Agentforce 实战示例指南

Agentforce 平台概览

Agentforce 是 Salesforce 平台上的 Agent 驱动层，帮助你部署能够与员工协同工作的 AI Agent，实现 7×24 小时的客户服务。信任层将你的数据与大语言模型（LLM）的安全连接。在开始实战之前，让我们先回顾一下关键的开发工具和指南。

概览指南

Agentforce APIs 和 SDKs —— 学习使用各种 API 和 SDK 构建强大的 Agentforce 解决方案
Agentforce Actions —— 学习如何构建和增强你的 Agentforce 动作

开发工具

Agent Script —— 在 Agentforce Builder 中构建 Agent 的语言
Agentforce DX —— Salesforce CLI 和 VS Code 的专业代码工具

注意：从 2026 年 4 月开始，Agent 的 topics 现已更名为 subagents（子代理），功能上没有变化。

示例一：Apex 代码示例 — 自定义 Apex 动作处理复杂查询

本示例将从零开始，带你一步步实现一个能够处理复杂客户问题的 Agent，使用自定义 Apex 动作将多部分的客户问题转换为可执行的 SOQL 查询。你将深入理解每个组件的配置方式以及它们在 Agentforce 解决方案中的协作关系。

场景说明

我们将构建一个客户服务 Agent，处理关于产品库存的复杂查询。使用 Salesforce CLI 将产品和价格数据从 CSV 文件导入到标准对象 Product2 和 PriceBook 中。然后创建一个自定义 Apex 类，根据 Agent 传入的参数动态查询产品库存。最后构建 Agent、子代理和动作来调用自定义 Apex 类。

步骤 1：设置 Salesforce Developer Edition 组织

注册免费的 Salesforce Developer Edition 组织
从设置中，在快速查找框中输入 Einstein Setup，选择 Einstein Setup 并启用 Einstein
搜索 Agentforce Agents 并打开
启用 Agentforce

注意：如果你使用其他 Salesforce 组织，请验证：Einstein 已启用、Agentforce 已启用、可以添加个案。用户权限和其他组织设置可能会影响你完成所有步骤。

步骤 2：导入数据

我们的自定义 Apex 类查询组织内的结构化数据。首先需要将数据清理、整理并放入适当的 Salesforce 对象中。示例数据包含 100 个家具条目，包含名称、描述、SKU、价格、颜色和重量字段。

创建自定义字段

在 Product2 对象上创建两个自定义字段：

Color（颜色）：Picklist 类型，可选值包括 Black, White, Brown, Grey, Navy, Beige, Green, Red, Oak, Walnut
Weight (kg)（重量）：Number 类型，长度 16，小数位 2

使用 Salesforce CLI 导入数据

认证到你的组织：

sf org login web --alias your-org-alias

导入 Product2 数据：

sf data import bulk --sobject Product2 --file /full/path/to/product2_import.csv --target-org your-org-alias --wait 10 --line-ending CRLF

导入 PricebookEntry 数据

获取标准 Pricebook ID：sf data query --query "SELECT Id, Name FROM Pricebook2 WHERE IsStandard=true" --target-org your-org-alias
导出 Product2 ID：sf data query --query "SELECT Id, ProductCode FROM Product2 ORDER BY ProductCode ASC" --target-org your-org-alias --result-format csv > product2_ids.csv
构建 PricebookEntry CSV 文件（包含 Pricebook2Id, Product2Id, UnitPrice, IsActive 列）
导入：sf data import bulk --sobject PricebookEntry --file /full/path/to/pricebook_entry_import.csv --target-org your-org-alias --wait 10 --line-ending CRLF

验证数据

从应用启动器中进入 Products 应用，将列表视图切换为所有产品，你应该看到 100 个家具条目。点击任一产品，在详细信息中应看到 Color 和 Weight (kg) 字段。

步骤 3：创建 Apex 类

创建名为 InventoryRetriever 的自定义 Apex 类，该类的核心组件包括：

RetrieverInput —— 定义 Agent 可以传入的参数：category（产品类别）、color（颜色）、maxPrice（最高价格）
RetrieverOutput —— 定义动作返回的内容：productSummary 字符串，包含匹配的产品列表
@InvocableMethod —— 标记为 Agent 调用的入口点，标签为 "Search Furniture Inventory"

查询逻辑的关键设计：

从 Product2 的基础查询开始，动态追加 WHERE 子句
根据 Agent 提供的参数值按需过滤类别和颜色
从 PricebookEntry 查询价格信息，构建查找映射
如果 Agent 指定了最高价格，过滤超出预算的产品
返回格式化的摘要字符串：Name | SKU | Color | Price | Weight

代码包含详尽的注释，解释每个部分的功能。从设置 → Apex Classes → New 创建并保存。

步骤 4：配置 Agent 的子代理和动作

现在构建 Agent、自定义子代理和自定义动作：

创建 Agentforce Service Agent：从应用启动器进入 Agentforce Studio → 新建 Agent → 选择 Agentforce Service Agent 模板 → 命名为 "Furniture Helper Agent"
创建新子代理：命名为 "Search Inventory"，描述为 "处理所有关于产品、家具、库存、定价、颜色和可用性的问题"
创建新动作：命名为 "Search Furniture Inventory"，参考动作类型选择 Apex → Invocable Method，选择我们创建的 Apex 动作

重要：子代理的推理指令必须明确指示 Agent 调用动作，否则 Agent 可能会忽略它。动作的描述也非常重要，因为 Agent 使用它来判断是否应该执行该动作。

步骤 5：授予 Agent 用户正确的权限

Agent 需要权限才能访问库存数据和自定义 Apex 类：

从设置 → 权限集，找到 "Agentforce Agent [your agent name] Permissions"
在对象设置中，为 Product2、PricebookEntry 和 Pricebook2 启用读取权限和所有字段的读取访问
返回 Apex 类，点击安全，将 Einstein Agent User 简档添加到已启用简档列表中

步骤 6：测试你的 Agent

在激活之前务必充分测试你的 Agent：

返回 Agentforce Builder 中的 Agent，点击预览
将模拟切换为实时测试模式
向 Agent 提问，如 "What chairs do you have under $400 that are white or grey?"
在交互摘要列中查看 Agent 的推理过程

步骤 7：保存、提交和激活

点击保存
点击提交版本（Commit Version）—— 锁定当前状态为完整版本，后续更改需要创建新版本
点击激活（Activate）—— Agent 现在在其连接的渠道上正式上线

示例二：Agent Script 示例 — 客户支持

本示例展示如何使用 Agent Script 构建一个帮助客户查询订单信息的客户支持 Agent。该 Agent 包含三个子代理：

agent_router —— 提供通用指令并暴露两个工具，供 LLM 选择调用，根据用户输入路由到对应的子代理
Identity —— 验证用户身份。如果用户邮箱不存在，LLM 会请求用户提供邮箱，然后发送验证码，最后验证客户提供的验证码
order_management —— 允许用户查询订单详情，包括当前订单摘要和历史订单查询

架构设计

三个子代理协同工作，形成了清晰的分层架构。agent_router 作为每次客户对话的入口点，分析用户输入并决定路由到 Identity（验证身份）或 Order_Management（处理订单）。这种设计使得每个子代理职责单一，易于维护和扩展。

Agent Script 结构与关键模式

Agent Script 遵循清晰的结构模式：

system 块 —— 定义 Agent 的角色、欢迎消息和错误消息
config 块 —— 设置 developer_name、default_agent_user、description
variables 块 —— 声明可变字符串、布尔值、数字及其描述
start_agent —— 入口点，包含推理指令和动作声明
subagent 块 —— 每个子代理有自己的描述、推理指令和动作
actions 块 —— 基于 Flow 的动作定义，包含输入、输出和目标

使用的关键模式：

@utils.transition —— 子代理之间的确定性路由
available when —— 基于变量状态的条件可用性
Flow 目标 —— 如 flow://Get_Verification_Code 用于后端处理

示例三：Agent Script 示例 — 使用更新术语关联 Agent

确保你的关联 Agent（Grounded Agent）理解组织不断演变的行业术语、领域特定词汇或更新后的产品名称 — 无需更新和重新索引你的信息源。

问题陈述

关联 Agent 使用 Agentforce Data Library 或 RAG（检索增强生成）进行信息关联。然而，关联信息可能只包含正式名称，而客户使用行话、缩写或新名称。即使关联信息同时包含正确术语和行话，它可能只对正确名称进行了索引 — 因此检索器或数据库会遗漏相关片段，即使正确的信息确实存在。

更新和重新索引 Agent 的关联信息（通常包含数千篇文章）非常耗时且需要特定角色。此外，行业术语变化非常快！

解决方案

在检索之前将非正式术语映射为正确术语。在 Salesforce Knowledge（或其他对象）中维护一个轻量级的新旧术语映射表，每个会话获取一次映射信息，并为提示词注入上下文，使 Agent 能够在需要时翻译用户的问题。

适用与不适用场景

适合使用此方案的情况：

关联内容大部分正确，但用户使用与索引内容不同的术语提问
产品名称、缩写或内部术语频繁变更，但数据库中的核心内容仍然准确
术语映射表不会过大以至于影响上下文工程

不适合使用此方案的情况：

术语映射表过大，开始影响 Agent 性能
信息源容易更新和重新索引

实施步骤概览

1. 设置组织、Agent 和数据库

注册 Developer Edition 组织（包含 Agentforce 和 Data Cloud）
验证 Data Cloud 已配置（Einstein 生成式 AI 和 Agentforce 功能的必要条件）
启用 Einstein 生成式 AI 和 Agentforce
创建名为 "Aura & Ash Service Agent" 的默认服务 Agent
创建数据库，上传产品说明 PDF，等待状态变为 "Ready" 后分配给 Agent

2. 使用 Salesforce Knowledge 创建术语映射

分配 Knowledge User 许可证并启用 Salesforce Lightning Knowledge
在 Knowledge__kav 对象上创建 "Alternate Product Names" 自定义字段（长文本区）
授予 Agent 用户对 Knowledge__kav 的读取权限
创建 Knowledge 文章，将新旧产品名称映射粘贴到字段中，保存并发布

3. 创建 Flow 获取 Knowledge 文章

构建一个自动启动的 Flow（无触发器），命名为 "Alternate Product Names"：

添加针对 Knowledge__kav 的获取记录元素，按文章编号过滤
将 Alternate_Product_Names__c 字段存储在输出变量 alternateProductNames 中
调试并激活 Flow

4. 更新 Agent 获取并存储映射的产品名称

创建 Old2NewProductNames 字符串变量，默认值为 "NotRun"
创建 GetNewProductNames 动作，引用 "Alternate Product Names" Flow
在 Script 模式中添加确定性指令，仅运行一次动作
更新 Agent 指令：当知识内容中找不到提及的产品时，查询 Old2NewProductNames 确定是否映射到旧产品名称

5. 测试与验证

使用新术语测试 Agent，验证其能够正确映射到旧产品名称。确认 GetNewProductNames 动作每个会话仅运行一次。

示例四：Agent Script 示例 — 使用变量强制执行子代理顺序

在多轮对话中，使用步骤变量（Step Variable）来确保 Agent 遵循你要求的工作流程。Agent 路由器根据步骤变量的值选择子代理，在每个子代理中，LLM 评估客户的回答并设置步骤变量的下一个值。

何时使用此模式

当你的 Agent 需要满足以下场景时，使用此模式：

按定义的顺序在必需的子代理之间进行转换，顺序可以根据客户之前的回答而变化
处理长时间的多轮对话 —— 评估每个客户回答是否完整有效，必要时返回同一子代理进行追问
仅当前一个子代理的任务完成后才进入下一个子代理

示例 —— 面试 Agent：面试 Agent 按特定顺序向求职者提问筛选问题。后续问题可能取决于求职者对当前问题的回答。某些回答（如不具备所需资质）会导致面试终止。每个子代理处理一个问题并决定答案是否充分。

路由机制详解

start_agent 子代理充当路由器，检查 currentInterviewStep 变量的值并转换到相应的子代理：

if @variables.currentInterviewStep == "Permission":
    transition to @subagent.permission
if @variables.currentInterviewStep == "Eligibility":
    transition to @subagent.eligibility

步骤变量的七个值对应不同的面试阶段：

Permission —— 确认候选人有合法工作权利
Eligibility —— 检查是否通过 NCLEX-RN 考试
Availability —— 确定最早可开始日期
Competency —— 测试专业知识
Salary —— 讨论薪资期望
Human —— 通过筛选，转交人工跟进
End —— 不符合条件，结束面试

在每个子代理中，Agent 可以调用 @utils.setVariables 更新 currentInterviewStep。如果客户尚未完全回答问题，Agent 可以选择不改变步骤。

体验示例

下载 InterviewAgent.agent 示例文件
在 Agent Script 中，点击新建 Agent 旁边的下拉箭头，选择从脚本新建
粘贴 Interview Agent Script 代码到新 Agent 中
点击预览，输入 "I'd like to apply for the position" 进行测试

注意：此 Agent 提供了使用步骤变量的示例，并非生产就绪的 Agent。