一、探索 Data 360 与 Agentforce
欢迎来到 Data 360-Powered Agentforce。本模块深度探索 Data 360 如何成为每个 Agentforce 能力的基础——从统一客户数据到 RAG、从 AI 护栏到分析和部署。前置要求：Data 360-Powered Experiences 和 Agentforce Basics。注意：自 2025 年 10 月 14 日起，Data Cloud 已更名为 Data 360。
学习目标与前提条件
完成本模块后，您将能解释为什么 Data 360 是 Agentforce 的必需条件，以及识别使用统一客户数据构建 Agent 的收益。所有描述的功能都消耗 Data 360 积分——请查看 Data 360 Credit Consumption 模块。
Data 360 Enablement vs. Implementation
Enabling（启用）= 在 Org 中配置并启用了 Data 360。所有 Agentforce 功能的基础要求。提供：通过 ADL 的基础 RAG、AI 护栏（Trust Layer + Audit Trail）、分析。Agentforce Data Library 和 Einstein Trust Layer 离开 Data 360 无法工作。
Implementing（实施）= 启用之外还连接了数据、映射到数据模型、通过身份解析规则集统一数据、设置其他 Data 360 功能。解锁：统一的 360 客户画像、数据清洗和转换、完全可定制的 RAG、实时数据访问和零拷贝。要构建健壮的 Agent 队伍并支持复杂需求，必须实施。启用是入门，实施释放全部力量。
Data 360 数据基础的四大支柱 (1/2)
统一客户 360：跨 Salesforce 内外汇集数据，运行身份解析规则集构建统一画像。NTO 示例：客户请求产品推荐→Agent 看到最近鞋子购买+营销活动中对夹克的点击→推荐夹克（个性化而非通用）。
数据转换：清洗和转换数据，解决不一致命名和格式问题。NTO 示例：订单日期以 DD/MM/YY 格式输入但退款公式需要 MM/DD/YY→Agent 无法处理退款→运行数据转换统一格式→退款成功处理。干净的数据直接提升 Agent 准确性。
Data 360 数据基础的四大支柱 (2/2)
实时数据：实时摄取、统一、分析和行动。NTO 示例：客户在网站上浏览背包→打开 Agent 聊天询问促销→Agent 看到实时交互→识别背包点击→给出最相关促销：精选背包买一送一。
零拷贝（Zero Copy）：连接存储在 Salesforce 外部的数据而无需复制。双向通信扩展 Agent 范围。NTO 示例：Databricks 中的忠诚度数据→零拷贝连接丰富统一画像→客户询问促销→Agent 看到白金会员→推荐专属白金促销。
Data 360 是唯一支持整体 360 策略的方案：CRM Data via Fileforce 仅摄取非结构化 CRM 数据，不统一。Agentforce Data Library 仅摄取非结构化数据，不统一。只有实施了 Data 360 才能提供统一、转换、实时和零拷贝数据。
二、用 Data 360 赋能可信 Agent
RAG 关键术语与两种实施路径
RAG = Retrieval Augmented Generation——用知识库中的相关上下文信息增强提示词。
关键术语：向量嵌入（非结构化数据的数值表示）、向量数据存储、搜索索引（存储分块和向量化数据）、Retriever（提示词与搜索索引之间的桥梁）、Ensemble Retriever（并行搜索多个源的独立检索器集合）。
路径 1 — Agentforce Data Library（仅启用）：预配置的快速启动 RAG。自动构建向量存储、搜索索引和 Retriever（默认设置）。仅支持非结构化数据（知识文章、文件、Web 搜索）。每个 Library 包含一个数据源——无多源集成、无实时、无零拷贝。
路径 2 — 高级 Data 360 设置（已实施）：完全控制摄取、处理和检索。可在任何 Data 360 数据上 Grounding 提示词——结构化+非结构化、统一化、实时、零拷贝。支持混合搜索、Ensemble Retrievers 和 Data Graphs。Data Cloud One 连接将检索器从主 Org 同步到伴随 Org。
RAG with Data Graphs 与路径对比
Data Graph 优势：提供关联数据的扁平化 JSON 视图——快速检索；无需 Ensemble Retriever 即可集成多源数据；JSON 格式维护关系数据，Agent 易理解。
路径对比：ADL 快速简单但限于单源非结构化数据、无实时/零拷贝。高级设置更复杂但支持多源集成、Data Cloud One 同步、数据转换和统一、所有数据类型。
AI 护栏 — Trust Layer 与 Audit Trail
Einstein Trust Layer：零数据保留（LLM 立即遗忘）、毒性检测、安全数据检索与动态 Grounding。保护 Salesforce 生态中所有输出的安全性和准确性。
Generative AI Audit and Feedback Trail：追踪 AI Agent 操作和输出数据——存储在 Data 360 中分析。审计数据包括 Prompt ID、用户数据、PII 掩码提示词、安全/毒性分数。Feedback API 捕获点赞/踩+原因文本、接受/重新生成/修改/拒绝操作。
Agentforce Analytics 与启用总结
预构建仪表板：数据掩码统计、毒性响应、用户趋势、接受率。支持自定义仪表板。总结：仅启用→碎片化数据源、仅 ADL RAG；已实施→统一数据、实时、零拷贝、计算洞察、预测 AI、完全可定制 RAG。实施是启用后的关键下一步——将 Agent 从基础级提升到企业级。
三、为 Agentforce 实施 Data 360
数据需求与准备 — NTO 项目
NTO 项目：构建回答产品问题的 Agent，用高级 Data 360 RAG Grounding。企业架构师 Pia 领导实施。三个准备步骤：识别所需数据、定位数据源和连接方法、概述处理需求。
Pia 的数据准备：启用 Data 360→发现 Service Cloud 中的 Case 数据（Case 1: 裤子太短、Case 2: 裤子太长、Case 3: 手表充电慢）→创建数据流将 Case 数据摄取到 Case DLO→批量数据转换解决不一致问题→映射 Cleaned Case DLO 到 Case DMO→创建身份解析规则集链接 Case 到统一客户画像。
现在 Pia 有了上下文：Case 1 来自 Rachel Rodriguez（170cm），Case 2 来自另一位客户（165cm）。统一画像中的身高数据帮助 Agent 给出相关推荐。
RAG 配置 — 逐步操作
- 从 Case DMO 创建搜索索引→可搜索所有 Case 数据
- 从 Unified Individual DMO 创建搜索索引→可搜索统一客户画像
- Data 360 自动为每个索引创建 Retriever——搜索索引与 Prompt Template 之间的桥梁
- 可选：创建 Ensemble Retriever 组合两个检索器实现并行多源搜索
- 创建调用 Ensemble Retriever 的 Prompt Template：检索器将最相关信息从知识库填充到提示词中，提示模板分析客户问题并使用 Case 数据+统一画像制定答案
构建、测试与部署 Agent
- 从 Agentforce Service Agent 模板创建新 Agent
- 创建权限集（Prompt Builder + Case DMO + Unified Individual DMO 访问）→分配给 Agent 用户
- 创建 Agent Action: "Answer Questions with Case" 使用提示模板
- 添加 Topic 并将 Action 加入 → 激活 Agent
测试：Pia 问："I have long legs and I'm 170 cm tall. Which pant styles do you recommend?" → Agent："相似身高的客户反映 style 1068 太短，style 2000 更长。我推荐 style 2000。"Agent 使用统一画像的身高数据+Case 数据给出个性化、上下文相关的推荐。
部署后最佳实践：监控审计追踪并反馈→编辑提示词解决关键反馈→Agentforce Analytics 仪表板监控性能→更新 RAG 实施保持数据最新。循环：部署→监控→反馈→优化→更新 RAG→重复。
资源
Data 360 是 Agentforce 的必要基础。从启用到实施，从四大支柱到 RAG 路径，从 Trust Layer 到 Analytics——每一步都将 Agent 从基础推向企业级。推荐资源涵盖 Data 360 数据基础、RAG、信任、分析和部署的完整文档。