Infrastruktur for Agentforce

Agentforce

Agentforce sporer agentaktivitetssjiktet. Den fanger opp hver agenten svinger, årsakstrinn, handling, melding og feil for hver økt, og lagrer dem i strukturerte objekter i Data 360. Se Agentforce-øktsporing.

Datamodellen for øktsporing (STDM) har fem objekter organisert i et nestingshierarki:

• AiAgentSession – posten på øverste nivå for hver økt. Felt-SessionEndType, som tilordner til avvergede, eskalerte og avbrutte økter.
• AiAgentSessionParticipant — som deltok i møtet: API-navn for kontakt, salgsemne, bruker eller agent.
• AiAgentInteraction – én omgang i økten. Felt TopicApiName identifiserer hvilken underagent som håndterte svingen.
• AiAgentInteractionStep – ett diskret trinn i en sving: verktøykall, Apex, Flytkall eller LLM-kall.
• AiAgentInteractionMessage – den faktiske inndata/utdatateksten for hver omgang.

Disse objektene leverer til fanene Effektivitet, Bruk og Tilstand i Agent Analytics, og øktlisten og Spor i agentoptimalisering. Alle fem objekter kan spørres direkte via Data 360-spørringsredigeringen for tilpassede aggregeringer og sammenføyninger. Se Datamodell for Agentforce-øktsporing for å få full objektreferanse.

Agentplattformsporing

Agentplattformsporing utvider datainnsamling til tjenestelaget, det som skjedde inne i Agentforce for å utføre Beslutningsøktsporing-postene. Der Øktsporing forteller deg hva agenten bestemte seg for og sa, forteller Agentplattformsporing deg hvilken tjeneste som ble kjørt, hvor lenge og med hvilken status. Den fanger opp telemetri på tjenestenivå på tvers av Atlas-reaksjonsmotor, Apex, Flyter, Ledetekstbygger, Kallbare handlinger, AI-gateway, LLM-gateway og DC Query Federator. Data lagres i ett enkelt DMO, atskilt fra STDM, og kan kobles sammen via TelemetryTraceId.

• ssot__TelemetryTraceSpan__dlm – overordnet/underordnet-relasjoner, varighet i nanosekunder, operasjonsnavn, tjenestenavn og statuskoder.

Sammen gir dette deg en fordelt sporing på tvers av hele Agentforce. Se Agentplattformsporing.

Revisjon og tilbakemelding

Revisjon og tilbakemelding sporer LLM Gateway-laget. Den fanger opp inndata og utdata fra alle LLM-kall, inkludert ledetekst, svartekst, Trust, guardrail-utdata og tilbakemeldingssignaler fra brukere. Øktsporing forteller deg hva agenten gjorde, mens Revisjon og tilbakemelding forteller deg om LLM-svaret var nøyaktig, sikkert og grunnlagt i Knowledge din.

• GenAIGatewayRequest – ledeteksten og konteksten sendt til LLM
• GenAIGatewayResponse – kobler gatewayforespørselen til dens genereringsutdata
• GenAIGeneration – den LLM-genererte svarteksten, inkludert maskerte og avmaskerte versjoner og genereringsparametere
• GenAIFeedback – tilbakemeldingssignaler fra brukere som tomler opp/ned.
• GenAIContentQuality – om en inndata/utdata er sikker/usikker, inkludert påvisning av toksisitet
• GenAIContentCategory — Trust Layer detektor resultater etter type: InstructionAdherence, TaskResolution, TOXICITY, PROMPT_DEFENSE

Revisjons- og tilbakemeldingsdataoverflater i Quality Scores, Trust og User Satisfaction i Agent Analytics, og vurderingsfeltet Quality Score i Agent Optimization. Se Agent Analytics og Konfigurere Einstein generativ AI-revisjon og tilbakemelding for å få gjeldende målinger.

Knowledge/RAG-kvalitetsdata og målinger

Knowledge/RAG Quality Data and Metrics legger til kvalitetsscore for henting i revisjon og tilbakemeldinger under behandling. Den fanger opp hvor relevant spørringen var for oppgaven, hvor trofast svaret var til den hentede Knowledge og hvor relevant den hentede Knowledge var for spørringen.

Nøkkelobjekter:

• GenAIRetrieverRequest – hentespørringen sendt til Knowledge-kilden
• GenAIRetrieverResponse – den hentede konteksten returnert
• GenAIRetrieverQualityMetric — Svarfakturering, Svarrelevans og Kontekstrelevans-score

Det fyller ut målingene for hentingskvalitet i Quality Scores i Agent Analytics, som signalerer om Knowledge returnerer riktig innhold, atskilt fra LLMs svarkvalitet. Se Konfigurere Knowledge/RAG-kvalitetsdata og -målinger for å se trinnene for oppsett.

Trust

Trust er scoringlaget for samsvar. Den genererer instruksjonsoverholdelse og toksisitetsscore fra LLM Gateway-utdata. Trust Layer-score lagres i GenAIContentCategory og GenAIContentQuality, de samme objektene fra Revisjon og Tilbakemelding.

Den vises i Trust i Agent Analytics og gir deg innsikt i om agenten følger instruksjonene sine og holder seg innenfor akseptable innholdsgrenser. Se Einstein Trust Layer for å få oppsettrinn.

Hvert lag leverer forskjellige deler av observasjonsverktøykjeden. Jo flere lag du aktiverer, desto mer fullstendig er visningen av agentvirkemåten, og desto mer av agentutviklingslivssyklusen kan du navigere med bevis.