範例：使用工作人員指令檔提供更可靠的工作人員指示

工作人員指令檔之前的指示

以下是處理退款要求之子工作人員的舊版產生器指示。如果客戶具有有效的訂單識別碼,或客戶是 VIP 客戶,則訂單符合退款的資格。如果訂單符合退貨資格,則工作人員會建立退款要求。如果訂單不符合退貨的資格,工作人員會提供建立個案,讓代表追蹤客戶的後續狀況。

這是相對簡單的範例。(而且,您可能知道,處理業務個案所需的工作流程可能會更為複雜。)但它依賴 LLM 來正確取得許多項目。

• 您的工作人員必須瞭解您的業務內容,才能做出正確的決策。例如,什麼因素會使訂單符合退款資格?在舊版產生器中,您可以使用純文字來定義它,這會新增多個權杖,並花費精簡提示的時間讓工作人員瞭解。或者,您可以指示工作人員執行動作來判斷訂單是否符合資格,您的工作人員可在推斷流程中決定是否執行動作。
• 您的工作人員必須瞭解您要其遵循的指示順序 (驗證訂單編號,然後驗證客戶是否為 VIP,然後收集正確資訊,然後建立要求)。而且工作人員每次都必須正確遵循指示。在舊版產生器中,您的最佳投注是將完整的指示序列包含在單一指示欄位中,並使用明確的訂單字詞 (例如「首先,執行 X...第二,執行 Y...最後,執行 Z...」)。然而,LLM 最能預估下一個最有可能的步驟,而非一系列的步驟。自然語言指示愈複雜,您的工作人員愈可能感到困惑。
• 您的工作人員必須瞭解適用的狀態和條件,因此適用的指示。在舊版產生器中,您必須使用純文字來描述代表可能使用者狀態的邏輯和值,這可能會造成較大的提示和較長的延遲。無論哪個狀態和條件為 true,系統每次都會將整個提示傳送至 LLM,這表示 LLM 必須篩選不相關的資訊、正確識別相關資訊,然後僅遵循相關指示。這相當於在沒有內容表的情況下將長的指示手冊提供給某人。他們可能會忘記事物、略過步驟並失去位置,特別是當他們中斷時。

工作人員指令檔後的指示

在新產生器中,以圖形為基礎的 Atlas 推理引擎和工作人員指令檔提供更多工具來控制工作人員的行為並微調您的提示,以確保工作人員遵循您的必要業務流程。以下是以「工作人員指令檔」撰寫的類似子代理程式指示範例。

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}.

以下是這些指示結合推理和決定性,讓工作人員更可靠的一些重要方法。

工作人員會以決定性方式執行動作,以提取客戶及其目前狀態的相關資訊。

運作方式:針對以「工作人員指令檔」撰寫的工作人員,在使用 LLM 進行任何推理之前,工作人員會先從上到下解析子工作人員的推理指示,然後依寫入順序執行任何邏輯運算式。請參閱 如何解決子工作人員指示以產生提示。在此情況下,推理指示會從兩個動作 (「驗證訂單」和「取得忠誠度等級」) 開始,讓工作人員在建構用於推理的提示之前,能夠存取重要的客戶資訊。(此外,由於其嵌套在條件式狀態中,因此工作人員只會在尚未提取資料時執行動作。)這些動作會在任何推理發生之前執行,因此輸出可以用來強化和微調提示。

益處:

• 每次都能讓工作人員存取準確且可靠的資訊。
• 透過將先決條件步驟 (「首先提取資料」) 移出理論之外,來減少工作人員指示的複雜性。工作人員不需要花費時間和權杖來思考要執行的動作,而是要這麼做。因此,您可以將思考儲存在最有用的位置。

與客戶和狀態相關的最重要資訊會儲存在變數中,而非依賴工作人員內容記憶體。

運作方式:雖然工作人員經常透過時段填入來填入輸入和輸出,但某些資訊太重要,無法保留給隨機,特別是當您想要在子工作人員或對話輪數之間重複使用時。在此情況下,「驗證訂單」與「取得忠誠度等級」動作的輸出會儲存在變數中,因此可用於條件陳述式中。

益處:

• 透過提供給工作人員在子工作人員、動作和對話輪數中穩定的值和資料,來改善工作人員的準確度。
• 不同於從工作人員的內容記憶體提取的資訊,儲存在變數中的值和資料可以用於決定性工作流程的下游,例如其他工作人員動作、條件或篩選條件的輸入。

條件陳述式和變數不會針對每個個案或狀態傳送相同的大型提示至 LLM,而是會限制並限定在工作人員推理中傳送給 LLM 的指示和選項。

運作方式:當您為工作人員提供著重且直接的自然語言指示時,最適合工作人員。在開始推理之前,Agentforce 會根據變數的值決定性評估每個條件陳述式。然後,當工作人員建構邏輯提示時,只會包含適用的指示。

目前內容	傳送至 LLM 的指示
訂單已驗證 @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}.
訂單未驗證,但客戶是 VIP 客戶 @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}.
所有其他個案 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}.

備註 此範例只會查看子工作人員的推理指示,但您可以使用相同的變數和原則將篩選條件套用至工作人員動作,並確保工作人員只會看見與客戶目前狀態和步驟階段相關的動作。

益處:

• 透過在思考開始前微調指示來改善指示符合度並減少延遲。LLM 不需要篩選相關且不相關的指示,因為它一開始就取得正確的指示。
• 透過減少 LLM 可用的指示與選項,改善整體準確性和回應品質。工作人員必須做出的選擇愈少,工作人員會做出正確選擇的可能性愈高。