Potenziare agenti e prompt con conoscenze aziendale pertinenti

Obiettivi di apprendimento

Al completamento di questa unità, sarai in grado di:

Spiegare perché la Generazione aumentata di recupero (RAG, Retrieval-Augmented Generation) migliora l’accuratezza e la pertinenza delle risposte degli LLM negli agenti e nei modelli di prompt.
Descrivere come configurare e usare la RAG nell’organizzazione Salesforce.

Presto sarà disponibile una nuova esperienza di creazione degli agenti!

Agentforce sta per essere aggiornato! Durante Dreamforce 2025 abbiamo annunciato la nuova esperienza di creazione degli agenti, che potrebbe differire dal processo e dalle funzionalità che imparerai in questo badge. Prevediamo che la nuova esperienza sarà disponibile come beta aperta nelle settimane successive a Dreamforce. La disponibilità generale seguirà subito dopo. L’esperienza attuale del generatore rimarrà disponibile per supportare gli agenti creati in precedenza. Per ulteriori informazioni, segui gli aggiornamenti.

Che cos’è la generazione aumentata di recupero (RAG)?

La generazione aumentata di recupero (RAG) è un metodo molto diffuso di radicare nel contesto le richieste dei prompt per i Large Language Model (LLM). Il radicamento nel contesto aggiunge conoscenze specifiche di un dominio o informazioni sui clienti al prompt, fornendo contesto all’LLM, in modo che risponda con maggior precisione a domande o attività.

Flusso di runtime della RAG: prompt LLM aumentato da informazioni pertinenti per istruire la generazione della risposta dell’LLM.

Più in dettaglio, la RAG:

Recupera le informazioni pertinenti da un archivio di conoscenze che ospita contenuti strutturati e non strutturati.
Aumenta il prompt associando le informazioni al prompt originale.
L’LLM genera una risposta con il prompt aumentato.

Molti LLM sono addestrati in modo generico con contenuti statici e disponibili a tutti in tutta Internet. La RAG aggiunge informazioni specifiche di un dominio per consentire agli LLM di dare risposte più corrette ai prompt. Con la RAG è possibile estrarre informazioni preziose da qualunque tipo di contenuto, come risposte dell’assistenza, casi, articoli Knowledge, trascrizioni di conversazioni, risposte alle richieste d’offerta, email, note sugli incontri, domande frequenti e altro ancora.

Iniziare rapidamente a creare soluzioni Agentforce con il Generatore Agentforce e la libreria dati Agentforce

Il Generatore Agentforce consente di scegliere facilmente gli articoli Knowledge o di caricare i file per il recupero da parte degli agenti in pochi clic. Per farlo seleziona o crea una Libreria dati Agentforce, ovvero una libreria di contenuti che l’agente usa per rispondere alle domande. Seleziona la fonte da cui la libreria di dati estrae le informazioni rilevanti: la Salesforce Knowledge Base, file caricati da te (testo, HTML e PDF) o una ricerca sul Web. In fase di esecuzione l’agente usa queste informazioni per radicare i prompt LLM nel contesto e generare risposte LLM migliori, più accurate e pertinenti.

Quando aggiungi una libreria dati, crei automaticamente tutti gli elementi necessari per una soluzione efficace basata su RAG. Successivamente, se lo desideri, puoi personalizzare tali elementi per mettere a punto le soluzioni RAG per i tuoi casi d’uso. Ne parleremo più avanti.

Portare conoscenze aziendali pertinenti negli agenti

Gli agenti possono ricavare conoscenze pertinenti da una libreria di dati tramite l’azione standard Answer Questions with Knowledge (Rispondi alle domande con Knowledge), che attinge dinamicamente ai contenuti della knowledge base o dei file che hai specificato al momento di creare o selezionare una libreria.

Schema dettagliato del flusso di esecuzione della RAG per gli agenti: azione Answer Questions with Knowledge (Rispondi alle domande con Knowledge), richiesta tramite query e risposta, prompt aumentato e inoltro della risposta dell’LLM all’agente.

Ogni volta che viene eseguita l’azione Answer Questions with Knowledge (Rispondi alle domande con Knowledge):

L’azione esegue il modello di prompt associato. Il retriever viene richiamato con una query dinamica.
La query esegue una ricerca nella libreria di dati.
La query recupera i contenuti pertinenti.
Le informazioni recuperate dalla libreria di dati vengono inserite nel prompt originale che viene successivamente inviato all’LLM.
La risposta generata dall’LLM viene inoltrata all’agente.

Portare conoscenze aziendali pertinenti nei prompt

Durante l’esecuzione, i modelli di prompt prelevano le informazioni rilevanti dalla libreria di dati allo scopo di contestualizzare i prompt LLM, che a loro volta producono risposte LLM più accurate. Se usi un modello di prompt personalizzato, nel Generatore di prompt, non devi far altro che incorporare un retriever di Ricerca Einstein selezionato da te al momento di inserire una risorsa. Puoi anche usare un retriever personalizzato che affina le impostazioni di ricerca per un determinato prompt.

Schema dettagliato del flusso di runtime della RAG per i prompt: query, vettorializzazione, recupero di contenuti pertinenti, ottimizzazione e invio all’LLM.

Ogni volta che viene eseguito un modello di prompt con un retriever:

Il retriever viene richiamato con una query dinamica avviata dal modello di prompt.
La query viene vettorializzata (convertita in rappresentazioni numeriche). La vettorializzazione consente alla ricerca di trovare corrispondenze semantiche nell’indice di ricerca (che è già vettorializzato).
La query recupera i contenuti pertinenti dai dati indicizzati dell’indice di ricerca.
Il prompt originale viene popolato con le informazioni recuperate dall’indice di ricerca.
Il prompt viene inviato all’LLM che genera e restituisce la risposta.

Personalizzazione avanzata in Data 360

Quando aggiungi una libreria di dati nel Generatore Agentforce o in Imposta, Salesforce crea automaticamente una soluzione basata su RAG usando le impostazioni predefinite per tutti i componenti: archivio dati vettoriali, indice di ricerca, retriever, modello di prompt e azione standard. Puoi configurare e personalizzare questi componenti singolarmente.

Passaggi per la preparazione dei dati: importazione, suddivisione in blocchi, vettorializzazione e indicizzazione.

La preparazione dei dati comporta le seguenti attività in Data 360.

Connessione (importazione) dei dati non strutturati.
Creazione di un indice di ricerca che divide in blocchi e vettorializza i contenuti. Data 360 usa gli indici di ricerca per gestire i contenuti strutturati e non strutturati utilizzando un metodo ottimizzato per la ricerca. Hai due opzioni di ricerca: ricerca vettoriale e ricerca ibrida. La ricerca ibrida abbina ricerca vettoriale e ricerca per parole chiave.
- La suddivisione in blocchi scompone il testo in unità più piccole, in base ai passaggi del contenuto originale, ad esempio frasi o paragrafi.
- La vettorializzazione converte i blocchi in rappresentazioni numeriche del testo che consentono di cogliere analogie semantiche.
Archiviazione e gestione dell’indice di ricerca.

Dopo aver creato un indice di ricerca, crea un retriever in Einstein Studio che recuperi le informazioni pertinenti quell’indice di ricerca per un determinato caso d’uso. Un retriever è una risorsa che puoi incorporare in un modello di prompt affinché cerchi e riporti le informazioni pertinenti dall’archivio Knowledge. Per supportare una varietà dei casi d’uso, puoi creare diversi retriever che focalizzino la ricerca solo sul sottoinsieme di informazioni pertinenti da aggiungere al prompt.

La RAG in azione

In questo video puoi vedere come è semplice ottimizzare un modello di prompt con la RAG.

Conclusione

Le librerie dati Agentforce e la RAG in Data 360 sono integrati con la piattaforma di IA generativa Einstein. È possibile incorporare in modo nativo la funzionalità RAG nelle app pronte per l’uso come il Generatore Agentforce e il Generatore di prompt. Con la RAG, puoi eseguire con sicurezza il radicamento nel contesto e migliorare le tue soluzioni Agentforce con dati di proprietà aziendale provenienti da un modello di dati armonizzato.

Tempo stimato

Argomenti

Hai bisogno di aiuto?

Risorse per Data 360