一、探索 Data 360 与 Agentforce
探索 Data 360 与 Agentforce 如何交互
您已经决定在 Salesforce org 中使用 Agentforce，并期待构建真正了解客户和业务的 AI Agent。要理解两者之间的联系，先来看 Data 360 为 Agentforce 提供的两个层次：启用（enablement）和实现（implementation）。
- 启用：在 org 中开通并启用了 Data 360。
- 实现：不仅启用了 Data 360，还连接了数据、将其映射到数据模型，并可能通过身份解析规则集整合了数据、配置了其他 Data 360 功能。
启用和实现 Data 360 会对 Agentforce 的能力产生不同影响：
- 仅启用 Data 360：这是所有 Agentforce 使用场景的前提。诸如 Agentforce Data Library 和 Einstein Trust Layer 等功能，没有 Data 360 就无法工作。
- 实现 Data 360：实现后您将获得多样化的客户 360 数据、强大的数据清洗与转换能力，以及完全可自定义的 RAG。要构建强大的 Agent 队伍并支持复杂需求，就必须实现 Data 360。
本模块将讲解启用与实现 Data 360 分别如何影响您的 Agent——Data 360 与 Agentforce 协同工作，为您提供植根于企业数据的、有效且可信的 Agent。
Data 360 已实现：基于客户 360 数据构建的 Agent
当 Data 360 完全实现后，它提供了一个稳健、安全的数据基础，让 Agent 能够访问统一的客户 360、转换后的、实时的以及零拷贝（zero-copy）的数据。下面以虚构的服装公司 Northern Trail Outfitters（NTO） 为例，看看 Data 360 基础的几个关键方面如何影响 Agent。
统一客户 360（Unified Customer 360）——汇聚来自 Salesforce 内外的数据，运行身份解析规则集，为每位客户构建带有完整历史上下文的统一画像。Agent 基于 Data 360 数据，能深入了解客户从 Sales Cloud 的购买到 Marketing Cloud 的互动。NTO 示例：客户请求产品推荐 → Agent 看到客户最近购买了新系列的鞋子、还点击了夹克的营销活动 → 于是推荐匹配的夹克而非鞋子。
数据转换（Data Transforms）——清洗和转换数据，解决命名和格式不一致等数据质量问题。干净的数据能提升 Agent 的准确性、一致性和可靠性。NTO 示例：订单日期是 DD/MM/YY 格式，而退货政策公式只支持 MM/DD/YY，导致 Agent 无法处理退款 → NTO 运行数据转换把所有日期转为 MM/DD/YY 格式 → 退款流程恢复正常。
实时数据（Real-Time Data）——实时摄取、统一、分析并对数据采取行动，让 Agent 掌握客户当前的行为并在几秒内响应。NTO 示例：客户浏览网站时打开 Agent 聊天询问当前促销 → Agent 实时看到客户正在点击背包 → 于是推荐最相关的「指定背包买一送一」促销。
零拷贝（Zero Copy）——连接存储在 Salesforce 之外的数据，在 Data 360 与外部系统之间建立双向通信，无需复制数据即可自由访问。NTO 示例：忠诚度数据存储在 Databricks，通过零拷贝连接引入 Data 360 丰富统一画像 → Agent 看到客户是白金会员 → 推荐专属促销。
虽然还有其他为 Agentforce 摄取数据的方式，但 Data 360 是唯一支持整体 360 战略与统一数据的方案：CRM 数据通过 Fileforce 只摄取非结构化 CRM 数据、不统一数据；Agentforce Data Library 同样只摄取非结构化数据、不统一数据。
本单元小结
在本单元中，您了解了基于 Data 360 构建的 Agent 如何受益于统一、转换后、实时和零拷贝的数据。
- 仅启用 Data 360 = 所有 Agentforce 功能（Data Library、Trust Layer）的前提；
- 实现 Data 360 = 统一画像 + 干净数据 + 实时 + 零拷贝 + 可自定义 RAG；
- NTO 的示例展示了每个支柱在具体客户场景中的价值。
接下来：连接数据源并转换数据后，您就可以设置检索增强生成（RAG），并探索 AI 护栏与分析能力了。
二、用 Data 360 打造可信的 Agent
探索可信 Agent 的重要性
Agent 是您公司面向客户的声音，因此让 Agent 有据可依（grounded）、合规（compliant）、可问责（accountable）至关重要。借助 Data 360，您可以用 RAG 将提示词扎根于企业数据，并用 AI 护栏和分析来监控 Agent。
这确保了您的 Agent 更准确、更符合伦理。本单元涵盖：
- 检索增强生成（RAG）——两种实现路径（快速入门 vs 高级设置）；
- AI 护栏——Einstein Trust Layer + 审计与反馈追踪；
- Agentforce Analytics——监控 Agent 表现。
目标：打造您可以信任、能准确、安全、可度量地代表品牌的 Agent。
了解检索增强生成（RAG）
RAG 是一种将提示请求扎根（ground）到大语言模型（LLM）的方法。扎根就是在提示中添加上下文、具体的信息，以提升 LLM 生成输出的质量、准确性和相关性。RAG 包括从知识库检索（retrieve）相关信息、将这些信息与原提示结合来增强（augment）提示、最后生成（generate）响应。
理解 RAG 的几个关键术语：
- 非结构化数据：没有特定一致格式、难以存入传统关系型数据库的数据；摄取后需先分块（chunk）再创建向量嵌入；
- 向量嵌入（vector embeddings）：机器可读的非结构化数据数值表示，能衡量不同文本的语义相似度；
- 向量数据存储（vector data store）：专门存储向量嵌入的数据库；
- 搜索索引（search index）：存储已分块、已向量化数据、可被其他应用搜索检索的数据结构；
- 检索器（retriever）：连接提示与搜索索引的桥梁，在数据源中搜索相关信息来增强提示；集成检索器（ensemble retriever）是多个检索器的集合，可并行从多个来源搜索。
为 Agent 实现 RAG 有两条路径：快速入门用 Agentforce Data Library，或高级设置在 Data 360 中自定义。下面逐一介绍。
Data 360 已启用：探索 Agentforce 数据图书馆
Agentforce Data Library（ADL）是一个预配置、快速入门的 RAG 解决方案，是您 Agent 的个性化、有组织的数据源。
当您在 Agentforce Builder 或 Setup 中添加数据图书馆时，Salesforce 会自动用 Data 360 构建一个 RAG 驱动的解决方案，并为所有组件（向量数据存储、搜索索引、检索器）使用默认设置；您也可以单独设置和自定义这些组件。
ADL 仅支持非结构化数据，例如：
- 知识文章（Knowledge articles）；
- 文件（Files）；
- 网页搜索（Web search）。
ADL 的局限：每个数据图书馆只能包含一个数据源，不具备实时和零拷贝能力，非 CRM 数据必须下载为文件后再添加到数据图书馆。ADL 是 RAG 的声明式、低代码入口，最适合快速见效、直接的知识检索场景。
Data 360 已实现：用 Data 360 完全自定义 RAG
直接在 Data 360 中实现 RAG 需要更多时间，但能让您对数据摄取和处理、更多样的数据源、以及更精确的检索机制（如混合搜索 hybrid search）拥有更大的控制权。
高级设置可将提示扎根于任何已进入 Data 360 的数据：例如摄取含非结构化长文本字段的 CRM 记录并分块，然后创建向量数据存储和搜索索引，用检索器扎根提示。您可以给 Agent 访问已整合的、零拷贝的、实时的数据，无论结构化还是非结构化。
用数据图谱实现 RAG：数据图谱（data graph）记录以 JSON 字符串的形式提供相关数据的扁平化视图，可被快速检索。例如，创建一个对客户画像与销售订单明细之间关系建模的数据图谱，用它扎根 Agent 的提示。主要好处：
- 通过零拷贝集成多个来源的数据（含 CRM 数据和外部湖数据），无需创建集成检索器；
- 将数据转换为 JSON 格式，保持关系数据且易于被 Agent 理解。
ADL 与自定义 Data 360 设置对比：ADL 仅需启用、设置快、只支持非结构化数据、单数据源、无实时/零拷贝；自定义 Data 360 设置需要实现、更复杂，但支持结构化+非结构化、通过集成检索器或数据图谱集成多源、支持实时与零拷贝，并通过 Data Cloud One 连接将检索器同步到配套 org。高级设置 = 对 RAG 管线的完全掌控。
Data 360 已启用：用 AI 护栏保障安全
AI 需要护栏（guardrails）来保护数据安全并让人始终参与其中，从而确保 AI 的使用符合组织的安全、隐私、监管与 AI 治理政策。
Agentforce 的护栏包括 Einstein Trust Layer 和生成式 AI 审计与反馈追踪，这些功能都由 Data 360 驱动（Agentforce 还有自身内置的护栏）。
- Einstein Trust Layer：通过零数据保留、毒性检测、安全数据检索、动态扎根等机制保护客户数据，提升输出的安全性与准确性。
- 生成式 AI 审计与反馈追踪：记录提示 ID、用户数据、提示文本（PII 脱敏）、安全/毒性评分，并通过 Feedback API 记录点赞/点踩、接受/重新生成/修改、修改后的最终响应等反馈。
探索 Einstein 信任层
Einstein Trust Layer 通过稳健的安全特性和护栏保护客户数据，其核心保护包括：
- 零数据保留（Zero Data Retention）——提示和数据不会被 LLM 提供商存储，也不会被用于训练模型；
- 毒性检测（Toxicity Detection）——筛查用户输入和 AI 输出中的有害、偏见或不恰当内容；
- 安全数据检索（Secure Data Retrieval）——确保 Agent 只访问用户被授权查看的数据，尊重所有 Salesforce 安全模型；
- 动态扎根（Dynamic Grounding）——在运行时检索最新、最相关的数据，而非依赖过时或缓存的信息。
Trust Layer 透明地运行——用户和管理员无需配置它，它对所有 Einstein 生成式 AI 功能默认开启，并自动应用于每一次 Agent 交互。
生成式 AI 审计与反馈追踪
审计追踪（audit trail）提供追踪 AI Agent 动作和输出所需的数据，这些数据在 Data 360 中存储和分析：
- 提示 ID 和用户数据；
- 提示文本及 PII 脱敏后的提示；
- 安全与毒性评分。
您可以通过 Feedback API 记录对 Agent 响应的反馈：
- 点赞 / 点踩反应及原因文本；
- 接受、重新生成、修改、拒绝或忽略等动作；
- 修改后的最终响应。
这形成了一个完整的反馈闭环：监控 Agent 说了什么、识别负面反馈模式、基于真实使用数据改进提示与知识库，并向审计人员展示每次 AI 交互的时间戳记录以证明合规。这让 AI 从一个黑盒变成可审计的系统。
探索 Agentforce Analytics
Agent 部署后，用 Agentforce Analytics 监控其表现。数据在 Data 360 中存储和处理，并用 Data 360 的仪表板和报表展示结果。
预置的洞察仪表板包括以下数据：
- 数据脱敏（data masking）；
- 响应中的毒性（toxicity）；
- 用户趋势（user trends）；
- 接受率（acceptance rates）。
您也可以构建自己的自定义仪表板，针对组织特定的 KPI 和监控需求。Agentforce Analytics 让您看清 Agent 的表现——哪些有效、哪些需要改进、优化工作应聚焦在哪里。
Data 360 已启用 vs. 已实现
总结一下启用与实现 Data 360 的特性差异。
仅启用 Data 360：
- 对客户的视图有限，每个数据源彼此割裂；
- 通过 Agentforce Data Library 实现 RAG 扎根提示；
- 借助 Einstein Trust Layer 获得可信、安全的 AI；
- 通过生成式 AI 审计与反馈追踪实现可信、人工监控的 AI；
- 通过 Agentforce Analytics 获取洞察。
启用并实现 Data 360（拥有启用的全部好处，外加）：
- 跨所有数据源的转换后、统一的数据；
- 实时数据能力；
- 存储在外部系统（如数据湖）中的零拷贝数据；
- 通过计算洞察和 AI Models（原 Einstein Studio）的预测式 AI 增强数据；
- 通过高级 Data 360 设置实现更强大的 RAG 扎根提示（结构化+非结构化、集成检索器、数据图谱、混合搜索）。
启用让您「入场」，实现则让您「赢得比赛」。
本单元小结
现在您了解了 Data 360 启用与实现给 Agentforce 带来的不同好处，也了解了 Data 360 如何用统一数据、RAG、AI 护栏和分析为 Agentforce 能力提供动力。
- 启用 = 前提；实现 = 充分释放能力；
- RAG 有两条路径：ADL（快速）与 Data 360 设置（高级、可自定义）；
- Einstein Trust Layer + 审计追踪 = 可信、可问责的 AI；
- Agentforce Analytics = 对表现的可见性。
接下来：跟随 NTO 的企业架构师 Pia，学习如何为 Agentforce 完整实现 Data 360，走完从数据到 Agent 的全程。
三、为 Agentforce 实现 Data 360
了解数据需求
在实现 Data 360 之前，需要先理解项目的数据需求。以下数据准备步骤和需要考虑的问题有助于理清思路：
- 确定用例需要什么数据、定义数据类型——需要 CRM 记录（如线索、案例）吗？需要非结构化还是结构化数据？需要上传文件吗？
- 定位数据来源、确定如何连接到 Data 360——CRM 记录目前在哪个 org？数据在外部数据仓库中吗（若是，则需使用零拷贝数据联邦连接器）？需要实时访问该数据吗？
- 梳理数据处理需求——数据有质量问题吗？是哪种、是否普遍？需要统一数据吗（即运行身份解析将其关联到统一画像）？
在开始配置之前回答这些问题，可以避免返工，并确保您的 Agent 拥有正确的数据。
为 Agent 配置 Data 360
NTO 想构建一个能回答产品问题的 Agent，计划用高级 Data 360 RAG 扎根提示。跟随 NTO 的企业架构师 Pia，从数据准备开始配置 Data 360 并构建 Agent。
Pia 的数据准备步骤：
- 在 org 中启用并开通 Data 360，设置 Data 360 用户；
- 在 Service Cloud 中找到客户案例数据，确定其来源；
- 创建数据流，把案例数据从 Service Cloud 摄取到 Data 360，存入 Case DLO；
- 用批量数据转换解决名称和格式不一致等数据问题，转换后的数据存入 Cleaned Case DLO；
- 在 Cleaned Case（DLO）与 Case 数据模型对象（DMO）之间添加映射；
- 创建并运行身份解析规则集，把案例与客户的统一画像关联起来。
现在 Pia 能了解每个案例的更多上下文——例如「裤子 1068 太短」的案例来自身高 170cm 的 Rachel Rodriguez，「裤子 2000 太长」的案例来自身高 165cm 的客户。这些上下文将帮助 Agent 给出更相关、更有效的答案。
Pia 的 RAG 设置：
- 从 Case DMO 和 Unified Individual DMO 分别创建搜索索引（Data 360 会为每个索引自动创建检索器）；
- （可选）创建一个集成检索器；
- 创建一个提示模板，调用检索器，用案例数据和统一画像回答产品问题。
数据准备就绪、RAG 配置完成，Pia 就可以构建 Agent 了。
构建并部署 Agent
Pia 使用提示模板构建 Agent：
- 从 Agentforce Service Agent 模板创建新 Agent；
- 创建一个权限集，包含对 Prompt Builder、Case DMO 和 Unified Individual DMO 的访问权限，并分配给 Agent 用户；
- 创建名为 Answer Questions with Case 的 Agent 动作，使用该提示模板；
- 为 Agent 用户添加一个主题（topic）；
- 把 Answer Questions with Case 动作添加到该主题；
- 激活并测试 Agent。
测试示例：Pia 问 Agent：「我腿很长，身高 170cm，你推荐或不推荐哪些裤型？」Agent 回答：「身高相近的客户反馈 1068 款太短，2000 款更长。我推荐 2000 款，不推荐 1068 款。」
Agent 利用统一画像数据（身份解析得到的客户身高）给出个性化、上下文感知的推荐——这正是「通用 FAQ 机器人」与「智能 Agent」的区别。
经过几轮测试和提示微调后，NTO 将 Agent 部署到客户渠道。部署后，团队持续遵循这些最佳实践：
- 监控审计追踪并对 Agent 给出反馈；
- 编辑提示以处理关键反馈；
- 用 Agentforce Analytics 仪表板监控表现；
- 更新 RAG 实现，让 Agent 的数据源保持最新。