Salesforce 将 Agentforce 重新定位为一个拥有 18,500 个客户和 3B+ 月度工作流程的成果架构平台。企业部署指南。
主要要点
- Agentforce 是一个平台，而不仅仅是聊天机器人： Salesforce于2026年将Agentforce重新定位为一个完整的成果架构平台——一个由自主代理执行完整多步业务流程的层级，而不仅仅是回答问题。拥有18,500个客户和30亿个月度工作流程，已从试点阶段逐步实现规模生产。
- 数据云是让代理运作的基石： Agentforce的代理能力取决于他们能访问的数据。该平台与Salesforce数据云紧密集成，提供了一个统一的实时客户数据层，客服人员通过查询做出上下文准确决策——这是区别于独立AI客服框架的关键区别。
- 低代码代理构建器将部署时间缩短至数天： Agentforce Agent Builder 允许管理员通过类似流的可视化界面创建自主代理，无需深入编码专业知识。预建的销售、服务和市场工作流程代理模板，将标准用例的部署时间从数月缩短到几天。
- 爱因斯坦信任层解决企业安全问题： 爱因斯坦信任层通过LLM提供商、内置毒性过滤器、个人信息掩蔽和审计日志，为每个代理操作提供零数据保留保证。这些企业级控制使受监管行业能够在Salesforce内部大规模部署AI代理。
Salesforce 多年来一直在打造自主人工智能代理，但 2026 年标志着愿景成为运营现实的转折点。拥有18,500个客户和超过30亿个月度工作流程，该平台已从早期采用者领域迈向主流企业部署。
关键的战略转变在于Salesforce现在如何构建产品。Salesforce没有将Agentforce定位为销售云或服务云中的一个功能，而是将其描述为一个成果架构平台 —— 一个贯穿整个Salesforce生态系统的基础层，协调多步骤工作流程以实现明确的业务成果。理解这种架构框架对于评估Agentforce是否以及如何融入您的CRM和自动化战略至关重要。
什么是结果架构
结果架构是Salesforce用于企业AI代理部署的概念框架。其前提很简单：大多数人工智能代理部署失败并非因为技术无能，而是因为它们围绕能力而非业务成果设计。一个专门处理咨询的聊天机器人，衡量的标准是查询量，而不是它是否真的降低了运营成本或提升了客户满意度。
结果架构方法则相反。你首先定义一个具体且可衡量的业务结果——将平均处理时间减少35%，提升合格管道20%，将首次通话解决率提升至80%——然后专门打造专门设计以实现该目标的客服。每一个设计决策、数据集成和工作流程步骤都会被评估为是否推动了目标指标的提升。
- 定义结果：从具体且可衡量的业务成果开始。平均处理时间、管道转换率、案件偏转百分比。没有模糊的抱负——只有你可以调整的指标。
- 为结果而建：设计每一个代理能力、数据集成和升级路径，以判断是否对既定结果有贡献。删除那些不符合的。
- 不断测量：Agentforce 提供结果跟踪仪表盘，显示代理旨在改善的具体业务指标，而不仅仅是操作 AI 指标如令牌或延迟。
这种框架与企业买家产生共鸣，因为它使人工智能投资与首席财务官和业务部门负责人的语言保持一致，而不仅仅是IT部门。当CIO能够指出Agentforce部署在客户留存或销售效率方面的具体提升时，扩展预算审批就变得更加简单。
数字中的代理力量
Salesforce于2026年初发布的规模数据为该平台在企业AI领域中的位置提供了背景。18,500个客户和30亿个月度工作流程并非小规模的试点数字——它们表明平台已在最大企业规模下达到运营成熟度
跨行业的分布范围广泛：金融服务、医疗保健、零售、科技和制造业各占重要客户群。采用率最高的行业是那些客户互动量大、重复性强的行业，这些行业通过客服自动化带来了明显的成本节约——特别是保险、银行和电信。
核心平台组件
Agentforce 不是一个单一产品，而是一个由多个集成组件组成的平台。了解每个组件的角色有助于你评估需要哪些能力，以及如何安排部署顺序。
- Agentforce 特工：自主代理本身——专门构建的软件实体，配置以处理特定工作流类型。每个代理都有定义的角色、可执行的动作集合、可查询的数据源以及升级条件。预构建的代理包括销售发展代表代理、服务代理和现场服务代理。定制代理可以为任何业务流程构建。
- 特工建造者：用于创建和配置Agentforce代理的可视化低代码开发环境。管理员级用户可以通过基于画布的界面构建代理，并通过拖拽组件来处理主题、动作和升级路径。Agent Builder 包含一个测试沙盒，你可以在生产部署前模拟对话并验证代理行为。
- Atlas 推理引擎：驱动智能体决策的AI推理层。Atlas 是一个多步推理系统，将复杂请求拆分为子任务，从数据云和知识库中获取相关上下文，选择合适的操作，按顺序执行，并评估结果是否实现。它通过请求澄清而非假设来处理歧义。
- 爱因斯坦信任层：管理所有人工智能运营的安全与合规基础设施。通过LLM提供商提供零数据保留、个人身份识别掩蔽、毒性过滤、接地验证和完整的审计追踪。所有LLM调用都经过信任层，确保外部AI提供商不会存储客户数据。
- 数据云接地：客服查询的实时客户数据层，用以将他们的回答扎根于实际业务背景。Data Cloud 将来自 Salesforce CRM、外部数据源、网站交互和第三方数据提供商的数据统一为统一的客户档案，客服通过语义搜索访问。
数据云集成
Agentforce与Data Cloud的集成是Salesforce方法与独立AI代理框架区别开来的架构决策。没有实时、统一的客户数据基础，人工智能代理只能产出通用的回应，无法考虑个别客户的具体情况。借助数据云，客服可以根据客户的完整历史、当前账户状态、情绪轨迹和互动模式做出决策。
架构说明：Data Cloud 是与 Agentforce 不同的许可证。这两种产品是协同工作的，但价格和购买方式是独立的。要实现完整的Agentforce能力，Data Cloud实际上是必需的——在确定Agentforce部署范围时，两者预算是必不可少的。
实际上，数据云支持了若干特定的代理力功能：
- 实时客户上下文：当服务客服接收到一个案件时，会查询Data Cloud客户最近10次互动、未结订单、已知情绪评分以及账户等级。这种语境影响了反应语气、紧迫性和解决方式，直到代理发送一个词。
- 预测性潜客得分：销售SDR客服使用Data Cloud的爱因斯坦预测评分来优先推广外展。客服人员会根据行为信号、参与度数据和企业记录匹配，自动优先联系转化概率最高的潜在客户。
- 细分区感知个性化：客服人员了解客户所属的受众细分，并据此调整信息传递。VIP分段成员会收到与试用用户不同的响应，而无需为每种可能的客户类型制定明确规则。
- 基于触发的代理激活：数据云事件——客户访问定价页面、放弃购物车或健康评分低于阈值——可以自动触发Agentforce客服。这使得主动外展而非仅仅被动应对成为可能。
代理构建器与部署
Agent Builder 是大多数 Agentforce 部署配置的接口。它面向具备配置专业知识的Salesforce管理员，而非开发者，这是有意通过减少对开发资源依赖来加快采纳的决定。代理构建器配置步骤
- 1 定义代理角色和描述：请用通俗易懂的语言描述代理的职责、服务对象及其主要目的。这一背景塑造了Atlas推理引擎如何解释请求。
- 2 添加主题和说明：主题定义了客服代理处理的主题领域（账单咨询、产品问题、预约安排）。说明书提供了具体的指导，指导如何处理每个话题，包括语气、升级条件以及需要收集的信息。
- 3 配置动作：动作是代理可以执行的能力：查询Data Cloud、创建案件、发送邮件、更新机会、运行流程或调用Apex类。每个动作都从预建的动作库中选择，或使用Flow和Apex自定义构建。
- 4 对话中的测试预览：Agent Builder 包含一个实时对话模拟器，你可以在激活前测试代理行为与现实场景的匹配。模拟器显示了Atlas推理轨迹，让你能准确看到代理如何解释请求并选择动作。
- 5 激活并监控：一旦激活，Agentforce Analytics 实时跟踪座席的绩效指标、对话结果、升级率和客户满意度评分。你可以在没有重新部署的情况下迭代代理配置。
跨云工作流程
Agentforce 2026年最重要的改进之一是跨云工作流程能力的扩展。客服现在可以在单一工作流程中协调跨多个Salesforce云的操作——这一能力开启了过去只能通过复杂自定义代码实现的用例。
销售云+商务云：追加销售自动化
当销售云机会达到特定阶段时，Agentforce SDR代理会向Commerce Cloud查询客户的购买历史和当前订阅等级，然后根据客户的使用模式自动生成个性化的加售提案，推荐附加组件。该提案在Salesforce的CPQ中创建并通过电子邮件发送——全程无人工干预。
Service Cloud + Field Service：智能案件路由
当服务案件创建时，Agentforce服务代理会判断问题是否需要现场技术员上场。如果有，它会自动检查现场服务中的技术员可用性，根据客户距离和技术员技能匹配安排预约，通过首选沟通渠道发送确认，并更新预约详情。
营销云 + 销售云：潜在客户培育交接
当潜在客户达到资格阈值时，Marketing Cloud 的参与度数据会触发 Agentforce 营销代理。客服会验证潜在客户的数据质量，从数据云丰富数据，使用爱因斯坦评分，如果符合条件，创建销售云机会，并根据区域规则将机会路由到正确的销售代表——自动完成市场营销到销售的交接。
对于使用多个Salesforce云的企业来说，这些跨云工作流代表了Agentforce最高价值的用例。它们消除了团队间的手动切换，避免了导致延迟、数据不一致和机会错失的情况。关于这如何契合更广泛的人工智能和数字化转型战略，自动化跨职能交接的模式始终是人工智能最明显的投资回报率所在。
安全层与信任层
企业级AI部署会遇到消费者AI工具不会遇到的安全和合规障碍。数据驻留、个人身份信息处理、审计要求以及模型提供商的数据保留政策，都是受监管行业合理的关切。爱因斯坦信任层就是为了直接解决这些问题而建成的。
数据保护控制
- 零数据保留：LLM 提供者在 API 调用后不会存储你的数据
- 个人身份识别掩蔽：个人标识符在发送给外部模型前先被标记化
- 数据驻留控制：数据保留在您的Salesforce组织和区域内
- 所有代理数据的静态加密和传输加密
治理与合规
- 完整的审计跟踪：每个代理操作都记录在时间戳、用户上下文和结果上
- 模型输出在到达客户手中之前存在毒性和偏见过滤
- 基础验证：反应必须有检索到的数据支持，而非模型幻觉
- 基于角色的代理配置和数据访问权限访问控制
受监管行业：金融服务和医疗机构应在开始Agentforce部署前，特别向其客户经理索取爱因斯坦信任层安全文档以及Salesforce HIPAA BAA或金融服务合规认证。
企业部署战略
成功的Agentforce部署有一个共同的模式：它们从明确的用例开始，进行彻底的分析，展示明确的投资回报率，然后再扩展。试图从一开始就部署广泛的多代理架构的组织，经常遇到复杂性，这拖慢了采用速度，也使归因变得模糊。
第一阶段：试点（第1–4周）
为单一高流量、可衡量的用例部署一个预构建的代理模板。常见推荐的起点：针对特定产品类别的常见问题解答、针对单一区域的潜在客户资格认证，或为特定服务团队安排预约。发射前对所有指标进行仪器化，以实现干净的前后对比。
第二阶段：测量与优化（第5至第8周）
运行试点并对比基线测量。利用Agentforce Analytics识别代理在哪些地方升级超出预期（主题覆盖或指令的缺口）、客户放弃对话的地点（交互流中的摩擦），以及代理处理不佳的查询类型（适合改进指令或动作添加）。
第三阶段：展示投资回报率并扩大（第9至16周）
从优化的试点中汇总投资回报率案例——每个解决案例的成本与人工处理成本、转化率提升、平均处理时间减少。利用这些资金为扩展到更多用例、团队或地域市场争取到预算。随着复杂性管理的提升，逐步扩展代理数量，增加能力和跨云工作流程。
第四阶段：多智能体编排（第4个月+）
一旦单个代理稳定运作，适时引入多代理协调。主路由代理负责分流输入交互并将委托给专业代理，是一种常见的成熟架构。在添加编排层时，监控突发复杂性和递增率的增加。
为什么选择Agentforce ？
对于已经投入Salesforce的组织来说，Agentforce是最强的选择，因为它具备原生数据集成和预构建的代理模板，用于核心销售和服务工作流。
对于尚未使用 Salesforce 的企业来说，他们正在评估是否主要采用该平台以获取 Agentforce，计算方式则不同。平台授权成本和实施投入都相当可观，投资回报率（ROI）案例需要考虑整个Salesforce生态系统的采用成本，而不仅仅是单独考虑代理能力。
