Agentforces observationsinfrastruktur

Agentforce sessionsspårning

Agentforce sessionsspårning följer agentaktivitetslagret. Den samlar in varje agentvändning, resonemangssteg, åtgärd, meddelande och fel för varje session och lagrar dem i strukturerade objekt i Data 360. Se Agentforce sessionsspårning.

Datamodellen för sessionsspårning (STDM) har fem objekt organiserade i en kapslingshierarki:

• AiAgentSession — posten på högsta nivå för varje session. Fältet SessionEndType, som mappar till avledda, omflyttade och övergivna sessioner.
• AiAgentSessionParticipant — som deltog i sessionen: kontakt, lead, användare eller agentens API-namn.
• AiAgentInteraction — ett varv inom sessionen. Fältets TopicApiName identifierar vilken underagent som hanterade vändningen.
• AiAgentInteractionStep – ett diskret steg inom en vändning: verktygsanrop, Apex anrop, flödesanrop eller LLM-anrop.
• AiAgentInteractionMessage — den faktiska indata-/utdatatexten för varje tur.

Dessa objekt ger näring åt flikarna Effektivitet, Användning och Hälsa i Agent Analytics och sessionslistan och Spåra i Agentoptimering. Alla fem objekt är direkt sökbara via Data 360-sökfrågeredigeraren för egna aggregeringar och sammanslagningar. Se Datamodell för Agentforce sessionsspårning för den fullständiga objektreferensen.

Agentplattformsspårning

Agentplattformsspårning utökar datainsamlingen till servicelagret, det som hände inuti Agentforces infrastruktur för att utföra beslutet Sessionsspårning. Där sessionsspårning berättar vad agenten har beslutat och sagt berättar Agentplattformsspårning vilken tjänst som kördes, hur länge och med vilken status. Den samlar in servicenivåtelemetri över Atlas resonemangsmotor, Apex, flöden, Promptbyggare, åberopbara åtgärder, AI Gateway, LLM Gateway och DC Query Federator. Data lagras i en enda DMO, separat från STDM, och kan slås samman via TelemetryTraceId.

• ssot__TelemetryTraceSpan__dlm — relationer mellan överordnad/underordnad, varaktighet i nanosekunder, operationsnamn, servicenamn och statuskoder.

Tillsammans ger detta dig en distribuerad spårning över hela Agentforces ekosystem. Se Agentplattformsspårning.

Granskning och feedback

Granska och ge feedback följer LLM Gateway-lagret. Den samlar in indata och utdata för varje LLM-anrop, inklusive uppmaningstext, svarstext, Trust evaluations, skyddsräckesutdata och feedbacksignaler från användare. Sessionspårning berättar vad agenten har gjort, men granskning och feedback berättar om LLM-svaret var korrekt, säkert och grundat i din Knowledge källa.

• GenAIGatewayRequest — uppmaningen och sammanhanget som skickas till LLM
• GenAIGatewayResponse — kopplar gateway-begäran till dess skapanderesultat
• GenAIGeneration — den LLM-genererade svarstexten, inklusive maskerade och avmaskerade versioner, och skapandeparametrar
• GenAIFeedback — feedbacksignaler från användare som tummen upp/ner.
• GenAIContentQuality – om en indata/utdata är säker/osäker, inklusive upptäckt av toxicitet
• GenAIContentCategory – Trust Layer-detektorresultat efter typ: InstructionAdherence, TaskResolution, TOXICITY, PROMPT_DEFENSE

Data för granskning och feedback visas i Kvalitetsbetyg, Trust och Användarnöjdhet i Agent Analytics, och i fältet Resonemang om kvalitetsbetyg i Agentoptimering. Se Agent Analytics och Konfigurera Einstein Generativ AI-granskning och feedback för aktuella mått.

Knowledge/RAG-kvalitetsdata och -mått

Knowledge/RAG-kvalitetsdata och -mått lägger till betyg för hämtningskvalitet i pipelinen Granskning och Feedback. Den samlar in hur relevant sökfrågan var för uppgiften, hur troget svaret var för den hämtade Knowledge källan och hur relevant den hämtade Knowledge källan var för sökfrågan.

Nyckelobjekt:

• GenAIRetrieverRequest – hämtningsfrågan som skickas till Knowledge
• GenAIRetrieverResponse — det hämtade sammanhanget returnerat
• GenAIRetrieverQualityMetric — Betygen Svarsrelevans, Svarsrelevans och Sammanhangsrelevans

Den fyller i måtten för hämtningskvalitet i Kvalitetsresultat i Agent Analytics, vilket signalerar om Knowledge returnerar rätt innehåll, separat från LLM:s svarskvalitet. Se Konfigurera Knowledge/RAG-kvalitetsdata och -mått för inställningssteg.

Trust

Trust Layer är betygslagret för efterlevnad. Det skapar instruktionsefterlevnad och toxicitetsbetyg från LLM Gateway-utdata. Trust Layer-betyg lagras i GenAIContentCategory och GenAIContentQuality, samma objekt från Granskning och Feedback.

Den visas i Trust i Agent Analytics, vilket ger dig insyn i om agenten följer dess instruktioner och håller sig inom acceptabla innehållsgränser. Se Einstein Trust Layer för konfigurationssteg.

Varje lager driver en annan del av verktygskedjan för observerbarhet. Ju fler lager du aktiverar, desto mer fullständig är din vy av agentbeteende och desto mer av Agentutvecklingslivscykeln kan du navigera med bevis.