Salesforce Prompt Builder：2026年管理员与开发者完整指南

# Salesforce Prompt Builder：2026年管理员与开发者完整指南

**作者：吉祥法师**

## 核心概念

Prompt Builder 是 Salesforce 在 2026 年推出的无代码提示模板创作环境，它作为生成式 AI 功能的核心基础设施，使管理员和开发者能够在不编写代码的情况下，创建、版本管理和部署可复用的 AI 提示模板。这些模板本质上是发送给大语言模型（LLM）的指令，结合了经过授权的 Salesforce 数据。Prompt Builder 的核心理念在于，它将 AI 提示从孤立的实验性功能转变为一个有治理、可审核、可复用的企业级资产。在 2026 年，每个产生非结构化输出的 Agentforce Agent Action（如摘要、建议、草稿或分类），其底层都是一个提示模板。因此，Prompt Builder 成为连接“我有一个 AI 功能的想法”与“该 AI 功能正在我的真实客户数据上投入生产”的唯一治理路径，其重要性怎么强调都不为过。

Prompt Builder 不仅是一个工具，更是一种架构模式。它为三个关键角色提供了明确的职责划分：
- **管理员**：获得一种无代码方式，可以将生成式 AI 集成到 Lightning 记录页面、列表视图和电子邮件编辑器，无需提交工单给开发团队。
- **开发者**：获得一种将经过授权的 LLM 调用作为可调用单元暴露给 Flow、Apex、可调用操作和 Agentforce 规划器的方式，且提示逻辑作为元数据进行版本化管理。
- **架构师**：获得一个单一控制点，数据脱敏、模型路由和审计功能都集中在此，而非散布在多个由不同人员在 2024 年临时拼凑的 GPT 集成中。

## 逻辑结构

本文的逻辑结构遵循从概念到实践、从基础到进阶的顺序，旨在为读者提供一个系统性的知识框架。首先，文章阐述了 Prompt Builder 的定义及其在 2026 年的战略重要性。接着，深入介绍了三种核心模板类型及其适用场景。然后，详细剖析了一个提示模板的四个逻辑区域，并深入解释了与其紧密相关的爱因斯坦信任层（Einstein Trust Layer）。之后，通过两个完整的步骤指南，分别演示了如何构建字段生成模板和 Flex 模板，包括从创建到测试的完整流程。文章还探讨了提示模板作为元数据的部署策略，总结了最佳实践和常见错误，并展望了 2026 年春秋季版本的新功能。最后，通过 FAQ 回答了常见问题，并进行了总结性思考。

## 主要论点和论据

### 论点一：Prompt Builder 是 Agentforce 世界的核心基础设施
**论据**：在 2026 年，每个产生非结构化输出（如摘要、建议、草稿、分类）的 Agentforce Agent Action，其底层都是一个提示模板。Prompt Builder 是创建和管理这些模板的唯一受控路径。如果没有 Prompt Builder，企业将面临多个临时、无治理的 GPT 集成，带来安全隐患和数据一致性问题。文章明确指出：“如果你正在运行或计划使用 Agentforce，Prompt Builder 不是一个可选项。它是创作界面。”

### 论点二：选择合适的模板类型是成功的第一步
**论据**：Prompt Builder 提供了三种模板类型，选择错误将限制后续所有工作。文章详细区分了三种类型：
1.  **字段生成模板**：最易上手，绑定到特定对象的特定字段，用于自动填充如案例摘要或线索研究笔记等字段内容。输入上下文和输出目标都是固定的。
2.  **销售邮件和记录摘要模板**：产生临时性输出（邮件正文或摘要），用户可审核、编辑后再发送，适用于需要“人在环”的工作流。
3.  **Flex 模板**：功能最强大，不受单一对象限制，可以定义自己的输入变量，适用于需要多个无关记录上下文、由 Agentforce 调用或由 Flow 触发等复杂场景。2026 年，Flex 是最主要的模板类型。

### 论点三：一个高质量的提示模板包含四个逻辑区域
**论据**：文章将模板分解为静态指令、合并字段与输入变量、数据锚定（Grounding）以及输出格式化四个关键部分。静态指令定义了 AI 的角色、语气和约束。合并字段是动态数据注入点，且受字段级安全控制和共享规则约束。数据锚定是防止 AI 产生幻觉的关键，通过注入来自记录、相关列表、Flow、Apex、Data Cloud 或知识库的权威数据，确保 LLM 回复的准确性。输出格式化（如指定 JSON 架构）是确保输出一致性的核心，忽略这一点是模型升级后提示“停止工作”的最常见原因。

### 论点四：爱因斯坦信任层是安全合规的关键保证
**论据**：每次提示调用都经过爱因斯坦信任层，这将其与“直接从 Apex 调用 OpenAI”区分开。信任层提供五大保障：
1.  **安全数据检索**：合并字段以当前用户身份执行，遵循共享规则、字段级安全控制和记录可见性。
2.  **动态数据锚定**：提示在每次调用时从实时数据动态构建。
3.  **数据脱敏**：可配置的 PII 检测在数据离开 Salesforce 基础设施前进行脱敏。
4.  **零数据留存**：与模型提供商的合同禁止记录提示或用于训练。
5.  **审计轨迹**：每次调用、脱敏输入、原始输出和毒性评分都记录在 Data Cloud 中。

## 深入解析与内容扩充

### 一、字段生成模板构建案例：案例摘要

**第一步：创建字段**
在对象管理器中为 Case 对象创建一个长文本字段 `AI_Case_Summary__c`（32,768个字符），并将其设置为只读。这个字段将成为 AI 生成摘要的目标地。这个看似简单的步骤至关重要，因为它限定了 AI 输出的物理位置和容量限制。

**第二步：打开提示生成器并创建模板**
导航至 设置 > Einstein > 提示生成器，点击“新建提示模板”。选择“字段生成”类型。为模板命名（如“案例摘要 - 二级处理移交”），并将其绑定到 Case 对象和刚刚创建的 `AI_Case_Summary__c` 字段。选择模型时，建议优先使用成本较低的模型进行基准测试，只有在质量要求严格时才升级到 GPT-4o 或 Claude Sonnet。这个选择并非一劳永逸，可以随着业务需求和模型成本的变化而调整。

**第三步：编写系统指令**
指令模板应精确且具约束力。一个优秀的例子是：“你是一名高级支持工程师，正在为一位从未见过此案例的二级处理专家撰写移交摘要。请用正好三个要点总结案例：- 客户报告的问题（一句话）。- 最近采取的行动及执行人。- 单一最重要的下一步行动或未解问题。使用纯文本，不使用表情符号，不使用问候语。如果某部分没有信息，请写‘未知’而非猜测。”这种指令不仅明确了角色、受众和输出格式，还规定了处理缺失数据的方式，对防止 AI 产生误导性内容至关重要。

**第四步：添加数据锚定**
这是防止 AI 幻觉的核心环节。首先，插入合并字段以捕获案例的主题 (`{!$Input:Case.Subject}`)、描述 (`{!$Input:Case.Description}`) 和关联客户名称 (`{!$Input:Case.Account.Name}`)。其次，添加两个相关列表锚定：一是案例评论（最近 10 条），二是该账户先前的已结案例（最近 5 个）。数据锚定不仅仅是“引入数据”，更要“有选择地引入”。不加筛选地引入“最后 100 条评论”会在嘈杂的账户上耗尽令牌预算（Token Budget）。因此，必须对相关列表进行排序、限制和过滤。

**第五步：预览和测试**
使用右侧的预览窗格，选择一个真实且具有代表性的案例 ID。检查解析后的提示，验证合并字段是否正确填充，相关列表是否正确渲染，并确认没有意外泄露任何 PII 数据。然后运行提示，检查输出质量。一个常见的错误是只测试最佳情况（大量上下文），而忽略了最坏情况（数据稀疏、只有一条评论）。测试至少 10 个覆盖最佳和最坏情况的案例，能有效发现隐藏问题。

**第六步：激活并连接到 UI**
点击“激活”使模板生效。然后，在 Lightning 应用生成器中，将标准的“Einstein 生成式 AI”组件添加到案例记录页面，将其指向所创建的模板，并选择字段如何填充：通过按钮按需生成、记录打开时自动生成，或通过 Flow 在案例升级时触发调用。这是一个端到端的构建，从字段创建到激活上线，熟练后仅需约 30 分钟完成初稿，再花一到两个小时迭代优化输出质量。

### 二、Flex 模板构建案例：Agentforce 产品推荐

**第一步：定义输入变量**
创建新 Flex 模板，命名“按品类推荐产品”。定义两个输入变量：`Customer`（类型为账户记录）和 `Category`（类型为文本）。Flex 模板的输入变量是经过类型定义的，这使得在资源编辑器中引用记录型输入变量时，合并选择器可以像字段生成模板一样遍历其对象关系图。

**第二步：数据锚定多源数据**
Flex 模板的真正优势在于能够整合多个数据源。首先，锚定客户最近的 20 个已关闭赢单的订单及其行项目。其次，通过一个名为“按品类获取有效促销活动”的 Flow 获取当前促销信息。这是数据锚定模式的进一步扩展——将 Flow 作为数据源，不仅能获取静态数据，还能执行逻辑运算后返回结果。最后，连接 Data Cloud 的检索器，从产品目录索引中获取与用户指定品类语义最相似的 10 个产品。

**第三步：编写指令并定义输出格式**
因为模板将被 Agent 调用，输出格式必须严格规范。指令应直接要求模型返回 JSON，并给出明确的架构和示例，例如：
```
你是一个供 Agentforce 代理使用的产品推荐引擎。
根据客户的购买历史、当前促销活动以及他们感兴趣的品类，
推荐恰好三个产品。仅返回符合此架构的有效 JSON：
{
  "recommendations": [
    {"productId": "...", "name": "...", "reason": "..."}
  ]
}
优先推荐客户未曾购买的产品。
优先推荐有活动优惠的产品。
每条 'reason' 不能超过25个词，且必须引用一次过往购买或一项活动优惠——不可同时引用两者。
```
这种严格的输出定义确保了 Agent 能够可靠地解析并使用返回的数据，避免了因格式不一致导致的 Agent 流程中断。

**第四步：注册为 Agent Action**
在 Agent Builder 中，创建一个新的自定义 Agent Action，类型选择“提示模板”。将其指向刚才创建的 Flex 模板。然后，配置 Agent 规划器的输入映射：规划器从会话上下文中提取 `Customer`，从用户输入中解析 `Category`。同时，为 Action 编写清晰的描述，例如“当客户要求在特定品类中获取产品推荐时使用”。这个描述对 Agent 的决策至关重要，因为它决定了规划器何时选择调用此 Action。

**第五步：在 Agentforce 对话窗格中测试**
在 Agent Builder 中打开 Agent，切换到对话测试器，输入“我该买什么户外装备？”观察 Atlas 推理引擎是否能正确选择该 Action。在检查器中查看解析后的提示，确认 JSON 响应能被正确解析，并验证 Agent 的回复是否干净地渲染了推荐结果。这种端到端的测试验证了整个流程，从用户输入到 Agent 决策，到模板调用，再到结果呈现。

### 三、提示模板的元数据部署

提示模板是首类元数据，这意味着它们可以通过标准的部署机制进行管理。理解这一点对于建立可靠的 CI/CD 流程至关重要。

**元数据类型**：提示模板的元数据 API 类型是 `GenAiPromptTemplate` 和 `GenAiPromptTemplateVersion`。因此，应该像对待 Flow 一样对待它们，而不是像对待报表那样。

**部署途径**：
- **变更集**：适用于简单组织之间的升级，但需要包含模板本身、所有自定义的合并字段公式、作为数据锚点的 Flow 或 Apex，以及字段生成模板绑定的字段元数据。
- **Metadata API 和 SFDX**：这是专业团队的正确选择。模板定义可以干净地序列化到源代码中，并存放在版本控制系统中，与 Flow 和 Apex 依赖项一起。代码审查变得可行——高级架构师可以像审查 Apex 一样审查提示模板的变更。
- **DevOps Center**：自 2025 年版本开始，DevOps Center 能够处理提示模板的版本比对。当一个模板被更新时，它可以显示字段级别的差异（如指令变更、新增合并字段），而不是显示不透明的 XML。

**部署注意事项**：
1.  **环境特异性**：模板的激活版本是环境特定的。在沙箱中激活并不等于在生产中激活，激活必须在部署后单独完成。
2.  **模型分配**：模型分配也是元数据的一部分。如果沙箱为了成本控制使用 GPT-4o-mini，而生产环境使用 Claude Sonnet，这种不匹配会随模板一起部署。因此，部署前应进行审计。
3.  **依赖关系**：依赖 Flow 或 Apex 的模板，如果其依赖项尚未存在于目标组织中，则无法顺利部署。部署顺序很重要。

### 四、最佳实践与常见错误

经过两年多的实践，成功的团队遵循以下模式，而痛苦的团队则忽视了它们。

**应该做的事情**：
1.  **从小处着手**：一个模板，一个用例，十个测试记录，在扩展到五十个模板之前先确保基础稳固。
2.  **约束输出**：使用字数、格式、架构来约束输出。无约束的提示容易产生不一致的结果。
3.  **有意图地版本管理**：使用模板版本来 A/B 测试不同的指令集，而不是直接修改活动版本。
4.  **记录一切**：爱因斯坦信任层在 Data Cloud 中的审计跟踪是调试工具。每次迭代后都应查询它。
5.  **测试字段级安全控制**：以来受限用户的身份运行预览，确认模板在字段解析为 null 时能够优雅降级。

**不应该做的事情**：
1.  **不要锚定未经过滤的相关列表**：“最后 100 条案例评论”会消耗大量令牌预算。必须始终进行排序、限制和过滤。
2.  **不要将业务逻辑放入提示中**：如果规则是“高级客户享受免费送货”，这是一个 Flow 决策，而不是提示指令。LLM 不适合处理确定性逻辑。
3.  **不要因为“只是文本”而跳过沙箱测试**：提示模板是生产级代码，必须像对待生产级代码一样对待。
4.  **不要在指令中硬编码模型名称**：模型会变更。指令应该描述行为，而不是假设特定模型的特性。
5.  **不要向客户展示未经审查的原始 LLM 输出**：字段生成和销售邮件默认使用“人在环”工作流是有原因的。在自定义 UI 中也要遵守这个边界。

### 五、2026 年春秋季版本新特性

2026 年的版本将 Prompt Builder 推得更深，与 Agentforce 栈的集成更加紧密。

**春季’26 版本亮点**：
- **增强的商务特定模板**：提供现成的产品发现、购物车放弃挽回和购买后跟进等模板。
- **Flex 模板中的多模态输入**：可以将图像附件作为输入变量传递，这对于支持案例中锚定客户上传的截图非常有价值。
- **模板导入**：可以从 Salesforce 维护的模板库中导入常见模式，如“总结邮件线程”或“从会议记录中提取需求”。
- **改进的测试工具**：可以批量运行模板，将输出与基线进行差异比较。

**夏季’26 版本（预览）亮点**：
- **提示模板编排**：可以组合多个模板，例如，一个“起草客户邮件”模板可以调用一个“总结近期支持历史”的模板并合并结果。这使行业中的链式思维模式能够在信任层内实现。
- **更完善的 Apex 集成**：通过改进的 `ConnectApi.EinsteinLLM` 方法，可以返回具有类型安全反序列化的结构化输出，无需再编写繁琐的 `JSON.deserialize` 模板代码。

## FAQ 权威解析

**问：我是否需要单独的许可证才能使用 Prompt Builder？**
**答：** 是的。Prompt Builder 是 Einstein for Sales/Service/Platform SKU 的一部分，并且包含在 Agentforce 中。具体权限需查阅 Salesforce Developers 的 Prompt Builder 文档。

**问：我能否使用自己的 LLM 而非 Salesforce 的默认模型？**
**答：** 可以。通过 Models API 和 BYO LLM 模式，可以将任何提示模板路由到 OpenAI、Azure OpenAI、Anthropic（通过 Bedrock）、Google Gemini 或您自己托管的模型。爱因斯坦信任层的保障仍然适用。

**问：如果运行时某个合并字段的值为 null，会发生什么？**
**答：** 合并字段会解析为空字符串。静态指令应处理这种情况，明确告诉模型当字段缺失时应如何操作，而不是让它自行发挥。

**问：Flex 模板能否从 Salesforce 外部调用？**
**答：** 可以。通过 Einstein 平台 REST API，使用连接的应用进行身份验证，在请求体中传递输入变量，然后获取模型输出。同样适用信任层的安全保护。

**问：如何回滚提示模板的变更？**
**答：** 激活先前的版本。每个模板都保留其版本历史，激活是即时的，无需重新部署。

**问：Prompt Builder 和 Einstein Copilot Builder（现为 Agent Builder）有什么区别？**
**答：** Prompt Builder 负责创建提示模板；Agent Builder 负责创建编排行动（其中一些是提示模板）的 Agent。它们是同一个 Agentforce 栈中互补的创作界面。

**问：Prompt Builder 是否适用于政府云或 Hyperforce 受限区域？**
**答：** 可用性在 2025 年和 2026 年一直在扩展。请查阅针对您所在区域和版本的 Salesforce 信任与合规文档，因为情况在 2025 年就发生了变化。

## 结语

Prompt Builder 可能不够光鲜，可能不会在 Dreamforce 上占据主题演讲的席位。但您看过的每一个 Agentforce 演示，您点击的每一个“总结此案例”按钮，您的销售团队下季度发送的每一封 AI 起草的邮件，它们都路由到这个工具中创作的提示模板。现在掌握它，您将成为组织在 AI 路线图与现实相遇时所寻求的人。忽视它，您将不得不在凌晨 2 点逆向工程别人的生产级提示。选择权，一如既往，在您手中。