Voorbeeld: Betrouwbaardere agentinstructies met Agent-script

Instructies vóór Agent-script

Dit zijn de verouderde instructies van de samensteller voor een subagent die restitutieverzoeken afhandelt. Orders komen in aanmerking voor restitutie als de klant een geldige order-ID heeft of als de klant een VIP-klant is. Als een order in aanmerking komt voor een retournering, maakt de agent een restitutieverzoek. Als een order niet in aanmerking komt voor een retournering, biedt de agent aan om een case te maken voor een vertegenwoordiger om contact op te nemen met de klant.

Dit is een relatief eenvoudig voorbeeld. (En zoals u waarschijnlijk weet, kunnen de werkstromen die u nodig hebt voor het afhandelen van uw bedrijfscases aanzienlijk complexer zijn.) Maar het vertrouwt op de LLM om veel dingen goed te doen.

• Uw agent moet uw bedrijfscontext begrijpen om de juiste beslissingen te kunnen nemen. Waarom komt een order bijvoorbeeld in aanmerking voor een restitutie? In de verouderde samensteller kunt u platte taal gebruiken om deze te definiëren, wat kan neerkomen op een hoop tokens en tijd die is besteed aan het verfijnen van uw aanwijzing om uw agent te laten begrijpen. U kunt uw agent ook instrueren om een actie uit te voeren om te bepalen of een order in aanmerking komt, wat uw agent beslist tijdens het redeneringsproces.
• Uw agent moet de volgorde van instructies begrijpen die u wilt dat deze volgt (valideer het ordernummer EN valideer VERVOLGENS of de klant een VIP is EN verzamel VERVOLGENS de juiste informatie EN maak DAN een aanvraag). En de agent moet de instructies elke keer correct volgen. In de verouderde samensteller kunt u het beste een volledige reeks instructies opnemen in één instructieveld en duidelijke volgordetermen gebruiken (zoals "Eerste, doe X... Tweede, doe Y... Ten slotte, doe Z..."). LLM's zijn echter het best in het voorspellen van de volgende meest waarschijnlijke stap in plaats van een reeks stappen. En hoe complexer een instructie met natuurlijke taal, hoe groter de kans dat uw agent in verwarring raakt.
• Uw agent moet begrijpen welke voorwaarden, en dus welke instructies, van toepassing zijn. In de verouderde samensteller moet u platte taal gebruiken om de logica en waarden te beschrijven die mogelijke gebruikersstatussen vertegenwoordigen, wat kan resulteren in grote aanwijzingen en een grotere latentie. Ongeacht welke statussen en voorwaarden true (waar) zijn, wordt de gehele aanwijzing bij elke beurt naar de LLM verzonden, wat betekent dat de LLM irrelevante informatie moet doorzoeken, relevante informatie correct moet identificeren en zich vervolgens alleen aan de relevante instructies moet houden. Dat is hetzelfde als iemand een lange handleiding geven zonder inhoudsopgave. Ze vergeten dingen, slaan stappen over en verliezen hun plaats, vooral als ze worden onderbroken.

Instructies na Agent-script

In de nieuwe samensteller bieden de op grafieken gebaseerde Atlas-redeneerengine en Agentscript meer tools om het gedrag van uw agent te controleren en uw aanwijzing te verfijnen, zodat de agent zich aan uw vereiste bedrijfsprocessen houdt. Het volgende is een voorbeeld van instructies voor een soortgelijke subagent, geschreven in Agentscript.

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}.

Hier zijn enkele belangrijke manieren waarop deze instructies redenering en determinisme combineren om de agent betrouwbaarder te maken.

De agent voert acties deterministisch uit om informatie op te halen over de klant en diens huidige status.

Hoe het werkt: Voor agenten die zijn geschreven in Agentscript, lost de agent, voordat er redeneringen met een LLM plaatsvinden, de redeneerinstructies van de subagent van boven naar beneden op, waarbij alle logische expressies onderweg worden uitgevoerd in de volgorde waarin ze zijn geschreven. Zie Hoe subagentinstructies worden opgelost om een aanwijzing samen te stellen. In dit geval beginnen de redeneerinstructies met twee acties (Order valideren en Loyaliteitslaag ophalen), zodat de agent toegang heeft tot de belangrijkste klantgegevens voordat de aanwijzing wordt samengesteld die voor het redeneren wordt gebruikt. (En omdat ze genest zijn in voorwaarden, voert de agent de acties alleen uit als de gegevens nog niet zijn opgehaald.) Deze acties worden uitgevoerd voordat er een redenering plaatsvindt, zodat de uitvoer kan worden gebruikt om de aanwijzing te hydrateren en af te stemmen.

Voordelen:

• Geeft de agent altijd toegang tot nauwkeurige en betrouwbare informatie.
• Vermindert de complexiteit van agentinstructies door vereiste stappen ("eerst de gegevens ophalen") uit het redeneren te halen. In plaats van tijd en tokens te besteden aan het nadenken over wat te doen, doet de agent het gewoon. Zo kunt u het denken opslaan voor waar het het nuttigst is.

De belangrijkste informatie over de klant en de status wordt opgeslagen in variabelen, in plaats van te vertrouwen op het contextgeheugen van de agent.

Hoe het werkt: Hoewel agenten vaak goed werk leveren bij het invullen van invoer en uitvoer via het invullen van tijdstippen, is bepaalde informatie te belangrijk om aan het toeval over te laten, vooral als u deze opnieuw wilt gebruiken voor subagenten of gespreksbeurten. In dit geval worden de uitvoer van de acties Order valideren en Loyaliteitslaag ophalen opgeslagen in variabelen, zodat ze kunnen worden gebruikt in voorwaardelijke instructies.

Voordelen:

• Verbetert de nauwkeurigheid van agenten door de agent waarden en gegevens te geven die stabiel zijn voor subagenten, acties en gespreksbeurten.
• In tegenstelling tot informatie die wordt opgehaald uit het contextgeheugen van de agent, kunnen waarden en gegevens die zijn opgeslagen in variabelen verderop in de stroom worden gebruikt in deterministische werkstromen, zoals invoer voor andere agentacties, voorwaarden of filters.

In plaats van dezelfde, grote aanwijzing naar de LLM te verzenden voor elke case of status, beperken en verfijnen voorwaardelijke instructies en variabelen de instructies en opties die naar de LLM worden verzonden in agentredenering.

Hoe het werkt: Agenten redeneren het best wanneer u ze gerichte en directe instructies voor natuurlijke taal geeft. Voordat redenering begint, evalueert Agentforce elke voorwaardelijke instructie deterministisch, op basis van de waarden van de variabelen. Wanneer de agent vervolgens de aanwijzing voor redenering samenstelt, worden alleen de van toepassing zijnde instructies opgenomen.

Huidige context	Instructies verzonden naar de LLM
De order wordt gevalideerd @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}.
De order wordt niet gevalideerd, maar de klant is een VIP-klant @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 andere cases 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}.

Opmerking In dit voorbeeld wordt alleen gekeken naar instructies voor subagentredenering, maar u kunt dezelfde variabelen en principes gebruiken om filters toe te passen op agentacties en ervoor te zorgen dat uw agent alleen de acties ziet die relevant zijn voor de huidige status en fase van stappen van de klant in een groter proces.

Voordelen:

• Verbetert de naleving van instructies en vermindert de latentie door de instructies nauwkeurig af te stemmen voordat met redeneren wordt begonnen. De LLM hoeft niet door relevante en irrelevante instructies te spitten—ze krijgt vanaf het begin de juiste instructies.
• Verbetert de algemene nauwkeurigheid en reactiekwaliteit door het reduceren van de instructies en opties die beschikbaar zijn voor de LLM. Hoe minder keuzes een agent hoeft te maken, hoe groter de kans dat deze de juiste keuzes maakt.