一、用相关业务知识增强 Agent 与 Prompt（Augment Agents and Prompts with Relevant Business Knowledge）
检索增强生成（Retrieval Augmented Generation，简称 RAG）是一种给 LLM 提示请求「接地」的流行方式——把领域知识或客户信息注入提示，让 LLM 能更准确地回答问题或完成任务。本单元讲清 RAG 是什么、Agentforce Data Library 如何让它几步完成设置、RAG 在 agent 和 prompt 模板中分别如何运行，以及如何定制底层的 Data 360 组件。
完成本单元后，你将能够：
- 解释为什么 RAG 能提升 agent 与 prompt 模板中 LLM 响应的准确性和相关性；
- 描述如何在你的 Salesforce org 中设置并使用 RAG。
什么是 RAG（上）：接地与流程
RAG（检索增强生成）是给 LLM 提示请求「接地（grounding）」的流行方式。接地会向提示中添加领域特定知识或客户信息，为 LLM 提供上下文，使其更准确地回答问题或完成任务。
拆开来看，RAG 分三步：
- Retrieve（检索）：从包含结构化和非结构化内容的知识库中检索相关信息。
- Augment（增强）：把检索到的信息与原始提示结合，增强提示。
- Generate（生成）：用增强后的提示，LLM 生成响应。
什么是 RAG（下）：为什么 RAG 有用
为什么 RAG 如此重要？许多 LLM 是在互联网上基于静态、公开内容进行通用训练的——它们并不了解你的业务。RAG 添加领域特定信息，让 LLM 能对你的提示给出更好的响应。
这些信息可以来自各种内容：服务回复、案例、知识文章、对话记录、RFP（提案请求）回复、邮件、会议记录、常见问题（FAQ）等等。
通过注入这些上下文，RAG 把一个通用模型变成了能用你组织真实知识来回答的模型。
用 Builder 与 Data Library 快速开始
快速开始路径确实很快。Agentforce Builder 让你只需几次点击，就能选择知识文章或上传文件供 agent 检索使用——通过选择或创建一个 Agentforce Data Library（数据资料库）来实现。
数据资料库是 agent 用来回答问题的内容集合。你可以选择它的数据来源：
- Salesforce Knowledge 知识库；
- 上传的文件（文本、HTML 和 PDF）；
- 网络搜索。
在运行时，agent 用这些信息来给 LLM 提示接地。而且添加数据资料库会自动创建一个可运行的 RAG 解决方案所需的全部元素，你之后还可以定制这些元素。
Agent 中的 RAG
在 agent 内部，RAG 通过 Answer Questions with Knowledge 标准操作来流转。这个操作动态地从你创建数据资料库时指定的知识或文件内容中检索信息。
每次该操作运行时，发生五件事：
- 操作运行其关联的 prompt 模板，retriever 用一个动态查询被调用；
- 查询搜索数据资料库；
- 检索出相关内容；
- 原始提示被检索到的信息填充，然后提交给 LLM；
- LLM 生成的响应转发给 agent。
于是 agent 的回答就接在了你自己的内容上。
Prompt 中的 RAG
在 prompt 模板中，RAG 通过嵌入的 retriever 来运行。如果你用的是自定义 prompt 模板，只需在 Prompt Builder 插入资源时嵌入一个 retriever 即可。
每次运行遵循五步：
- retriever 用一个从模板发起的动态查询被调用；
- 查询被向量化（vectorize）——转换为数值表示，从而能对已向量化的搜索索引做语义匹配；
- 查询从索引中检索相关内容；
- 原始提示被检索到的内容填充；
- 提示提交给 LLM，LLM 生成并返回响应。
向量化正是让搜索能找到语义相似匹配、而不只是关键词命中的关键。
高级定制（上）：组件与数据准备
在幕后，当你添加数据资料库时（无论在 Agentforce Builder 还是 Setup 中），Salesforce 会自动用默认设置构建一个 RAG 解决方案，覆盖所有组件：向量数据存储、搜索索引、retriever、prompt 模板和标准操作。你可以分别定制每个组件。
Data 360 中的数据准备涉及以下任务：
- 连接（摄取）你的非结构化数据；
- 分块（chunking）——把文本拆成更小的单元，反映原文的段落，如句子或段落；
- 向量化（vectorization）——把块转换成捕获语义相似性的数值表示；
- 存储并管理搜索索引。
高级定制（下）：Retriever
搜索索引创建之后，下一步定制就是 retriever。你在 AI Models（原 Einstein Studio）中创建它，为特定用例从搜索索引中抓取相关信息。
retriever 是一个嵌入 prompt 模板中的资源，用于从知识库搜索并返回相关信息。因为不同用例需要你数据的不同切片，你可以创建多个 retriever，每个只聚焦于要添加到提示中的相关子集信息。
如需动手体验，可参考 Advanced RAG with Data 360 and Agentforce 模块。
结论（Conclusion）
总结一下：Agentforce Data Library 和 Data 360 中的 RAG 已与 Einstein 生成式 AI 平台集成。你可以把 RAG 原生地融入 Agentforce Builder 和 Prompt Builder 等开箱即用的应用中——无需自定义基础设施。
借助 RAG，你可以用来自统一数据模型的专有数据，安全地接地并改进你的 Agentforce 解决方案，让 agent 给出准确、相关、贴合业务的回答。