Пример: Более надежные инструкции агента посредством сценария агента

Инструкции перед сценарием агента

Ниже указаны устаревшие инструкции конструктора для субагента, обрабатывающего запросы на возмещение. Заказы имеют право на возмещение, если у клиента есть действительный код заказа или если клиент является ВИП-клиентом. Если заказ имеет право на возврат, агент создает запрос на возмещение. Если заказ не может быть возвращен, агент предлагает создать обращение для представителя, чтобы продолжить работу с клиентом.

Это относительно простой пример. (Как вы, вероятно, знаете, бизнес-правила, необходимые для обработки бизнес-обращений, могут быть значительно сложнее.) Но он зависит от LLM, чтобы многое исправить.

• Ваш агент должен понимать ваш бизнес-контекст, чтобы принимать правильные решения. Например, что дает заказу право на возмещение? В устаревшем конструкторе можно использовать обычный язык для его определения, что может привести к большому количеству маркеров и времени, затраченному на настройку подсказки, чтобы заставить агента понять. Или вы можете сообщить агенту о необходимости выполнения действия для определения соответствия заказа, что агент решает, нужно ли делать во время процесса рассуждения.
• Ваш агент должен понимать последовательность инструкций, которым он должен следовать (проверить номер заказа И ЗАТЕМ проверить, является ли клиент ВИП- лицом, А ЗАТЕМ собрать нужную информацию И ЗАТЕМ создать запрос). И агент должен каждый раз правильно следовать инструкциям. В устаревшем конструкторе лучше всего добавить полную последовательность инструкций в одно поле инструкции и использовать четкие условия заказа (например, «Первый, сделать X... Второй, сделать Y... Наконец, сделать Z...»). Однако, LLM лучше всего прогнозируют следующий наиболее вероятный этап, а не последовательность этапов. И чем сложнее естественно-языковая инструкция, тем выше вероятность того, что агент запутается.
• Ваш агент должен понимать, какие состояния и условия и, следовательно, какие инструкции применяются. В устаревшем конструкторе необходимо использовать обычный язык для описания логики и значений, представляющих возможные состояния пользователя, что может привести к большим напоминаниям и большей задержке. Независимо от того, какие состояния и условия являются истинными, все напоминание отправляется в LLM на каждом шагу, то есть LLM должен отсеивать неактуальные сведения, правильно определять актуальные сведения, а потом придерживаться только соответствующих инструкций. Это похоже на вручение кому-то подробной инструкции без оглавления. Скорее всего, они что-то забудут, пропустят шаги и потеряют свое место, особенно если их прервать.

Инструкции после сценария агента

В новом конструкторе графический механизм рассуждений Atlas и сценарий агента предоставляют больше инструментов для управления поведением агента и точной настройки подсказки, обеспечивая соответствие агента обязательным бизнес-процессам. Ниже приведен пример инструкций для аналогичного субагента, написанных в сценарии агента.

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}.

Ниже указаны некоторые ключевые способы сочетания этих инструкций аргументации и детерминизма, чтобы сделать агента более надежным.

Агент выполняет действия детерминистски для извлечения сведений о клиенте и его текущем состоянии.

Как это работает: Для агентов, написанных в сценарии агента, прежде чем проводить какие-либо рассуждения с помощью LLM, агент разрешает инструкции рассуждений субагента сверху вниз, выполняя все логические выражения по пути в порядке их написания. См. раздел «Разрешение инструкций субагента для создания напоминания». В этом случае инструкции по аргументации начинаются с двух действий («Проверить заказ» и «Получить уровень лояльности»), поэтому агент имеет доступ к ключевым сведениям о клиенте перед созданием напоминания, используемого для мотивации. (Кроме того, поскольку они вложены в условные, агент выполняет действия, только если данные еще не извлечены.) Эти действия выполняются до проведения любых рассуждений, поэтому результаты можно использовать для увлажнения и точной настройки напоминания.

Преимущества:

• Каждый раз предоставляет агенту доступ к точной и надежной информации.
• Уменьшает сложность инструкций агента, перемещая предварительные этапы («сначала извлеките данные») из рассуждений. Вместо того, чтобы тратить время и маркеры на размышления о том, что делать, агент просто делает это. Так что, вы можете сохранить мысли, где они наиболее полезны.

Самые важные сведения о клиенте и состоянии хранятся в переменных, а не зависят от контекстной памяти агента.

Как это работает: Хотя агенты часто хорошо заполняют вводные и выходные данные посредством заполнения интервалов, некоторые сведения слишком важны, чтобы оставить их случайными, особенно если вы хотите повторно использовать их в субагентах или диалоговых оборотах. В этом случае, результаты действий «Проверить заказ» и «Получить уровень лояльности» сохраняются в переменных, поэтому их можно использовать в условных операторах.

Преимущества:

• Повышает точность агента, предоставляя агенту значения и данные, стабильные в субагентах, действиях и диалоговых оборотах.
• В отличие от информации, извлеченной из контекстной памяти агента, значения и данные, сохраненные в переменных, могут использоваться в последующих этапах в детерминистских бизнес-процессах, например, вводные данные для других действий агента, условные или фильтры.

Вместо отправки одинакового большого напоминания в LLM для каждого обращения или состояния, условные операторы и переменные ограничивают и настраивают инструкции и параметры, отправленные в LLM в рассуждениях агента.

Как это работает: Лучше всего агенты рассуждают, когда вы даете им целенаправленные и прямые инструкции на естественном языке. Перед началом рассуждений Agentforce оценивает каждое условное утверждение детерминистски, на основе значений переменных. Потом, когда агент создает напоминание о мотивации, добавляются только применимые инструкции.

Текущий контекст	Инструкции, отправленные в LLM
Заказ проверен @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}.
Заказ не проверен, но клиент является ВИП-клиентом @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}.
Все остальные обращения 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}.

Примечание Данный пример рассматривает только инструкции по рассуждениям субагентов, но вы можете использовать те же переменные и принципы для применения фильтров к действиям агента и убедиться, что агент видит только действия, актуальные для текущего состояния клиента и этапа этапов более крупного процесса.

Преимущества:

• Улучшает выполнение инструкций и уменьшает задержку, настраивая инструкции до начала рассуждений. LLM не обязательно просматривать актуальные и неактуальные инструкции — он получает правильные инструкции с самого начала.
• Повышает общую точность и качество ответа, уменьшая инструкции и параметры, доступные для LLM. Чем меньше выбора должен сделать агент, тем выше вероятность того, что он сделает правильный выбор.