Skip to content

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.

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, intelligentere und stärker personalisierte Erlebnisse zu schaffen – ohne zusätzlichen Aufwand. Sie agieren als autonome Agenten, die nicht nur auf Eingaben reagieren, sondern Kontext verstehen, Entscheidungen treffen und zielgerichtet handeln.

In der Praxis können Agenten automatisch Nachrichtentexte erstellen – wie Betreffzeilen oder In-Product-Texte –, sodass jede Kundin und jeder Kunde eine Kommunikation erhält, die sich individuell 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 Agenten Ihre Kataloge anreichern, indem sie Produkt- und Profilfeldwerte berechnen oder generieren und so Ihre Daten aktuell und dynamisch halten. Indem sie repetitive oder komplexe Aufgaben übernehmen, geben sie Ihrem Team die Freiheit, sich auf Strategie und Kreativität zu konzentrieren, statt auf manuelle Einrichtung. Braze Agents agieren eher wie Mitarbeitende als wie Hintergrundprozesse – sie helfen Ihnen, Probleme zu lösen und Wirkung in großem Maßstab zu erzielen.

Wann Braze Agents im Vergleich zu anderen BrazeAI-Features einsetzen

Verwenden Sie Agenten, um Inhalte spontan anhand des spezifischen Kontexts einer Nutzerin oder eines Nutzers zu personalisieren. Wenn ein Agent beispielsweise weiß, dass die Lieblingseissorte einer bestimmten Nutzerin Schokolade ist und ihr Lieblingstopping Gummibärchen, kann er Push-Texte erstellen, die genau auf diese Kombination für diese Nutzerin zugeschnitten sind, während sie den Canvas durchläuft.

Der Agent lernt jedoch nicht durch Versuch und Irrtum und hat keine Vorstellung von einem übergeordneten Marketingziel, das er messen und maximieren möchte. Selbst wenn Sie ihm sagen, dass er generell Texte schreiben soll, die Konversionen fördern, hat er keinen Mechanismus, um die Konversionsauswirkungen seiner agentischen Texterstellung zu „überwachen“ und diese Daten in zukünftige agentische Aufrufe einfließen zu lassen. Sie können sich das als „Bauchgefühl“-Entscheidungsfindung vorstellen, nicht als belohnungsbasierte KI-Entscheidungsfindung.

Im Gegensatz dazu sind andere BrazeAI-Tools darauf ausgelegt, die Metriken zu maximieren, die sie messen. Agenten sind beispielsweise sehr gut darin, qualitativ zu bewerten, wie die Eigenschaften einer Nutzerin oder eines Nutzers deren Wahrscheinlichkeit oder Neigung beeinflussen, ein bestimmtes Ereignis auszuführen oder ein bestimmtes Produkt zu mögen. Da der Agent jedoch nicht durch Versuch und Irrtum lernt, hat er keine Möglichkeit, die Genauigkeit seiner Wahrscheinlichkeitsvorhersagen zu messen und das Signal im Laufe der Zeit zu verbessern. Daher übertrifft die Predictive Suite den Agent-Schritt, wenn man die Genauigkeit der Prognosen und die Verbesserungen im Zeitverlauf bewertet.

Features

Features für Braze Agents umfassen:

  • Flexibles Setup: 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: Zeigen Sie eine Vorschau der Ausgabe Ihres Agenten an, indem Sie vor dem Start mit Beispieleingaben testen. Sehen Sie sich Protokolle für jeden Agentenlauf ein, einschließlich der Ein- und Ausgabe für diesen Lauf. Verwenden Sie den Tab Versionsverlauf, um frühere Versionen und Inline-Diffs von Anweisungsänderungen zu überprüfen.
  • Nutzungskontrollen: Tägliche Limits helfen bei der Verwaltung von Performance und Kosten.

Über Braze Agents

Agenten werden mit Anweisungen (Systemprompts) konfiguriert, die ihr Verhalten definieren. Wenn ein Agent ausgeführt wird, verwendet er Ihre Anweisungen zusammen mit allen Daten, die Sie explizit übergeben, um eine Antwort zu generieren. Agenten können nicht auf Nutzerdaten zugreifen, die über das hinausgehen, was Sie konfigurieren – Liquid-Variablen, Agentenkontext-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 Large Language Model (LLM). Es interpretiert Eingaben, generiert Antworten und führt Schlussfolgerungen durch. Ein leistungsfähigeres Modell (trainiert mit relevanteren Daten) macht den Agenten vielseitiger und kompetenter.
Anweisungen Die Regeln oder Richtlinien, die Sie dem Agenten geben (Systemprompt). 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 wird – z. B. Nutzerprofilfelder oder Katalogzeilen. Diese Eingabe liefert die Informationen, die der Agent zur Generierung von Ausgaben verwendet.
Canvas-Kontextvariablen Temporäre Daten, die Sie innerhalb der Journey einer Nutzerin oder eines Nutzers 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 den Datentyp String, Zahl oder Boolean haben.
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 Agentenkontext, der verwendet wird, um Daten aus einem Katalog genauer abzurufen, als wenn der Katalog direkt in den Anweisungen des Agenten referenziert wird.

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. Kontaktieren Sie Ihren Customer-Success-Manager, wenn Sie dieses Limit erhöhen möchten.
  • Die Agentenkonsole 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 verwendet wird.
    • Wenn Ihre Agenten regelmäßig ein Timeout erreichen, kontaktieren Sie 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 reagieren. Eine kleinere Zielgruppe mit hoher Opportunity übertrifft oft eine große Zielgruppe mit geringer Opportunity – zum Beispiel das Retargeting von Nutzer:innen, 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 Agentenkonsole (nur Canvas-Schritt-Agents). Katalog-Agents wiederholen keine Fehler, die nicht auf Rate-Limits zurückzuführen sind. 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, Modell-Nichtverfügbarkeit und Fehler durch das tägliche Aufruflimit verbrauchen keine Braze-Credits. Timeouts verbrauchen Credits. Siehe Wann Credits verbraucht werden.

Wenn viele Nutzer:innen gleichzeitig einen Agent-Schritt erreichen, kann die Verarbeitung aufgrund von Aufruf-Flusssteuerungen länger dauern. Konfigurieren Sie Fallback-Werte in der Agentenkonsole 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-AI-Features zu generieren, die Braze als von Braze bereitgestellte LLMs nutzend kennzeichnet („Ausgabe“), sendet Braze Ihren System-Prompt oder andere Eingaben, soweit 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 erhebt keine Urheberrechtsansprüche auf solche Ausgaben. Braze gibt keinerlei Garantie in Bezug auf KI-generierte Inhalte im Allgemeinen, einschließlich der Ausgabe.

Das von Braze bereitgestellte LLM für Braze Agents, als „Auto“ gekennzeichnet, verwendet Google-Gemini-Modelle. Google speichert Eingaben und Ausgaben, die über Braze übermittelt werden, für 55 Tage, danach werden die Daten gelöscht.

Nächste Schritte

Nachdem Sie nun Braze Agents kennen, sind Sie bereit für die nächsten Schritte:
New Stuff!