在 Agentforce for Service 中使用 Knowledge
学习目标
完成本单元后，您将能够：
- 了解适用于服务的 Agentforce 如何使用 Agentforce 数据库。
- 解释 Agentforce Knowledge 与 Einstein Bot Knowledge 之间的主要区别。
Trailcast
如果您想收听本模块的录音，请使用以下播放器。听完这段录音后，记得返回每个单元，查看资源，然后完成相关评估。
Agentforce 已接受落地训练！（数据方面）
想象一下，通过从您的知识库中检索信息，为代理提供实时回答问题的能力。这正是 Agentforce 所做的，毫不费力。
Agentforce 数据库与文章答案（Einstein Bot）
添加 Agentforce 数据库可以提高准确性，并建立客户对所提供响应的信任。数据库支持知识文章（记录和字段）上传的文件、Web 搜索和自定义检索器。为什么这会是如此重大的改进？
以前，Einstein Bot 依赖于使用文章答案的高度结构化数据，需要自然语言处理 (NLP) 来训练机器人，使其能够理解意图并从 Knowledge 文章中检索信息。需要手动映射将问题（这些问题还必须以各种变体形式创建）链接到每篇文章中的特定字段。只有字段填写完整的已发布文章才能被索引和搜索，这限制了答案仅能来自那些已映射字段。因此，机器人只能回答特定的、预定义的问题，不能超出该范围。根据知识库大小，构建可能需要长达 30 分钟或更长时间。这就像与一个只能回答经过专门训练的问题的人交谈，而且问题还得用非常特定的方式提出。
非结构化数据的力量
Agentforce 利用大语言模型 (LLM) 的强大功能来处理 Agentforce 数据库支持的非结构化数据。非结构化数据通常包括聊天记录、PDF、音频和视频文件、法律文档以及书籍等大型文本文件。在 Salesforce 中，当集成 Agentforce 数据库时，此类数据可从 Knowledge 文章或 PDF 附件中获取。
虽然非结构化数据缺乏一致的格式，但 LLM（如 Agentforce 使用的 LLM）能够轻松处理和搜索此类信息。这意味着文章或 PDF 可以上传到 Agentforce 数据库。无需为数据检索映射特定字段、刷新 Knowledge 文章或等待构建。最重要的是，Agentforce 无需针对如何回答特定问题进行训练，因为它是为了能够自然理解人类互动而构建的。
该数据库采用检索增强生成 (RAG) 的落地训练技术来索引 Knowledge 文章和附件，从而确保检索到最相关和最新的信息。在 Agentforce 中添加数据库时，Salesforce 会自动构建由 RAG 提供支持的解决方案，以从 Knowledge 文章和 PDF 中检索非结构化（和结构化数据）。借助这些索引数据，Einstein 可以根据特定政策和信息快速对响应进行事实核查。因此，这并非只是靠“猜测”得出正确答案。总之，当客户提出问题时，Agentforce 会从数据库中获取相关信息，并提供自然流畅、对话式的响应。
在 Agentforce 生成器中，用户可以选择使用现有的 Agentforce 数据库，也可以创建一个新的数据库。请注意：在设置数据库之前，需要激活 Data Cloud。完成后，用户可以上传附件或链接到现有的 Knowledge 文章，这就是 Agentforce 开始发挥魔力所需的全部操作。就是这么简单。
总结
适用于服务的 Agentforce 旨在通过使用 AI 更高效地管理非结构化数据并与之交互，从而提高服务代理的生产力和有效性。通过添加主题、操作和指令，可以清楚地定义任务，指导代理何时以及如何与客户互动，以及何时不与客户互动。现在，您已经了解了适用于服务的 Agentforce 的工作原理，请查看快速入门：使用 Agentforce 构建服务代理以亲自体验！