Aumentar los agentes y las solicitudes con conocimiento de negocio relevante

Objetivos de aprendizaje

Después de completar esta unidad, podrá:

Explicar por qué la generación aumentada de recuperación (RAG) mejora la precisión y relevancia de las respuestas de LLM en los agentes y las plantillas de solicitud.
Describir cómo configurar y usar RAG en su Salesforce org.

Próximamente, nueva experiencia para crear agentes.

Agentforce se está actualizando. En Dreamforce 2025, anunciamos la nueva experiencia para crear agentes que puede diferir del proceso y las funciones que aprendió en esta insignia. La nueva experiencia estará disponible en una versión beta abierta en las semanas posteriores a Dreamforce. Luego, estará disponible para el público en general. La experiencia de creación actual seguirá disponible para admitir agentes creados previamente. Preste atención a las novedades.

¿Qué es la generación aumentada de recuperación?

La generación aumentada de recuperación (RAG) es una forma conocida de fundamentar las demandas de las solicitudes a los modelos de lenguaje grandes (LLM). La fundamentación agrega conocimiento específico del dominio o información del cliente a la solicitud y ofrece así al LLM el contexto necesario para responder con más precisión una pregunta o tarea.

Flujo del tiempo de ejecución de RAG: Solicitud de LLM aumentada con información pertinente para instruir la generación de respuesta del LLM.

Para ser más específicos, RAG:

Recupera información pertinente de un almacén de conocimientos que contiene contenido estructurado y no estructurado.
Aumenta la solicitud combinando esta información con la solicitud original.
Con la solicitud aumentada, el LLM genera una respuesta.

Muchos LLM, por lo general, están entrenados en Internet a partir de contenido estático y disponible al público. RAG agrega información específica del dominio para ayudar a que los LLM proporcionen mejores respuestas a sus solicitudes. Con RAG, puede extraer información valiosa desde todo tipo de contenido, por ejemplo, respuestas de servicio, casos, artículos de Knowledge, transcripciones de pláticas, respuestas a RFP (solicitud de propuesta), emails, notas de reuniones, preguntas frecuentes (FAQ, por sus siglas en inglés) y más.

Soluciones de inicio rápido de Agentforce con el Generador de Agentforce y la biblioteca de datos de Agentforce

Con el Generador de Agentforce, puede elegir artículos de Knowledge sin dificultad y cargar archivos para que los agentes recuperen con unos pocos clics. Para hacer esto, seleccione o cree una biblioteca de datos de Agentforce, que es una biblioteca de contenido que el agente utiliza para responder preguntas. Seleccione la fuente desde la que la biblioteca de datos extraerá la información pertinente: la base de conocimientos de Salesforce, los archivos que cargue (texto, HTML y PDF) o una búsqueda web. En el tiempo de ejecución, su agente usa esta información para fundamentar las solicitudes de LLM y generar respuestas de LLM más precisas y pertinentes.

Cuando agrega una biblioteca de datos, crea todos los elementos necesarios para una solución en funcionamiento impulsada por RAG de forma automática. Si quiere, luego puede personalizar esos elementos para perfeccionar las soluciones RAG en sus casos de uso. Llegaremos a esto más adelante.

Brindar conocimiento de negocio relevante a los agentes

Los agentes reciben conocimiento relevante de una biblioteca de datos a través de la acción estándar Responder preguntas con Knowledge. De forma dinámica, esta acción recupera el conocimiento o contenido de archivo que especificó cuando creó o seleccionó una biblioteca.

Flujo de tiempo de ejecución de RAG detallado para los agentes: Acción Responder preguntas con Knowledge, solicitud de consulta y respuesta, solicitud aumentada y respuesta del LLM para el agente.

Siempre que se ejecuta la acción Responder preguntas con Knowledge:

La acción ejecuta la plantilla de solicitud asociada. Se invoca al recuperador con una consulta dinámica.
La consulta analiza la biblioteca de datos.
La consulta recupera el contenido pertinente.
La solicitud original se completa con la información recuperada de la biblioteca de datos y, luego, se envía al LLM.
Se presenta la respuesta generada con LLM al agente.

Proporcionar conocimiento de negocio relevante en solicitudes

En el tiempo de ejecución, las plantillas de solicitud extraen información de su biblioteca de datos para fundamentar las solicitudes de LLM que genera respuestas de LLM más precisas. Si usa una plantilla de solicitud personalizada, en el Generador de solicitudes, simplemente integre un recuperador de Búsqueda de Einstein que selecciona cuando inserta un recurso. También puede usar un recuperador personalizado que ajusta las opciones de configuración de búsqueda para cualquier solicitud.

Flujo de tiempo de ejecución de RAG detallado para las solicitudes: consultar, vectorizar, recuperar contenido relevante, aumentar y enviar al LLM.

Siempre que se ejecuta una plantilla de solicitud con un recuperador:

Se invoca al recuperador con una consulta dinámica que se inicia desde la plantilla de solicitud.
Se vectoriza la consulta (se la convierte en representaciones numéricas). Con la vectorización, la búsqueda puede buscar coincidencias semánticas en el índice de búsqueda (que ya está vectorizado).
La consulta recupera el contenido relevante de los datos indexados en el índice de búsqueda.
Se completa la solicitud original con la información recuperada del índice de búsqueda.
Se envía la solicitud al LLM, que es el que genera y devuelve la respuesta de solicitud.

Personalización avanzada en Data 360

Cuando agrega una biblioteca de datos, ya sea en el Generador de Agentforce o desde Setup (Configuración), Salesforce crea una solución impulsada por RAG de forma automática con la configuración predeterminada para todos los componentes: almacén de datos vectorizados, índice de búsqueda, recuperador, plantilla de solicitud y acción estándar. Puede configurar y personalizar estos componentes de forma independiente.

Pasos de preparación de datos: incorporación, fragmentación, vectorización e indexación.

La preparación de datos implica estas tareas en Data 360.

Conecte (introduzca) sus datos no estructurados.
Cree una configuración de índice de búsqueda que fragmente y vectorice el contenido. Data 360 usa un índice de búsqueda para gestionar el contenido estructurado y no estructurado en una forma optimizada para la búsqueda. Tiene dos opciones de búsqueda: búsqueda vectorizada y búsqueda híbrida. La búsqueda híbrida combina la búsqueda vectorizada y palabras clave.
- La fragmentación desglosa el texto en unidades más pequeñas para reflejar fragmentos del contenido original, como oraciones o párrafos.
- La vectorización convierte los fragmentos en representaciones numéricas del texto que capturan las similitudes semánticas.
Almacene y gestione el índice de búsqueda.

Una vez que se crea un índice de búsqueda, cree un recuperador en Einstein Studio a fin de obtener información relevante de ese índice de búsqueda para un caso de uso específico. Un recuperador es un recurso que incorporó a una plantilla de solicitud para buscar y devolver información relevante desde el almacén de conocimientos. Para admitir una variedad de casos de uso, puede crear distintos recuperadores que enfoquen su búsqueda en el subconjunto de información relevante para agregar a la solicitud.

Ver RAG en acción

Este video muestra lo fácil que es aumentar una plantilla de solicitud con RAG.

Conclusión

La biblioteca de datos de Agentforce y RAG en Data 360 se integran con la plataforma de IA generativa de Einstein. Incorpore las funciones de RAG de forma nativa en aplicaciones listas para usar, como el Generador de Agentforce y el Generador de solicitudes. Con RAG, fundamenta y mejora sus soluciones de Agentforce de forma segura con los datos propios de un modelo de datos armonizado.

Estimación de tiempo

Temas

¿Necesita ayuda?

Recursos de Data 360