Agentforce

Agentforce

Agentforce sporer agentaktivitetslaget. Den registrerer hver agentvinkel, hvert argumenttrin, hver handling, hver meddelelse og hver fejl for hver session og lagrer dem i strukturerede objekter i Data 360. Se Agentforce-sessionssporing.

Sessionssporingsdatamodel (STDM) har fem objekter organiseret i et indlejret hierarki:

• AiAgentSession – registreringen på topniveau for hver session. Felt-SessionEndType, der knyttes til afledte, eskalerede og afbrudte sessioner.
• AiAgentSessionParticipant — der deltog i sessionen: kontakt-, emne-, bruger- eller agent-API-navn.
• AiAgentInteraction – en drejning i sessionen. Feltets TopicApiName identificerer, hvilken underagent der håndterede omdrejningen.
• AiAgentInteractionStep – ét enkelt trin inden for en drejning: værktøjskald, Apex, Forløbskald eller LLM-kald.
• AiAgentInteractionMessage – den faktiske input/outputtekst for hver drejning.

Disse objekter leverer fanerne Effektivitet, Anvendelse og Tilstand i Agent Analytics og sessionslisten og Spor i agentoptimering. Alle fem objekter kan forespørges på direkte via Data 360-forespørgselseditoren for tilpassede aggregeringer og sammenføjninger. Se datamodel for Agentforce-sessionssporing for at få den fulde objektreference.

Agentplatformssporing

Agentplatformssporing udvider datasamlingen til servicelaget, hvad der skete i Agentforce for at køre registreringer for sessionssporing af beslutninger. Hvor Sessionssporing fortæller dig, hvad agenten besluttede og sagde, fortæller Agentplatformssporing dig, hvilken tjeneste der kørte, hvor længe og med hvilken status. Den registrerer telemetri på serviceniveau på tværs af Atlas-regnskabssystemet, Apex, forløb, Promptkonstruktør, Handlinger, der kan kaldes, AI-gateway, LLM-gateway og DC-forespørgselsføderator. Data lagres i et enkelt DMO, adskilt fra STDM, og kan sammenføjes via TelemetryTraceId.

• ssot__TelemetryTraceSpan__dlm – overordnet/underordnet forhold, varighed i nanosekunder, handlingsnavne, tjenestenavne og statuskoder.

Sammen giver dette dig et distribueret spor på tværs af det fulde Agentforce. Se Agent Platform Tracing.

Overvåg og feedback

Revision og feedback sporer LLM-gatewaylaget. Det registrerer input og output af hvert LLM opkald, herunder meddelelsestekst, svartekst, Trust evalueringer, guardrail-output og brugerefeedback-signaler. Mens Sessionssporing fortæller dig, hvad agenten gjorde, fortæller Revision og feedback dig, om LLM-svaret var nøjagtigt, sikkert og baseret på din Knowledge.

• GenAIGatewayRequest – meddelelsen og konteksten, der sendes til LLM
• GenAIGatewayResponse – sammenføjer gatewayanmodningen til dens genereringsoutput
• GenAIGeneration – den LLM-genererede svartekst, herunder maskerede og maskerede versioner og genereringsparametre
• GenAIFeedback – brugere feedback signaler som tommelfinger op / ned.
• GenAIContentQuality — om en input/output er sikker/usikker, herunder toksicitetsregistrering
• GenAIContentCategory — Trust Layer detektor resultater efter type: InstructionAdherence, TaskResolution, TOXICITY, PROMPT_DEFENSE

Overvåg og feedback-dataoverflader i Quality Scores, Trust og User Satisfaction i Agent Analytics og argumenteringsfeltet for kvalitetsscore i Agentoptimering. Se Agent Analytics og Opsæt Einstein Generative AI-revision og -feedback for at få de aktuelle metrikker.

Knowledge/RAG-kvalitetsdata og -metrikker

Knowledge/RAG-kvalitetsdata og -metrikker føjer hentningskvalitetsscoring til revisions- og feedback-pipelinen. Det registrerer, hvor relevant forespørgslen var for opgaven, hvor trofast svaret var til den hentede Knowledge kilde, og hvor relevant den hentede Knowledge kilde var for forespørgslen.

Nøgleobjekter:

• GenAIRetrieverRequest – hentningsforespørgslen, der sendes til Knowledge-kilden
• GenAIRetrieverResponse – den hentede kontekst returneret
• GenAIRetrieverQualityMetric — Scores for svarfidelighed, svarrelevans og kontekstrelevans

Den udfylder hentningskvalitetsmetrikker i Quality Scores i Agent Analytics, hvilket signalerer, om Knowledge returnerer det rigtige indhold, adskilt fra LLM's svarkvalitet. Se Opsæt Knowledge/RAG-kvalitetsdata og -metrikker for at få vist opsætningstrin.

Trust

Trust er compliancescoringslaget. Det genererer instruktionsoverholdelse og toksicitetsscores fra LLM-gatewayresultater. Trust Layer-scores gemmes i GenAIContentCategory og GenAIContentQuality, de samme objekter fra Revision og Feedback.

Det vises i Trust i Agent Analytics, hvilket giver dig indsigt i, om agenten følger sine instruktioner og forbliver inden for acceptable indholdsgrænser. Se Einstein Trust Layer for at få vist opsætningstrin.

Hvert lag styrer en forskellig del af observabilitetsværktøjskæden. Jo flere lag du aktiverer, desto mere komplet er din visning af agentadfærd, og jo mere af livscyklussen for agentudvikling, du kan navigere med beviser.