Exempel: Mer pålitliga agentinstruktioner med agentskript

Instruktioner innan agentskript

Dessa är de äldre byggarinstruktionerna för en underagent som hanterar återbetalningsbegäranden. Ordrar har rätt till en återbetalning om kunden har ett giltigt order-ID eller om kunden är en VIP-kund. Om en order är berättigad till en retur skapar agenten en begäran om återbetalning. Om en order inte är berättigad till en retur erbjuder agenten att skapa ett kundcase för en säljare att följa upp med kunden.

Detta är ett relativt enkelt exempel. (Och som du säkert vet kan de arbetsflöden du behöver för att hantera dina verksamhetskundcase vara betydligt mer komplexa.) Men det förlitar sig på LLM för att få många saker rätt.

• Din agent måste förstå ditt verksamhetssammanhang för att kunna fatta korrekta beslut. Till exempel, vad gör en order berättigad till en återbetalning? I den äldre byggaren kan du antingen använda vanligt språk för att definiera den, vilket kan bli mycket tokens och tid som lagts på att förfina din uppmaning för att få din agent att förstå. Eller så kan du instruera din agent att köra en åtgärd för att avgöra om en order är berättigad, vilket din agent bestämmer om den ska göra under sin resonemangsprocess.
• Din agent måste förstå sekvensen av instruktioner som du vill att den ska följa (validera ordernumret OCH SEDAN validera om kunden är en VIP OCH sedan samla in rätt information OCH sedan skapa en begäran). Och agenten måste följa instruktionerna korrekt varje gång. I den äldre byggaren är din bästa insats att inkludera en fullständig sekvens av instruktioner i ett enskilt instruktionsfält och använda tydliga ordertermer (som "Först, gör X... Andra, gör Y... Slutligen, gör Z..."). LLM är dock bäst på att förutsäga nästa troliga steg istället för en sekvens av steg. Och ju mer komplex en instruktion på naturligt språk är, desto troligare är det att din agent blir förvirrad.
• Din agent måste förstå vilka tillstånd och villkor, och därmed vilka instruktioner, som gäller. I den äldre byggaren måste du använda vanligt språk för att beskriva logiken och värdena som representerar möjliga användarlägen, vilket kan resultera i stora uppmaningar och större latens. Oavsett vilka tillstånd och villkor som är sanna skickas hela uppmaningen till LLM vid varje tur, vilket innebär att LLM måste sålla igenom irrelevant information, korrekt identifiera relevant information och sedan följa endast de relevanta instruktionerna. Det är ungefär som att ge någon en lång instruktionsbok utan innehållsförteckning. Det är troligt att de glömmer saker, hoppar över steg och förlorar sin plats, särskilt om de avbryts.

Instruktioner efter agentskript

I den nya byggaren ger den grafbaserade Atlas-resonemangsmotorn och Agentskript dig fler verktyg för att styra din agents beteende och finjustera din uppmaning, vilket säkerställer att agenten följer dina verksamhetsprocesser. Följande är ett exempel på instruktioner för en liknande underagent, skrivna i Agentskript.

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}.

Här är några viktiga sätt som dessa instruktioner kombinerar resonemang och determinism för att göra agenten mer pålitlig.

Agenten kör åtgärder deterministiskt för att hämta information om kunden och deras aktuella status.

Så här fungerar det: För agenter som skrivits i Agentskript, innan några resonemang med en LLM äger rum, löser agenten underagentens resonemangsinstruktioner uppifrån och ner och utför alla logiska uttryck längs vägen i den ordning de skrivits. Se Hur underagentinstruktioner löses för att bygga en uppmaning. I detta fall börjar resonemangsinstruktionerna med två åtgärder (Validera order och Hämta lojalitetsnivå), så agenten har åtkomst till viktig kundinformation innan de skapar uppmaningen som den använder för resonemang. (Eftersom de är kapslade i villkor kör agenten åtgärderna endast om data inte redan har hämtats.) Dessa åtgärder körs innan några resonemang utförs, så utdata kan användas för att hydrera och finjustera uppmaningen.

Fördelar:

• Ger agenten åtkomst till korrekt och pålitlig information, varje gång.
• Minskar komplexiteten hos agentinstruktioner genom att flytta förkravssteg ("hämta först data") från resonemanget. Istället för att lägga tid och tokens på att tänka på vad de ska göra gör agenten det bara. Så du kan spara tänkandet till där det är mest användbart.

Den viktigaste informationen om kunden och läget lagras i variabler istället för att förlita sig på agentens sammanhangsminne.

Så här fungerar det: Agenter gör ofta ett bra jobb med att fylla i inmatningar och utmatningar genom att fylla i luckor, men viss information är för viktig för att lämnas åt slumpen, särskilt om du vill återanvända den mellan underagenter eller konversationer. I detta fall lagras utdata från åtgärderna Validera order och Hämta lojalitetsnivå i variabler, så de kan användas i villkorliga uttryck.

Fördelar:

• Förbättrar agenters precision genom att ge agentvärden och data som är stabila mellan underagenter, åtgärder och konversationsomgångar.
• Till skillnad från information som hämtas från agentens sammanhangsminne kan värden och data som lagras i variabler användas längre ner i deterministiska arbetsflöden, som inmatningar till andra agentåtgärder, villkor eller filter.

Istället för att skicka samma stora uppmaning till LLM för varje kundcase eller delstat begränsar och förfinar villkorliga uttryck och variabler de instruktioner och alternativ som skickas till LLM i agentresonemang.

Så här fungerar det: Agenter resonerar bäst när du ger dem fokuserade och direkta instruktioner på naturligt språk. Innan resonemanget börjar utvärderar Agentforce varje villkorligt uttalande deterministiskt, baserat på variablernas värden. När agenten sedan konstruerar uppmaningen för resonemang inkluderas endast de tillämpliga instruktionerna.

Aktuellt sammanhang	Instruktioner skickade till LLM
Ordern är validerad @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}.
Ordern valideras inte men kunden är en VIP-kund @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}.
Alla andra kundcase 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}.

Anteckning Detta exempel tittar endast på instruktioner för resonemang för underagenter, men du kan använda samma variabler och principer för att tillämpa filter för agentåtgärder och säkerställa att din agent endast ser de åtgärder som är relevanta för kundens aktuella status och fas i steg i en större process.

Fördelar:

• Förbättrar efterlevnaden av instruktioner och minskar latensen genom att finjustera instruktionerna innan resonemanget börjar. LLM behöver inte gå igenom relevanta och irrelevanta instruktioner – den får rätt instruktioner från början.
• Förbättrar den övergripande precisionen och svarskvaliteten genom att minska de instruktioner och alternativ som är tillgängliga för LLM. Ju färre val en agent måste göra, desto troligare är det att de gör rätt val.