Agentforce Action Responses 增强指南:Global Copy 与 Apex Citations

简介: Agentforce Action Responses 增强指南。涵盖 Global Copy(getFormattedValue() 五步 HTML 表格实现模式)和 Apex Citations(GenAiCitationInput 自动引用 vs GenAiCitationOutput 显式引用)两大功能,以及 KnowledgeBaseApex 完整 RAG 内联引用示例(execute → Connect API → transform → InvocableMethod → 内联引用显示)。

Action Responses — Global Copy 和 Citations

Global Copy:增强 Action 响应可用性

Global Copy 为用户提供了一致的方式从 Agentforce 响应中的 UI 组件复制信息。在通过 Lightning Types 构建的自定义 LWC 中,实现一个 @api getFormattedValue() 公共方法即可启用此功能。当用户点击复制按钮时,系统调用此方法获取剪贴板内容,开发者可以完全控制复制内容和格式。

getFormattedValue() 方法要求

  • 必须使用 @api 装饰

  • 必须返回 String(纯文本或富 HTML)

  • 由系统在用户点击复制按钮时调用

  • 开发者可完全控制复制内容和格式

五步实现模式 —— 富 HTML 表格示例

  1. 初始化 HTML 表格:创建带内联 CSS 样式的表格字符串。

let table = '<table border="1" cellpadding="5" cellspacing="0" style="border-collapse: collapse;">';


2. 构建表头行:迭代 `this.fields`,为每个字段创建 `<th>` 单元格,内容为 `field.label`。

3. 构建表格主体:迭代 `this.records`,为每条记录创建 `<tr>` 行。

4. 填充数据单元格:嵌套循环 —— 对每条记录迭代字段,用 `record.fields[field.apiName].value` 创建 `<td>`。

5. 完成并返回:追加闭合 `</table>` 标签,返回完整 HTML 字符串。

当用户点击复制:方法运行 → 提供格式良好的结构化 HTML → 可直接粘贴到邮件、文档或其他系统中。

![实现 Global Copy](https://sfdcvideotest.oss-cn-beijing.aliyuncs.com/media/ADG001/slide_244/image.png)

## Apex Citations:通过来源标注建立信任

Citations 让开发者能够程序化地向自定义动作添加来源引用。支持通过 Employee Agent 和 Agent API 使用。支持的来源包括非结构化数据:Knowledge 文章、PDF 文件和外部网页。

![Apex Citations](https://sfdcvideotest.oss-cn-beijing.aliyuncs.com/media/ADG001/slide_245/image.png)

### 两种 Citation 方式

方式工作机制适用场景
GenAiCitationInput向推理引擎提供引用信息,引擎自动确定在何处和如何添加引用你希望 Agent 从提供的来源中自动确定相关引用
GenAiCitationOutput直接控制自定义动作如何展示引用,绕过推理引擎的逻辑你有应始终返回的特定、预定的引用

### 关键决策指南


- 让引擎决定 → GenAiCitationInput(从来源生成文本,自动确定引用)

- 你确切知道要引用什么 → GenAiCitationOutput(显式的预定引用)

前提条件:组织中已启用 Agentforce Agent、具有 Apex 自定义动作经验、平台生成的引用适用于 2025 年 5 月 26 日后创建的 Agent。对于 GenAiCitationInput,还需启用 Prompt Builder。

![引用基础:两种方式](https://sfdcvideotest.oss-cn-beijing.aliyuncs.com/media/ADG001/slide_246/image.png)

## 示例:带 RAG 的内联引用

KnowledgeBaseApex 类展示了完整的内联引用实现:

### 架构流程


- execute() 方法 —— 通过 Connect API 调用 Knowledge_Search Prompt Template,设置 `citationMode='post_generation'` 启用内联引用。返回 EinsteinPromptTemplateGenerationsRepresentation(LLM 响应 + 引用)

- transform() 辅助方法 —— 将 Connect API 引用格式转换为 AiCopilot 格式:`transform(GenAiSourceReference)` 映射 fieldName/objectName/content → GenAiSourceContentInfo、`transform(CitationOutput)` 迭代 sourceReferences → GenAiCitationInput

- InvocableMethod (executePrompt) —— Agent Action 的入口点,@InvocableMethod(label='Call Knowledge Prompt Apex'):输入 Request { Question } → 调用 execute() → 获取 LLM 响应 → 转换引用 → 返回 Response { Data (String), sources (GenAiCitationInput) }

### Response 类结构

`public class Response {
  @InvocableVariable(required=true description='Generated text response from LLM')
  public String Data;
  @InvocableVariable(required=true description='Structured citation sources')
  public AiCopilot.GenAiCitationInput sources;
}`

数据流

用户提问 → executePrompt() → Connect API(Prompt Template + RAG)→ LLM 生成文本 + 自动检测引用 → 将引用转换为 AiCopilot 格式 → 返回文本响应 + GenAiCitationInput → Agent 显示带内联引用的响应。

关键集成点

  • Prompt Template 开发者名称必须匹配(''Knowledge_Search'')

  • 输入参数名称必须匹配模板变量('Input:Question')

  • citationMode: 'post_generation' 启用自动内联引用检测

RAG 内联引用示例

Global Copy 和 Apex Citations 从实用性和可信度两个维度增强 Agent Action 的响应质量 —— 一键复制格式化内容提升效率,来源标注建立用户信任。

发布来源:https://www.salesforcecrm.cn/article/agentforce/agentforce-action-responses-guide.html

相关文章
|
存储 人工智能 OLAP
LangChain+通义千问+AnalyticDB向量引擎保姆级教程
本文以构建AIGC落地应用ChatBot和构建AI Agent为例,从代码级别详细分享AI框架LangChain、阿里云通义大模型和AnalyticDB向量引擎的开发经验和最佳实践,给大家快速落地AIGC应用提供参考。
133496 94
|
存储 Linux 数据安全/隐私保护
安装部署milvus单机版(快速体验)
安装部署milvus单机版(快速体验)
5690 0
|
10月前
|
数据采集 文字识别 算法
精通RAG:从“能用”到“好用”的进阶优化与评估之道
你的RAG应用是否总是答非所问,或者检索到的内容质量不高?本文聚焦于RAG系统的进阶优化,深入探讨从查询转换、多路召回与重排序(Rerank)等高级检索策略,到知识库构建的最佳实践。更重要的是,我们将引入强大的`Ragas`评估框架,教你如何用数据驱动的方式,科学地量化和提升你的RAG系统性能。
1203 7
|
9月前
|
人工智能 弹性计算 安全
阿里云App SSH 工具更新体验
阿里云App SSH工具近期更新,带来UI优化、快捷命令、AI助手及横屏支持。操作更便捷,手机运维效率显著提升,尤其适合阿里云用户与命令不熟者,实用性强。
543 1
|
12月前
|
缓存 自然语言处理 资源调度
MCP零基础学习(7)|实战指南:构建论文分析智能体
本文介绍如何构建基于MCP协议的论文分析智能体,支持PDF论文解析、基本信息提取、内容分析与自动问答。通过Node.js环境搭建MCP服务器,集成pdf-parse解析文本,提供论文标题、作者、摘要等关键信息提取,并可依据内容回答用户问题。项目具备良好扩展性,可进一步接入NLP处理、引用分析及多格式文档支持,适合科研与学术场景使用。
|
存储 人工智能 监控
通过Milvus和Langchain快速构建基于百炼大模型的LLM问答系统
阿里云向量检索服务Milvus版是一款全托管向量检索引擎,并确保与开源Milvus的完全兼容性,支持无缝迁移。它在开源版本的基础上增强了可扩展性,能提供大规模AI向量数据的相似性检索服务。凭借其开箱即用的特性、灵活的扩展能力和全链路监控告警,Milvus云服务成为多样化AI应用场景的理想选择,包括多模态搜索、检索增强生成(RAG)、搜索推荐、内容风险识别等。您还可以利用开源的Attu工具进行可视化操作,进一步促进应用的快速开发和部署。
1641 4
|
Shell 网络安全 开发工具
【已解决】SSL certificate problem: self signed certificate
SSL certificate problem: self signed certificate
3625 2
|
机器学习/深度学习 人工智能 自然语言处理
AI技术:从理论到实践——以Chatbot为例
AI技术:从理论到实践——以Chatbot为例
|
Shell 开发工具 数据安全/隐私保护
milvus单节点安装教程
本文介绍了Milvus的安装与鉴权配置步骤。首先通过下载并执行.sh文件完成安装,命令为`wget`下载脚本和`bash standalone_embed.sh start`启动服务。若需开启鉴权,建议修改外部配置文件`user.yaml`中的`authorizationEnabled`选项为`true`,重启容器后,默认用户名密码为root/Milvus。此外,提供了Python验证连接的方法及修改密码的示例。参考资料包括官方文档和视频教程。
|
存储 机器学习/深度学习 传感器
langchain 入门指南 - 实现一个多模态 chatbot
langchain 入门指南 - 实现一个多模态 chatbot
941 0