在 Salesforce 中使用 Apex 和 Einstein Intent API 构建智能应用

背景与应用场景

作为一名 Salesforce 开发人员，我们始终在寻找创新的方法来增强应用程序的智能性，并为最终用户自动化复杂的业务流程。随着人工智能 (AI) 技术的普及，Salesforce Einstein 平台为我们提供了强大的原生 AI 能力，使我们能够将预测智能无缝集成到 Force.com 平台之上。Einstein AI 是一套构建在 Salesforce 平台核心的人工智能技术，涵盖了从预测分析到自然语言处理 (NLP) 和计算机视觉的广泛功能。

在众多 Einstein 服务中，Einstein Language API 是一个特别强大的工具集，它允许我们理解和处理非结构化文本数据。其中，Einstein Intent API 专注于文本分类，其核心任务是分析一段文本并将其归类到预定义的“意图 (Intent)”标签中。这为自动化开启了无限可能。

试想以下应用场景：

智能工单路由 (Intelligent Case Routing): 客户通过邮件或社区提交支持请求。我们可以使用 Einstein Intent API 分析邮件主题或正文，自动识别出客户的意图（例如，“账单问题”、“技术支持”、“产品咨询”），并将其分配给最合适的客服团队，大大缩短响应时间。
销售线索分类 (Lead Categorization): 当销售团队收到来自“联系我们”表单的大量线索时，可以利用此 API 分析潜在客户的留言，判断他们是对特定产品感兴趣，还是在寻求合作机会，从而实现精准的线索分配和跟进。
社交媒体情绪分析 (Social Media Sentiment Analysis): 虽然 Einstein 有专门的情绪分析 API，但我们也可以自定义 Intent 模型来分析社交媒体上关于我们品牌的帖子，将其分类为“正面反馈”、“负面投诉”或“中性询问”，以便公关和营销团队能及时作出反应。
聊天机器人增强 (Chatbot Enhancement): 在构建 Einstein Bot 或自定义聊天机器人时，通过 Intent API 增强其理解用户自由文本输入的能力，更准确地引导对话流程。

通过在 Apex 中调用 Einstein Intent API，我们可以将这种强大的文本分类能力直接嵌入到我们的触发器、批处理作业或 Lightning 组件控制器中，从而构建出真正智能、自动化的 Salesforce 解决方案。

原理说明

要成功使用 Einstein Intent API，我们需要理解其背后的基本原理和工作流程。它遵循一个典型的监督式机器学习 (Supervised Machine Learning) 过程，主要包括以下几个核心概念和步骤：

1. 数据集 (Dataset)

数据集是模型的“教科书”。它是一个包含大量已标记文本样本的文件。对于 Intent API，数据集通常是一个 CSV 文件，至少有两列：一列是文本内容（例如，客户的邮件内容），另一列是对应的标签或意图（例如，“密码重置”）。高质量、多样化且具有代表性的数据集是训练出高精度模型的关键。您需要为每个意图提供足够多的样本（官方建议每个标签至少 20 个样本，越多越好），以确保模型能够学习到不同意图之间的细微差别。

2. 训练 (Training) 与模型 (Model)

一旦准备好数据集，下一步就是“训练”模型。在这个过程中，您将数据集上传到 Einstein 平台，并启动一个训练任务。Einstein 的算法会分析您提供的所有文本样本和它们的标签，学习其中的模式和关联。例如，它会学习到包含“忘记密码”、“无法登录”等词语的句子很可能属于“密码重置”这个意图。

训练过程是一个异步 (Asynchronous) 操作，可能需要几分钟到几小时不等，具体取决于数据集的大小和复杂性。训练完成后，您会得到一个训练好的模型 (Model)。这个模型就像一个训练有素的专家，随时准备对新的、未见过的文本进行分类。

3. 预测 (Prediction)

拥有了训练好的模型后，就可以进行“预测”了。这是我们将 API 集成到 Salesforce 应用中的核心环节。通过 Apex 代码，我们将一段新的文本（例如，一个新的 Case 的描述）发送给指定的模型。模型会分析这段文本，并返回一个概率分布列表，列出每个预定义意图的可能性得分。得分最高的那个意图就是模型的预测结果。

例如，对于输入文本“我无法访问我的账户”，模型可能会返回：

密码重置: 0.95 (95% 的可能性)
账单问题: 0.03 (3% 的可能性)
产品咨询: 0.02 (2% 的可能性)

基于这个预测结果，我们的 Apex 代码就可以自动将工单路由到负责密码重置的队列中。

在 Salesforce 内部，我们可以通过 ConnectApi.Einstein 这个 Apex 命名空间来与这些 API 进行交互。它封装了底层的 REST API 调用，使我们能够以更简洁、更原生的方式创建数据集、训练模型和进行预测。

示例代码

以下我们将展示如何使用 Apex 中的 `ConnectApi.Einstein` 类来与 Einstein Intent API 交互。在运行代码之前，请确保您已经完成了 Einstein Platform Services 的设置，并获得了签名密钥。

1. 创建数据集并训练模型

首先，我们需要一个方法来上传数据并启动训练。训练是一个异步过程。下面的代码示例展示了如何从一个 URL 创建数据集并开始训练。在实际应用中，您也可以直接上传文件内容。

// 示例：异步创建数据集并开始训练
// 这个方法最好在异步上下文（如 @future 或 Queueable Apex）中调用
public class EinsteinIntentService {

    public static void createAndTrainDatasetFromUrl() {
        // 定义数据集的元数据
        ConnectApi.EinsteinDatasetInput datasetInput = new ConnectApi.EinsteinDatasetInput();
        datasetInput.type = 'text-intent'; // 指定数据集类型为意图分类
        datasetInput.name = 'Case Classification Dataset';
        // 数据源可以是一个公开可访问的 URL，指向您的 CSV 文件
        datasetInput.source = new ConnectApi.EinsteinSourceUrlInput();
        datasetInput.source.url = 'https://your-public-url.com/casedata.csv';

        try {
            // 异步创建数据集。该方法会立即返回一个包含数据集 ID 和状态的对象。
            ConnectApi.EinsteinDataset dataset = ConnectApi.Einstein.createDatasetAsync(datasetInput);
            System.debug('Dataset created with ID: ' + dataset.id + '. Status: ' + dataset.status);

            // 一旦数据集创建成功（状态变为 SUCCEEDED），就可以开始训练
            // 在实际场景中，您需要轮询数据集的状态，而不是立即训练
            // 这里为了演示，我们假设数据集已准备好
            
            // 定义训练请求
            ConnectApi.EinsteinTrainingInput trainingInput = new ConnectApi.EinsteinTrainingInput();
            trainingInput.name = 'Case Classification Model V1'; // 给模型命名
            trainingInput.datasetId = dataset.id;
            trainingInput.epochs = 10; // 训练的迭代次数，可选参数
            
            // 异步开始训练。该方法会立即返回一个包含模型 ID 和状态的对象。
            ConnectApi.EinsteinModel model = ConnectApi.Einstein.trainDatasetAsync(trainingInput);
            System.debug('Training started for model ID: ' + model.modelId + '. Status: ' + model.status);

        } catch (ConnectApi.ConnectApiException e) {
            System.debug('Error calling Einstein API: ' + e.getMessage());
        }
    }
}

2. 使用训练好的模型进行预测

当模型训练完成（状态为 `SUCCEEDED` 或 `RUNNING`）后，我们就可以用它来分类新的文本了。以下代码展示了如何调用 `predictIntent` 方法。

// 示例：使用已训练的模型对文本进行意图预测
public class EinsteinPredictionService {
    
    // @future(callout=true) 推荐使用 future 方法进行调用，以避免阻塞 UI 和处理 callout 限制
    public static void classifyCaseDescription(String caseDescription, String modelId) {
        
        // 检查输入是否为空
        if (String.isBlank(caseDescription) || String.isBlank(modelId)) {
            System.debug('Case description or model ID cannot be empty.');
            return;
        }

        try {
            // 调用 Einstein Intent 预测方法
            // 第一个参数是模型 ID，第二个参数是要分类的文本，第三个参数是返回的预测数量
            ConnectApi.EinsteinIntentPredictResult predictionResult = ConnectApi.Einstein.predictIntent(modelId, caseDescription, 1);
            
            // 检查是否有预测结果返回
            if (predictionResult != null && !predictionResult.probabilities.isEmpty()) {
                // 获取可能性最高的预测结果
                ConnectApi.EinsteinIntentProbability intentProbability = predictionResult.probabilities[0];
                
                String predictedIntent = intentProbability.label;
                Double confidence = intentProbability.probability;
                
                System.debug('Input Text: ' + caseDescription);
                System.debug('Predicted Intent: ' + predictedIntent);
                System.debug('Confidence Score: ' + confidence);
                
                // 在这里，您可以根据 'predictedIntent' 的值执行业务逻辑
                // 例如：更新 Case 的某个字段，或将其分配给特定队列
                // if (predictedIntent == 'Billing Issue' && confidence > 0.8) {
                //     // route to billing queue
                // }
                
            } else {
                System.debug('No prediction returned from Einstein API.');
            }

        } catch (ConnectApi.ConnectApiException e) {
            System.debug('Error during prediction call: ' + e.getStatusCode() + ' - ' + e.getMessage());
            // 在这里添加错误处理逻辑，例如记录错误日志或通知管理员
        }
    }
}

// 调用示例:
// String textToClassify = 'I forgot my password and cannot log in to my account.';
// String myModelId = 'YOUR_TRAINED_MODEL_ID'; // 替换为您自己的模型 ID
// EinsteinPredictionService.classifyCaseDescription(textToClassify, myModelId);

注意事项

在将 Einstein Intent API 集成到您的生产环境之前，务必考虑以下几点：

权限与设置 (Permissions and Setup)

执行 API 调用的用户需要分配有 "Einstein Platform User" 权限集，以确保他们有权访问 Einstein Platform Services。此外，Salesforce 会自动为您创建与 Einstein API 端点（`https://api.einstein.ai`）的远程站点设置，但最好检查一下是否存在并处于活动状态。

API 限制 (API Limits)

Einstein Platform Services 有其自身的 API 使用限制，这些限制独立于 Salesforce 的常规 API 调用限制。请查阅最新的官方文档，了解每月免费的预测调用次数以及超出部分的定价。同时，对于数据集的大小、训练时间和并发训练任务数量也有限制。

数据质量与模型维护 (Data Quality and Model Maintenance)

模型的性能完全取决于您提供的训练数据的质量。确保您的数据干净、标记准确，并且能够代表您期望在现实世界中看到的各种文本。模型不是一劳永逸的，随着业务的变化，您可能需要定期使用新的数据重新训练模型，以保持其准确性。

异步处理 (Asynchronous Processing)

数据集创建和模型训练都是异步操作。您需要编写轮询逻辑（例如，使用计划 Apex）来检查这些任务的状态。对于预测调用，虽然它是同步的，但由于涉及到外部服务调用 (callout)，强烈建议将其放在异步 Apex（如 `@future(callout=true)` 或 `Queueable` Apex）中执行，以避免违反 Salesforce 的事务限制和对用户体验造成影响。

错误处理 (Error Handling)

API 调用可能会因为各种原因失败，例如无效的模型 ID、超出 API 限制、网络问题等。您的代码必须包含健壮的 `try-catch` 块来捕获 `ConnectApi.ConnectApiException`，并根据错误类型执行适当的回退逻辑，如记录日志、通知管理员或为字段设置一个默认值。

总结与最佳实践

作为 Salesforce 开发人员，Einstein Intent API 为我们打开了一扇通往智能应用开发的大门。通过利用 Apex 和 `ConnectApi`，我们可以轻松地将先进的自然语言处理能力集成到现有的业务流程中，实现自动化、提高效率并创造更智能的用户体验。

最佳实践总结：

从小处着手，迭代优化: 从一个明确、范围有限的用例开始。定义清晰的、互斥的意图标签。先用少量高质量数据训练一个基线模型，然后根据实际预测效果，不断增加和优化您的训练数据。
将 Callouts 异步化: 始终将对 Einstein API 的预测调用放在异步上下文中，这是 Salesforce 开发中的黄金法则，可以保证系统的可扩展性和稳定性。
设计可配置的解决方案: 将模型 ID 等参数存储在自定义元数据或自定义设置中，而不是硬编码在 Apex 代码里。这样，当您训练出新版本的模型时，管理员可以轻松地更新模型 ID，而无需修改代码。
监控模型性能: 建立一个反馈循环。例如，允许用户标记预测不准确的工单分类。收集这些数据，用于下一轮的模型再训练，形成一个持续改进的良性循环。

拥抱 Salesforce Einstein，就是拥抱 AI 驱动的未来。通过将这些强大的工具融入我们的开发实践，我们不仅能解决更复杂的业务问题，还能为我们的客户和用户创造前所未有的价值。

精通 Salesforce Email Studio：咨询顾问指南之 AMPscript 与数据扩展实现动态个性化邮件

十月 07, 2025

阅读全文

Salesforce中文网