【northernforce#57】Agentforce × Data Cloud～RAG構築アーキテクチャ 解説～

northernforce#57の資料となります。

Transcript

1. Agentforce × Data Cloud RAG構築アーキテクチャ 解説 エンタープライズ向け 高精度RAGによる インサイドセールス提案自動生成の全体像 northernforce#57 佐藤雄斗 1
2. Agentforce × Data Cloud 提案生成アーキテクチャ Slide 1-1: 基本アーキテクチャと情報の流れ ユーザー 長文ヒアリングメモ トークスクリプトの受領 Agentforce 入力の抽出・整形 回答生成・整形 Prompt Builder 推論・検索指示 Data Cloud ベクトル検索 単にLLMとデータベースを繋いだだけの単純な RAGではありません。入力の整形（ AgentScript）と、検索・生成の分離（ Prompt Builder）を多層的に 組み合わせた、エンタープライズ向けの堅牢なアーキテクチャです。 2
3. 「検索の的」と「生成の文脈」の分離 Slide 1-2: 検索（Retrieval）と生成（Generation）の分離 ヒアリングメモ全文 課題・状況・条件 予算・規模・背景情報 雑談・挨拶・... 課題、会社状況、検討状況 を抽出 (Extractraction) ベクトル検索 （Retrieval） 生成（Generation） 検索結果（事例） ＋ ヒアリングメモ全文 → トークスクリプト生成 全文 事例 長文をそのまま検索に投げると「ベクトルの希釈化（ノイズ）」が発生します。本アーキテクチャでは、 AIに事前の「課題、会社状況、検討状況の抽 出（Extraction）」を行わせることで、検索精度と生成品質を高めています。 3
4. ナレッジの源泉： CRMデータモデルと Data Cloud連携 Slide 2-1: CRMのオブジェクト構造とData Cloudへの選択的取り込み CRM（Salesforce） 取引先 (Account) 商談 (Opportunity) 商談商材 (Junction) 商材 (Product) 選択的 取り込み Data Cloud Opportunity_Home （商談ナレッジ） ベクトル化済み CommercialProduct__c_Home （商材ナレッジ） ベクトル化済み 設計のポイント すべてを闇雲にData Cloudへ同期する のではなく、成功体験（受注要因）が詰 まった「商談」と、提案の武器（特徴・強 み）となる「商材」のみを選択的に取り込 み。 「関係性」のデータと「意味」のデータを 設計レベルで切り分け、高精度なAI検索 を実現。 4
5. ノイズを排除する検索インデックス（チャンク化）戦略 Slide 3-1: ベクトルインデックスの「狙い撃ち」設計 商談レコード（全項目） 取引先名 商談名 ステージ 金額 確度 受注要因 ★ 競合情報 次ステップ 受注要因 のみベクトル化 Vector Index 商談 - 受注要因 高密度なセマンティック検索 商材レコード（全項目） 商材名 / カテゴリ / 単価 ... 特徴・強み ★ Vector Index 商材 - 特徴・強み 狙い撃ち設計 全項目をベクトル化するのではなく、最 も文脈の濃い「受注要因」「特徴・強 み」のみをピンポイントでベクトル化。 これにより、検索のピントがぼやけるこ とを防ぎ、高精度なセマンティック検索 を実現します。 特徴・強み のみベクトル化 5
6. 抽出条件を利用した動的な RAG検索 Slide 3-2: 動的変数によるレトリーバーの制御 Agentforce（抽出結果） {!Input:Problem} 顧客の課題 {!Input:CompanyOverview} 会社状況 {!Input:EvaluationCriteria} 検討状況 動的クエリ 生成 Data Cloud レトリーバー 検索クエリ（合成）: {!Input:Problem} + {!Input:CompanyOverview} + {!Input:EvaluationCriteria} → ベクトル検索実行 マッチした 過去事例 文脈100%一致 最適な 商材情報 文脈100%一致 静的なキーワード検索ではなく、 Agentforceがその場でユーザーとの会話から抽出した「動的な変数」をレトリーバーに渡すことで、今の顧客の文 脈に100%合致した事例と商材を引き当てます。 6
7. 抽出条件を利用した動的な RAG検索 Slide 3-3:RAG検索補足 Data Cloud の RAG 関連 用語集 7
8. AgentScriptによる「確実な手順」と「柔軟な推論」の融合 Slide 4-1: 決定論的制御（プロシージャ）とスロットフィリング AgentScript（抜粋） instructions: - run: extractKeywords 決定論的 args: problem: ... AI抽出 industry: ... AI抽出 - run: searchOpportunities 決定論的 - run: generateScript 決定論的 決定論的制御（システム） 実行手順（run）はシステムが決定 → アクションの順番は固定で安定稼働 柔軟な推論（ AI） 引数の抽出（args）はAIが自動判断 → スロットフィリングで文脈に応じた値 LLMに手順をすべて考えさせるとパンク（ Unexpected Error）するリスクがあります。アクションの実行手順はシステムで「決定論的」に制御しつつ、 引数の抽出だけをAIに任せるベストプラクティスを採用しています。 8
9. AIの「お節介」を防ぐガードレール設計 Slide 4-2: ペルソナと出力フォーマットの厳密な統制 System Prompt（抜粋） 【絶対遵守ルール】 1. マークダウン書式を絶対に変更しない 2. ###, **, - 等の記号を除去しない 3. 改行・空行の構造を維持する 4. 「人間らしく」書き換えない 【ペルソナ】 あなたは優しいメンターです。 ただし出力形式は厳守してください。 チャット出力（ UI） ### 提案トークスクリプト ▪ 導入フェーズ お客様の課題である XX について、 過去の類似事例をご紹介します。 ▪ 提案フェーズ 推奨商材: YY（強み: ...） 「優しいメンター」というペルソナを与えると、 AIはマークダウン出力を「人間らしく」書き換えてしまいます。 AgentScript上でフォーマット保持の絶対 ルールを定義し、UIの美しさを担保しています。 9
10. プロンプトビルダー： RAG推論の心臓部 Slide 5-1: 検索結果と文脈の統合（Prompt Builder） 抽出された入力 課題・業種・予算等 レトリーバー 1 過去事例（商談） レトリーバー 2 商材情報 Prompt Builder 入力変数 + 検索結果を 1つのプロンプトに統合 「これらの事例を参考に、 今のこの顧客の課題に対する トークスクリプトを作れ」 AIモデル （Generation） → トークスクリプト Agentforceから渡された変数は、検索の引数として使われるだけでなく、最終的な生成プロンプトの「文脈」としても組み込まれます。高度な推論を ここで完結させています。 10
11. Agentforce導入によるインサイドセールスの ROI Slide 6-1: 業界平均データに基づく定量効果試算 準備時間削減 85% 削減 Before: 約43分/件 After: 約5分/件（AI生成） 5名 × 3件/日 × 38分削減 = 月間 約63時間 創出 ※Mazrica調査: 営業1件あたり平均準備時間 約43分 オンボーディング加速 50% 短縮 Before: 戦力化まで約3ヶ月 After: 約1.5ヶ月で戦力化 受注要因ナレッジを AIが直接 新人にトランスファー ※セイヤク調査 : IS新人の戦力化に通常 3ヶ月 商談化率の向上 +5〜10pt 改善 Before: 商談化率 約15〜20% After: 約20〜30%（精度向上） 月100リードの場合 +5件の商談機会を創出 ※業界平均 BtoB商談化率 10〜20% 試算前提: IS担当5名体制・月間100リード・BtoB SaaS商材。数値は業界平均データに基づく試算であり、実績値は導入環境により異なります。 11
12. ワーク：みんなのアイデア会議 ～実際に手を動かしてみましょう！～ テーマ：営業のプロセスに置けるRAG検索の活用を考えてみましょう！ あの優秀な方の スキルを盗みたい！ 今何に苦しんでいるか 勝ちパターンを 知りたい！ 今日は下記のフレームワークで考えてみましょう🤖 【入力】何を渡す？(例：商談のヒアリングメモ) 【検索の的】自社に眠る成功データ！(例：過去の商談の「受注要因」、商材の「強み」) 【プロンプト】AIへの指示・役割(例：過去事例をベースに、ネット回線の提案トークを作って。) 【出力】現場がほしい「魔法の成果物」(例：そのまま読めるトークスクリプト＆プラン案) https://www.tldraw.com/f/Uj1Hv2vqnVGhjNGdjfTN9?d=v-73.-1828.10158.10109.page 12