--- schema_version: "1" id: 67054f5cbe6fedf821823c2a0d86fb78893a48245ddd9976ec98f60b43498541 title: 确定客服人员和传统工作流自动化 collection: architect version: current locale: zh-cn portal_url: https://docs.salesforce.com/architect/current/zh-cn/decision-guides/guides/determining-agentic-vs-traditional-workflow-automation.md canonical_url: https://architect.salesforce.com/docs/architect/zh-cn/decision-guides/guide/determining-agentic-vs-traditional-workflow-automation.html source_site: architect.salesforce.com content_type: documentation content_hash: 7b3ea1e7a48037d7607020005d948ed3914c0fa9fbf28e75850ff1a0d5cfa47c products: - 决策指南 - Architect Site Content Repo updated_at: 2026-04-01T00:00:00Z --- # 确定客服人员和传统工作流自动化 借助 Agentforce,企业现在可以为不容易简化为规则的自动化工作释放新的范式。这些新功能包括从非结构化对话中解析客户意图，协调跨系统的多方流程，并实时响应运营条件。客服人员工作流使用旨在推理结果的自动化，而不是执行预定义的步骤。满足这一需求需要一个跨所有自动化复杂性的平台，以及一个显示每种功能适合位置的框架。 Agentforce 将 Einstein Trust 层、推理引擎、客服人员脚本、流、Apex 和 Data 360 整合到一个统一平台中。这种组合可以处理从简单的记录触发器自动化到跨语音、视觉、文档和实时遥测的复杂多客服人员编排的所有事情。MuleSoft 通过连接整个企业的客服人员工作流所需的 MuleSoft 结构、治理和跨系统编排来扩展该平台。Agentforce 运营（以前的 Agentforce 供应链）将这些功能应用于运营和制造流程的特定需求。 ## 指南概览 本指南介绍了编排密度框架和指南，以便在此产品布局中做出明智的决策。该框架为架构师提供了一种可重复的方法，以使用 Salesforce 平台上智能自动化用例的密度级别选择合适的工具和模式。 ## 范围内的产品 | 产品 | 描述 | | :-------------------- | :-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Agentforce | [Agentforce](https://help.salesforce.com/s/articleView?id=ai.generative_ai.htm&type=5) 是 Salesforce 用于构建和部署 AI 客服人员的平台。它使用 Atlas 引擎通过 Apex 和 Data 360 触发实时、动态的操作。 | | 客服人员脚本 | [客服人员脚本](https://developer.salesforce.com/docs/ai/agentforce/guide/agent-script.html)是一种特定于声明性域的语言(DSL)，在 Agentforce Builder 中用于为客服人员定义工作流、业务规则和对话逻辑 | | Agentforce 网格 | [Agentforce 网格](https://help.salesforce.com/s/articleView?id=ai.agentforce_grid.htm&type=5)是一个 AI 本地的、无代码的电子表格界面，用于大规模快速设计和操作 AI 工作流。 | | Agentforce 操作 | [Agentforce Operations](https://help.salesforce.com/s/articleView?id=platform.automate_agentforce_supply_chain.htm&type=5)(以前称为 Agentforce 供应链)是一个 AI 支持的协作工作流管理编排平台,旨在简化后台业务流程并使其自动化。 | | MuleSoft | [MuleSoft](/docs/architect/zh-cn/fundamentals/guide/mulesoft-architecting-agentic-enterprise.html) 是一个全面、统一和开放的企业集成和代理治理平台。通过 API 引导的连接以及 MuleSoft 客服人员结构和客服人员代理，它充当集成结构、治理层和跨系统编排基础，用于连接整个企业的客服人员工作流 | | 流和 Apex | [Salesforce Flow](https://help.salesforce.com/s/articleView?language=en_US&id=platform.automate_about.htm&type=5) 是一款功能强大的点击式自动化工具，无需代码即可直观构建复杂的业务流程。[Salesforce Apex](https://developer.salesforce.com/docs/atlas.en-us.apexcode.meta/apexcode/apex_intro_what_is_apex.htm) 是适用于 Salesforce 平台的专有的、面向对象的编程语言,类似于 Java。它用于构建自定义业务逻辑，自动化流程，并将核心 CRM 功能扩展到声明性工具之外。 | ## 外卖 Agentforce 代表了 Salesforce 平台上工作方式的根本转变，从基于规则的自动化到基于推理的工作流。为了释放它的潜力，架构师必须就客服人员适合的位置、他们的组成方式以及他们的编排做出审慎、明智的决定。以下原则为客服人员决策提供了可重复的指导。 - **为正确的任务使用正确的工具。**使用基于执行路径、模态组合和目标复杂性的编排密度来确定最佳拟合解决方案。 - 将带流的**传统自动化**和 Apex 用于基于规则的确定性工作，其中的结果可以由一组规则完全限定和定义。传统的自动化导致静态执行路径，这保证了结果的可预测和可重复，并且对于可审计性至关重要。对于需要严格遵守和法律合规的任务，选择传统自动化。 - 将 **Agentforce 网格**用于低到中等编排复杂性的批量推理用例。此模式使用单轮生成式推理对大量 CRM 记录中的数据进行分类、评分或汇总，确保高吞吐量执行和即时审计。 - 对于目标未定的任务，使用**Agentforce 和 Agent Script**，已知目标结果，但在设计时无法指定确切的执行路径。将此模式应用于需要通过指导确定性进行推理的要求，以确保结果可预测和可追溯。 - 使用 **Agentforce 操作**，通过支持 AI 的供应链工作流管理，简化和自动化协作业务流程。 - **避免将代理工作流应用于低组织密度用例。**评估功能和非功能需求的传统自动化和代理自动化之间的权衡。传统自动化可以提供用例所需的规模、可靠性和性能。 - **采用客服人员自动化混合方法**,将 Agentforce 和传统自动化与 Flows 和 Apex 结合起来,当这种协同作用比单独使用客服人员或传统自动化具有更大的价值时。 ## 决策点 Salesforce sObject 传统上是记录自动化的主要入口点。系统根据规则执行逻辑，并在数据操纵语言 (DML) 事件（例如插入、更新或删除）后立即开始。为了在高效的[记录触发自动化](/docs/architect/zh-cn/decision-guides/guide/record-triggered.html)工具之间做出决定,我们引入了[自动化密度](/docs/architect/zh-cn/decision-guides/guide/record-triggered#automation-density.html)作为衡量系统复杂性的手段,考虑了自动化数量、记录量和依赖性蔓延。传统的自动化受到将数据导入结构化、符合模式和基于规则的构造所需的大量前期工作的限制。 客服人员自动化使用用户意图或非结构化数据作为输入来升级传统自动化，在这些输入中可以应用推理来达到期望的结果。架构师必须决定何时对多模态非结构化数据使用概率推理，以及何时实施引导式、确定性工作流来降低不可预测的结果的风险。 当需求从执行基于规则的步骤转移到推理到结果时，架构师需要一个标准化的框架来评估建议的解决方案的推理深度和目标复杂性。 ### 编配密度 编排密度是客服人员工作流中复杂性的度量。三个因素决定了编排密度：执行路径、目标复杂性和模态组合。自动化密度衡量系统规则和容量的物理复杂性，而编排密度衡量客服人员实现目标的路径的推理复杂性。使用复合编排密度来评估您的设计要求，并映射到建筑标准。 - **执行路径**:工作流在设计时可以完全限定和指定的程度。完全指定的工作流意味着工作流定义了导致预定执行路径的每个分支和结果。不可指定的工作流有一个路径，可以在运行时根据上下文数据和指令进行推理。 - **目标复杂性**:工作流必须在运行时解决的不同结果、决策点和路径变体的数量。低复杂性工作流处理具有预定结果的单个包含的任务，而高复杂性目标跨越多个阶段，具有在设计时无法预期的边缘个案的竞争或冲突目标。 - **模式组合**:工作流必须处理的输入类型范围，以及必须生成的输出表单。低模态组合读取标准 CRM 字段并生成记录更新。中等模式使用结构化 CRM 字段和静态非结构化数据（例如电子邮件正文或个案脚本）的组合来生成记录更新。高模态组合消耗动态实时流，例如实时音频或遥测，并跨多个外部系统产生多模态输出。 ![组织密度框架图显示了执行路径、目标复杂性和模态组合轴](https://architect.salesforce.com/ns-assets/determining-agentic-automation-orchestration-density-framework.png) ### 因素排序 确定适当的编排密度级别需要按顺序评估执行路径、目标复杂性和模态组合。首先检查执行路径。如果路径可以完全指定，请从传统的自动化开始。使用客服人员解决方案来编排和执行没有任何推理要求的确定性路径是一种反模式。它会导致客服人员蔓延（过度、不受管的 AI 客服人员扩散）和客服人员流失（低质量、不必要的 AI 生成的输出），导致低价值回报。 对于部分或不可指定路径，继续评估目标复杂性。如果目标复杂性定义良好，但路径上的某些节点需要概率评估，请考虑从 Flow 或 Apex 调用客服人员，以满足特定的本地化需求。相反，如果执行路径中的步骤需要跨大量记录的一个或多个 AI 驱动的要求，请考虑 Agentforce 网格。网格支持通过多个 AI 或客服人员列的多步骤、基于表单的工作流。它最适合批量、面向行的执行。这种方法确保工作流保持高性能和可审计性，仅在路径无法预定义时调用概率推理。 随着竞争维度（例如，确定保险索赔赔付以及欺诈检测、合规和客户满意度）和不特定的执行路径，目标复杂性增加，请考虑使用 Agentforce 和 Agent Script 实现自动化中的指导确定性。对于涉及 Salesforce 和第三方系统的跨企业用例，使用 MuleSoft 交换矩阵和客服人员代理。 最后，评估模态组合，以确定必要的技术能力，例如多模态连接或专门集成。模式混合用作功能选择器，而不是密度计算器。它有助于确定处理解决方案的输入和输出形状所需的基础设施，而不改变其基本编排逻辑。 ### 密度选择矩阵 使用此矩阵来确定客服人员自动化的架构标准。通过选择解决自动化问题的方法，平衡传统自动化和客服人员自动化。 - **传统自动化(低编排密度):**当流程由记录更改触发、数据结构化、逻辑基于规则和预先确定，并且结果必须是可预测的（例如，标准价格计算或自动任务创建）时，使用传统的自动化。 - **Agentforce 网格（低到中编排密度）：**当必须处理现有记录中的批量 AI 任务时，使用 Agentforce 网格（例如，汇总此列表中每个客户的最近 50 个个案，计算情绪得分，并在个案字段中保留得分）。 - **混合编配(高阶增强自动化 ) :**在自动化复杂的端到端业务流程(例如索赔处理或入职培训)时，请使用混合编排，该流程需要 AI 的规划功能，但需要 Flow 和 Apex 的事务完整性。 - **Agentforce 客服人员脚本（意图复杂性高）：**当入口点是非结构化的（例如，聊天、电子邮件和语音）并且解决方法需要对话或能够处理不明确的用户请求时，请使用客服人员脚本。 | 密度级别 | 执行路径 | 目标复杂性 | 模式组合 | 架构标准 | | :---------------- | :----------------------------------------------------------------------------------------------------------------- | :-------------------------------------------------------------------------------------------- | :-------------------------------------------------------------------------------------------------------------------------- | :-------------------------------------------------------------------------------------------------------------------------------------------------------------- | | **低** | 完全可指定 | **低：**包含预定义结果的单个任务。 | **单一模式：**读取和写入结构化 Salesforce 对象记录。 | 记录触发的自动化。如果用例至少有一个推理任务，请在工作流中使用客服人员操作。 | | **低 - 中** | 完全或部分可指定 | **低：**包含预定义结果的一系列步骤。 | **混合模式：**输入或输出可以有结构化和非结构化数据的组合。 | 使用 Agentforce 网格批处理推理，通过客服人员操作跨现有记录执行批量任务。 | | **中等** | 完全或部分指定。执行路径是预定义的，但中间步骤需要推理。 | **中：**一系列基于 Apex 或流的步骤，具有可变的结果。 | **混合模式：**输入或输出可以包含低容量结构化和非结构化数据。 | 混合（Agentforce + Apex/流）：将 Agentforce 用于高密度推理和规划，将 Agent Script 用于指导确定性，并将 Apex/Flow 用于编排。 | | **高** | 部分或不指定。目标是预定义的，但中间步骤需要运行时上下文和用户意图。 | **高：**推理需求繁重的多个竞争目标需要确定性结果。 | **混合模式：**输入或输出可以包含实时到达的高容量结构化和非结构化数据。 | 使用客服人员脚本平衡确定性控制和推理。将 MuleSoft 客服人员结构用于第三方 MCP，或将 A2A 用于复杂的多客服人员协作。 | ## 产品比较 | 功能 | 传统自动化 (Flow/Apex) | Agentforce 网格 | Agentforce | Agentforce 与客服人员脚本 | | ------------------------------ | ------------------------------------------------------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------ | | **逻辑类型和确定性** | **确定性：**使用固定的 if-then-else 逻辑。根据记录状态，执行路径 100% 可预测。 | **混合：**通过结构化步骤确定，而单个 AI 步骤可以是概率性的。 | **概率：**使用多轮推理来确定实现目标的最佳路径。 | **指导决定论：**使用推理来规划路径，并允许在确定性节点路径上执行。 | | **交货速度** | **推荐（流）：**可视化工具允许在没有代码的情况下快速构建记录触发的逻辑。 | **建议重复 AI 自动化：**无需构建新流即可在现有记录集中应用 AI 逻辑的最快方式。 | **推荐：**用于配置特定域或问题的子客服人员（以前称为主题）、说明和技能映射。 | **推荐：**用于基于状态的图形和边缘逻辑的高级映射。 | | **输入模式** | **建议仅用于结构化：**仅限于 CRM 字段和相关记录集合。 | **建议使用半结构化：**处理记录字段中的批量文本（描述、脚本）。 | **建议使用多模式：**处理自然语言、语音和视觉（非结构化数据）。 | **建议使用高密度：**使用实时系统状态数据合成多模态输入。 | | **推理深度（计划）** | **不可用：**逻辑是必需的；它不能动态地“思考”或计划步骤。但是，数据可以发送到客服人员。 | **低：**跨记录集应用的单步推理（批处理 AI）。 | **中/高：**使用推理循环 (Reason-Act-Observe) 来解析复杂的意图。 | **受管：**推理仅限于导航预定义的业务状态图表。 | | **模块化和可重用性** | **推荐：**默认情况下，通过子流和 Apex 类进行模块化。 | **有限：**逻辑通常与特定的网格行相关联。列设置和模板工作流可以在整个行集中重复使用。 | **可用：**技能（流/Apex）在不同的子客服人员（以前称为主题）和连接的客服人员之间重复使用。 | **推荐：**客服人员图表中的节点是离散的可重用功能单元。 | | **交易和 DML 控制** | **推荐 (Apex)：**完全控制保存点、回滚和批量化。 | **可用：**每行独立处理，因此执行范围是每个记录。 | **有限：**操作作为会话中单独的、分离的步骤执行。 | **推荐：**使用 Flow/Apex 节点作为所有 DML 的确定性锚。客服人员之间的分布式事务控制支持有限。 | | **歧义处理** | **不可用：**需要预定义的路径。意外输入会导致失败或静态错误。 | **有限：**输出质量取决于及时接地。工作流无法交互要求澄清。 | **推荐：**通过提问或选择替代技能来处理“未知”状态。 | **可用：**使用“后备节点”管理推理失败或进程超时。 | | **可见性和治理** | **推荐：**流触发器资源管理器提供了所有记录触发逻辑的可视地图。 | **可用：**基于网格的 UI 提供了对行级结果的清晰可见性，并支持输出的可审计性。 | **可用：**监控日志提供了客服人员决策方式的透明度。 | **需要专业知识：**需要监控图形遍历和 LLM 推理日志。 | | **性能和规模** | **建议**针对高用量同步记录处理进行优化。 | **推荐** 高效处理大数据量的批量 AI 任务。 | **延迟敏感**性 取决于推理时间；不适用于高密度批量更新。 | **适中** 适合复杂的长期任务，但开销较高。 | ## 用例 此表为各种用例提供了一般最合适的推荐。 | 用例 | 描述 | 最适合 | 理由 | | ----------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | **记录处理** | 由结构化 Salesforce 对象上的 DML 事件触发的自动化，其中每个分支和结果可以在设计时完全定义。 | 使用记录触发的流。这是低密度的传统自动化。 | 编配密度低。单一模式（结构化 CRM 字段）和一个包含的可预测、可审计执行路径的目标。 | | **具有复杂逻辑的交易控制** | 自动化需要保存点、回滚、部分提交或跨高记录量的批量安全数据操作。 | 将 Apex 用于传统的低密度确定性自动化。 | 编配密度低。Apex 提供了对事务完整性的完整控制、昂贵的计算重复数据消除和平台级缓存 — — 这些功能在流中不可用。 | | **结构化流程中的适度复杂逻辑** | 整个流程基于规则的自动化，但单个步骤需要的计算或数据操纵超出了声明能力。 | 将流与可调用 Apex 用于低密度确定性逻辑。 | 编配密度低。流充当编排层；可调用 Apex 将高复杂性操作封装为可重用的批量安全组件。 | | **计划和时间处理** | 必须在相对于记录事件的动态计算的未来日期执行的自动化。 | 使用传统自动化（记录触发的流）进行低密度确定性处理。 | 编配密度低。[流动计划路径](https://help.salesforce.com/s/articleView?id=platform.flow_concepts_trigger_scheduled_path.htm&type=5)提供自动计划、取消和重新计划，如果记录数据发生变化 -- -- 在 Apex 触发器中本地不可用。 | | **批量记录推理** | 在大量现有记录中统一应用单个 AI 推理步骤，以生成分类、汇总或分数。 | 使用 Agentforce 网格进行批量推理，并大规模使用重复的客服人员功能。 | 中等编排密度。大规模使用单一模态的批量推理：客服人员读取结构化记录字段，并将统一输出写回每个记录。通过一种重复推理模式降低目标复杂性。 | | **非结构化输入分辨率** | 入口点是自然语言请求、电子邮件或对话的自动化，必须通过推理来解释、分类和解决。 | 将 Agentforce 用于中等密度、意图驱动的非结构化输入解析。 | 中等编排密度。混合模式：客服人员使用非结构化对话输入，然后生成文本响应或结构化记录更新。该目标需要跨一组有界结果解析用户意图。 | | **概率过程中适度复杂的逻辑** | 整个流程基于规则的自动化，但单个步骤需要 AI 功能，例如汇总或 RAG 检索。 | 将流与可调用 Apex 和提示模板用于需要 AI 功能的低密度确定性流程。 | 中等编排密度。流充当编排层，而[提示模板](https://developer.salesforce.com/blogs/2024/04/invoke-prompt-templates-from-flow-apex-or-the-rest-api)、[Agentforce 服务代理和 Agentforce 员工代理](https://help.salesforce.com/s/articleView?id=ai.agent_custom_invocable_action_flow_apex.htm&type=5)则作为可调用操作公开。 | | **指导流程编排** | 跨多步骤工作流的自动化，其中一个操作的完成会触发其他操作 | 将[客服人员脚本与操作](https://developer.salesforce.com/sample-apps/agent-script-recipes/action-configuration/action-chaining)用于需要指导流程编排的高密度、不指定的执行路径。 | 高编排密度 - 输入和输出之间的混合模态。在设计时无法完全预期的竞争结果和边缘个案。客服人员脚本提供引导式确定性。 | | **跨系统流程编排** | 在多个后端系统中协调多步骤业务流程的自动化，其中没有一个系统拥有端到端流 | 将 MuleSoft 进程 API 与客服人员代理一起使用，以实现中高密度跨系统进程编排。 | 高编排密度 - 流程 API 封装了复杂的多步骤业务逻辑，因此客服人员无需了解订单处理或库存检查等操作背后的编排。[客服人员代理](https://www.mulesoft.com/ai/agent-broker)人从单个自然语言目标动态排序和调用所需的客服人员和工具。 | | **后端系统抽象** | 客服人员必须与原有系统、数据库或缺少本地 Agentforce 连接的第三方 SaaS 平台交互的编排。 | 将 MuleSoft 与 MCP 连接器一起使用，以封装原有系统并提供模型上下文。 | 中等编排密度。系统 API 为记录系统提供了安全的抽象接口，确保代理工作流与后端复杂性分离。MCP 连接器将 MuleSoft 应用程序转换为符合 MCP 的服务器，以便立即发现和调用。 | | **高用量文档处理和异常处理** | 大规模读取、解释和协调入站结构化和半结构化文档与现有记录的自动化 - 通过适当的手动干预处理差异、部分匹配和异常。 | 将 Agentforce 操作用于中等密度、意图驱动的高用量文档处理。 | 中等编排密度，具有半结构化输入模态。目标复杂性由每个文档的匹配规则、异常路径和批准阈值驱动。需要每条记录的推理，而不是统一的单圈推理。 | | **跨供应商的多客服人员编排** | 自动化需要在不同平台或供应商上构建的专业客服人员之间的协作。 | 将 MuleSoft 与 A2A 连接器和客服人员结构一起使用，以在不同系统进行多客服人员编排。 | 中等至高编排密度。A2A 连接器支持具有企业级治理和可靠性的对等多客服人员工作流，无论每个客服人员在何处构建或托管。 | | **非结构化文档到工作流的转换** | 自动化，其中在非结构化源（SOP、供应商规则文档或流程图）中定义的操作流程必须转换为可执行的代理工作流，而无需手动编码。 | 将 Agentforce 操作用于高密度、紧急非结构化文档到工作流的转换。 | 高密度，在输入上具有高模态混合。摄取 PDF、Word 文档和基于图像的图表。目标复杂性由摄取过程的范围和分支决定。在设计时无法指定执行路径。 | | **多方编配** | 跨越外部各方协调入职培训的自动化 - 跨多个并发入职培训跟踪收集所需数据、验证合规性、管理审批和更新记录系统。 | 使用 Agentforce 操作实现中高密度、意图驱动的紧急多方编排。 | 在培训完成之前，必须按顺序解决多个相互依赖的验证和批准步骤。模式组合包括结构化记录、非结构化文档和外部相关方通信。 | | **预测性资产干预** | 预测引擎接收实时遥测的自动化，以确定即将到来的故障条件，并触发协调的多步骤后台响应。 | 使用 Agentforce Operations 和 Agentforce for Manufacturing 进行高密度预测资产干预。 | Data Cloud 处理高模态 IoT 遥测和异常检测。然后，Agentforce 操作会编排中等模式的后台工作流（管理现场服务记录、库存数据和客户通信），端到端地解决流程。 | | **大规模供应商沟通管理** | 自动化管理大型供应商群中正在进行的结构化和半结构化通信 - 包括订单确认、交货日期变更和异常通知。 | 将 Agentforce 操作用于批量推理，以进行中等密度的供应商通信管理。 | 如果供应商之间的通信是统一的，请使用 Agentforce 网格进行批处理。如果响应需要每个供应商关系的上下文推理，请使用 Agentforce 操作升级到中等密度。 | | **潜在客户管理（高速、智能路由）** | 自动化，接收实时营销响应，使用 AI 评分和 Data Cloud 丰富进行资格认证，并使用流进行分分钟智能分配，并将高质量的潜在客户路由到适当的销售团队。 | 将传统自动化（流）+ Data Cloud 和 AI 用于中密度高速智能潜在客户路由。 | 需要基于 AI 潜在客户评分、作业级别和活动历史的高速（潜在客户速度 < 1 分钟）和数据驱动的复杂路由。将流用于快速、确定性的分配逻辑，并通过概率性 AI 和 Data Cloud 进行潜在客户资格鉴定和丰富。 | | **領導培養** | 培养低分潜在客户，直到他们准备好进行销售对话。 | 使用潜在客户培养客服人员，瞄准并改进低质量潜在客户，以实现中高密度自动化。 | 发送基于潜在客户数据和客户成功案例的个性化、多点联系电子邮件。它处理电子邮件回复，并使用流进行切换。 | | **入站潜在客户资格** | 自主确定并培养得分较高的入站潜在客户。 | 使用潜在客户培养客服人员来鉴定和参与潜在客户。 | 执行多点联系电子邮件出站、会议预订、产品问答和异议处理。它可以在“以卖方身份发送”模式下操作，通过分配的潜在客户所有人发送电子邮件。 | ## 用例映射 ![显示跨编配密度级别的各种自动化场景的用例映射图](https://architect.salesforce.com/ns-assets/determining-agentic-automation-use-case-mapping.png) ## 非功能注意事项 **延迟** 同步记录触发的流在平台事务中执行，并在毫秒内完成。Agentforce 推理时间取决于 Atlas 推理引擎，并随推理深度和模态复杂性而变化。Agentforce 不适用于高用量同步记录处理，其中延迟是主要约束。 **成本** 代理工作流的推理成本必须根据结果的业务价值进行证明。对于存在确定性路径的高用量、低编排密度任务，传统的自动化或 Agentforce 网格可能比端到端的客服人员工作流更经济。确保设计适应具有明确最大重试限制和中断的正确重试模式。此防护栏限制了与批量处理相关的复合成本超支风险。 **州长限制** 根据异步执行的日常平台限制，评估高用量客服人员工作流。Agentforce 网格批处理操作遵循标准平台事务限制。对于涉及 Salesforce 对象的自动化，请考虑每日 DML 操作总数，因为 Salesforce 在多租户环境中强制执行共享资源管理，并强制执行[管理者限制](https://developer.salesforce.com/docs/atlas.en-us.salesforce_app_limits_cheatsheet.meta/salesforce_app_limits_cheatsheet/salesforce_app_limits_platform_apexgov.htm?_ga=2.244979463.387753096.1774889755-1655953164.1772207150)，以防止失控自动化独占共享资源。 **可审计性和合规性** 传统自动化通过流触发器资源管理器和 Apex 日志产生完全可审计的执行跟踪。基于 Agentforce 的端到端或混合模式生成推理日志，为客服人员决策提供透明度，但需要专业知识来解释。对于完全执行可审计性是合规要求的受监管行业，通过客服人员脚本进行指导确定性是推荐的模式。 **升级** 高密度运行的客服人员工作流应包含明确的人工批准或上报门限，以处理具有不可逆后果的操作，例如财务交易、监管提交或供应商承诺。客服人员脚本条件控制提供了在其他客服人员工作流中确定性地强制执行这些大门的机制。 ## 相关最佳实践 **在编排设计中优先考虑简单性。**从实现目标的最小编排级别开始，在真实负载下验证，并迭代。链中的每个额外的客服人员、切换或依赖性都会引入一个新的表面，这会产生不一致的行为。 在指定的执行路径中，在需要推理的节点上，开始嵌入客服人员。遵循在 Agentforce 中构建客服人员的最佳实践。避免打包大量子代理（以前称为“主题”），并且不要使用臃肿的指令。在自动化用例中部署的客服人员能够做到精益求精，因为他们不是唯一的界面。为链接选择正确的基元。编配（委派）模式对执行顺序的控制更严格，可以将子任务委派给专家。避免编排（切换）模式。如果您必须实施切换设计，请为接收客服人员提供目标、上下文和状态，以便它可以全局优化，而不是本地目标。 **避免操作或工具蔓延**。操作是实现客服人员推理的地方，操作的设计决定了操作是产生可靠的结果还是失败。每个操作必须返回结构化的可观察响应，AI 客服人员可以使用该响应来计划对话的下一个回合。 让多个操作（和不同的输出结构）执行相同的任务会降低客服人员推理或选择适合作业的工具的能力。这可能会导致客服人员错过细微差别。重叠操作定义存在错误分类的风险。确保您的操作库经过审核、版本化并符合子代理（以前的主题）范围。 **定义可观察的目标。**将目标定义为可观察的结果，而不仅仅是程序。模糊的目标会引发客服人员流失。使用可指定的执行路径进行扩充。使用具有混合推理的客服人员图，将目标建模为具有显式状态的图节点。运行时跟踪客服人员在工作流中的当前位置，并在切线输入后恢复；当在上下文窗口中收到其他信息时，它不会丢失目标。 **测试和评估**。实施强大的测试和评估框架，以验证概率节点的推理和客服人员自动化的输出。根据预期的结果路径验证执行路径，以确保模型获得正确的结果。通过在执行步骤中声明结果，防止客服人员误报成功或进入无限或不可恢复循环的静默失败。使用[会话跟踪](https://help.salesforce.com/s/articleView?id=ai.generative_ai_session_trace_about.htm&type=5)来检查逐次交互、推理引擎执行、操作、提示和网关输入/输出、错误消息和最终响应。 ## 资源
Agentforce 传统自动化 集成
**关于作者** Arvind Palaniswamy 是首席架构师办公室良好架构团队的软件工程架构师。他喜欢使用第一原则以最简单的形式构建复杂的系统。凭借数十年的经验和硕士/工商管理硕士(凯洛格)教育,他懂工程、运营和业务。