Salesforce多举措提升AI运营管控:成本可控、集成简化,转型能否获CIO认可?

MuleSoft+LLM企业级AI编排:安全可控的生产落地实践 AI编排(AI Orchestration)是将大语言模型嵌入企业核心业务流程的关键范式,其本质是通过集成平台实现模型调用、上下文增强、动作执行与结果治理的端到端闭环。它依托API契约化设计、确定性输出控制、RAG增强与结构化响应等核心技术,解决LLM在真实生产环境中的幻觉、不可审计、事务不一致与合规风险等共性难题。典型技术价值体现在连接器健壮性、错误可恢复性与操作可追溯性三大维度,广泛应用于智能合同解析、客户服务自动化、合规检查等强监管场景。本文聚焦MuleSoft与托管LLM协同落地的工程方法论,涵盖P 阅读详情

1. Salesforce如何应对AI智能体管理难题?

随着AI智能体队伍不断壮大,Salesforce为AI运营提供了更强的管控能力和更高的可预测性。去年,Salesforce首次尝试借助Agent Fabric解决AI智能体泛滥的问题,Agent Fabric是其MuleSoft AnyPoint平台内的一套功能和工具集。如今,该公司正试图通过新的治理工具和确定性控制手段,进一步管理其平台以及其他供应商平台上不受约束的AI智能体。

2. 企业采用智能AI产品面临哪些问题?

企业采用多种智能AI产品时,可能会出现工作流程冗余、孤立,或者分散在不同团队和平台的情况,这会降低运营效率,并且在企业试图安全、负责地扩展AI应用时,使治理工作变得复杂。

3. Agent Fabric有哪些功能升级?

2025年9月推出的Agent Fabric,最初是企业注册、查看、互连和管理智能体的平台。今年1月,它增加了确定性脚本工具,以及扫描新智能体并将其添加到注册表的功能。但企业仍需要更多帮助来管控其AI智能体,因此Salesforce正在添加更多功能。

4. 扩展确定性控制功能有何作用?

首先是扩展确定性控制功能,具体形式为面向Agent Broker的Agent Script。Agent Broker是Agent Fabric内的智能路由服务,旨在跨领域连接智能体,动态地将用户任务与最适合的智能体匹配。Salesforce表示,这些控制手段将帮助开发人员在多智能体系统中编排工作流程,以确保输出结果的一致性和可靠性。与让概率性智能体自行决定如何解决问题(这会引入不确定性)不同,面向Agent Broker的Agent Script使企业能够根据预定规则引导部分决策过程,与运行大语言模型相比,这需要的计算资源更少。

5. 业内人士如何看待确定性控制手段?

KramerERP的管理合伙人Robert Kramer对此表示欢迎:“纯自主智能体在实际应用中不一定能满足企业需求,因为企业需要确保可预测的结果。确定性控制手段应有助于安全地移交控制权和规则,同时仍允许模型在适当的时候进行推理。这是控制与灵活性之间的平衡,也是大多数实际部署的常态。”Valoir首席分析师Rebecca Wettemann认为,在Agent Fabric中同时提供确定性和概率性选项,能让开发人员和智能体构建者以更低成本从智能体系统中获得更准确、可预测的结果。不过,企业要将这一确定性编排功能投入生产还需等待:该功能仍处于测试阶段,要到2026年6月才会全面推出。

6. 集中式大语言模型治理如何控制成本?

除了编排功能,Salesforce在AI Gateway中增加了新的大语言模型治理功能。AI Gateway是Agent Fabric内的控制层,能提供第三方模型的令牌使用情况、成本和数据流的集中可视性。Salesforce表示,企业现在可以使用已全面推出的大语言模型治理功能,帮助其控制AI运营成本。随着首席信息官(CIO)们试图对分散的AI系统进行集中控制,并解释不断攀升的AI成本,这一功能变得越来越重要。Info - Tech Research Group顾问Scott Bickley警告称,如果没有这样的集中式治理,公司内不同团队可能会选择不同的模型,自行协商API合同,并在本地管理令牌预算。他说:“这会导致成本失控、安全态势不一致,且无法执行全企业范围的政策。通过将AI Gateway定位为所有大语言模型流量的必经关卡,企业可以了解AI使用模式、正在使用的模型、使用目的和成本数据。”

7. 新增MCP功能如何简化集成?

Salesforce还增加了新的模型控制协议(MCP)功能,包括便于访问遗留API的MCP Bridge,以及由Informatica托管的MCP。该公司表示,这些功能将简化智能体与企业数据和API的交互方式,为开发人员节省时间,简化跨环境、多智能体系统的构建。Bickley表示,MCP Bridge将帮助那些拥有数千个在MCP出现之前就已构建的遗留API(REST、SOAP、GraphQL)的企业。他说:“使用MCP的智能体无法直接调用这些API,因此需要在API端点周围添加包装器,这将是一项巨大的工程。MCP Bridge可以在不修改底层代码的情况下,将这些API作为与MCP兼容的工具公开。”Wettemann称,Informatica托管的MCP将通过将内置的数据质量和治理功能引入智能体工作流程,进一步降低开发成本,这对受监管行业的企业以及风险关注度较高的企业尤为关键。但Bickley也提醒要谨慎行事。他说:“API的行为可能很奇怪,有其独特的细微差别。企业应该测试MCP Bridge如何处理极端情况。” 他还警告称,Informatica托管的MCP也不是万能的解决方案:“即使Informatica的数据质量和治理功能能很好地集成到Agent Fabric注册表中,这些操作也不是即时完成的。检查数据字段的准确性、去重和跨系统匹配需要时间,延迟可能达到毫秒甚至数秒,而且这还是在集成之前。”

8. MuleSoft是否面临转型?

Bickley认为,这些更新是Salesforce更广泛战略的一部分,旨在将其2018年以57亿美元收购的MuleSoft从传统的API集成平台重新定位为企业AI智能体的基础设施层。他表示,通过将编排、治理和连接功能集成到Agent Fabric中,Salesforce似乎试图将MuleSoft定位为企业内智能体发现、路由和治理的记录系统,使其角色不仅仅局限于API管理,还深入到核心AI基础设施领域。并非所有CIO都会欢迎这一转变。这位分析师表示:“如果你的智能体控制平面运行在Agent Fabric上,切换成本会大幅增加。注册的智能体越多,定义的编排规则和治理政策越多,转向其他解决方案就越困难。” 与任何关键基础设施依赖一样,“CIO需要问:退出路径是什么?Agent Fabric的哪些组件是可移植的,哪些是锁定的?定价模式如何?与非Salesforce智能体和数据源的集成深度如何?” 不过目前,企业仍有众多AI智能体编排选项可供选择。

人工智能、API、软件开发、IT治理、IT领导力

MuleSoft+LangChain企业AI集成实战:构建可审计、可治理的LLM应用架构 大模型(LLM)在企业落地的核心挑战并非算力或模型能力,而是如何与现有IT系统安全、可靠、合规地集成。本文围绕API治理、协议适配、数据安全、弹性保障等基础能力展开,解析MuleSoft作为企业级集成中枢如何弥合LLM框架(如LangChain)与SAP/Salesforce/Oracle等异构系统的鸿沟。重点覆盖OAuth2.0双向认证、动态数据脱敏、SLA级流量控制、全链路Trace ID可观测性等工程实践要素,强调在GDPR、SOC2等合规约束下实现AI能力的标准化封装与复用。适用于需将大模型嵌入CR 阅读详情

相关推荐

MuleSoft企业级AI编排:让LLM成为可治理、可审计的系统公民

大语言模型(LLM)在企业落地的核心瓶颈,从来不是算力或模型性能,而是如何将其纳入已有IT治理体系——实现可控调用、可信输出、可追溯决策。AI编排(AI Orchestration)作为区别于自动化的新范式,强调多智能体(LLM、ERP、规则引擎等)在业务约束下的协同调度与动态治理。它要求模型调用具备策略网关、提示词版本化、输出溯源、事务一致性与成本归因等企业级能力。MuleSoft凭借API感知网关、原生集成流与AI治理中枢三层架构,将LLM从‘黑盒调用’升级为‘结构化业务动作’,支撑合同审查、采购核验、

weixin_33834910的博客 468

【信息科学与工程学】【管理科学】第七十二篇 管理层相对基层员工的信息差/资源差/权力差/认知差03 总裁/副总裁

定义系统状态(如:全正常、1个单元故障、降级运行、完全故障),状态间转移率 λ(故障率)和 μ(修复率)构成转移强度矩阵 Q。其中 γ_k = (2π/λ) n_k d_k cosθ_k 为相位厚度,η_k = n_k / cosθ_k (TE波) 或 η_k = n_k cosθ_k (TM波) 为光学导纳,θ_k为层内入射角。用于在光刻机设计阶段评估各子系统(光源、光学、工件台、真空等)的可靠性,识别薄弱环节,计算系统整体可用性(Availability),指导冗余设计和维护策略制定。

weixin_49199313的博客 990

AI Orchestration:企业级AI落地的三层协同架构

AI Orchestration(AI编排)是一种面向企业复杂环境的智能集成范式,其核心在于解耦数据治理、AI推理与服务交付——用集成平台(如MuleSoft)保障数据主权与系统合规性,用LangChain等框架专注语义理解与多步推理,再通过契约化API实现安全可控的端到端闭环。它并非简单调用大模型API,而是构建具备审计能力、权限感知、动态脱敏和错误熔断的生产级AI工作流。该模式显著提升LLM在CRM、ERP、HR等系统中的可用性与可信度,适用于已具备基础数据资产但面临AI‘最后一公里’断连问题的技术团队

weixin_30367169的博客 447

MuleSoft企业级AI编排:安全可控的LLM集成实践

AI编排(AI Orchestration)是将大语言模型深度融入企业核心业务系统的技术范式,其本质在于解决LLM在真实场景中‘胡说八道’的根本矛盾——缺乏对ERP、CRM等异构系统的语义理解与流程契约约束。MuleSoft Anypoint Platform凭借Runtime Fabric的私有化部署能力、API Manager的安全策略治理、Exchange的共享资产复用机制,构建起企业级LLM集成所需的三大支柱:安全隔离、输出可控、全链路可审计。该方案已成功应用于金融客服摘要生成、制造合同风险识别、零

weixin_30652897的博客 381

MuleSoft企业级LLM编排:安全可控的AI工作流引擎

大语言模型(LLM)作为新兴智能组件,其真正价值不在于单点生成能力,而在于能否深度融入企业既有IT资产与业务流程。AI编排(AI Orchestration)正是实现这一融合的核心范式——它强调结构化输入输出、策略驱动调度、全链路可观测性与合规审计能力。MuleSoft Anypoint Platform凭借语义网关、策略中枢、韧性熔断与原生审计四大能力,将非结构化LLM调用转化为符合SOA规范、可治理、可回滚的企业服务。在金融、保险、制造等强监管行业,该方案已验证其在PII防护、GDPR/等保2.0合规、

ateu52935的博客 439

企业级AI编排实战:MuleSoft+LangChain构建可治理LLM流水线

AI编排(AI Orchestration)是企业在生产环境中安全、稳定、合规地集成大语言模型(LLM)的核心方法论,其本质并非简单串联API,而是通过清晰分工实现数据主权、智能主权与治理主权的协同。它依托企业服务总线(ESB)或API管理平台(如MuleSoft)统一管控数据接入、权限校验、脱敏审计与流程编排,再由LangChain专注执行结构化推理、Prompt工程与结果解析。该模式显著提升销售预测、客户风险预警等场景的交付效率与可审计性,尤其适用于已具备CRM/ERP等核心系统的中大型企业。本文聚焦M

wjxbj的博客 820

BL335工业嵌入式计算机:边缘采集与现场控制实战指南

工业物联网边缘计算场景中,嵌入式计算机需在恶劣环境下稳定完成数据采集、协议转换与本地控制。BL335作为国产工业嵌入式计算机,支持Modbus、CAN等多协议,具备宽温宽压与隔离接口,适用于边缘采集与现场控制。其核心价值在于接口丰富、实时性稳、功耗低,可替代x86工控机与部分ARM方案,广泛应用于化工厂、水处理等现场。本文基于实际项目经验,详解BL335在边缘采集与现场控制中的选型、配置与调试技巧。

weixin_33836874的博客 420

AI工作流重构:6个已在产线稳定运行的硬核技术

AI工作流重构是企业智能化落地的核心范式,指将大模型、RPA、预测分析等技术深度嵌入现有业务系统(如ERP、CRM),实现人机协同的实时决策与自动化执行。其技术原理强调低代码集成、领域知识嵌入与人在环路反馈,核心价值在于降低AI应用门槛、提升可信度与业务适配性。典型应用场景包括制造业智能排程、金融风控辅助、医疗影像分诊、合同审查流水线等高责任、强流程领域。本文聚焦已在多个行业生产环境稳定运行超6个月的6项技术实践,涵盖AI增强决策支持、智能流程自动化(IPA)、领域专用大语言模型(DSL-LM)等关键方向,

weixin_34166847的博客 1128

Copilot App Builder:微软365原生无代码工作流构建器

无代码工作流是企业数字化提效的核心路径,其本质是将业务意图转化为可执行自动化流程的能力。Copilot App Builder基于微软365统一身份、数据与权限底座,通过上下文感知生成技术,实现自然语言到生产级流程的端到端映射。它不输出代码,而是调用Power Automate、SharePoint、Dataverse等原生能力,确保合规性、可审计性与环境一致性。技术价值在于消除开发环境割裂、数据孤岛和权限漂移三大瓶颈,适用于销售、HR、运营等一线业务人员快速落地审批、报销、入职等高频场景。本文聚焦Copi

weixin_30920853的博客 371

MuleSoft AI编排:将大语言模型接入企业服务总线

AI编排(AI Orchestration)是企业级AI落地的核心范式,指将大语言模型(LLM)从孤立的‘智能黑箱’转化为可寻址、可治理、可审计的原生服务节点。其技术原理在于通过统一协议适配、上下文注入、输出校验与熔断降级等机制,实现LLM能力与现有IT治理框架的深度集成。该模式显著提升AI服务的可控性、合规性与复用性,广泛应用于财务发票解析、客服工单分类、合同风险识别等高价值业务场景。MuleSoft凭借其在连接层、智能处理层与企业集成层的全栈能力,成为构建可生产、可管控、可扩展AI服务的关键底座。

cuizhu0832的博客 546

MuleSoft+LLM企业级AI编排:语义编织与智能工作流落地实践

大语言模型(LLM)在企业落地面临语义鸿沟、治理失能与可靠性悬崖三大瓶颈,单纯API网关或Prompt工程难以支撑生产级AI工作流。MuleSoft凭借其数据语义转换(DataWeave)、策略强制执行(Policy Manager)、混合流程编排与细粒度可观测性,成为连接自然语言智能与结构化业务系统的‘AI编排中枢’。它将LLM从不可控的黑盒服务,转化为可审计、可降级、可嵌入ERP/SAP/CRM等核心系统的受管智能组件。典型应用场景包括采购申请审批、财务对账辅助、客服工单智能分诊等——本质是用集成能力重

weixin_30664615的博客 471

【审计专栏】【法律领域】【社会科学】 第五十六篇 企业管理层互动形态分析01 AI分析

战略官试图塑造公司“战略现实”S_s(如“未来在于AI”),业务总裁固守“运营现实”S_o(如“现金为王”)。

weixin_49199313的博客 506

2026企业级AI数据分析平台选型指南:从BI到数字同事

数据分析正经历从传统BI报表向AI驱动智能分析的范式迁移。过去,企业依赖人工取数与固定报表,业务人员提出需求后需等待数天才能获得结果;如今,大模型与Agent架构的成熟让“用自然语言直接问数、自动归因、生成结论”成为可能,数据分析角色从“看数工具”进化为“用数同事”。这一转变的核心在于语义层与指标层的建设,它决定了AI在真实业务场景中的准确性与可靠性。与此同时,ChatBI、私有化部署、权限治理、POC验证等概念已成为企业选型时的高频考量维度。本文基于2026年主流厂商与开源方案的实际表现,梳理了传统BI转

weixin_33768481的博客 401

MuleSoft与大语言模型协同架构设计实践

企业级API集成平台与大语言模型的融合,本质是确定性系统工程能力与不确定性智能决策能力的深度协同。其核心原理在于将LLM视为需被治理、校验、降级的新型业务服务单元,而非普通API;技术价值体现在打破系统孤岛、激活沉睡数据、实现自然语言驱动的端到端工作流自动化;典型应用场景覆盖智能客服响应、客户流失预警、合规文档分析等高价值业务闭环;本文聚焦MuleSoft作为‘LLM操作系统’的分层架构设计、Prompt契约化工程、上下文编织与生产级可观测性落地,涵盖LLM调用熔断、JSON Schema强校验、模型动态路

weixin_33966095的博客 359

MuleSoft+LLM企业级AI编排:打通系统孤岛与大模型落地断层

企业AI落地常面临数据孤岛、实时性缺失与业务逻辑脱节三大挑战,传统API调用或单点LLM集成难以满足安全合规、上下文感知与可审计要求。MuleSoft凭借连接器、DataWeave和Flow三层抽象能力,为大语言模型提供语义化服务网络与受控执行环境,实现从自然语言需求到多系统协同操作的精准翻译。其核心价值在于将LLM转化为可治理、可验证、可降级的智能服务代理,而非独立决策大脑。典型应用场景包括智能客服话术生成、跨系统审批辅助、合规文档动态组装等,尤其适用于已具备SAP/ServiceNow/Salesfor

atu99602的博客 883

MuleSoft企业级AI编排:连接、治理与LLM工作流融合

AI编排是将大语言模型(LLM)深度嵌入企业核心业务流程的技术范式,其本质在于解决模型与系统间的语义鸿沟、协议异构与治理缺失问题。原理上依赖API连接能力、结构化数据流转和可审计的流程控制,技术价值体现在提升AI落地的确定性、合规性与运维可观测性。典型应用场景包括智能采购初审、合同风险识别、售后知识联动等需跨ERP/CRM/MDM多源协同的生产级任务。本文聚焦MuleSoft作为AI编排中枢的实践路径,深度融合DataWeave数据转换与Anypoint治理能力,实现LLM从‘能说’到‘敢用’的关键跃迁。

aaa1231722的博客 383

【信息科学与工程学】【产品体系】第三十九篇 IT产品系列需求01 互联网行业的需求

经过多轮补充,现整理出覆盖存储、网络、计算、安全、数据治理、AI治理、物联网/工控、管理与经营​ 八大领域的完整需求目录,共60条​ 详细需求。

weixin_49199313的博客 1414

AI代理运行时基础设施:从上下文溢出到可审计会话的工程革命

AI代理(Agent)正从实验性功能走向核心业务系统,其本质是具备状态、执行与安全边界的软件实体。传统依赖LLM上下文窗口的实现方式,因容量有限、易失性强、不可观测,导致静默失败与调试困难;而现代Agent Runtime通过持久化事件日志(Session-as-Event-Log)、无状态执行器(Harness)和微虚拟机沙箱(Sandbox)三大支柱,重构了AI应用的工程基座。这种架构使Agent具备可回溯、可重放、可隔离、可审计等生产级特性,直接支撑金融合规、客服自动化、销售线索筛选等高可靠性场景。A

weixin_30267785的博客 383
上一篇: 企业人工智能差距在哪?工程能力差异致“枯燥”能力分布不均
下一篇: Anthropic Mythos 展示强大漏洞发现能力,便宜模型也能实现同样效果
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值