Zum Inhalt springen

Braze Agents in der Agent Console

Braze Agents sind KI-gestützte Assistenten, die Sie innerhalb von Braze erstellen können. Agenten können Inhalte generieren, intelligente Entscheidungen treffen und Ihre Daten anreichern, damit Sie personalisiertere Kundenerlebnisse bieten können.

Sehen Sie sich dieses Video an, um einen Überblick über Braze Agents in der Agent Console zu erhalten.

Warum Braze Agents verwenden?

Mit Braze Agents kann Ihr Team personalisierte Erlebnisse bieten, ohne zusätzlichen Aufwand. Agenten verstehen Kontext, treffen Entscheidungen und handeln zielgerichtet, statt nur auf einen einzelnen Prompt zu reagieren.

In der Praxis können Agenten automatisch Nachrichtentexte erstellen, etwa Betreffzeilen oder In-Product-Texte. So erhalten alle Kund:innen Nachrichten, die auf sie zugeschnitten wirken. Agenten können sich außerdem in Echtzeit anpassen und Personen basierend auf Präferenzen, Verhalten oder anderen Daten durch verschiedene Canvas-Pfade leiten.

Auch über das Messaging hinaus helfen Agenten: Sie reichern Ihre Kataloge an, indem sie Werte für Produkt- und Profilfelder berechnen oder generieren. Dadurch bleiben Ihre Daten aktuell und dynamisch. Agenten übernehmen wiederkehrende oder komplexe Aufgaben, und Ihr Team kann sich auf Strategie und Kreativität konzentrieren, statt Zeit mit manueller Einrichtung zu verbringen. Braze Agents arbeiten eher wie Teammitglieder als wie Hintergrundprozesse. Sie helfen Ihnen, Probleme zu lösen und in großem Umfang Wirkung zu erzielen.

Wann Sie Braze Agents und wann andere BrazeAI-Features verwenden sollten

Setzen Sie Agenten ein, wenn zum Zeitpunkt des Versands der Kontext einzelner Nutzer:innen ausgewertet werden muss, auch bei Freitext oder Ermessensentscheidungen. Ein Beispiel: Ein Agent weiß, dass die Lieblingseissorte einer Person Schokolade ist und ihr liebstes Topping Gummibärchen. Dann kann er einen Push-Text für genau diese Kombination schreiben, während die Person das Canvas durchläuft.

Braze Agents werten den Kontext aus, den Sie übergeben. Sie lernen nicht daraus, ob ihre Ausgabe erfolgreich war. Deshalb verbessern sie sich nicht selbstständig anhand von Ergebnissen.

Verwenden Sie andere BrazeAI-Features, wenn das System aus gemessenen Ergebnissen lernen soll:

Wenn Sie Folgendes möchten Verwenden Sie stattdessen
Bewerten, wie wahrscheinlich Nutzer:innen abwandern (Churn) oder eine Aktion ausführen Predictive Suite
Artikel aus einem großen Katalog auswählen Artikelempfehlungen (anschließend schreibt ein Agent die Texte zu diesen Artikeln)
Ergebnisse für eine Metrik im Laufe der Zeit verbessern oder über Angebote entscheiden Decisioning Studio
Inhalte entwerfen oder überarbeiten, während Sie im Dashboard arbeiten BrazeAI Operator

Einen vollständigen Vergleich der BrazeAI-Features finden Sie unter BrazeAI.

Features

Braze Agents bieten folgende Features:

  • Flexible Einrichtung: Verwenden Sie ein von Braze bereitgestelltes LLM oder verbinden Sie Ihre eigenen KI-Modellanbieter (z. B. OpenAI, Anthropic, Google Gemini oder Databricks Mosaic).
  • Nahtlose Integration: Stellen Sie Agenten direkt in Canvas-Schritten oder Katalogfeldern bereit.
  • Tests, Protokollierung und Versionsverlauf: Testen Sie Ihren Agenten vor dem Start mit Beispieleingaben, um eine Vorschau seiner Ausgabe zu sehen. Sehen Sie sich die Protokolle für jede Ausführung des Agenten an, einschließlich Eingabe und Ausgabe der jeweiligen Ausführung. Über den Tab Versionsverlauf können Sie frühere Versionen und Inline-Vergleiche von Änderungen an den Anweisungen überprüfen.
  • Nutzungskontrollen: Tägliche Limits helfen Ihnen, Performance und Kosten im Griff zu behalten.
  • Agentic Standards: Definieren Sie Regeln und Regelsätze in der Agent-Konsole und führen Sie vor dem Start einer Campaign oder eines Canvas eine agentische Auswertung durch, um Markenrichtlinien, organisatorische Konventionen und technische Anforderungen zu prüfen.

Über Braze Agents

Agenten werden mit Anweisungen (System-Prompts) konfiguriert, die ihr Verhalten festlegen. Wenn ein Agent ausgeführt wird, nutzt er Ihre Anweisungen und alle Daten, die Sie explizit übergeben, um eine Antwort zu generieren. Agenten können nur auf die Nutzerdaten zugreifen, die Sie konfigurieren: Liquid-Variablen, ausgewählter Agent-Kontext, Canvas-Kontextvariablen und Werte aus Kontext-Schritten. Agenten durchsuchen keine Profile und warnen nicht, wenn Daten fehlen. Weitere Informationen finden Sie unter Welche Daten Agenten erhalten.

Wichtige Konzepte

Begriff Definition
Modell Das „Gehirn“ des Agenten, in diesem Fall ein Large Language Model (LLM). Es interpretiert Eingaben, generiert Antworten und zieht Schlussfolgerungen. Ein leistungsstärkeres Modell (trainiert mit mehr relevanten Daten) macht den Agenten fähiger und vielseitiger.
Anweisungen Die Regeln oder Richtlinien, die Sie dem Agenten vorgeben (System-Prompt). Sie legen fest, wie sich der Agent bei jeder Ausführung verhalten soll. Klare Anweisungen machen den Agenten zuverlässiger und vorhersehbarer.
Kontext Daten, die dem Agenten zur Laufzeit übergeben werden, unabhängig davon, wo er bereitgestellt ist, z. B. Felder aus dem Nutzerprofil oder Katalogzeilen. Diese Eingaben liefern die Informationen, die der Agent zum Generieren von Ausgaben nutzt.
Canvas-Kontextvariablen Temporäre Daten, die Sie innerhalb der Journey von Nutzer:innen durch ein bestimmtes Canvas erstellen und verwenden können.
Ausgabevariable Die Ausgabe, die der Agent erzeugt, wenn er in Canvas-Schritten verwendet wird. Ausgabevariablen speichern das Ergebnis des Agenten, um Inhalte zu personalisieren oder Workflow-Pfade zu steuern. Ausgabevariablen können ein String, eine Zahl, ein boolescher Wert, ein Array aus Strings oder Zahlen oder ein durch ein Schema definiertes JSON-Objekt sein.
Aufruf Eine einzelne Ausführung des Agenten. Sie wird auf Ihre täglichen Limits angerechnet.
Ausgabeformat Die vordefinierte Datenstruktur der Antwort des Agenten.
Wissensquellen Eine Art von Agent-Kontext, mit dem Daten aus einem Katalog genauer abgerufen werden als bei einem direkten Verweis auf den Katalog in den Anweisungen des Agenten.
Conversational Agents Ein Kanal für Konversationen mit Nutzer:innen über mehrere Runden. Sie definieren Konversations-Workflows mit Tools, damit Nutzer:innen Aufgaben per SMS, RCS, WhatsApp oder Web-Chat erledigen können.

Was bei einem Aufruf passiert

Ein Aufruf ist eine Ausführung eines Agenten. Braze übergibt Ihre Anweisungen und den Kontext an das Modell, das Modell wertet sie aus, und der Agent gibt eine Ausgabe zurück. Jeder Aufruf wird auf das tägliche Aufruflimit des Agenten angerechnet.

Agententyp Ein Aufruf entspricht
Canvas-Schritt-Agent Einer Person, die den Agent-Schritt betritt
Katalog-Agent Einer Katalogzeile, die der Agent verarbeitet

Vorschauen in der Agent Console und Test-Canvas-Durchläufe mit Simulate response zählen ebenfalls als Aufrufe. Zwischengespeicherte Antworten für wiederholte identische Eingaben werden trotzdem auf die Gesamtzahl und die täglichen Aufrufe angerechnet.

Was eingeht

  • Modell: Das von Braze bereitgestellte Modell Auto (Google Gemini) oder Ihr eigener KI-Modellanbieter, z. B. OpenAI, Anthropic, Google Gemini, Amazon Bedrock, Microsoft Foundry oder Databricks Mosaic.
  • Anweisungen: Der System-Prompt, der bei jeder Ausführung angewendet wird.
  • Nutzerkontext (Canvas-Schritt-Agenten): Nutzerattribute und Canvas-Kontextvariablen, die mit Liquid referenziert werden, Segment-Zugehörigkeit, All Canvas Context und der Interaktionsverlauf der Nutzer:innen.
  • Katalogdaten (Katalog-Agenten): Die Felder der verarbeiteten Katalogzeile.
  • Workspace-Kontext: Wissensquellen (z. B. Katalogdaten), Markenrichtlinien und Kontextdateien.

Wie die Ausführung abläuft

Der Agent interpretiert die Eingaben und den Kontext, wertet sie aus und generiert eine Antwort. Bei jeder Ausführung gilt:

  • Der Agent hat kein Gedächtnis über Ausführungen hinweg: Jede Ausführung ist unabhängig und übernimmt nichts aus vorherigen Ausführungen.
  • Der Agent sieht nur, was Sie übergeben: Wird ein Wert nicht über eine der Eingaben unter Was eingeht übergeben, erhält der Agent ihn nicht. Weitere Informationen finden Sie unter Welche Daten Agenten erhalten.
  • Planen Sie für jede Ausführung bis zu 20 Sekunden ein: Braze wartet standardmäßig bis zu 20 Sekunden auf jede Antwort des Modells. Agenten, die Kataloge oder Wissensquellen durchsuchen, können sich in einer Ausführung mehrmals mit dem Modell austauschen, und jeder Austausch hat ein eigenes Limit von 20 Sekunden. Kommt es bei einem Austausch zu einem Timeout, schlägt die gesamte Ausführung fehl und wird nicht wiederholt. Der Agent gibt dann null oder bei Canvas-Schritt-Agenten Ihren konfigurierten Fallback-Wert zurück.
  • Jeder Agent hat standardmäßig ein tägliches Aufruflimit von 250.000, das auf bis zu 1.000.000 erhöht werden kann: Wenn Sie das Limit über 1.000.000 hinaus erhöhen möchten, wenden Sie sich an Ihren Customer-Success-Manager.

Weitere Informationen zu Zeit- und Volumenlimits finden Sie unter Einschränkungen.

Was herauskommt

Jeder Aufruf gibt eine Ausgabe in dem von Ihnen definierten Ausgabeformat zurück: einen String, eine Zahl, einen booleschen Wert oder (nur bei Canvas-Schritt-Agenten) ein Array oder ein erweitertes JSON-Schema. Sie können die Ausgabe verwenden, um:

  • Nachrichtentexte zu personalisieren
  • Nutzer:innen auf einen Canvas-Pfad zu leiten
  • Einen Wert im Canvas-Kontext für spätere Schritte zu speichern
  • Ein Katalogfeld zu befüllen

Einschränkungen

Es gelten die folgenden Einschränkungen:

  • Jeder Agent hat ein standardmäßiges tägliches Aufruflimit von 250.000 Ausführungen, das auf maximal 1.000.000 Ausführungen pro Tag erhöht werden kann. Wenden Sie sich an Ihren Customer-Success-Manager, wenn Sie dieses Limit erhöhen möchten.
  • Die Agent Console zeigt für jeden Agenten ein tägliches Limit für Aktions-Credit-Kosten an. Dabei handelt es sich um die geschätzte maximale Anzahl an Credits pro Tag, basierend auf dem Credit-Verhältnis pro Aufruf Ihres Modells und dem täglichen Aufruflimit. Weitere Informationen finden Sie unter Tägliche Aufruf- und Credit-Limits.
  • Standardmäßig wartet Braze bis zu 20 Sekunden auf jede Antwort des Modells. Agenten, die Kataloge oder Wissensquellen durchsuchen, können innerhalb einer Ausführung mehrere Anfragen stellen, und für jede Anfrage gilt ein eigenes 20-Sekunden-Limit. Kommt es bei einer Anfrage zu einer Zeitüberschreitung, schlägt die gesamte Ausführung fehl und wird nicht wiederholt. Der Agent gibt dann an der Stelle, an der er verwendet wird, eine null-Antwort zurück.
    • Wenn bei Ihren Agenten regelmäßig Zeitüberschreitungen auftreten, wenden Sie sich an Ihren Braze Account Manager, um dieses Limit zu erhöhen.
  • Eingabedaten sind auf 25 KB pro Anfrage begrenzt. Längere Eingaben werden gekürzt.

Best Practices

Konzentrieren Sie sich auf hochwertige Anwendungsfälle, in denen Agenten die größte Kapitalrendite (ROI) erzielen können, und wählen Sie Zielgruppen aus, die wahrscheinlich reagieren. Eine kleinere Zielgruppe mit hoher Opportunity schneidet oft besser ab als eine große Zielgruppe mit geringer Opportunity. Ein Beispiel: Sie führen ein Retargeting von Nutzer:innen durch, die kürzlich gesucht, aber keine Conversion ausgelöst haben, anstatt agentengenerierte Texte an Ihre gesamte Nutzerbasis zu senden.

Um den ROI vor der Skalierung zu validieren, verwenden Sie einen Experimentpfade-Schritt, um nur einen Teil Ihrer Zielgruppe durch einen Agent-Schritt zu leiten. Wenn ein Test in kleinem Maßstab gut aussieht, skalieren Sie den Agenten auf Ihre gesamte Zielgruppe und erhöhen Sie das tägliche Aufruflimit, damit Aufrufe nicht mitten im Versand begrenzt werden. Vergewissern Sie sich, dass Sie mit dem geschätzten Credit-Verbrauch einverstanden sind, bevor Sie auf Ihre gesamte Zielgruppe skalieren. Weitere Hinweise zur Bereitstellung finden Sie unter Angepasste Agenten bereitstellen.

Fehlerbehandlung

Wenn das verbundene Modell während des Aufrufs eines Canvas-Schritt-Agenten oder Katalog-Agenten einen Rate-Limit-Fehler des LLM-Anbieters zurückgibt, wiederholt Braze die Anfrage fortlaufend mit exponentiellem Backoff.

Bei anderen Fehlern (z. B. einem Timeout oder einem ungültigen API-Schlüssel) wird die Ausgabe des Canvas-Schritt-Agenten auf null gesetzt, sofern für den Agenten keine Fallback-Werte konfiguriert sind. Fallback-Werte legen Sie in der Agent-Konsole fest (nur für Canvas-Schritt-Agenten). Katalog-Agenten wiederholen Fehler, die keine Rate-Limit-Fehler sind, nicht. Erreicht ein Agent sein tägliches Aufruflimit, wendet Braze die konfigurierten Fallback-Werte an, sofern vorhanden. Andernfalls wird die Ausgabe auf null gesetzt.

Rate-Limit-Fehler, die Nichtverfügbarkeit eines Modells und Fehler durch das tägliche Aufruflimit verbrauchen keine Braze-Credits. Timeouts verbrauchen dagegen Credits. Weitere Informationen finden Sie unter Wann Credits verbraucht werden.

Wenn viele Nutzer:innen gleichzeitig einen Agent-Schritt betreten, kann die Verarbeitung aufgrund der Steuerung des Aufrufflusses länger dauern. Konfigurieren Sie in der Agent-Konsole Fallback-Werte für Canvas-Schritt-Agenten, damit Nutzer:innen auch dann eine Ausgabe erhalten, wenn ein Aufruf fehlschlägt. Alternativ können Sie in nachgelagerten Nachrichtenschritten Standardwerte für Liquid verwenden.

Wie werden meine Daten verwendet und an von Braze bereitgestellte LLMs gesendet?

Um KI-Ausgaben über Braze-AI-Features zu generieren, die Braze als Features mit von Braze bereitgestellten LLMs kennzeichnet („Ausgabe“), sendet Braze Ihren System-Prompt oder gegebenenfalls andere Eingaben („Eingabe“) an das von Braze bereitgestellte LLM. Daten, die an das jeweilige von Braze bereitgestellte LLM gesendet werden, werden nicht zum Trainieren oder Verbessern dieses LLM verwendet. Im Verhältnis zwischen Ihnen und Braze ist die Ausgabe Ihr geistiges Eigentum. Braze erhebt keinerlei Ansprüche auf Urheberrechte an solchen Ausgaben. Braze übernimmt keinerlei Gewährleistung für KI-generierte Inhalte im Allgemeinen, einschließlich der Ausgabe.

Das von Braze bereitgestellte LLM für Braze Agents, gekennzeichnet als „Auto“, verwendet Google-Gemini-Modelle. Google kann über Braze übermittelte Eingaben und Ausgaben bis zu 90 Tage lang speichern. Danach werden die Daten dauerhaft gelöscht.

Nächste Schritte

Jetzt, da Sie Braze Agents kennen, sind Sie bereit für die nächsten Schritte:

Dokumentation für die Braze-Kundenengagement-Plattform.

Ressourcen
Rechtliches
Unternehmen
© 2026 Braze, Inc. Alle Rechte vorbehalten.
Braze-Status wird geprüft
New Stuff!