Du är här:
Planera och utforma för agentskript
Innan du migrerar, lägg tid på att utforma dina underagentinstruktioner och konversationsflöden. Nivån av tid och ansträngning varierar beroende på vilka verktyg du planerar att använda för att migrera, komplexiteten hos din agent och hur bra din agent presterar idag. Denna förberedelse hjälper dig avgöra vilka delar av din agent som kan migreras direkt utan ändringar och vilka delar som är kandidater för omdesign. Det förbereder dig även på att fatta beslut om var du ska introducera determinism i din nya agent, så att du kan förbättra din agent strategiskt istället för reaktivt.
Hoppa till...
- Lär känna din nuvarande agent
- Identifiera kandidater för omdesign och planförbättringar
- Utforska exempel och resurser
- Balansdeterminism med LLM-resonemang
Lär känna din nuvarande agent
Analysera hur och varför din agent arbetar som den gör, så att du kan behålla det som fungerar bra idag och planera för förbättringar i den nya byggaren. Att göra något eller allt detta direkt hjälper dig att skapa en samlad vy av din agent, så att du kan identifiera specifika kandidater för omdesign.
- Upprätta en testbaslinje.
- Utför en dedikerad körning av manuella tester i Agentforce Builder och batchtester i Agentforce Testcenter för att mäta din agents nuvarande resultat och objektivt definiera hur en "bättre" agent ser ut för din verksamhet. Om du redan har testscenarion som du kör regelbundet är dessa rätt plats att börja. Se Tips för test för mer information.
Resultat Att få dedikerade grundläggande testdata innan migrering hjälper dig identifiera områden som kan förbättras för din agent. Det konfigurerar dig även för att objektivt mäta resultat efter migrering, inklusive regressioner och framgång. - Utveckla en förståelse på hög nivå för din agent i den äldre byggaren.
- Identifiera underagenter och deras relationer, sökvägar för användarresor, agentbeslutspunkter och överlämningskriterier (omflyttning, förväntade övergångar mellan underagenter).
Resultat Dessa arkitektoniska detaljer är viktiga för att mappa vad du migrerar och vad du ändrar. De pekar också på platser där determinism sannolikt är till hjälp. Till exempel ger Agentskript dig mer kontroll över agentdirigering, så det är viktigt att förstå relationen mellan underagenter och förväntade övergångar. Beslutspunkter och överlämningskriterier är också kandidater för determinism, om agenten inte presterar som förväntat. - Inom varje underagent, identifiera syftet med varje instruktion och utvärdera dess kvalitet.
- Är instruktionen allmän (till exempel riktlinjer för ton eller sammanhang) eller funktionell (till exempel anger hur en utdata ska formateras)? Specificerar instruktionen några obligatoriska villkor eller en sekvens av steg? Är terminologin enhetlig i alla instruktioner?
Resultat När du förstår dina befintliga instruktioner, planera hur du vill hantera dem i din migrering: migrera utan ändringar, ta bort eller skriv om med Agentskript. Instruktioner som specificerar obligatoriska villkor, sekvenser eller verksamhetsregler är starka kandidater för deterministiska omskrivningar. - Samla in och kategorisera aktuella problem.
-
Klusteragentproblem för att utveckla en tydlig bild av vad som fungerar och vad som är trasigt. Samla all feedback om din befintliga agent på ett och samma ställe, inklusive misslyckade testresultat, loggade buggar och feedback från användare eller supportteam. Slå sedan samman den till en enda vy. (Som med många steg i denna guide kan du använda AI för att hjälpa till.)
Därifrån, gruppera problemen efter typ. Vanliga kategorier kan inkludera problem med syftesigenkänning, dirigeringsfel och datavalideringsfel, men din agents problem kan peka på andra mönster. När du sorterar, leta efter överlappning. Till exempel kan ett kluster av dirigeringsfel dela en grundorsak, vilket innebär att en ändring åtgärdar flera symtom samtidigt.
Resultat Att ha en enda vy av din agents problem gör att du kan skilja mellan regressioner (saker som fungerade innan migreringen och bryts efter) och design- eller funktionalitetsluckor (saker som aldrig riktigt har fungerat).
Långvariga buggar eller luckor är en möjlighet till omdesign med Agentskript. Prioritera problem efter kluster för att avgöra de viktigaste sakerna att åtgärda och vilka verktyg eller deterministiska element som ska introduceras.
Identifiera kandidater för omdesign och planera förbättringar
Med en tydlig bild av din agents arkitektur, instruktioner och problem är du redo att identifiera vad som ska migreras som det är och vad som ska omdesignas. Använd det du lärt dig för att prioritera de delar av din agent som är mest troliga att dra nytta av Agentskript, vilket ger dig uttrycklig kontroll över de delar av din agent som enbart instruktioner på naturligt språk inte kan hantera på ett tillförlitligt sätt.
Här är några exempel på kandidater för omdesign med Agentskript.
- En underagent, instruktion eller process med en hög felfrekvens
- En underagent som fungerar inkonsekvent på grund av många instruktioner och åtgärder
- En eller flera underagenter med olika instruktioner eller dirigering för olika användare
- Komplexa processer i flera steg, inom en underagent eller mellan flera underagenter
- Alla verksamhetsprocesser som måste följas och där variationer är oacceptabla
- Underagenter och åtgärder som kräver användarverifiering (De allmänna principerna för att samla underagenter och åtgärder med filter och variabler har inte ändrats, men de rekommenderade mönstren har det. Se Agentskriptmönster: Tillämpa obligatoriska arbetsflöden för en underagent.)
Agentskript tillhandahåller en rad verktyg för att förbättra agenters pålitlighet. Här är några vanliga problem som det kan hjälpa dig att lösa.
| Problem | Hur agentskript kan hjälpa | Relaterade mönster |
|---|---|---|
| Din agent blir förvirrad eller tappar bort information över omgångar eller övergångar. | Information som samlats in tidigt i en konversation kan gå förlorad när konversationen byter ämne när information endast lagras i sammanhangsminnet. Variabler låter dig lagra och dela status över hela din agent, vilket aktiverar villkorlig logik, personliga svar och deterministiska arbetsflöden som beror på vad som hände tidigare. Agentskript ger dig flexibla alternativ för att fylla i dem, inklusive att fylla i luckor med LLM, lagra åtgärdsresultat eller ange värden direkt. | |
| Din agent utför åtgärder i fel ordning eller hoppar över steg. | Ibland fattar en agent ett annat beslut än det ditt arbetsflöde kräver. Agentskript låter dig köra åtgärder deterministiskt, så utförande garanteras. Du kan även kedja åtgärder i sekvens—skicka utdata från en direkt som indata till nästa—antingen innan resonemanget börjar, eller automatiskt efter att LLM väljer en åtgärd. | |
| I en underagent med många instruktioner eller många åtgärder följer din agent inte dina instruktioner konsekvent. | För många val leder till agentmisstag, särskilt i långa konversationer. Agentskript låter dig begränsa vad LLM ser baserat på din användares aktuella status, med variabler och villkorlig logik för att endast skicka de instruktioner som gäller, och filtrerar för att dölja åtgärder helt när villkor inte uppfylls. Till exempel ser LLM andra instruktioner för en kund med försäkring än en kund som betalar själv, eller andra åtgärder för verifierade och overifierade kunder. Resultatet är en mindre, mer fokuserad uppmaning i varje steg och mer tillförlitlig resonemang. | |
| Din agent väljer eller lämnar inte över till rätt underagent vid rätt tidpunkt. | Utan uttrycklig dirigeringslogik bestämmer LLM var och när användare ska skickas. Agentskript låter dig definiera övergångar mellan underagenter, deterministiskt när vägen är fast eller i resonemang när villkoren varierar. Du har även mer kontroll över dirigering med Agentroutern, som är en specialiserad underagent där du kan definiera dirigeringsregler. För obligatoriska arbetsflöden som användarverifiering garanterar villkorliga övergångar i instruktioner för Agentrouter att dessa steg körs innan konversationen fortsätter. |
Utforska exempel och resurser
Ett av de bästa sätten att lära sig bygga effektiva agenter med Agentskript är att utgå från befintliga mönster och exempel av hög kvalitet. Här är några Salesforce-validerade exempel som du kan använda för inspiration, eller till och med kopiera och klistra in i din egen agent.
- Agentforce Developer Guide: Vanliga mönster
Vanliga mönster för att bygga agenter med Agentskript. Varje mönster fokuserar på en specifik teknik som du kan använda för att göra dina agenter mer pålitliga och effektiva.
- Agentforce Labs: Börja bygga
Kom igång i en sandboxmiljö med det fullständiga Agentskriptet för en grundläggande kundsupport, vanliga frågor eller e-handelsagent. Bygg sedan in Agentforce Builder eller din IDE.
- Recept för agentskript
En samling fristående, fungerande exempel som lär ut specifika Agentskriptkoncept.
Balansera determinism med LLM-resonemang
Agentskript ger dig kontroll över potentiellt varje beslutspunkt i din agent. Du definierar beslut, tillstånd och processer som måste vara deterministiska och låter agenten sedan resonera igenom resten. Denna nivå av kontroll är kraftfull, men den kan också komma i vägen. Vid omdesign för att förbättra agenters beteende är målet att tillämpa precis tillräckligt med kontroll för att hålla din agent säker, förutsägbar och precis utan att eliminera den konversationsflexibilitet som gör LLM-resonemang så användbart.
Det är frestande att lägga till deterministiska kontroller överallt, särskilt om din äldre byggare agent kämpade med pålitlighet. Men kom ihåg att varje logiskt uttryck är ett beslut som modellen inte kan fatta. Lägg inte till determinism reflexivt bara för att du kan, annars riskerar du att återskapa en styv chatbot. Identifiera istället beslut med verksamhetskonsekvenser, som användarautentisering, ekonomiska transaktioner eller dirigering till känsliga köer. Styr de med villkor, filter och variabelmappning till åtgärdsinmatningar och utmatningar. För allt annat, låt LLM resonera. Börja öppna och lägg till kontroll där tester visar att du behöver det.
Här är några allmänna riktlinjer.
- Använd instruktioner på naturligt språk och LLM-resonemang för konversationsförståelse, sammanhang och flexibelt beslutsfattande.
När du skriver instruktioner på naturligt språk, tänk på dessa rekommendationer.
- Agenter tenderar att prestera bäst när instruktioner på naturligt språk är enklare och kortare.
- Undvik överlappande eller motstridiga instruktioner, vilket kan försämra agenters prestanda.
- LLM är känsliga för språkval, så skapa instruktioner på klarspråk som är exakta, detaljerade och direkta. Använd absoluta värden endast när du menar det. Undvik jargong där det är möjligt. Använd språk konsekvent genom alla dina instruktioner.
Tips Om du migrerar instruktioner på naturligt språk från din befintliga agent, var inte rädd för att minska dem aggressivt. Instruktioner i den äldre byggaren tenderar att vara långa och repetitiva och täcka beteenden och kundcase som du nu kan hantera med ett villkor eller filter. För det mesta kan du säkert ta bort allt utom en eller två huvudmeningar. Långa instruktioner på naturligt språk kan försvaga vad som faktiskt är relevant och göra det svårare för din agent att förstå vad som är viktigt. - Använd deterministisk logik för åtgärder med verksamhetskonsekvenser, till exempel datakontroller, obligatoriska sekvenser, dirigeringsregler, efterlevnadskrav och transaktionsåtgärder.
Till exempel, innan några uppmaningsbaserade instruktioner på naturligt språk körs, använd villkorlig logik för att avgöra om du vill tacka en användare för att de är en guldnivåmedlem, använda en variabel för att anpassa uppmaningen eller deterministiskt köra en åtgärd för att söka information eller skicka ett e-postmeddelande. Sedan kan du fokusera de naturliga språkinstruktionerna på vad en AI-modell gör bäst, utan att överbelasta modellens sammanhang.
- För högsta möjliga pålitlighet, flytta logik med juridiska, säkerhetsmässiga eller regelmässiga konsekvenser till en agentåtgärd (till exempel åldersverifiering).
Bygg in logiken i åtgärdens underliggande Apex klass eller flöde och ge sedan din agent detaljerade instruktioner om hur och när åtgärden ska användas.
Här är några resurser som hjälper dig balansera determinism och resonemang i din agentdesign.
- Salesforce-hjälpen: En Agentforce guide till sammanhangsteknik
Denna resurs diskuterar stegen för att bygga pålitliga och effektiva Agentforce genom att använda några rekommenderade metoder för sammanhangsteknik, för att säkerställa att du ger din AI-agent rätt information, verktyg och instruktioner för att uppnå sina mål.
- 360-bloggen: Agentskript: Styrplanen för agentbeslut
Ett blogginlägg, skrivet av några av våra experter på Agentskript, som lyfter fram fördelarna med att hantera determinism och resonemang i ett enda gränssnitt och fil. Utöver råd om de verktyg som finns i Agentskript och hur man använder dem tillhandahåller det tre versioner av en enkel agent som visar tre olika nivåer av kontrollskript (ett arbetsflöde med en LLM på toppen), blandad (deterministisk identitetsbekräftelse, men resonemangsdriven lösning) och helt agentisk (minimal determinism).
- Sex nivåer av determinism i Agentforce
Ett detaljerat ramverk för agentdesign, som hjälper dig att gradvis gå från lägre till högre nivåer av kontroll efter behov. Den definierar sex nivåer av agentkontroll och ger rekommenderade metoder för att få och behålla kontroll över agentbeteende för var och en av dessa nivåer.
