Exemplo: Instruções do agente mais confiáveis com o script do agente

Instruções antes do script do agente

Estas são as instruções legadas do criador para um subagente que lida com solicitações de reembolso. Os pedidos são elegíveis para um reembolso se o cliente tiver um ID de pedido válido ou se o cliente for um cliente VIP. Se um pedido for elegível para uma devolução, o agente criará uma solicitação de reembolso. Se um pedido não for elegível para uma devolução, o agente se oferecerá para criar um caso para um representante acompanhar o cliente.

Este é um exemplo relativamente simples. (Como você provavelmente sabe, os fluxos de trabalho necessários para lidar com seus casos comerciais podem ser significativamente mais complexos.) Porém, depende do LLM para fazer muitas coisas corretas.

• Seu agente deve entender seu contexto comercial para tomar decisões corretas. Por exemplo, o que torna um pedido elegível para um reembolso? No criador legado, você pode usar linguagem simples para defini-lo, o que pode adicionar muitos tokens e tempo gasto refinando seu aviso para que seu agente entenda. Ou você pode instruir seu agente a executar uma ação para determinar se um pedido é elegível, o que seu agente decide se deve fazer durante o processo de raciocínio.
• Seu agente deve entender a seqüência de instruções que você deseja que ele siga (valide o número do pedido E, em seguida, valide se o cliente é um VIP E, em seguida, colete as informações certas E, em seguida, crie uma solicitação). E o agente deve seguir as instruções corretamente sempre. No criador legado, sua melhor opção é incluir uma sequência completa de instruções em um único campo de instrução e usar termos de ordem claros (como "Primeiro, fazer X... Segundo, fazer Y... Por fim, fazer Z..."). No entanto, os LLMs são melhores para prever a próxima etapa mais provável em vez de uma sequência de etapas. E quanto mais complexa for uma instrução de linguagem natural, maior será a probabilidade de seu agente ficar confuso.
• Seu agente deve entender quais estados e condições, e, portanto, quais instruções, se aplicam. No criador legado, você precisa usar linguagem simples para descrever a lógica e os valores que representam possíveis estados do usuário, o que pode resultar em avisos grandes e maior latência. Não importa quais estados e condições sejam verdadeiros, todo o aviso é enviado ao LLM a cada turno, o que significa que o LLM deve analisar informações irrelevantes, identificar corretamente informações relevantes e seguir apenas as instruções relevantes. Isso é muito semelhante a entregar a alguém um longo manual de instruções sem um índice. Eles provavelmente esquecerão coisas, pularão etapas e perderão o lugar, especialmente se forem interrompidos.

Instruções após o script do agente

No novo criador, o mecanismo de raciocínio do Atlas baseado em gráfico e o script do agente oferecem mais ferramentas para controlar o comportamento do agente e ajustar seu aviso, garantindo que o agente cumpra seus processos comerciais necessários. A seguir, há um exemplo de instruções para um subagente semelhante, escrito no script do 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}.

Estas são algumas das principais maneiras como essas instruções combinam raciocínio e determinismo para tornar o agente mais confiável.

O agente executa ações de modo determinístico para buscar informações sobre o cliente e seu estado atual.

Como funciona: Para agentes escritos no Script do agente, antes de qualquer argumento com um LLM ocorrer, o agente resolve as instruções de argumento do subagente de cima para baixo, executando todas as expressões lógicas ao longo do caminho na ordem em que são escritas. Consulte Como as instruções de subagente são resolvidas para criar um aviso. Nesse caso, as instruções de raciocínio começam com duas ações (Validar pedido e Obter nível de fidelidade), de modo que o agente tem acesso às principais informações do cliente antes de construir o prompt que ele usa para o raciocínio. (Além disso, como eles estão aninhados em condicionais, o agente executa as ações apenas se os dados ainda não tiverem sido buscados.) Essas ações são executadas antes de qualquer raciocínio ocorrer, assim, as saídas podem ser usadas para hidratar e ajustar o aviso.

Benefícios:

• Oferece ao agente acesso a informações precisas e confiáveis sempre.
• Reduz a complexidade das instruções do agente movendo etapas de pré-requisito ("primeiro, busque os dados") para fora do raciocínio. Em vez de gastar tempo e tokens pensando no que fazer, o agente apenas faz isso. Assim, você pode salvar o pensamento para onde é mais útil.

As informações mais importantes sobre o cliente e o estado são armazenadas em variáveis, em vez de depender da memória de contexto do agente.

Como funciona: Embora os agentes geralmente façam um bom trabalho preenchendo entradas e saídas por meio do preenchimento de períodos, algumas informações são muito importantes para serem deixadas ao acaso, especialmente se você quiser reutilizá-las entre subagentes ou turnos conversacionais. Nesse caso, as saídas das ações Validar pedido e Obter nível de fidelidade são armazenadas em variáveis, de modo que podem ser usadas em instruções condicionais.

Benefícios:

• Melhora a precisão do agente fornecendo aos agentes valores e dados estáveis em subagentes, ações e turnos conversacionais.
• Diferentemente das informações recuperadas da memória de contexto do agente, valores e dados armazenados em variáveis podem ser usados a jusante em fluxos de trabalho determinísticos, como entradas para outras ações, condicionais ou filtros do agente.

Em vez de enviar o mesmo aviso grande para o LLM para cada caso ou estado, as declarações e variáveis condicionais limitam e refinam as instruções e opções enviadas ao LLM em raciocínio do agente.

Como funciona: Os agentes se justificam melhor quando você lhes dá instruções de linguagem natural focadas e diretas. Antes do início do raciocínio, a Agentforce avalia cada declaração condicional de forma determinística, com base nos valores das variáveis. Então, quando o agente cria o aviso para raciocínio, somente as instruções aplicáveis são incluídas.

Contexto atual	Instruções enviadas ao LLM
O pedido é validado @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}.
O pedido não é validado, mas o cliente é um 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}.
Todos os outros casos 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 Este exemplo analisa apenas as instruções de raciocínio do subagente, mas você pode usar as mesmas variáveis e princípios para aplicar filtros a ações do agente e garantir que seu agente veja apenas as ações relevantes para o estado atual e a fase de etapas do cliente em um processo maior.

Benefícios:

• Melhora a adesão à instrução e reduz a latência ajustando as instruções antes do início do raciocínio. O LLM não precisa analisar instruções relevantes e irrelevantes, ele recebe as instruções certas desde o início.
• Melhora a precisão geral e a qualidade da resposta reduzindo as instruções e as opções disponíveis para o LLM. Quanto menos escolhas um agente tiver que fazer, maior será a probabilidade de ele fazer as escolhas certas.