Esempio: Istruzioni per gli agenti più affidabili con lo script agente

Istruzioni prima dello script agente

Di seguito sono riportate le istruzioni del generatore legacy per un subagente che gestisce le richieste di rimborso. Gli ordini hanno diritto al rimborso se il cliente ha un ID ordine valido o se il cliente è un cliente VIP. Se un ordine è idoneo per un reso, l'agente crea una richiesta di rimborso. Se un ordine non è idoneo per un reso, l'agente propone di creare un caso per un agente da contattare con il cliente.

Questo è un esempio relativamente semplice. (E come probabilmente saprete, i flussi di lavoro necessari per gestire i casi aziendali possono essere significativamente più complessi). Ma si basa sul LLM per ottenere un sacco di cose giuste.

• L'agente deve comprendere il contesto aziendale per poter prendere decisioni corrette. Ad esempio, che cosa rende un ordine idoneo al rimborso? Nel generatore legacy, è possibile definire il prompt con un linguaggio semplice, il che può richiedere un sacco di token e di tempo dedicato al perfezionamento del prompt per far capire all'agente. Oppure è possibile indicare all'agente di eseguire un'azione per determinare se un ordine è idoneo, operazione che l'agente decide se eseguire durante il processo di ragionamento.
• L'agente deve capire la sequenza delle istruzioni che deve seguire (convalidare il numero d'ordine E QUINDI verificare se il cliente è un VIP E QUINDI raccogliere le informazioni giuste E QUINDI creare una richiesta). E l'agente deve seguire le istruzioni correttamente ogni volta. Nel generatore legacy, la soluzione migliore è includere una sequenza completa di istruzioni in un singolo campo istruzione e utilizzare termini di ordine chiari (ad esempio "Primo, fai X... Secondo, fai Y... Infine, fai Z..."). Tuttavia, gli LLM sono più adatti a prevedere la fase più probabile successiva anziché una sequenza di fasi. E più complessa è un'istruzione di linguaggio naturale, più è probabile che l'agente si confonda.
• L'agente deve capire quali stati e condizioni si applicano e quindi quali istruzioni. Nel generatore legacy, è necessario utilizzare un linguaggio normale per descrivere la logica e i valori che rappresentano i possibili stati utente, il che può causare prompt di grandi dimensioni e una latenza maggiore. Indipendentemente dagli stati e dalle condizioni, l'intero prompt viene inviato al componente LLM a ogni turno, il che significa che il componente deve esaminare le informazioni non pertinenti, identificare correttamente le informazioni pertinenti e quindi attenersi solo alle istruzioni pertinenti. È come dare a qualcuno un lungo manuale di istruzioni senza un indice. È probabile che dimentichino le cose, saltino i passaggi e perdano il loro posto, soprattutto se vengono interrotti.

Istruzioni dopo lo script agente

Nel nuovo generatore, il motore di ragionamento Atlas basato su grafico e lo script agente offrono più strumenti per controllare il comportamento dell'agente e perfezionare il prompt, assicurando che l'agente rispetti i processi aziendali richiesti. Di seguito è riportato un esempio di istruzioni per un subagente simile, scritto in script agente.

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}.

Di seguito sono riportati alcuni modi chiave in cui queste istruzioni combinano ragionamento e determinismo per rendere l'agente più affidabile.

L'agente esegue azioni in modo deterministico per recuperare informazioni sul cliente e sul suo stato attuale.

Come funziona: Per gli agenti scritti in Script agente, prima di eseguire qualsiasi ragionamento con un LLM, l'agente risolve le istruzioni di ragionamento del subagente dall'alto verso il basso, eseguendo tutte le espressioni logiche lungo il percorso nell'ordine in cui sono scritte. Vedere Come vengono risolte le istruzioni subagente per creare un prompt. In questo caso, le istruzioni di ragionamento iniziano con due azioni (Convalida ordine e Ottieni livello fedeltà), quindi l'agente ha accesso alle informazioni chiave sul cliente prima di creare il prompt che utilizza per il ragionamento. Inoltre, poiché sono nidificati in condizionali, l'agente esegue le azioni solo se i dati non sono già stati recuperati. Queste azioni vengono eseguite prima di qualsiasi ragionamento, quindi gli output possono essere utilizzati per idratare e perfezionare il prompt.

Vantaggi:

• Consente all'agente di accedere a informazioni accurate e affidabili, ogni volta.
• Riduce la complessità delle istruzioni dell'agente spostando le fasi preliminari ("prima, recuperare i dati") dal ragionamento. Anziché spendere tempo e token a pensare a cosa fare, l'agente lo fa e basta. Quindi, è possibile salvare il pensiero per dove è più utile.

Le informazioni più importanti sul cliente e sullo stato vengono memorizzate in variabili anziché affidarsi alla memoria contesto dell'agente.

Come funziona: Mentre gli agenti spesso eseguono un buon lavoro compilando input e output tramite la chiusura delle finestre, alcune informazioni sono troppo importanti per essere lasciate al caso, soprattutto se si desidera riutilizzarle tra sottoagenti o turni di conversazione. In questo caso, gli output delle azioni Convalida ordine e Ottieni livello fedeltà sono memorizzati in variabili, quindi possono essere utilizzati in istruzioni condizionali.

Vantaggi:

• Migliora la precisione dell'agente fornendo all'agente valori e dati stabili tra agenti secondari, azioni e turni di conversazione.
• A differenza delle informazioni recuperate dalla memoria contesto dell'agente, i valori e i dati memorizzati nelle variabili possono essere utilizzati a valle nei flussi di lavoro deterministici, ad esempio gli input di altre azioni, condizionali o filtri dell'agente.

Anziché inviare lo stesso prompt di grandi dimensioni all'LLM per ogni caso o stato, le istruzioni e le variabili condizionali limitano e perfezionano le istruzioni e le opzioni inviate all'LLM nel ragionamento degli agenti.

Come funziona: Gli agenti ragionano meglio quando si forniscono istruzioni mirate e dirette per il linguaggio naturale. Prima di iniziare il ragionamento, Agentforce valuta ogni istruzione condizionale in modo deterministico, in base ai valori delle variabili. Quando l'agente crea il prompt per il ragionamento, vengono incluse solo le istruzioni applicabili.

Contesto corrente	Istruzioni inviate al LLM
L'ordine viene convalidato @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}.
L'ordine non è convalidato, ma il cliente è un cliente VIP @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}.
Tutti gli altri casi 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}.

Nota Questo esempio esamina solo le istruzioni di ragionamento per i subagenti, ma è possibile utilizzare le stesse variabili e gli stessi principi per applicare filtri alle azioni degli agenti e assicurarsi che l'agente visualizzi solo le azioni rilevanti per lo stato corrente del cliente e la fase delle fasi di un processo più ampio.

Vantaggi:

• Migliora l'osservanza delle istruzioni e riduce la latenza perfezionando le istruzioni prima di iniziare il ragionamento. LLM non deve passare al setaccio le istruzioni pertinenti e irrilevanti: riceve le istruzioni giuste fin dall'inizio.
• Migliora la precisione complessiva e la qualità della risposta riducendo le istruzioni e le opzioni disponibili per il componente LLM. Minore è il numero di scelte che un agente deve fare, maggiore è la probabilità che faccia quelle giuste.