课程章节介绍
好，我们来看一个特别具体的例子，帮你把Agentforce那种“一步步推理、然后拼出最终回答”的机制彻底搞清楚。
想象这么一个场景：客户来问，“我的订单1234怎么还没到？”系统后台一看，这个包裹确实迟到了，预计交货日期是2026年2月10号。现在，Agentforce的Order_Management子代理要接手处理了。
首先，它不会凭空说话，而是严格按照我们预先定义的，推理指令，，一行一行地执行。它先默默地加一个计数器，把num_turns加1，这就像在心里记下“我处理过一轮了”。接着，它去调用一个动作，叫做get_delivery_Date，从系统把那个订单1234的交货日期拉出来，然后把这个日期存进一个变量，比如叫updated_delivery_Date。
有了这个变量值，精彩的部分来了：Agentforce会把原本模板里的提示文本，和这个变量拼起来。比如模板说“告诉用户订单号{订单ID}的预期交货日期是{日期}”，它就把1234和2026年2月10日填进去。
但这还没完，因为包裹迟到了，它还得判断要不要道歉。于是它接着运行check_if_late这个动作，去检查is_late这个条件。一看，确实晚了，它就把一句道歉的话也拼接在后面。
而且，它会去处理像after_reasoning这类指令，确保所有逻辑都收尾干净。
最后，这一整套推演结束，它要把一个最终指令发给大语言模型。你看，这个指令已经非常干净、明确，不再有任何变量，就是一句完整的话：“告诉用户订单号1234的预期交货日期是2026年2月10日。就延迟收到订单向客户道歉。”
大模型拿到这句话，只需要忠实地用自然语言表达出来，比如回复客户：“您好，您的订单1234预计会在2026年2月10日送达，非常抱歉包裹延迟了。” 整个过程，Agentforce帮你把复杂的业务判断和变量替换都做完了，让最终回复既准确，又贴合当下的业务状态。