이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Agentforce는 대화 이해와 행동 순서를 결정하는 LLM의 확률적 추론은 유지하면서, 필수 양식이나 규제 고지처럼 반드시 표시해야 하는 결과의 렌더링 결정은 LLM에서 분리했습니다. Connections layer의 render: directive는 특정 action에 response format을 연결하고, 해당 action이 실행되면 LLM의 컴포넌트 선택 대신 지정된 형식을 적용합니다. 여러 action이 순차 실행되거나 승인과 실행에 시간이 걸리는 경우에도 결정적 렌더링 대상과 표시 시점을 추적해 올바른 단계에서 결과를 출력합니다. Salesforce-native Lightning Web Components, 제3자 React 애플리케이션, 헤드리스 채널의 구조화된 JSON을 같은 추상화로 지원하며, per-action·per-session 이벤트 로그를 통해 규제 준수 증거까지 남깁니다.
섹션별 상세
Agentforce 팀은 web chat, WhatsApp, SMS, phone, kiosk 등 여러 채널에서 AI 에이전트 경험을 제공하면서도 필수 UI의 누락을 막아야 했습니다. LLM은 대화의 의도와 실행할 action을 파악할 수 있지만, 확률적 특성 때문에 같은 상황에서 한 번은 form component를 고르고 다른 번에는 text를 반환할 수 있습니다. 테스트에서만 99% 성공하는 방식으로는 상호작용 완료에 필요한 양식이나 규제 고지를 실제 서비스에 배포하기 어려웠기 때문에, Connections layer에 결정적 제어 경계를 추가하는 방향이 필요했습니다.
render: directive는 LLM을 상호작용에서 제거하지 않고, LLM이 대화를 이해하고 action을 선택하는 역할만 계속 맡도록 구성합니다. Builder가 특정 connection의 action에 response format을 연결하면 해당 action 실행 시 Connections layer가 LLM에 UX component 선택을 요청하지 않고 미리 지정된 형식을 적용합니다. 결정성을 높이기 위해 LLM 자체를 변경한 것이 아니라, 반드시 일정해야 하는 렌더링 결정을 LLM 경로에서 완전히 제외한 점이 핵심입니다.
여러 action이 한 상호작용 안에서 연속 실행될 때는 결정적 렌더링으로 설정된 action을 식별하고, 그 action의 응답에 맞는 component를 연결한 뒤 나머지 action은 기존의 비결정적 경로로 이어가야 합니다. 장시간 실행되거나 사람의 승인을 거치는 action은 승인과 실제 실행이 끝난 뒤에만 component를 표시해야 하므로, 플랫폼은 action 식별과 응답 연결뿐 아니라 lifecycle 안의 렌더링 시점도 추적합니다. 이 선택과 순서 처리가 맞아야 결과가 너무 일찍 나타나거나 잘못된 action의 UI가 표시되는 문제를 피할 수 있습니다.
Agentforce는 결정적 출력을 Salesforce-native Lightning Web Components에만 묶지 않고 response format을 추상화로 사용합니다. 고객은 render: directive에 구조화된 JSON 형식을 연결해 custom React 애플리케이션이나 다른 제3자 인터페이스, 헤드리스 채널로 결과를 전달할 수 있습니다. 같은 모델이 메시징 component, custom UI, structured JSON을 모두 수용하므로 channel별로 별도의 결정성 구현을 만들 필요가 줄어듭니다.
규제 고객에게 필요한 것은 매번 고지가 표시된다는 동작 보장과 실제 표시 사실을 입증할 수 있는 감사 기록입니다. prompt instruction만으로는 100번 중 한 번의 누락을 막을 수 없지만, render_as 경로는 연결된 action이 실행될 때 지정된 component를 플랫폼 수준에서 출력하고 Agentforce event logs에 action, response format, connection, 대화 시점을 기록합니다. 금융 서비스의 suitability disclosure나 의료 절차 예약 전 consent처럼 특정 세션의 필수 경험을 확인해야 하는 경우, per-action·per-session 로그와 기간별 집계 보고서가 감사 가능한 근거가 됩니다.
용어 해설
- 확률적 LLM 추론(Stochastic LLM Reasoning)
- — 같은 입력에도 LLM이 매번 동일한 결과를 내놓지 않을 수 있는 추론 방식입니다. Agentforce는 이 특성을 유지한 채 대화 이해와 행동 선택을 맡기고, 반드시 같은 화면을 띄워야 하는 렌더링 결정만 별도 경계 밖으로 분리합니다. 이를 통해 유연성과 확정성을 함께 확보합니다.
- 결정적 렌더링(Deterministic Rendering)
- — 특정 조건이나 행동이 실행될 때 미리 지정한 UI 구성 요소나 응답 형식을 예외 없이 출력하는 방식입니다. LLM이 표시할 컴포넌트를 고르는 대신 플랫폼이 연결된 형식을 직접 적용하므로 필수 양식이나 규제 고지처럼 누락이 허용되지 않는 결과에 적합합니다.
- 헤드리스 경험(Headless Experience)
- — 화면을 직접 제공하는 특정 UI 프레임워크에 의존하지 않고 API나 구조화된 데이터를 통해 외부 애플리케이션이 결과를 소비하는 형태입니다. Agentforce는 response format과 구조화된 JSON을 사용해 Salesforce-native 컴포넌트뿐 아니라 제3자 애플리케이션과 헤드리스 채널에도 같은 결정적 렌더링 모델을 적용합니다.
- 관측 가능성(Observability)
- — 시스템의 동작과 결과를 로그나 지표로 추적해 실제 실행 여부를 확인하는 능력입니다. 이 글의 결정적 렌더링은 action, session, response format, connection, 대화 시점을 이벤트 로그에 남겨 규제 고객이 특정 세션에서 필수 고지가 표시됐는지 검증하도록 구성됐습니다.
기술
- Agentforce
- Agentforce Connections layer
- LLM
- render: directive
- render_as
- Lightning Web Components
- React
- structured JSON
- Agentforce event logs
활용 사례
- 필수 정보를 수집하는 form 렌더링
- 금융 서비스의 suitability disclosure 표시
- 의료 절차 예약 전 consent 확인
- WhatsApp과 SMS 등 멀티채널 AI 에이전트 UX
- 제3자 애플리케이션과 헤드리스 채널의 구조화된 출력
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 09. 04.수집 2026. 09. 04.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
