一、用业务知识增强代理与提示
什么是检索增强生成（RAG）？
检索增强生成（RAG，Retrieval Augmented Generation）是把对大语言模型（LLM）的提示请求扎根（ground）的流行方法。扎根为提示添加领域特定知识或客户信息，让 LLM 有上下文更准确地回答问题或任务。
RAG 分为三步：
- 检索（Retrieve）：从包含结构化和非结构化内容的知识库中检索相关信息。
- 增强（Augment）：把检索到的信息与原始提示结合。
- 生成（Generate）：LLM 使用增强后的提示生成回复。
许多 LLM 是在互联网上的静态、公开内容上通用训练的。RAG 添加领域特定信息，帮助 LLM 对提示给出更好回复。借助 RAG，你可以从各种内容中提取有价值的信息，如服务回复、案例、知识文章、对话记录、RFP 响应、邮件、会议记录、常见问题（FAQ）等。
用数据库快速启动 Agentforce 解决方案
Agentforce Builder 让你只需几次点击就能选择知识文章或上传文件，供代理检索。你可以通过选择或创建一个 Agentforce 数据库（Data Library）——即代理用来回答问题的内容库——来实现。
选择数据库拉取相关信息的来源：Salesforce 知识库、你上传的文件（文本、HTML、PDF）或 Web 搜索。在运行时，你的代理会使用这些信息扎根 LLM 提示，从而生成更好、更准确、更相关的 LLM 回复。
当你添加数据库时，系统会自动创建可运行的 RAG 解决方案所需的全部元素。之后你可以按需定制这些元素，针对你的用例微调 RAG 方案。
在代理中获取相关业务知识
代理通过 Answer Questions with Knowledge 标准动作从数据库获取相关知识。该动作动态地从你创建或选择数据库时指定的知识或文件内容中检索。
每次运行 Answer Questions with Knowledge 动作时：
- 动作运行关联的提示模板，检索器以动态查询被调用。
- 查询搜索数据库。
- 查询检索相关内容。
- 原始提示用从数据库检索到的信息填充，然后提交给 LLM。
- LLM 生成的回复转发给代理。
在提示中获取相关业务知识
在运行时，提示模板从数据库拉取相关信息，扎根 LLM 提示以生成更准确的回复。如果你使用自定义提示模板，只需在 Prompt Builder 中插入资源时选择一个检索器（retriever）。你也可以使用自定义检索器，为任意提示微调搜索设置。
每次运行带检索器的提示模板时：
- 检索器以从提示模板发起的动态查询被调用。
- 查询被向量化（转换为数值表示），从而能在已向量化的搜索索引中找到语义匹配。
- 查询从搜索索引的索引数据中检索相关内容。
- 原始提示用检索到的信息填充。
- 提示提交给 LLM，生成并返回响应。
在 Data 360 中进行高级定制
当你在 Agentforce Builder 或 Setup 中添加数据库时，Salesforce 会用默认设置自动构建一套 RAG 方案，涵盖所有组件：向量数据存储、搜索索引、检索器、提示模板和标准动作。你可以逐个设置和定制这些组件。
在 Data 360 中，数据准备涉及以下任务：
- 连接（摄取）非结构化数据。
- 分块（Chunking）：把文本拆成更小的单元，对应原文的段落，如句子或段落。
- 向量化（Vectorization）：把块转换为能捕捉语义相似性的文本数值表示。
- 存储和管理搜索索引。
创建搜索索引后，在 AI Models（原 Einstein Studio）中创建一个检索器，为特定用例从搜索索引中获取相关信息。检索器是嵌入提示模板中的资源，用于搜索并返回知识库中的相关信息。为支持不同用例，你可以创建不同的检索器，把搜索聚焦到最相关的信息子集上。
观看 RAG 实战
本视频展示了用 RAG 增强提示模板是多么简单。
总结
Agentforce 数据库和 Data 360 中的 RAG 与 Einstein 生成式 AI 平台集成，原生融入了 Agentforce Builder 和 Prompt Builder 等开箱即用应用。
借助 RAG，你可以用来自协调数据模型（harmonized data model）的专有数据安全地扎根并改进你的 Agentforce 解决方案。