Salesforce 披露 Agentforce 分层技术栈：70 亿 AWU，单一大 Prompt 超 8 条失效
- 规模与原始设计：Salesforce 称 Agentforce 与 Slack 累计完成 70 亿 Agentic Work Units（AWU），其中第二季度完成 32 亿。第一版 Agentforce 将所有规则、工具说明与业务数据放入一个 prompt，团队观察到指令超过 8 条后模型开始丢弃；文中引用 IFScale 基准，20 个模型在最多 500 条简单指令下，最佳模型全量仅遵循 68%。
- 分层架构：新设计把规则、身份、数据与权限从 prompt 中拆出，分为 Data 360、Customer 360、Agentforce 与 Surface 四层。Agentforce 内的 Agent Script 用确定性代码描述行为，编译为 Agent Graph 后由 Atlas Reasoning Engine 执行，只在需要推理时调用模型；Data 360 负责跨源数据映射与身份解析；Agent Context Engine 负责为每次请求选择上下文；Agent Identity 为 Agent 分配独立权限，并在操作前同时校验用户权限、Agent 权限与数据策略。
- 上下文与成本数据：文中示例显示，保险计划查询在无上下文管理时消耗 124,000 tokens，引入 Agent Context Engine 后为 9,000；后续迁移与投保场景中，无上下文管理约消耗 300,000 tokens，使用上下文引擎后约 65,000（含处理投保的第三步）。
- 外部接入与后续方向：AIforce 与 Headless Toolkit 把 Salesforce 数据和动作暴露给 Slack、Claude 等表面；Salesforce API 每日调用量 96 亿次，Skills 发布在 sf-skills GitHub。MCP Server 用 4 个工具定义，通过 discover、describe、dispatch 三步让 Agent 先检索工具、读取契约再执行，避免把所有工具定义装入上下文。Salesforce 称下一步是把这些组件整合为 Enterprise AI Harness。
- 工程含义：这条拆解把生产 Agent 的可靠性落到确定性编排、上下文选择、独立身份与工具索引四类组件，而不是仅依赖模型对长 prompt 的指令遵循。 🔗 ByteByteGo Newsletter
