Os fundamentos dos agentes

Agente

Os agentes são assistentes de IA conversacional confiáveis. Eles aumentam a produtividade e reduzem as cargas de trabalho automatizando tarefas de rotina e ajudando com tarefas complexas. Eles são mais autônomos que outras soluções de IA conversacional, assim, eles podem se adaptar a diferentes situações, ambientes e informações. Os agentes do Agentforce podem identificar de forma independente oportunidades de ação, antecipar as próximas etapas e iniciar tarefas nos casos de uso e proteções que você especificar, com ou sem um humano no loop.

Um agente pode ser criado do zero ou de um modelo.

Subagentes e ações

Um agente inclui uma biblioteca de subagentes e ações, que são os ativos mais importantes do agente.

Ações são como um agente faz as coisas no Salesforce. Um agente usa uma ação para obter informações ou realizar tarefas. Por exemplo, se um usuário pedir ajuda a um agente para escrever um email, ele poderá executar uma ação que cria e revisa o email e o baseia em dados relevantes do Salesforce. O Salesforce fornece algumas ações padrão para tarefas comuns do Salesforce, e você pode criar ações personalizadas específicas para seus casos de uso de negócios.

Um subagente é uma categoria de ações relacionadas a um trabalho específico a ser feito. Por exemplo, um subagente chamado Gerenciamento de negócio pode conter ações do agente que ajudam um representante de vendas a atualizar seu dia, encontrar oportunidades e contatos relevantes, criar itens de tarefa e registrar chamadas. Os subagentes contêm ações, que são as ferramentas disponíveis para o trabalho, e instruções, que dizem ao agente como tomar decisões.

Dados

Os agentes são tão úteis quanto os dados em que se baseiam. Como os agentes do Agentforce são criados com base na Salesforce Platform, eles são integrados aos seus dados de CRM e você controla quais dados eles podem acessar. Você pode basear seu agente em outras fontes de dados, incluindo artigos e campos do Knowledge, seus uploads de arquivo ou fontes da Web usando ferramentas como Bibliotecas de dados do Agentforce e a ação padrão do agente Pesquisar na Web. Para fontes de dados não estruturadas, você pode criar soluções de recuperação de dados mais avançadas com a Geração aumentada de recuperação (RAG).

Conexões e canais

Canais são as plataformas de mensagens, aplicativos e interfaces em que você pode implantar um agente. São como você envia seu agente para o mundo e também determinam como seu agente escala conversas complexas ou confidenciais. Os canais incluem canais baseados em texto e voz, bem como canais voltados para o funcionário e voltados para o cliente.

Ao implantar um agente em um canal, você também cria e gerencia uma conexão para esse canal. Uma conexão inclui formatos de resposta adaptáveis que ajudam o agente a estruturar respostas e entregar conteúdo multimídia, como imagens, botões, links e vídeos. Também inclui configurações e fluxos do Omni-Channel que ajudam a encaminhar conversas de e para um agente. As conexões ajudam você a escalar o desenvolvimento do agente e reduzir a configuração repetitiva, permitindo que você crie um agente uma vez e adicione-o facilmente a vários canais no Agentforce Builder. Eles também ajudam o agente a tornar as experiências do cliente e do funcionário mais dinâmicas, específicas do canal e consistentes.

Mecanismo de raciocínio

O mecanismo de raciocínio orquestra como um agente motiva, executa ações e gera respostas.

Quando um agente é acionado ou quando um usuário faz uma pergunta ou faz uma solicitação, o mecanismo de raciocínio funciona nos bastidores.

• Roteia a conversa para subagentes relevantes por meio de classificação de subagente ou transições determinísticas.
• Resolve instruções do subagente para criar um aviso, incluindo substituir a referência a recursos por valores reais, executar ações em linha e avaliar e aplicar instruções condicionais.
• Motivos com o LLM para analisar as informações disponíveis no aviso e determinar as próximas etapas.

O mecanismo de raciocínio do Atlas é um mecanismo de raciocínio baseado em gráfico, que usa o Script do agente para separar o fluxo de trabalho de detalhes de um agente de suas habilidades conversacionais. O resultado é o raciocínio híbrido, que combina raciocínio probabilístico baseado em LLM com execução determinística baseada em regras no mesmo mecanismo.

Modelo de idioma grande (LLM)

Os agentes aproveitam o poder de um LLM para raciocinar, se comunicar com os usuários e agir em sua organização.

O mecanismo de raciocínio chama o LLM em horários diferentes durante uma tarefa ou interação com um usuário. O número e o tamanho das chamadas de LLM dependem da tarefa e dos subagentes e ações iniciados.