跳到主要內容

Agentforce評測：Salesforce七個AI代理各有名字與職稱 | Agentforce Review: Salesforce Gives AI Agents Names, Jobs

By Kit 小克 | AI Tool Observer | 2026-09-14

🇹🇼 Agentforce評測：Salesforce七個AI代理各有名字與職稱

Salesforce 在 9 月 11 日一口氣推出七個有名有姓的 Agentforce AI 代理——Casey、Paige、Carter、Hunter、Marshall、Piper、Fin，每個都對應一個具體職位：客服、IT/HR、購物助理、陌生開發業務、供應鏈、進線業務、顧客體驗。這是目前企業級 AI 代理最積極的「擬人化」嘗試，也讓 Agentforce 這個關鍵字這週衝上企業軟體圈熱搜。

七個代理在做什麼

  • Casey：跨語音、簡訊、WhatsApp、網頁聊天處理客服問題，內建常見問題、退貨、帳戶管理與真人轉接。
  • Paige：IT/HR 員工代理，在 Slack、內部入口網站處理員工申請。
  • Carter：購物代理，幫消費者比價、問答、直接在對話中結帳。
  • Hunter：陌生開發業務代理，能跨週跟業務員一起經營一條 pipeline。
  • Marshall：供應鏈代理，自動化後勤流程並留下稽核紀錄。
  • Piper：進線業務代理，把網站與信箱的詢問轉成有效名單。
  • Fin：顧客體驗代理，處理跨通路的複雜客服流程。

真正的技術亮點，不是名字

取名字、給職稱是行銷包裝，真正值得注意的是兩件事：一是 long-horizon runtime，讓 Hunter 這類代理可以用「週」為單位持續追蹤目標，而不是單次對話就結束；二是 Agent Script，一個把 AI 推理和確定性規則混合寫在一起的開源語言，讓企業可以限制代理「哪些事一定要照規則做、哪些事可以讓模型判斷」。Salesforce 同時發布了 Trusted Enterprise AI Harness 治理框架，涵蓋情境、代理權限、執行動作、治理、安全、模型六個面向，主要是為了因應企業同時使用多家供應商代理時的管控問題。

誠實的提醒

七個代理裡目前六個正式上線，Hunter（最有技術含量的長期任務代理）還在試營運，要到 11 月才會全面開放，代表宣傳裡最吸睛的功能其實還沒成熟。而且這些代理全部建立在 Salesforce 自家的 Customer 360 資料平台上，導入等於把業務流程再往 Salesforce 生態系綁得更深——如果你本來就是 Salesforce 重度用戶，這是低門檻導入 AI 代理的好機會；如果不是，這則新聞跟你關係不大，別被「AI 員工」的說法沖昏頭。

這波新聞的意義，不在於 Salesforce 發明了什麼新技術，而是印證企業 AI 代理正在從「一個萬用聊天機器人」走向「一群分工明確、有稽核紀錄的專職代理」，這個方向會是接下來一年企業軟體的主流敘事。

好不好用，試了才知道。

🇺🇸 Agentforce Review: Salesforce Gives AI Agents Names, Jobs

On September 11, Salesforce launched seven named Agentforce AI agents — Casey, Paige, Carter, Hunter, Marshall, Piper, and Fin — each built for one specific job: customer service, IT/HR, shopping, outbound sales, supply chain, inbound pipeline, and customer experience. It is the most aggressive attempt yet to give enterprise AI agents a human face, and it is driving this week search spike around Agentforce.

What Each Agent Actually Does

  • Casey handles support across voice, SMS, WhatsApp and web chat, with built-in FAQs, returns, account management, and human escalation.
  • Paige is an IT/HR agent resolving employee requests inside Slack and internal portals.
  • Carter helps shoppers compare products, get answers, and checkout in-chat.
  • Hunter works an outbound sales pipeline alongside human reps — over weeks, not one chat session.
  • Marshall automates back-office supply chain work with a full audit trail.
  • Piper converts inbound web and email inquiries into qualified pipeline.
  • Fin resolves complex customer-experience workflows across channels.

The Real Story Isn't the Names

Naming and job titles are marketing polish. What is actually new is the long-horizon runtime that lets Hunter pursue a goal across weeks instead of resetting each session, plus Agent Script, an open-source language that mixes AI reasoning with deterministic rules — so companies can decide which steps must follow fixed logic and which can be left to the model judgment. Salesforce paired this with the Trusted Enterprise AI Harness, a six-pillar governance framework covering context, agency, action, governance, security, and models, aimed at companies already juggling agents from multiple vendors.

The Honest Take

Six of the seven agents are generally available; Hunter, arguably the most technically interesting one, stays in pilot until November — the flashiest capability is not actually shipped yet. All seven run on Salesforce own Customer 360 data platform, which means adopting them ties your workflows more tightly to Salesforce ecosystem. If you are already a heavy Salesforce shop, this is a low-friction way to deploy agents into specific roles. If you are not, this launch does not change much for you — do not let the 'AI employees' framing oversell it.

The bigger signal here is not a new technology — it is enterprise AI agents shifting from one general-purpose chatbot to a roster of narrow, auditable, job-specific agents. Expect that framing to dominate enterprise software marketing for the next year.

好不好用，試了才知道。

Sources / 資料來源

延伸閱讀 / Related Articles

AI 工具觀察站 — 每日精選 AI Agent 與工具趨勢
AI Tool Observer — Daily curated AI Agent & tool trends

留言

張貼留言

這個網誌中的熱門文章

Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 | Google Ironwood TPU v7 Explained: Matching NVIDIA Performance at 44% Lower Cost — The AI Chip War Heats Up

By Kit 小克 | AI Tool Observer | 2026-04-21 🇹🇼 Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 Google Ironwood TPU 是什麼？為什麼它讓 NVIDIA 緊張？ Google Ironwood TPU（代號 TPU v7）是 Google 第七代自研 AI 晶片，也是第一款 專為推理（inference）設計 的 TPU。在 AI 模型越來越大、推理需求暴增的時代，Google 不再只依賴 NVIDIA GPU，而是推出自己的推理專用晶片來搶市場。 Ironwood TPU v7 規格有多強？ 每顆 Ironwood TPU 提供 4.6 petaFLOPS 的 FP8 運算效能 ，搭載 192 GB HBM3E 記憶體，頻寬達 7.37 TB/s。單顆效能略高於 NVIDIA B200（4.5 petaFLOPS），接近 GB300 的 5 petaFLOPS。 更驚人的是規模化能力：Ironwood 可擴展至 9,216 顆晶片組成超級叢集 ，總算力達 42.5 ExaFLOPS，遠超 NVIDIA GB300 NVL72 系統的 0.36 ExaFLOPS。共享記憶體池高達 1.77 PB，解決了大型模型推理時的資料瓶頸問題。 Ironwood TPU 比 NVIDIA 便宜多少？ 根據分析，Ironwood 的 整體擁有成本（TCO）比 NVIDIA GB200 低約 44% 。在能效方面，Ironwood 的 FP8 效能達每瓦 5.42 TFLOPS，而 GB300 為 3.57 TFLOPS/W，Google 晶片的能效高出約 52%。 為什麼 Google 要做推理專用晶片？ AI 產業正從「訓練時代」轉向「推理時代」。當 ChatGPT、Gemini、Claude 等 AI 助手每天處理數十億次查詢時，推理運算的需求遠超過訓練。Google 稱之為「推理時代（age of inference）」，而 Ironwood TPU 就是為這個時代量身打造的武器。 對開發者和企業有什麼影響？ Ironwood TPU 目前 只能透過 Google Cloud 使用，無法...
閱讀完整內容

Claude Code 實測：AI 幫你寫程式到底行不行？ | Claude Code Review: Can AI Really Code for You?

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Claude Code 實測：AI 幫你寫程式到底行不行？ Claude Code 是 Anthropic 推出的命令列 AI 程式助手，直接在你的終端機裡運作。跟其他 AI 程式工具不同的是，它不是 IDE 外掛，而是一個獨立的 CLI 工具，可以讀取你的整個 codebase、執行指令、甚至幫你做 git 操作。我實際用了幾個月，以下是真實心得。 安裝與設定 安裝非常簡單，透過 npm 就能搞定： npm install -g @anthropic-ai/claude-code 。啟動後它會要求你登入 Anthropic 帳號或設定 API key。整個流程不到五分鐘。 實際使用體驗 Claude Code 最強的地方在於 它理解你的整個專案 。你不需要手動貼程式碼，它會自己讀取相關檔案、分析程式結構，然後給出建議或直接修改。實測幾個場景： Bug 修復 ：描述錯誤現象，它能自動找到問題檔案並提出修正，準確率大約 70-80% 新功能開發 ：給它需求描述，它能產出可用的初版程式碼，但通常需要人工調整細節 程式碼重構 ：這是它最擅長的。重新命名變數、抽取函式、調整架構，做得又快又好 寫測試 ：給它一個函式，它能產生相當完整的測試案例 優缺點分析 優點： 深度理解 codebase，不是只看單一檔案 可以執行 shell 指令，直接跑測試、裝套件 支援 CLAUDE.md 讓你定義專案規則 agentic 模式下可以自主完成多步驟任務 缺點： API 費用不便宜，大型專案一天可能花 10-30 美元 偶爾會過度修改，改了不該改的地方 對非英語的程式碼註解理解力稍弱 需要良好的網路連線 適合誰用？ 如果你是全端開發者、需要處理多個專案、或者經常做重構，Claude Code 絕對值得一試。但如果你只是寫簡單的腳本，免費的 Copilot 可能就夠了。 Kit 的結論： Claude Code 是目前最接近「AI 工程師」的工具。它不完美，但確實能大幅提升生產力。好不好用？試了才知道。 🇺🇸 Claude Code Review: Can AI Really Code for You?...
閱讀完整內容

Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 | AI Coding Assistants Compared: Cursor vs GitHub Copilot vs Claude Code

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 2026 年，AI 程式助手已經成為開發者的標配。但市場上選擇太多了，到底該用哪一個？我同時使用了 Cursor、GitHub Copilot 和 Claude Code 超過半年，以下是完整比較。 GitHub Copilot：最普及的選擇 Copilot 是最早普及的 AI 程式助手，整合在 VS Code 和各大 IDE 中。它的核心功能是 即時程式碼補全 ——你打字的時候，它自動建議下一行或下一段程式碼。 優點 ：補全速度快、整合度高、支援幾乎所有語言、Copilot Chat 可以問問題 缺點 ：上下文理解有限（主要看當前檔案和少量相關檔案）、Agent 模式仍在發展中 價格 ：個人版 /月，企業版 /月 Cursor：IDE 級別的 AI 整合 Cursor 是一個從頭打造的 AI-first IDE（基於 VS Code fork）。它不只是補全程式碼，而是把 AI 深度融入整個開發流程。 優點 ：Composer 功能可以跨檔案編輯、Agent 模式可以自主執行多步驟任務、支援切換不同 AI 模型、Tab 補全非常智慧 缺點 ：是獨立的 IDE 需要遷移、Pro 方案有使用量限制、偶爾不穩定 價格 ：免費方案有限制、Pro /月 Claude Code：終端機裡的 AI 工程師 Claude Code 走完全不同的路線——它是 CLI 工具，在終端機裡運作，不綁定任何 IDE。 優點 ：理解整個 codebase、可以執行系統指令、支援 git 操作、CLAUDE.md 定義專案規則、最強的 agentic 能力 缺點 ：沒有視覺化介面、按 API token 計費（可能很貴）、需要習慣 CLI 工作流 價格 ：按 API 使用量計費，或透過 Max 訂閱方案 關鍵差異比較 即時補全 ：Copilot ≈ Cursor > Claude Code（無此功能） 跨檔案理解 ：Claude Code > Cursor > Copilot Agentic 能力 ：Claud...
閱讀完整內容