01 开始使用 Agentforce for Service
什么是 Agentforce for Service？
一个巨大的飞跃在客户服务自动化方面 — 一个可信的对话式 AI 代理，无缝支持客户服务团队。与依赖严格声明式对话的传统聊天机器人不同：使用生成式 AI 在自助门户和消息渠道上 24/7 运营；处理任务、做出决策并提供与品牌一致的自然响应；接地于可信的业务数据和知识库以提供相关、上下文感知的信息；自动化常见任务，让服务团队专注于战略性、高价值的工作。
六大关键收益
24/7 响应：任何时间在任何渠道回答问题、偏转客户案例、满足服务目标。
自然回复：使用生成式 AI 进行对话式响应，理解上下文并匹配品牌声音。
增加清晰度：指示 AI 代理想出业务特定的问题以获得更准确的信息。
转接给人类：无缝转移或升级对话到人工客服处理复杂问题。
快速部署：使用服务特定模板和现有工作流 — 无需编写对话、定义意图、维护对话树或训练 LLM。
接地于可信数据：将代理接地于知识文章、相似案例、CRM 数据。所有 LLM 调用通过 Einstein Trust Layer，确保客户数据安全。
Agentforce for Service vs. Einstein Bots
设置：Agentforce 使用预构建子代理和操作快速设置，由生成式 AI 和 LLM 驱动；Einstein Bots 需要手动训练 NLM 来理解客户语言和设计对话。
维护：Agentforce 更新少量子代理/操作/指令或创建自定义的，通过自然语言指令改进；Einstein Bots 需要高维护以保持对话和意图最新。
上下文和异常处理：Agentforce 理解人类语言，响应后续问题和未计划的异常 — 具有完整对话上下文；Einstein Bots 仅响应最近的问题 — 无对话上下文，无异常处理。
Einstein Bots 在需要可解释流程的受监管行业和需要高度特定的确定性对话流时仍然理想。
六种代理类型
Service Agent：可定制 AI 代理，跨渠道 24/7 自主解决客户案例。
Help Agent：跨帮助门户、网页聊天和语音提供 24/7 AI 支持 — 快速部署，是 AI 服务的最快路径。
Service Planner：通过案例摘要和分步指导帮助代表更快解决案例。
SDR：自动化管道 24/7。
Sales Coach：专用 AI 教练，按需角色扮演和个性化反馈。
Employee Agent：可定制以满足公司需求。
所有代理共享 Trust Layer 和 Prompt Builder。
Agentforce for Service 设置
只需几步：Setup → Quick Find → New Agent → 选择代理类型。现在了解自主代理后，继续探索使用案例。
02 探索 Agentforce for Service 的使用案例
三个关键要素：Subagents（子代理）、Actions（操作）和 Instructions（指令）。
驱动 Agentforce for Service 的是什么？
Subagents（子代理）定义要完成的工作 — 最先创建。
Actions（操作）位于子代理之下 — 代理执行的特定任务（Flows、Prompt Templates、Apex）。
Instructions（指令）链接到子代理 — 自然语言指南引导何时以及如何参与。
三个要素协调运作。操作必须有对应的子代理才能运行，子代理没有关联操作则是无效的。
标准子代理 — Account, Case & Order
Account Management：处理账号查询和密码重置，带身份验证。
Case Management：处理工单创建和状态查询 — 永远不向客户显示 Case ID。
Order Inquiries/Delivery Issues：处理订单全生命周期 — 状态、更改、取消。
标准子代理 — Reservation, Escalation & FAQ
Reservation Management：处理预订和修改，带确认流程。
Escalation：通用出口 — 客户任何时间要求转人工立即执行。
General FAQs：处理广泛的问题，使用 Knowledge 回答。
所有标准子代理是故意设计得广泛的 — 应该根据每个业务的具体需求进行定制。
自定义子代理按行业 (1/2)
Healthcare Management：药物摘要、安排预约、查找网络内医生等。
Retail Management：定价调整、库存查询、保修索赔等。
Nonprofit Sector：捐赠历史、慈善机构查询、定期捐赠等。
自定义子代理按行业 (2/2)
Travel Arrangements：忠诚度状态、机票/酒店/租车预订等。
Insurance：索赔状态、新索赔提交、政策更新等。
03 在 Agentforce for Service 中使用知识
探索 Agentforce Data Library 如何通过 RAG 增强准确性并建立客户信任，以及它与传统 Einstein Bots Article Answers 的根本区别。
Agentforce Data Library vs. Article Answers（Einstein Bots）
想象给代理配备从知识库中实时检索信息来回答问题的能力。这正是 Agentforce 轻松做到的。添加 Agentforce Data Library 可增强准确性并建立客户对响应的信任。Data Library 支持知识文章（记录和字段）、上传文件、网页搜索和自定义检索器。为什么这是如此重大的改进？
旧方法 — Einstein Bots Article Answers：
- 依赖高度结构化数据，需手动 NLP 训练来理解意图并检索知识文章
- 需手动映射问题（还要创建各种措辞变体）到文章特定字段
- 仅索引已发布且有填充字段的文章，答案限制在映射字段内
- 只能响应特定的预定义问题，无法超出范围
- 大知识库构建可能需30 分钟以上
- 如同与一个只能回答被专门训练过、且必须以特定方式提问的人交谈
新方法 — Agentforce Data Library：
- 支持知识文章、上传文件、网页搜索和自定义检索器
- LLM 处理非结构化数据 — 无需手动字段映射
- 无需训练特定问题 — Agentforce 自然理解人类交互
- 上传文章或 PDF 即可检索，无需刷新知识文章或等待构建
- 使用 RAG 索引确保检索最相关、最新的信息
- Einstein 自动对响应进行事实核查，不是简单"猜测"答案
非结构化数据的力量与 RAG 接地
Agentforce 利用大型语言模型（LLM）处理非结构化数据，由 Agentforce Data Library 支撑。非结构化数据通常包括聊天记录、PDF、音频和视频文件、法律文档以及书籍等大文本文件。在 Salesforce 中，可通过知识文章或 PDF 附件集成 Data Library 来获取此类数据。
虽然非结构化数据缺乏一致格式，但 Agentforce 使用的 LLM 可轻松处理并搜索此类信息。这意味着：
- 文章或 PDF 上传到 Data Library 即可 — 无需映射特定字段用于数据检索
- 无需刷新知识文章或等待构建
- Agentforce 不需要被训练如何回答特定问题 — 它天生理解人类交互
Data Library 使用检索增强生成（RAG）接地来索引知识文章和附件，确保检索最相关和最新的信息。当在 Agentforce 中添加 Data Library 时，Salesforce 自动构建 RAG 驱动的解决方案，从知识文章和 PDF 中检索非结构化（和结构化）数据。借助索引数据，Einstein 可快速对特定政策和信息进行事实核查 — 不是简单"猜测"答案。当客户提问时，Agentforce 从 Data Library 中访问相关信息，并给出自然、对话式的响应。
在 Agentforce Builder 中，用户可选择使用现有的 Data Library或创建新的。提醒：需先激活 Data 360才能设置 Data Library。完成后上传附件或链接已有知识文章 — Agentforce 即开始工作。就这么简单。
总结
Agentforce for Service 旨在通过 AI 更高效地管理和交互非结构化数据，提升服务代理的生产力和效率。通过添加 Subagents、Actions 和 Instructions，任务被明确定义，并带有指导代理何时及如何与客户互动的清晰指南 — 以及何时不互动。