示例：使用客服人员脚本提供更加可靠的客服人员说明

客服人员脚本前的说明

这些是处理退款请求的子代理的原有生成器说明。如果客户拥有有效的订单 ID 或客户是 VIP 客户，订单有资格退款。如果订单符合退货条件，客服人员会创建退款请求。如果订单不符合退货条件，客服人员会主动为代表创建个案，以跟进客户。

这是一个相对简单的例子。（您可能知道，您处理业务个案所需的工作流可能更加复杂。）但它依赖于 LLM 来正确地完成很多事情。

• 客服人员必须了解您的业务上下文，以便做出正确决策。例如，是什么使订单有资格退款？在原有生成器中，您可以使用简单语言进行定义，这会增加大量令牌，并花费大量时间完善提示，以使客服人员了解。或者，您可以指示客服人员运行操作来确定订单是否合格，客服人员可在推理过程中决定是否这样做。
• 客服人员必须了解您想要遵循的指令顺序（验证订单号，然后验证客户是否为 VIP，然后收集正确信息，然后创建请求）。客服人员每次必须正确遵循说明。在原有生成器中，您的最佳选择是在单个指令字段中包含完整的指令序列，并使用清晰的顺序术语（例如“首先，执行 X...其次，执行 Y...最后，执行 Z...”）。但是，LLM 最擅长预测下一个最有可能的步骤，而不是一系列步骤。自然语言指令越复杂，客服人员就越有可能感到困惑。
• 客服人员必须了解适用哪些州/省和条件，以及哪些说明。在原有生成器中，您必须使用简单的语言来描述代表可能的用户状态的逻辑和值，这可能会导致较大的提示和较大的延迟。无论哪个状态和条件为真，整个提示都会发送到 LLM，这意味着 LLM 必须筛选无关的信息，正确识别相关信息，然后只遵守相关的说明。这就像递给某人一本没有目录的长篇指导手册。他们很可能会忘记事情，跳过步骤，并失去自己的位置，特别是如果他们被打断。

客服人员脚本后的说明

在新生成器中，基于图表的 Atlas 推理引擎和客服人员脚本为您提供了更多工具，以控制客服人员的行为并微调提示，确保客服人员遵守所需的业务流程。以下是使用客服人员脚本编写的类似子客服人员的说明示例。

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}.

以下是这些指令将推理和确定性结合起来使客服人员更加可靠的一些关键方法。

客服人员会确定性地运行操作，以获取有关客户及其当前状态的信息。

工作方式：对于使用客服人员脚本编写的客服人员，在使用 LLM 进行任何推理之前，客服人员会从上到下解析子客服人员的推理指令，并按照编写顺序执行任何逻辑表达式。请参阅如何解析子代理指令构建提示。在这种情况下，推理指令从两个操作（有效订单和获取忠诚度等级）开始，因此客服人员在构建用于推理的提示之前可以访问关键客户信息。（此外，由于它们嵌套在条件中，客服人员仅在尚未获取数据时运行操作。）这些操作会在任何推理之前运行，因此输出可用于水化和微调提示。

优点：

• 允许客服人员每次访问准确可靠的信息。
• 通过将先决条件步骤（“首先，获取数据”）移出推理，降低客服人员指令的复杂性。客服人员不必花费时间和令牌来思考该做什么，而只是去做。因此，您可以将思维保存在最有用的地方。

有关客户和状态的最重要的信息存储在变量中，而不是依赖于客服人员上下文记忆。

工作方式：虽然客服人员通常通过空档填充来填充输入和输出，但有些信息非常重要，不能随随便便，特别是如果您想要在子客服人员或对话轮次之间重复使用它。在这种情况下，验证订单和获取忠诚度等级操作的输出存储在变量中，因此可以在条件语句中使用。

优点：

• 通过提供子客服人员、操作和对话轮次之间稳定的客服人员值和数据，提高客服人员的准确性。
• 与从客服人员的上下文内存中检索的信息不同，存储在变量中的值和数据可以在确定性工作流中下游使用，例如对其他客服人员操作、条件或筛选器的输入。

条件语句和变量不是针对每个个案或状态向 LLM 发送相同的大提示，而是在客服人员推理中限制和细化发送到 LLM 的指令和选项。

工作方式：当您向客服人员提供集中和直接的自然语言指令时，客服人员的理由最充分。在推理开始前，Agentforce 根据变量的值确定地评估每个条件语句。然后，在客服人员构建推理提示时，仅包含适用说明。

当前上下文	发送到 LLM 的说明
订单已验证 @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}.
订单未验证，但客户是 VIP 客户 @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}.
所有其他个案 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}.

备注 此示例仅查看子客服人员推理指令，但您可以使用相同的变量和原则将筛选器应用于客服人员操作，并确保客服人员仅查看与客户当前状态和更大流程中步骤阶段相关的操作。

优点：

• 通过在推理开始前微调指令，提高指令合规性并减少延迟。LLM 不必筛选相关和不相关的指令，它从一开始就会获得正确的指令。
• 通过减少 LLM 可用的说明和选项，提高整体准确性和响应质量。客服人员必须做出的选择越少，就越有可能做出正确的选择。