当我们对自己的销售组织 (org 62) 的数千名卖家进行 agentforce assistant 的严格测试时，发现了一些模式：
正如预期的那样，copilot 的机器人好得多，但它还没有达到真正像人类的境界。它需要更具对话性。
copilot 在其配置的操作方面
表现非常出色，能够满足用户目标，但它无法处理对话中已有信息的后续查询。它需要更好地利用上下文来响应更多用户查询。
随着我们添加更多操作来自动化更多 台灣資料庫 用例，copilot 的性能开始下降，无论是延迟（响应所需的时间）还是响应质量。它需要有效扩展到数千个用例和可以从中受益的应用程序。
我们着手寻找这些问题的解决方案，这导致了 agentforce 的诞生。
特工开拓者角色
加入 agentblazer 社区。
与来自世界各地的 agentblazers 联系，提高 ai 技能、发现 whatsapp 号码数据 用例、听取产品专家的意见等。发展您的 ai 专业知识 — 以及您的职业生涯。
agentforce：推理的一大飞跃
agentforce 是业界首创的企业级对话自动化解决方案，可以在几乎无需人工干预的情况下大规模做出主动且智能的决策。多项进步使之成为可能。
基于 react 提示与 cot 的
编排。大量实验和测试表明，与 cot 技术相比，推理和行动(react) 式提示产生了更好的效果。在 react 机制中，系统会经历一个推理、行动和观察的循环，直到用户目标实现。这种循环方法让系统可以考虑任何新信息并提出澄清问题或确认，以便尽可能准确地实现用户的目标。这也带来了更加流畅和自然的语言式对话体验。
主题分类。我们引入了一个名为“主题”的新概念，它映射到用户意图或要完成的工作。当用户输入时，它会被映射到一个主题，其中包含一组相关的指令、业务策略和操作，以满足该请求。此机制有助于定义任务范围和 llm 的相应解决方案空间，使系统能够轻松扩展。嵌入在主题中的自然语言指令为 llm 提供了额外的指导和护栏。因此，如果我们需要按特定顺序执行某些操作，那么这可能是自然语言主题指令。如果有“30 天内免费退货”之类的业务策略，则可以将它们 就我们开始赋予这些代 指定为指令并传递给 llm，以便它可以考虑这些策略并相应地通知用户交互。这些概念使代理能够安全地扩展到数千个操作。