一、开始在 Data 360 中落地 Agent
Data 360 与有据可依的 Agent
当 Agent 落地于 Data 360 的数据时，它们就能访问一个海量的、最新的、统一的客户数据知识库。有据可依的 Agent 能更智能、更有效地响应客户，用基于真实客户体验的个性化回答取代泛泛而谈。
在本徽章中，您实现一个落地于 Data 360 中 Case 数据的服务 Agent，构建一个 RAG 驱动的解决方案，包括：
- 搜索索引（search index）——让非结构化数据可搜索；
- 检索器（retriever）——获取相关数据块；
- 提示模板（prompt template）——指示 LLM 如何响应。
该解决方案从 Case 记录中的非结构化自由文本字段提取相关信息，并让 Agent 的响应落地于这些数据。落地正是把「幻觉式聊天机器人」与「可信 Agent」区分开来的关键。
案例研究：烤面包机公司
您所在的公司是一家领先的烤面包机（toaster oven）供应商。随着客户群增长，服务团队被客户咨询压得喘不过气。您的任务是构建一个服务 Agent来缓解服务团队压力、解答客户问题。
该 Agent 的工作方式：
- 用过往客户案例（Case）来组织回答；
- 通过 RAG 检索相关案例信息；
- 让每个回答都落地于真实的 Case Subject 和 Description 字段；
- 处理诸如「烤面包机有哪些常见问题？」「为什么我的烤面包机不启动？」「为什么我的吐司会烤焦？」等问题。
目标：一个个性化、数据落地的 Agent，在减轻支持负担的同时保持高质量服务。这个案例让抽象的 RAG 变得具体——您解决的是一真实业务问题。
注册包含 Data 360 的 Developer Edition
要完成本徽章，您需要一个包含 Data 360 和示例数据的、限时的自定义 Playground：
- 点击 Create Playground；
- 新的 org 会自动附加到您的 Trailhead 账户；
- 记下 org 的到期日期，并在此之前完成本徽章。
推荐先完成的前置内容：Data 360-Powered Agentforce、Retrieval Augmented Generation: Quick Look、以及 Hybrid Search for RAG: Quick Look。Playground 预装了 Data 360 和示例 Case 数据，让您专注于构建 RAG 解决方案。
摄取并映射 Case 数据
第一步是摄取带自由文本字段的 Case 数据。通过创建数据流把 Case 数据带入 Data 360：
- 在 App Launcher 输入并选择 Data Cloud；
- 选择 Data Streams 标签页；
- 点击 New，选择 Salesforce CRM，点击 Next；
- 点击 View Objects，搜索并选择 Case，点击 Next；
- Object Category 保持 Engagement，Event Time Field 保持 Created Date；
- 在 Standard Fields 标签页取消全选，仅保留必需的 System Modstamp、Case ID 和 Created Date；
- 选择 Subject 和 Description 字段（这些就是 RAG 所需的自由文本！）；
- 保持 Custom Fields 标签页的选择，点击 Next；
- 点击 Deploy（若出现必需字段提示可忽略）；
- 点击 Case_Home 数据流；
- 若 Last Run Status 为 None，点击 Refresh Now → Incremental Refresh → Refresh Now；
- 等待约 10 分钟后刷新页面，确认 Last Run Status 为 Success 且 Total Records 有数值后再继续。
映射 Case 对象
数据流会自动创建 Case_Home 数据湖对象（DLO）。接下来，把 Case_Home DLO 映射到 Case 数据模型对象（DMO）：
- 在 Data Mapping 面板点击 Start；
- 在 Data Model Entities 下点击 Select Objects；
- 在 All Objects 面板搜索
Case，点击 Case 旁的 +，再点击 Done——DLO 和 DMO 字段会自动映射； - 点击 Save & Close。
最后在 Data Explorer 中查看 Case DMO 数据：进入 Data Explorer 标签页，Object 选择 Data Model Object 并搜索选择 Case，双击 Description 列排序，即可看到 Case 数据的自由文本。注意 Description 和 Subject 字段包含的正是自由文本——这就是 RAG 方案要搜索和检索的内容。
开启 Agentforce
在构建有据可依的 Agent 之前，必须在 org 中启用 Agentforce：
- 点击齿轮图标 → Setup；
- 在 Quick Find 框搜索并选择 Agentforce Agents；
- 开启 Agentforce Agents。
这是一个一次性的 org 级设置——开启后，本 org 中所有未来 Agent 都可用。至此，所有前置条件已就绪：✓ Data 360 已供应、✓ Case 数据已通过数据流摄取、✓ Case DLO 已映射到 Case DMO、✓ Agentforce 已启用。
接下来是什么
现在您的 Case 数据已就绪！单元一完成：
- 理解了为何 Data 360 对落地 Agent 至关重要；
- 设置了带 Data 360 和示例 Case 数据的 Developer Edition Playground；
- 创建数据流摄取 Case 记录，选择了 Subject 和 Description 自由文本字段；
- 把 Case_Home DLO 映射到 Case DMO，并在 Data Explorer 验证数据；
- 在 org 中启用了 Agentforce。
接下来：构建 RAG 管道——创建搜索索引让 Case 数据可搜索、构建检索器获取相关分块、编写提示模板指示 LLM 如何使用检索到的数据。
二、创建搜索索引、检索器和提示模板
创建搜索索引
搜索索引让文本可搜索，使 RAG 方案能根据用户输入找到并检索相关文本分块。例如，客户问「吐司为什么会烤焦」，RAG 方案就能搜索过往案例、找到与「烤焦」相关的文本。
Data 360 支持两种搜索索引：向量搜索（vector search）和混合搜索（hybrid search）。本例创建混合搜索索引，同时基于语义相似度和关键词查找相关内容：
- 从 App Launcher 启动 Data Cloud；
- 选择 Search Indexes 标签页（可能需展开 More 下拉框）；
- 点击 New → Advanced Setup → Next；
- Search Type 选择 Hybrid Search；
- Data Space 保持默认；
- Source Object 选择 Case，点击 Next；
- 点击 Manage Fields，选择 Description 和 Subject，点击 Save（挑战无法检查字段选择，务必仔细）；
- 连续点击 Next 接受其余默认值；
- 保持默认名称 Case；
- 点击 Save 创建索引；
- 等待约 20 分钟刷新页面，确认 Last Run Status 为 Ready 再继续。
会创建两个搜索索引文件：Case_chunk_dlm（文本分块）和 Case_index_dlm（混合索引）。排障提示：可在 Data Explorer 选择 Data Model Object → Case chunk 检查分块——分块能揭示 LLM 为何以意外方式响应。
构建检索器
检索器（retriever）是 Einstein Search 操作的封装。您在 AI Models 中创建自定义检索器来细化搜索，让检索到的内容更贴合您的用例。单个检索器只能从一个搜索索引获取数据，而一个搜索索引只能索引一个 DMO；若需从多个数据源落地，则用集成检索器（ensemble retriever）。本例只需 Case 搜索索引，因此用单个检索器即可：
- 在 Data Cloud 选择 AI Models 标签页；
- 点击 Retrievers 标签页 → New Retriever；
- 选择 Individual Retriever → Next；
- 选择 Data Cloud，数据空间保持默认；
- 选择 Case DMO 和 Case 搜索索引配置，点击 Next；
- 过滤器保持 All Documents，点击 Next；
- 返回结果数保持 20；
- 配置返回字段：Subject（DirectAttributes > Case > Subject）、Description（DirectAttributes > Case > Description）、Chunk（RelatedAttributes > Case chunk > Chunk）；
- 点击 Next → Save，命名为
Case Retriever； - 记下检索器的 API 名称（后面要用）；
- 点击 Activate → 再次 Activate。
创建提示模板并添加检索器
提示模板定义发送给 LLM 的提示结构。您可以添加文本指令和资源（如检索器、Flow、客户输入等）。提示模板继承自一个提示模板类型，该类型包含影响运行时如何使用已解析提示的隐藏前/后处理指令。本例基于 Answer Questions with Knowledge 提示模板创建新模板：
- 在 Setup 的 Quick Find 框搜索并选择 Prompt Builder；
- 点击 New Prompt Template；
- Prompt Template Type 选择 Knowledge Answers；
- 命名为
Answer Questions with Case Data（API 名Answer_Questions_with_Case_Data）； - 点击 Next；
- 在工作区粘贴提供的模板文本；
- 删除 [Insert Retriever Here]，把光标留在该处；
- 点击 Insert Resource → Actions → Retrievers → Configure Retrievers；
- 在 Resources 标签页点击 Case Retriever：Search Text 选 Query，Output Fields 选 Chunk，Number of Results 输入
5，点击 Apply and Insert； - 点击 Save → Activate。
负面护栏：模板明确告诉模型，在找不到相关信息时可以回答「我不知道」——这是防止幻觉的关键。
测试提示模板
在围绕提示模板构建 Agent 之前，先测试它是好习惯：
- 点击 Preview；
- 在 Preview Settings 中展开 Inputs；
- 在 Query 中输入测试问题，如
What are some common issues with the toaster oven product?
- Resolved Prompt 显示发送给 LLM 的已解析提示——其中包含检索器获取的数据分块，这就是 RAG 的实际运作，您能确切看到模型收到了什么上下文！
- Generated Response 显示提示模板的输出，即可呈现给客户的响应。
排障：若之前没记下检索器 ID，可到 AI Models 的检索器详情页复制 API 名称，粘贴到 Prompt Builder 的 Retriever ID 字段。测试能确认检索和生成都正确，再投入 Agent 配置。
接下来是什么
做得好！现在您有了一个使用检索器查找相关 Case 信息并响应客户问题的提示模板。单元二完成：
- 在 Case DMO 上创建了混合搜索索引，索引 Subject 和 Description 字段；
- 构建了从 Case 搜索索引获取相关分块的单个检索器；
- 编写了指示 LLM 使用检索到的 Case 数据、并在不知道答案时坦白的提示模板；
- 在 Preview 中测试了提示模板，验证检索与生成正确。
接下来：构建使用该提示模板的服务 Agent——创建 Agent 动作、在 Agentforce Studio 配置 Agent、用真实问题测试并激活部署。
三、构建有据可依的服务 Agent
子代理与动作
用「家庭装修工」的比喻来理解 子代理（subagents）和动作（actions）：装修工有多种活（jobs），每样活又有不同任务（tasks）。对 Agent 而言，活就是子代理，任务就是动作。
- 装修工：活 = 设计厨房布局；任务 = 量尺寸、画蓝图、与客户审核修改；
- Agent：活（子代理）= 用 Case 信息回答问题；任务（动作）= Answer Questions with Case Data 工具。
注意：从 2026 年 4 月起，agent topics 改名为 subagents，功能不变——过渡期文档和 UI 中可能混用新旧术语。子代理定义 Agent 做什么，动作定义怎么做；一个子代理可包含多个动作。
创建 Agent 动作
首先创建包含 Answer Questions with Case Data 提示模板的 Agent 动作：
- Setup → Quick Find → Agentforce Assets；
- 点击 Actions 标签页 → New Agent Action；
- Reference Action Type 选择 Prompt Template；
- Reference Action 选择 Answer Questions with Case Data 提示模板（确保其已激活）；
- 确认 Label =
Answer Questions With Case Data、API Name =Answer_Questions_with_Case_Data，点击 Next； - Description 输入：
Answer questions that customers have about product issues. Use the provided customer cases...； - 启用 Show loading text for this action；
- Loading Text 输入
Getting an answer…； - Inputs 下：RetrieverIdOrName Description 填「使用硬编码在提示模板中的检索器」；Query 启用 Collect data from user；Citation Mode Description 填「不生成引用」；
- Outputs 下：对 Prompt Response 启用 Show in conversation；
- 其余默认，点击 Finish。
创建服务 Agent
接下来创建一个包含 Answer Questions with Case Data 工具的服务 Agent：
- 从 App Launcher 搜索选择 Agentforce Studio；
- 点击 New Agent；
- 在「What do you want your agent to do?」输入：
This AI agent works for a company that sells toaster ovens. The agent's job is to answer questions...； - 点击发送图标；
- Agent Name 输入
Toaster Service Agent，Developer Name 为Toaster_Service_Agent； - 保持 New User 选中，点击 Let's Go。
为新用户授予权限（在另一个浏览器标签页）：Setup → Users → 点击 EinsteinServiceAgent User → Permission Set Assignments → Edit Assignments → 添加 Agentforce Service Agent Secure Base → Save。没有该权限集，Agent 无法访问 Data 360 数据或调用提示模板（会静默失败）。
配置子代理与动作
Agent 创建后，配置其子代理与动作以连接提示模板：
- 点击 Skip Ahead 跳过引导设置；
- 在 Explorer 标签页悬停 Subagents，点击 +；
- 点击 New Subagent；
- 名称与描述输入
Answer Questions with Case information； - 点击 Create and Open；
- Instructions 输入
Answer questions about toaster ovens； - 在 Actions Available for Reasoning 下点击 Select Action；
- 点击 Add from Asset Library，在 Answer Questions with Case Data 上点击 Select（注意选对同名动作）；
- 点击 Add to Agent；
- 点击 Preview 打开聊天窗口。
至此完整的 RAG 链路已连通：子代理 → 动作 → 提示模板 → 检索器 → 搜索索引 → Case 数据。
测试 Agent
在聊天窗口用真实问题测试 Agent，验证落地效果与防幻觉能力：
用范围内问题测试：
- What are some common product issues with toaster ovens?
- Why does my toaster oven not start?
- Why does my toast burn in the toaster?
注意答案并非泛泛而谈——它反映了 Case Subject 和 Description 字段中的信息，LLM 响应明显落地于您摄取的数据。您可在 Interaction Details 窗口查看推理过程。
用范围外问题测试：「去年卖了多少台烤面包机？」「先有鸡还是先有蛋？」——Agent 应重定向客户而非编造幻觉答案，说明提示模板中的「我不知道」负面护栏在起作用。
同时测试范围内和范围外问题，可验证落地有效、幻觉被阻止。
激活 Agent
测试完成后，提交并激活 Agent 以便部署到渠道：
- 点击 Commit Version → 再次 Commit Version；
- 点击 Activate → 再次 Activate。
现在 Agent 已上线，可部署到 Web 聊天、消息应用或嵌入式服务控制台等渠道。
激活清单：✓ Case 数据已摄取映射、✓ 搜索索引已构建就绪、✓ 检索器已创建激活、✓ 提示模板已保存激活、✓ Agent 动作已创建、✓ 服务 Agent 已配置子代理与动作、✓ Agent 已用范围内/外问题测试、✓ Agent 已提交激活。您的 RAG 驱动服务 Agent 完成了！
接下来是什么
您的服务 Agent 已构建、测试并激活！单元三完成：
- 用装修工比喻理解了子代理与动作模型；
- 创建了包装提示模板的 Agent 动作（含输入/输出配置）；
- 在 Agentforce Studio 用自然语言描述构建了服务 Agent；
- 配置了子代理并通过资产库连接 Agent 动作；
- 用真实问题测试——验证范围内落地、范围外防幻觉；
- 提交并激活 Agent 以待部署。
接下来：了解 RAG 最佳实践——回顾您做的每个决策背后的「为什么」（干净内容、检索策略、提示设计），从而把这些模式应用到您自己的 RAG 方案中。
四、了解 RAG 最佳实践
使用干净内容
垃圾进，垃圾出。您的 RAG 方案有多好，取决于落地它的数据有多好。虽然本徽章用的是干净的样本数据，但真实世界的非结构化内容需要整理。成功的 RAG 始于一个精心策划、高质量的知识库，内容需准确、完整、最新、有组织、一致（无矛盾信息）。
内容准备的最佳实践：
- 只包含近期、相关、完整、一致的数据；
- 一致且明确地组织与格式化内容（用标题层级表示结构、给表格和图片用描述性标题、一致使用关键词和术语）；
- 添加元数据：来源、创建/更新日期、文档类型、产品/版本、地区/语言。
优化检索知识后，可期待更准确、更相关的响应。再好的搜索索引、检索器和提示模板，也弥补不了糟糕的数据。
选择最佳方法：ADL 还是手动设置
Salesforce 平台上有两条 RAG 实现路径，根据数据源选择：
- Agentforce Data Library（ADL）：面向 Knowledge 文章和文件上传的开箱即用 RAG，快速、声明式，但仅支持非结构化数据、每个库一个源、无实时能力；
- Data 360 手动设置（本徽章所用）：对每个 RAG 组件完全掌控，支持 Data 360 中任何数据（DLO/DMO、结构化+非结构化），支持实时数据、零拷贝、数据图谱、集成检索器。
为什么本徽章用手动设置：场景依赖 Case DMO——而非 Knowledge 文章或文件上传，ADL 无法支持。当落地数据位于 DMO 中时，手动 Data 360 设置是唯一路径。
决策框架：数据在 Knowledge/文章/文件？→ 用 ADL（快）；数据在 DLO/DMO/自定义对象？→ 手动设置；需要实时/混合搜索/多源？→ 手动设置。
使用混合搜索
创建搜索索引时，您选择了混合搜索而非向量搜索。对比：
- 向量搜索：检索语义相似的分块，适合寻找一般信息的长文本查询，但可能漏掉精确术语；
- 混合搜索：把向量搜索与关键词搜索、排序相结合，同时检索语义相似的分块和精确术语，最适合带特定搜索词的长查询。
您的用例：Agent 回答具体烤面包机问题（如「为什么我的吐司会烤焦？」），既含特定术语（burn、toast、toaster），又含语义概念（烹饪问题、过热）。混合搜索能捕捉两个维度。
决策规则：若查询包含具体产品名、错误码或技术术语，选混合；若查询开放且探索性，向量搜索可能够用。
调优并丰富内容分块
您的分块策略（chunking strategy）影响方案检索相关知识的效果。关键考虑：
- 嵌入模型：确保模型适合您的内容类型和语言；
- 分块大小：太小会丢失上下文，太大则稀释相关性。
可在搜索索引中配置的增强特性：
- 分节感知分块（section-aware chunking）：在分块边界保留文档结构（标题、章节）；
- 前置分块（prepended chunks）：每个分块包含前一分块的一部分以保证连续性。
适当调优后，检索到的内容更自包含、上下文完整，从而产生更连贯的 LLM 响应。默认设置在多数场景够用，观察到检索质量问题再调优。
设置足够的检索窗口
检索窗口（retrieval window）是检索器为 LLM 呈现的结果数。本徽章在提示模板中把检索结果数设为 5，对聚焦用例通常够用。
检索窗口的权衡：
- 太窄（如 2 条）：遗漏排名靠后的文档 → 缺失重要上下文；
- 太宽（如 20+ 条）：纳入无关内容 → 稀释提示、可能困惑 LLM；
- 刚好（5-10 条）：足够上下文又无噪声。
调优：若方案信息不足或遗漏相关细节，加宽窗口；若响应不聚焦或含无关信息，收窄。注意检索窗口在提示模板（配置检索器资源时）设置，而非检索器本身——检索器默认 20 是安全上限，提示模板才定义实际窗口。
只索引长文本字段
只索引至少包含一个语义连贯完整句子的长文本字段，不要索引 Status 这类只有一个词的短字段。本徽章索引了 Case 对象中的 Subject 和 Description：
- Subject：「Power cord caught fire.」（描述问题的完整句子）；
- Description：「The power cord caught fire the first time I tried to use my toaster oven to cook a pizza.」（丰富、详细的自由文本）。
为什么重要：短字段（如 Status = Closed）不给搜索结果增加语义价值，索引它们浪费存储、拖慢查询，还可能用无关匹配污染检索结果；长字段提供了 RAG 生成有意义响应所需的语义丰富度。
字段选择规则：若某字段不能单独回答客户问题，就不要索引它。预期收益：检索结果更直接相关、查询更快、成本更低。
在提示模板中给出明确指令
提示模板被策略性地编写以通过明确指令防止幻觉。两个关键提示设计模式：
- 明确的落地指令：提示明确指示模型只用检索到的上下文回答——不用训练数据、不猜、不假设；
- 负面护栏——「可以说不」：提示明确告诉模型，找不到相关信息时可以回答「我不知道」，防止模型对跑题问题编造回答。
为什么有效：LLM 被训练成「乐于助人」，即使不确定也倾向回答；没有明确允许说「不知道」，模型就会猜——产生幻觉。落地指令把模型约束到只使用提供的上下文，建立了信息边界。
预期收益：更少幻觉、更多清晰可解释的、植根于真实数据的答案。这是 RAG 中性价比最高的防幻觉技术，且无需任何成本实现。
总结
恭喜！您创建了一个基于 Case 信息回答客户问题的有据可依的服务 Agent。您构建了：
- 让 Case 数据可搜索的搜索索引；
- 获取相关分块的检索器；
- 带明确落地指令和负面护栏的提示模板；
- 包装提示模板的 Agent 动作；
- 带子代理与动作的服务 Agent；
- 用范围内/外问题测试；
- 激活并待部署。
您学到的 RAG 最佳实践：从干净、精心策划的内容开始；根据数据源选择 ADL 或手动设置；对含特定术语的查询用混合搜索；为内容类型调优分块；设置足够的检索窗口（5-10 条）；只索引长文本字段；给出明确指令和负面护栏。
您为公司的服务团队节省了数小时，同时保持高质量、个性化的客户体验。把这些模式应用到您自己的 RAG 方案中吧——「摄取 → 索引 → 检索 → 提示 → Agent → 测试 → 激活」是任何落地 Agent 方案都可复用的模式。