Braze Agents in der Agentenkonsole
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.
Für den Zugriff auf und die Nutzung von Braze Agents sind Nachrichten- oder Aktionsguthaben erforderlich. Sollten Sie derzeit nicht über Aktionsguthaben verfügen und Braze Agents nutzen möchten, wenden Sie sich an Ihren Account Manager:in, um die nächsten Schritte zu besprechen.
Sehen Sie sich dieses Video an, um einen Überblick über Braze Agents in der Agentenkonsole zu erhalten.
Warum Braze Agents verwenden?
Braze Agents helfen Ihrem Team, personalisierte Erlebnisse zu liefern – ohne zusätzlichen Aufwand. Sie verstehen den Kontext, treffen Entscheidungen und handeln zielgerichtet, anstatt nur auf einen einzelnen Prompt zu reagieren.
In der Praxis können Agents automatisch Nachrichteninhalte erstellen – wie Betreffzeilen oder In-Product-Texte – sodass jede:r Kund:in eine Kommunikation erhält, die sich individuell auf sie zugeschnitten anfühlt. Sie können sich auch in Echtzeit anpassen und Nutzer:innen basierend auf Präferenzen, Verhalten oder anderen Daten durch verschiedene Canvas-Pfade leiten.
Über Messaging hinaus können Agents Ihre Kataloge anreichern, indem sie Produkt- und Profilfeldwerte berechnen oder generieren und so Ihre Daten aktuell und dynamisch halten. Indem sie sich wiederholende oder komplexe Aufgaben übernehmen, geben sie Ihrem Team die Freiheit, sich auf Strategie und Kreativität zu konzentrieren, anstatt auf manuelle Einrichtung. Braze Agents agieren eher wie Mitarbeiter:innen als wie Hintergrundprozesse – sie helfen Ihnen, Probleme zu lösen und skalierbar Wirkung zu erzielen.
Wann Sie Braze Agents im Vergleich zu anderen BrazeAI-Features verwenden sollten
Verwenden Sie Agents, wenn Sie zum Sendezeitpunkt über den Kontext einzelner Nutzer:innen nachdenken müssen – einschließlich Freitext oder einer Einschätzung. Wenn ein Agent beispielsweise weiß, dass die Lieblingseissorte einer bestimmten Person Schokolade ist und ihr Lieblingstopping Gummibärchen, kann er Push-Texte für genau diese Kombination schreiben, während die Person den Canvas durchläuft.
Braze Agents schlussfolgern auf Basis des Kontexts, den Sie übergeben. Sie lernen nicht daraus, ob die Ausgabe erfolgreich war, und verbessern sich daher nicht eigenständig anhand von Ergebnissen.
Verwenden Sie andere BrazeAI-Features, wenn Sie Lernen aus gemessenen Ergebnissen benötigen:
| Wenn Sie möchten | Verwenden Sie stattdessen |
|---|---|
| Bewerten, wie wahrscheinlich es ist, dass Nutzer:innen abwandern oder handeln | Predictive Suite |
| Artikel aus einem großen Katalog auswählen | Artikelempfehlungen (nutzen Sie dann einen Agenten, um Texte rund um diese Artikel zu erstellen) |
| Ergebnisse anhand einer Metrik über die Zeit verbessern oder Angebote entscheiden | Decisioning Studio |
| Inhalte entwerfen oder verfeinern, während Sie im Dashboard arbeiten | BrazeAI Operator |
Wenn eine Regel auf sauberen Daten die Frage beantwortet, verwenden Sie einen Standard-Canvas-Schritt. Agent-Ausführungen verbrauchen Credits. Wie sich Braze Agents von Decisioning-Agents in Decisioning Studio unterscheiden, erfahren Sie unter Braze Agent versus Decisioning-Agent.
Einen vollständigen Vergleich der BrazeAI-Features finden Sie unter BrazeAI.
Features
Zu den Features von Braze Agents gehören:
- Flexible Einrichtung: Verwenden Sie ein von Braze bereitgestelltes LLM oder verbinden Sie Ihre eigenen KI-Modellanbieter (wie OpenAI, Anthropic, Google Gemini oder Databricks Mosaic).
- Nahtlose Integration: Stellen Sie Agenten direkt in Canvas-Schritten oder Katalogfeldern bereit.
- Testen, Protokollierung und Versionsverlauf: Sehen Sie sich die Ausgabe Ihres Agenten in der Vorschau an, indem Sie ihn vor dem Start mit Beispieleingaben testen. Zeigen Sie Protokolle für jede Ausführung des Agenten an, einschließlich der Ein- und Ausgabe für diesen Durchlauf. Verwenden Sie den Tab Version history, um frühere Versionen und Inline-Diffs von Anweisungsänderungen zu überprüfen.
- Nutzungskontrollen: Tägliche Limits helfen bei der Verwaltung von Performance und Kosten.
- Agentic Standards: Definieren Sie Regeln und Regelsätze in der Agent Console und führen Sie dann vor dem Start einer Campaign oder eines Canvas eine agentische Evaluierung durch, um Markenrichtlinien, organisatorische Konventionen und technische Anforderungen zu prüfen.
Über Braze Agents
Agenten werden mit Anweisungen (System-Prompts) konfiguriert, die ihr Verhalten definieren. Wenn ein Agent ausgeführt wird, verwendet er Ihre Anweisungen zusammen mit allen Daten, die Sie ihm explizit übergeben, um eine Antwort zu generieren. Agenten können nicht auf Nutzerdaten zugreifen, die über das hinausgehen, was Sie konfigurieren – Liquid-Variablen, Agent-Kontext-Auswahlen, Canvas-Kontextvariablen und Kontextschritt-Werte. Agenten durchsuchen keine Profile und warnen nicht, wenn Daten fehlen. Siehe Welche Daten Agenten erhalten.
Schlüsselkonzepte
| Begriff | Definition |
|---|---|
| Modell | Das „Gehirn“ des Agenten, in diesem Fall ein großes Sprachmodell (LLM). Es interpretiert Eingaben, generiert Antworten und führt Schlussfolgerungen durch. Ein leistungsfähigeres Modell (trainiert mit relevanteren Daten) macht den Agenten fähiger und vielseitiger. |
| Anweisungen | Die Regeln oder Richtlinien, die Sie dem Agenten geben (System-Prompt). Sie definieren, 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. Nutzerprofilfelder oder Katalogreihen. Diese Eingabe liefert die Informationen, die der Agent zur Generierung von Ausgaben verwendet. |
| Canvas-Kontextvariablen | Temporäre Datenwerte, 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 vom Datentyp String, Zahl oder Boolean sein. |
| Aufruf | Eine einzelne Ausführung des Agenten. Dies wird auf Ihre täglichen Limits angerechnet. |
| Ausgabeformat | Die vordefinierte Datenstruktur der Antwort des Agenten. |
| Wissensquellen | Eine Art von Agent-Kontext, der verwendet wird, um Daten aus einem Katalog genauer abzurufen, als wenn der Katalog direkt in den Anweisungen des Agenten referenziert wird. |
| Conversational Agents | Ein Kanal für mehrstufige Konversationen mit Nutzer:innen. Sie definieren Konversations-Workflows mit Tools, damit Nutzer:innen Aufgaben über SMS, RCS, WhatsApp oder Web-Chat erledigen können. |
Einschränkungen
Es gelten die folgenden Einschränkungen:
- Jeder Agent hat ein standardmäßiges tägliches Aufruf-Limit 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 Aktions-Credit-Kostenlimit an – die geschätzten maximalen Credits pro Tag basierend auf dem Credit-Verhältnis pro Aufruf Ihres Modells und dem täglichen Aufruf-Limit. Siehe Tägliche Aufruf- und Credit-Limits.
- Standardmäßig muss jede Ausführung innerhalb von 20 Sekunden abgeschlossen sein. Nach 20 Sekunden gibt der Agent eine
null-Antwort zurück, wo immer er eingesetzt wird.- Wenn Ihre Agenten regelmäßig das Zeitlimit überschreiten, wenden Sie sich an Ihren Braze Account Manager, um dieses Limit zu erhöhen.
- Eingabedaten sind auf 25 KB pro Anfrage begrenzt. Längere Eingaben werden abgeschnitten.
Best Practices
Setzen Sie auf hochwertige Anwendungsfälle, bei denen Agenten die größte Kapitalrendite (ROI) erzielen können, und wählen Sie Zielgruppen, die wahrscheinlich darauf reagieren. Eine kleinere Zielgruppe mit hohem Potenzial übertrifft oft eine große Zielgruppe mit geringem Potenzial – zum Beispiel ist es effektiver, Nutzer:innen erneut anzusprechen, die kürzlich gesucht, aber nicht konvertiert 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 kleiner Test vielversprechend aussieht, skalieren Sie den Agenten auf Ihre gesamte Zielgruppe und erhöhen Sie das tägliche Aufruf-Limit, damit Aufrufe nicht mitten im Versand begrenzt werden. Stellen Sie sicher, 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 eines Canvas-Schritt-Agent- oder Katalog-Agent-Aufrufs einen Rate-Limit-Fehler vom LLM-Anbieter zurückgibt, wiederholt Braze die Anfrage kontinuierlich mit exponentiellem Backoff.
Bei anderen Fehlern (z. B. Timeout oder ungültiger API-Schlüssel) wird die Ausgabe des Canvas-Schritt-Agents auf null gesetzt, es sei denn, der Agent hat Fallback-Werte konfiguriert in der Agent Console (nur Canvas-Schritt-Agents). Katalog-Agents wiederholen Fehler, die nicht auf Rate-Limits zurückzuführen sind, nicht. Wenn ein Agent sein tägliches Aufruflimit erreicht, wendet Braze die konfigurierten Fallback-Werte an, sofern vorhanden; andernfalls wird die Ausgabe auf null gesetzt.
Rate-Limit-Fehler, Nichtverfügbarkeit des Modells und Fehler aufgrund des täglichen Aufruflimits verbrauchen keine Braze-Credits. Timeouts verbrauchen Credits. Siehe Wann Credits verbraucht werden.
Wenn viele Nutzer:innen gleichzeitig einen Agent-Schritt betreten, kann die Verarbeitung aufgrund von Aufruf-Flusssteuerungen länger dauern. Konfigurieren Sie Fallback-Werte in der Agent Console für Canvas-Schritt-Agents, damit Nutzer:innen auch dann eine Ausgabe erhalten, wenn ein Aufruf fehlschlägt, oder verwenden Sie Standard-Liquid-Werte in nachgelagerten Nachrichtenschritten.
Wie werden meine Daten verwendet und an von Braze bereitgestellte LLMs gesendet?
Um KI-Ausgaben über Braze-KI-Features zu generieren, die Braze als Nutzung von Braze bereitgestellter LLMs kennzeichnet („Ausgabe“), sendet Braze Ihren System-Prompt oder andere Eingaben, sofern zutreffend („Eingabe“), an das von Braze bereitgestellte LLM. Daten, die an das jeweilige von Braze bereitgestellte LLM gesendet werden, werden nicht zum Trainieren oder Verbessern des von Braze bereitgestellten LLMs verwendet. Zwischen Ihnen und Braze ist die Ausgabe Ihr geistiges Eigentum. Braze wird keine Urheberrechtsansprüche an einer solchen Ausgabe geltend machen. Braze gibt keinerlei Gewährleistung in Bezug auf KI-generierte Inhalte im Allgemeinen, einschließlich der Ausgabe.
Das von Braze bereitgestellte LLM für Braze Agents, gekennzeichnet als „Auto“, verwendet Google-Gemini-Modelle. Google speichert Eingaben und Ausgaben, die über Braze übermittelt werden, für 55 Tage, danach werden die Daten gelöscht.
Nächste Schritte
Jetzt, da Sie über Braze Agents Bescheid wissen, sind Sie bereit für die nächsten Schritte: