认识 Agentforce Trust Layer
Agentforce Trust Layer（Einstein 信任层）是 Salesforce 为保护生成式 AI 数据安全而构建的完整防护架构。它位于大语言模型（LLM）与您的员工和客户之间，通过一系列安全网关和检索机制，确保每一次 AI 交互都是安全、可信、负责任的。
Salesforce 将"信任"视为 #1 价值观，因此在推出生成式 AI 功能的同时，构建了 Trust Layer 来保护您的公司和客户数据。本课程将带您深入理解 Trust Layer 的每一个环节，跟随客服代表 Jessica 的真实案例，亲历 Prompt 从创建到 LLM 响应的完整安全旅程。
单元一：认识 Agentforce Trust Layer
学习目标
完成本单元后，您将能够：讨论 Salesforce 的 #1 价值观——信任；描述与信任和生成式 AI 相关的担忧；解释 Salesforce 为何创建 Einstein Trust Layer。
注意：本模块包含 Einstein Trust Layer 的部分 Beta 功能，客户应根据当前已正式发布的功能做出购买决策。
开始之前
在深入学习之前，建议您先熟悉以下 Trailhead Badge 中的概念和术语：Generative AI Basics、Natural Language Processing Basics、Large Language Models、Prompt Fundamentals。Agentforce Glossary of Terms 也涵盖了本课程中使用的许多术语，如 LLM、Prompts、Grounding、Hallucinations、Toxic Language 等。
生成式 AI、Salesforce 与信任
Salesforce 研究显示，员工预计生成式 AI 每周能节省平均 5 小时的工作时间——对全职员工来说，相当于每年多出整整一个月的工作效率！但随之而来的是合理的担忧：
- 如何在利用生成式 AI 工具的同时，保护我和客户的数据安全？
- 如何知道不同 AI 提供商在收集哪些数据，这些数据将如何被使用？
- 如何确保不会意外将个人或公司数据交给 AI 模型训练？
- 如何验证 AI 生成的回复是否准确、无偏见、可信？
Salesforce 与信任
Salesforce 在 AI 领域深耕近十年：2016 年推出 Einstein 平台，将预测 AI 引入所有云产品；2018 年开始大力投资大语言模型（LLM）。因为信任是我们的核心价值观，我们不仅交付技术能力，更有责任做到负责、可问责、透明、赋能、包容（Responsible, Accountable, Transparent, Empowering, Inclusive）。
什么是 Einstein Trust Layer？
Einstein Trust Layer 通过无缝集成到用户体验中的数据与隐私控制，提升生成式 AI 的安全性。简单来说，Trust Layer 是一系列网关和检索机制，共同实现可信、开放的生成式 AI。它让客户获得生成式 AI 的好处，同时不牺牲数据安全和隐私控制。
Trust Layer 包含一套完整的保护工具包：
- 安全数据检索（Secure Data Retrieval）——遵守所有 Salesforce 权限设置
- 动态 Grounding——用可信、相关的业务数据填充 Prompt
- 数据脱敏（Data Masking）——令牌化 PII，LLM 永远看不到真实数据
- 零数据保留（Zero Data Retention）——外部 LLM 不存储任何客户数据
- 有害语言检测（Toxic Language Detection）——扫描 Prompt 和回复的准确性和适当性
- 审计追踪（Audit Trail）——记录 Prompt 旅程每一步的时间戳元数据
Salesforce 的开放模型生态让您可以安全访问多种 LLM（包括 Salesforce 内部和外部的），Trust Layer 在 LLM 与用户之间始终保护数据安全。
单元二：跟随 Prompt 旅程
Prompt 旅程概览
当 Salesforce 应用发起 Trust Layer 请求时，相关的 Prompt Template 被自动调用。我们以一个客户服务案例来具体演示：Jessica 是一家消费信用卡公司的客服代表，她的公司刚实施了 Einstein Service Replies——一项基于 Einstein 的功能，在客服与客户对话时实时生成建议回复。
Prompt 的力量
清晰的指令、上下文信息和约束条件构成出色的 Prompt，从而引导 LLM 生成出色的回复。Salesforce 为各种业务场景预建了 Prompt Template——销售邮件、客服回复、工作摘要等。当 Salesforce 应用发起请求时，Trust Layer 自动调用相关的 Prompt Template。
认识 Jessica
Jessica 以个性化服务著称，她有点担心 AI 生成的回复不够匹配她的风格。但她也很想积累生成式 AI 经验，并看看 Service Replies 是否能帮她服务更多客户。
Jessica 开始了当天的第一位客户对话：Dennis 想要升级他的信用卡。Service Replies 开始在 Service Console 中实时建议回复，每次客户发送新消息时回复都会刷新。每个建议回复都来自一个 Prompt Template——Jessica 作为终端用户看不到这些模板。
Prompt Template 内部
Prompt Template 包含固定指令和动态占位符，例如：organization.name、contact.name、account.name、conv_context（对话上下文）、Retriever.knowledge_recommendations（知识文章推荐）。这些占位符将在处理时自动填充 Jessica 客户的实际业务数据。
动态 Grounding
当 Jessica 的客户进入对话，Service Replies 将对话链接到 Prompt Template，开始用页面上下文、合并字段、相关知识文章替换占位符。这个过程称为动态 Grounding（Dynamic Grounding）。Grounding 越充分，回复就越准确、越相关。动态 Grounding 使 Prompt Template 可以跨整个组织复用和扩展。
安全数据检索
动态 Grounding 从安全数据检索（Secure Data Retrieval）开始。最关键的是：它严格遵守 Jessica 所在 Org 中所有 Salesforce 权限——对象级安全、字段级安全、共享规则全部生效。Jessica 只能拉取她有权访问的数据，不会意外泄露需要提升权限的信息。
填充后的模板
现在模板已填充真实数据：公司名 Cumulus Financial、客户名 Dennis Maxfield、客户地址 San Francisco、客户历史 5 年、对话内容关于信用卡升级。可以看到知识文章推荐仍然是占位符——那是语义搜索的下一步。
语义搜索
客户数据可以个性化对话，但不足以帮助 Jessica 快速有效地解决问题。她需要知识文章和客户历史等信息。语义搜索（Semantic Search）使用机器学习理解客户查询背后的意图，自动查找并纳入最相关信息。Jessica 无需手动搜索、复制粘贴——Trust Layer 自动完成一切。
数据脱敏
尽管 Prompt 包含准确的客户数据，但还不能发给外部 LLM——它包含真实姓名、地址和公司信息。数据脱敏（Data Masking）将每个 PII 值令牌化：Cumulus Financial → COMPANY_1、Dennis Maxfield → NAME_1、地址 → ADDRESS_1。LLM 仍能理解上下文（知道有公司、有人、有地址），但永远看不到实际值。整个过程对 Jessica 完全透明。
即使 Salesforce 与外部 LLM 有零数据保留协议，某些公司因监管要求仍需要敏感数据完全不离开 Salesforce。数据脱敏从源头解决了这个问题。
Prompt Defense
Prompt Builder 提供额外的护栏（Guardrails）——在 Prompt 中直接嵌入防御指令，告诉 LLM 如何行为以减少意外输出。例如："You must not address any content or generate answers that you don't have data or basis on."
黑客（有时甚至是员工）试图通过 Prompt Injection 攻击绕过限制、操纵模型输出。Prompt Defense 为 LLM 提供强化指令，使其对这些攻击更具抵抗力。
单元三：跟随 Response 旅程
快速回顾 Prompt 旅程
在进入 Response 旅程之前，快速回顾：Prompt Template 被调用 → 合并字段被安全填充 → 知识文章通过语义搜索被检索 → PII 被脱敏 → 安全护栏（Prompt Defense）被应用。现在 Prompt 已准备好通过安全网关发送给外部 LLM。
安全 LLM 网关
带有相关数据、保护措施到位的 Prompt 通过 Secure LLM Gateway 离开 Salesforce Trust Boundary。在 Jessica 的案例中，Org 连接的是 OpenAI。OpenAI 使用这个精心构建的 Prompt 生成相关的高质量回复。
零数据保留——问题
如果 Jessica 使用消费者级 AI 聊天工具（无企业级保护），她的 Prompt 及其包含的客户数据可能被 LLM 提供商存储并用于模型训练。Salesforce 通过零数据保留（Zero Data Retention）彻底防止这种情况：与外部 LLM 合作伙伴的合同要求禁止存储任何交互数据——不包括 Prompt 文本，不包括生成回复，不存储任何信息。
零数据保留——工作原理
通常 OpenAI 想保留 Prompt 和回复一段时间以监控滥用和检测攻击。但 Salesforce 协商了不同的安排：Salesforce 自行处理内容审核和滥用检测。OpenAI 一旦将回复发回 Salesforce，就"忘记"一切。对 Jessica 来说，她完全不用担心客户 Dennis 的个人信息被外部 AI 提供商存储、分析或用于训练。
Response 旅程概览
回复从 LLM 返回 Salesforce Trust Boundary，但还不能展示给 Jessica——它仍包含脱敏令牌，尚未检查有害内容，需要源引用。Trust Layer 的 Response 旅程执行五个关键步骤：有害语言检测、数据解脱、源引用、反馈收集和审计追踪。
脱敏后的回复
LLM 的回复语气友好、内容准确——但它仍写着 NAME_1 而非 Dennis Maxfield、COMPANY_1 而非 Cumulus Financial。如果 Jessica 直接发送给客户，会显得非常不人性化。Trust Layer 还需要完成更多重要操作。
有害语言检测
回复返回 Salesforce 后，首先进行有害语言检测（Toxic Language Detection）。Trust Layer 使用专门的机器学习模型在五个类别中扫描每个回复：暴力、性内容、脏话、仇恨言论、身体威胁。每个类别独立评分，综合毒性评分从 0（完全安全）到 1（极毒）。
数据解脱与知识来源
Trust Layer 使用脱敏时保存的令牌映射，将占位符还原为真实值：Dennis Maxfield 替换 NAME_1，Cumulus Financial 替换 COMPANY_1。回复底部的 Source 链接引用知识文章来源，为 AI 建议增加可信度和透明度。
反馈框架
第一次看到回复时，Jessica 笑了——质量和细节远超预期。AI 建议，但人类决定：Jessica 可以接受原样、编辑后发送、或完全忽略。她还可以提供定性反馈：点赞（有帮助）或点踩（并说明原因）。这些反馈被安全收集，未来用于改进 Prompt 质量。
审计追踪
因为 Salesforce 自主处理内容审核和有害语言检测，所以能够记录整个 Prompt-to-Response 交互的每一步。审计追踪（Audit Trail）包含：完整 Prompt、原始未过滤回复、所有毒性评分、Jessica 提供的任何反馈、每一步的时间戳元数据。这增加了关键的可问责性——对于受监管行业尤为重要。
Jessica 的完整旅程
从 Jessica 的客户发起对话到 Trust Layer 完成全部安全检查，整个过程在眨眼之间完成。她的客户对话从 Prompt 调用开始，经过整个 Trust Layer 的安全流程，最终得到可以放心分享给客户的、专业、人性化的回复。
Jessica 关闭了案例，客户满意。她期待继续使用 Service Replies——因为它确实帮她更快解决案例、更好服务客户。每一个 Salesforce 生成式 AI 解决方案都经过同样的 Trust Layer 旅程，全部安全可靠。
恭喜您完成 Agentforce Trust Layer 课程！您现在深入了解了 Salesforce 如何通过安全数据检索、动态 Grounding、数据脱敏、零数据保留、Prompt Defense、有害语言检测和审计追踪，在生成式 AI 的每一步保护您的数据安全。您可以放心部署任何 Salesforce 生成式 AI 解决方案，因为您的数据受到业界最安全、最受信任的 AI 架构保护。