zwei Aktionen (Auftrag validieren und Treuestufe abrufen), sodass der Agent auf wichtige Kundeninformationen zugreifen kann, bevor er die Aufforderung erstellt, die er zum Argumentieren verwendet. (Außerdem führt der Agent die Aktionen nur dann aus, wenn die Daten noch nicht abgerufen wurden, da sie in Bedingungen geschachtelt sind.) Diese Aktionen werden ausgeführt, bevor eine Überlegung erfolgt, sodass die Ausgaben verwendet werden können, um die Eingabeaufforderung zu hydrieren und zu optimieren.

Vorteile:

• Bietet dem Agenten jederzeit Zugriff auf genaue und zuverlässige Informationen.
• Verringert die Komplexität von Agentenanweisungen, indem die erforderlichen Schritte ("zuerst die Daten abrufen") aus der Argumentation entfernt werden. Statt Zeit und Token damit zu verbringen, darüber nachzudenken, was zu tun ist, erledigt der Agent dies einfach. So können Sie sich die Überlegungen für die Stelle speichern, an der sie am hilfreichsten sind.

Die wichtigsten Informationen über den Kunden und den Status werden in Variablen gespeichert, statt sich auf den Agentenkontextspeicher zu verlassen.

Funktionsweise: Während Agenten Ein- und Ausgaben oft gut durch das Ausfüllen von Zeitfenstern ausfüllen, sind einige Informationen zu wichtig, um sie dem Zufall zu überlassen, insbesondere, wenn Sie sie in untergeordneten Agenten oder Unterhaltungsrunden wiederverwenden möchten. In diesem Fall werden die Ausgaben der Aktionen "Auftrag validieren" und "Treuestufe abrufen" in Variablen gespeichert, sodass sie in bedingten Anweisungen verwendet werden können.

Vorteile:

• Verbessert die Agentengenauigkeit, indem dem Agenten Werte und Daten bereitgestellt werden, die über Unteragenten, Aktionen und Unterhaltungsrunden hinweg stabil sind.
• Im Gegensatz zu Informationen, die aus dem Kontextspeicher des Agenten abgerufen werden, können in Variablen gespeicherte Werte und Daten in deterministischen Workflows verwendet werden, beispielsweise Eingaben in andere Agentenaktionen, Bedingungen oder Filter.

Statt für jeden Kundenvorgang oder Zustand dieselbe große Eingabeaufforderung an das LLM zu senden, schränken bedingte Anweisungen und Variablen die an das LLM gesendeten Anweisungen und Optionen bei der Agentenüberlegungen ein und verfeinern sie.

Funktionsweise: Agenten sollten am besten mit gezielten und direkten Anweisungen in natürlicher Sprache argumentieren. Bevor die Argumentation beginnt, wertet Agentforce jede bedingte Anweisung deterministisch anhand der Werte der Variablen aus. Wenn der Agent dann die Aufforderung zur Begründung erstellt, sind nur die entsprechenden Anweisungen enthalten.

Aktueller Kontext	An das LLM gesendete Anweisungen
Der Auftrag wird validiert @variables.orderValidated == True	Help the customer create a refund request. Ask the customer to explain why they want a refund and pass the details into {!@actions.Create_Refund_Request}.
Der Auftrag wird nicht validiert, der Kunde ist jedoch VIP-Kunde. @variables.orderValidated == False AND @variables.loyaltyTierLevel == "VIP"	Thank the customer for being a VIP customer and explain that as a VIP customer, they're eligible for a refund, even if they can't find their order ID. Ask the customer to explain why they want a refund and pass the details into {!@actions.Create_Refund_Request}.
Alle anderen Kundenvorgänge else	Tell the customer you can't process a refund at this time, but if they explain why they want a refund, you can create a case for a rep to reach out to them within seven business days. To create a case, ask them to explain why they want a refund and use {!@actions.Create_New_Case}.

Hinweis In diesem Beispiel werden nur Anweisungen zur Begründung von Unteragenten betrachtet. Sie können jedoch dieselben Variablen und Prinzipien verwenden, um Filter auf Agentenaktionen anzuwenden und sicherzustellen, dass Ihrem Agenten nur die Aktionen angezeigt werden, die für den aktuellen Status und die Phase der Schritte des Kunden in einem größeren Prozess relevant sind.

Vorteile:

• Verbessert die Einhaltung von Anweisungen und reduziert die Latenz, indem die Anweisungen vor Beginn der Argumentation optimiert werden. Der LLM muss sich nicht durch relevante und irrelevante Anweisungen blättern, sondern erhält von Anfang an die richtigen Anweisungen.
• Verbessert die Gesamtgenauigkeit und die Antwortqualität, indem die für die LLM verfügbaren Anweisungen und Optionen reduziert werden. Je weniger Entscheidungen ein Agent treffen muss, desto wahrscheinlicher ist es, dass er die richtigen trifft.