Angepasste Agenten erstellen

Erfahren Sie, wie Sie angepasste Agenten erstellen, was Sie vor dem Start vorbereiten müssen und wie Sie diese für Messaging, Entscheidungsfindung und Datenmanagement einsetzen können. Weitere allgemeine Informationen finden Sie unter Braze-Agenten.

Voraussetzungen

Bevor Sie beginnen, benötigen Sie Folgendes:

• Berechtigung für den Zugriff auf die Agent-Konsole in Ihrem Workspace. Wenden Sie sich an Ihre Braze-Admins, wenn Sie diese Option nicht sehen.
• Berechtigung zum Erstellen und Bearbeiten angepasster KI-Agenten.
• Eine Idee, was der Agent erreichen soll. Braze Agents können die folgenden Aktionen unterstützen:
  • Personalisiertes Messaging: Generieren Sie Betreffzeilen, Überschriften, In-Product-Texte oder andere Inhalte.
  • Nutzer-Routing: Leiten Sie Nutzer:innen in Canvas basierend auf Verhalten, Präferenzen oder angepassten Attributen weiter.
  • Datenverwaltung: Berechnen Sie Werte, reichern Sie Katalogeinträge an oder aktualisieren Sie Profilfelder.

So funktioniert es

Wenn Sie einen Agenten erstellen, legen Sie seinen Zweck fest und definieren Guardrails für sein Verhalten. Sobald der Agent live ist, können Sie ihn in Braze einsetzen, um personalisierte Texte zu generieren, Realtime-Entscheidungen zu treffen oder Katalogfelder zu aktualisieren. Während Sie Ihren Agenten erstellen, können Sie ihn als Entwurf speichern und jederzeit im Dashboard aktualisieren. Jedes Speichern erzeugt eine neue Version, die Sie im Tab Versionsverlauf einsehen können.

Die folgenden Anwendungsfälle zeigen einige Möglichkeiten, wie Sie angepasste Agenten nutzen können.

Agenten erstellen

Schritt 1: Agent-Typ auswählen

Wählen Sie zunächst Ihren Agent-Typ aus, um einen Agenten zu erstellen:

1. Gehen Sie zu Agenten.
2. Wählen Sie Canvas-Schritt-Agenten oder Daten-Agenten.

Schritt 2: Erstellungsart für den Agenten auswählen

Wählen Sie Agent erstellen und anschließend eine der folgenden Optionen:

• Angepasster Agent, um einen Agenten von Grund auf neu zu erstellen
• Eine Option unter Agenten mit Operator erstellen, um mit BrazeAI Operator ein Start-Template anzuwenden

Wenn Sie Operator verwenden, prüfen und bestätigen Sie die Änderungen im Chat, bevor Sie mit dem nächsten Schritt fortfahren.

Schritt 3: Details einrichten

Richten Sie als Nächstes die Details für Ihren Agenten ein:

1. Geben Sie einen Namen und eine Beschreibung ein, damit Ihr Team den Zweck des Agenten versteht.
2. (optional) Fügen Sie Tags hinzu, um Ihren Agenten filtern zu können.
3. Wählen Sie das Modell aus, das Ihr Agent verwenden soll.
4. Wenn Sie nicht das Modell Braze Auto verwenden, wählen Sie das Denklevel des Modells aus. Sie können zwischen minimal, niedrig, mittel und hoch wählen. Wir empfehlen, mit Minimal zu beginnen, die Antworten Ihres Agenten zu testen und die Einstellung bei Bedarf anzupassen.
5. Legen Sie ein tägliches Aufruflimit fest. Standardmäßig ist dieser Wert auf 250.000 gesetzt, er kann aber auf bis zu 1.000.000 erhöht werden. Wenn Sie das Limit über 1.000.000 hinaus erhöhen möchten, wenden Sie sich an Ihre:n Customer-Success-Manager:in. Setzen Sie das Limit nach dem Testen hoch genug für die geplante Größe Ihrer Zielgruppe. Ein zu niedriges Limit führt zu Fehlern durch das Tageslimit (diese verbrauchen keine Credits, wenden aber Fallback-Werte an oder lassen die Ausgabe auf null).

Das Feld Tägliches Kostenlimit für Aktions-Credits gibt die maximale Anzahl an Credits an, die dieser Agent pro Tag verbrauchen kann. Braze berechnet es aus dem Credit-Verhältnis pro Aufruf Ihres Workspace für das ausgewählte Modell (gemäß Ihrem Vertrag, angezeigt auf der Seite Credit-Verhältnisse), multipliziert mit dem täglichen Aufruflimit. Die Schätzung wird aktualisiert, wenn Sie das Modell oder das Aufruflimit ändern.

Um die Kosten zu steuern, senken Sie das tägliche Aufruflimit. Bei Modellen nach dem Prinzip Bring-Your-Own (BYO) können Sie außerdem zu einem günstigeren Modell wechseln oder das Denklevel reduzieren. Braze Auto unterstützt keine Anpassung des Denklevels. Die tatsächliche Nutzung verfolgen Sie unter Einstellungen > Abrechnung > Credits-Nutzung > Agent Console.

Schritt 4: Anweisungen schreiben

Geben Sie dem Agenten Anweisungen. Wenn Sie ein Operator-Template verwendet haben, prüfen Sie die vorausgefüllten Anweisungen und bearbeiten Sie sie bei Bedarf.

Legen Sie auch fest, was der Agent in unerwarteten oder mehrdeutigen Situationen tun soll. So verringern Sie das Risiko, dass Unklarheiten beim Agenten zu Fehlern führen. Bitten Sie den Agenten zum Beispiel nicht nur um die Stimmungswerte „positiv“ oder „negativ“, sondern lassen Sie ihn „unsicher“ zurückgeben, wenn er sich nicht entscheiden kann.

Sie können Ihre Anweisungen mit Markdown formatieren, etwa mit Überschriften, Aufzählungen und Tabellen, um sie in Abschnitte zu gliedern. Um die Formatierung zu prüfen, wählen Sie Vorschau neben dem Feld Anweisungen. Wählen Sie Bearbeiten, um zum Editor zurückzukehren. Nach dem Speichern zeigt auch die Ansichtsseite des Agenten die Anweisungen mit dieser Formatierung an.

Best Practices finden Sie unter Anweisungen schreiben, Anregungen für Prompts an Ihren Agenten unter Beispiele.

Kontext hinzufügen

Wichtig

Agenten erhalten nur Daten, die Sie explizit übergeben. Sie durchsuchen keine Nutzerprofile und warnen Sie nicht, wenn benötigte Daten fehlen. Verwenden Sie Liquid in Ihren Anweisungen, wählen Sie + Agent-Kontext, fügen Sie vorgelagerte Kontext-Schritte im Canvas hinzu oder übergeben Sie zusätzlichen Kontext im Agent-Schritt. Eine vollständige Liste der Datenquellen und Hinweise zur Gestaltung finden Sie unter Welche Daten Agenten erhalten.

Wählen Sie + Agent-Kontext, um festzulegen, worauf Ihr Agent zugreifen kann. Dazu gehören:

• Wissensquellen: Geben Sie dem Agenten Zugriff auf Katalogdaten. Erstellen Sie aus einem Katalog eine Wissensquelle und fügen Sie diese als Agent-Kontext hinzu, damit der Agent die benötigten Zeilen und Felder abfragen und abrufen kann.
• Segment-Zugehörigkeit: Lassen Sie den Agenten Antworten danach personalisieren, zu welchen Segmenten Nutzer:innen gehören. Sie können bis zu fünf Segmente auswählen.
• Markenrichtlinien: Verweisen Sie auf die Richtlinien zu Markenstimme und Stil, die der Agent befolgen soll. Wenn Ihr Agent zum Beispiel SMS-Texte generieren soll, die Nutzer:innen zum Abschluss einer Fitnessstudio-Mitgliedschaft motivieren, können Sie hier auf Ihre vordefinierte mutige, motivierende Richtlinie verweisen.
• Kontextdateien: Laden Sie Referenzdokumente (PDF, TXT, MD, CSV) hoch, die der Agent bei jedem Aufruf heranzieht. Wählen Sie + Agent-Kontext > Dateien hochladen, fügen Sie eine oder mehrere Dateien hinzu und speichern Sie dann den Agenten, um sie hochzuladen.
• Gesamter Canvas-Kontext: Analysieren Sie beim Aufruf dieses Agenten alle Canvas-Kontextdaten zu Nutzer:innen, einschließlich Variablen, die im Abschnitt Anweisungen nicht referenziert werden.
• Daten zu Nutzerinteraktionen: Stellen Sie dem Agenten die jüngsten Öffnungen, Klicks und Conversion-Daten der jeweiligen Nutzer:innen aus Kampagnen und Canvase bereit.

Tipp

Bei Canvas-Agenten können Sie in Ihren Anweisungen Liquid verwenden, um auf Nutzerattribute wie Vor- und Nachname oder auf angepasste Attribute zu verweisen. Jede Liquid-Variable in den Agent-Anweisungen wird automatisch an den Agent-Schritt übergeben, wenn Nutzer:innen den Schritt erreichen. Wie Sie Canvas-Kontext und Profildaten gezielt übergeben, erfahren Sie unter Welche Daten Agenten erhalten.

Schritt 5: Ausgabe auswählen

Im Abschnitt Ausgabe können Sie die Ausgabe des Agenten über einfache oder erweiterte Schemata strukturieren und definieren. Wenn Sie ein Operator-Template verwendet haben, prüfen Sie das vorausgefüllte Ausgabeschema und bearbeiten Sie es bei Bedarf.

Für optimale Ergebnisse sollten Ihre Angaben im Abschnitt Ausgabe mit den Agent-Anweisungen übereinstimmen, die Sie in Schritt 4 eingegeben haben. Wenn Sie in den Anweisungen zum Beispiel angegeben haben, dass Sie ein Objekt mit zwei Strings erwarten, legen Sie im Abschnitt Ausgabe auch ein Objekt mit zwei Strings fest. Wenn Anweisungen und festgelegte Ausgabe nicht übereinstimmen, kann der Agent verwirrt werden, eine Zeitüberschreitung verursachen oder unerwünschte Ausgaben erzeugen.

Tipp

Wenn Sie ein erweitertes Ausgabeschema verwenden, fügen Sie ein String-Feld namens explanation hinzu, wenn der Agent zusätzlich zu seinen anderen Ausgaben eine Begründung zurückgeben soll. Weisen Sie den Agenten in Ihren Anweisungen an, explanation zu befüllen, wenn Ihnen das beim Prüfen oder Debuggen von Antworten hilft.

Fallback-Werte konfigurieren

Fallback-Werte sind nur für Canvas-Schritt-Agenten verfügbar. Im Abschnitt Ausgabe eines Canvas-Schritt-Agenten können Sie Werte definieren, die Braze verwendet, wenn ein Agent-Aufruf fehlschlägt, etwa wenn das LLM eine Zeitüberschreitung hat oder einen Fehler wegen eines ungültigen API-Schlüssels zurückgibt. Fallback-Werte funktionieren wie Standardwerte bei der Personalisierung. Sie können zum Beispiel eine statische Betreffzeile oder eine kurze Nachricht festlegen, die Nutzer:innen auch dann eine sinnvolle Ausgabe liefert, wenn der Agent nicht ausgeführt werden kann.

Katalog-Agenten unterstützen die Konfiguration von Fallback-Werten in der Agent Console nicht.

Bei Canvas-Agenten unterstützen Fallback-Werte Liquid-Templates, sodass Sie im Fallback-Text auf Nutzerattribute oder Kontextvariablen verweisen können.

Die Fallback-Felder passen sich dem Ausgabeformat Ihres Canvas-Schritt-Agenten an:

Wenn ein Canvas-Schritt-Agent mit Fallback-Werten in einem Agent-Schritt ausgeführt wird, rendert Braze den Fallback pro Nutzer:in und speichert ihn statt null in der Ausgabevariable. Wenn Sie keine Fallback-Werte konfigurieren, bleibt die Canvas-Ausgabe bei fehlgeschlagenen Aufrufen leer (null).

Informationen zum Verhalten zur Laufzeit finden Sie unter Fehlerbehandlung und Fallback-Verhalten.

Schritt 6: Agenten testen

Das Panel Vorschau ist eine Instanz des Agenten, die als Panel neben der Konfiguration angezeigt wird. Hier können Sie den Agenten testen, während Sie ihn erstellen oder aktualisieren, und ihn ähnlich erleben wie Endnutzer:innen. So können Sie sicherstellen, dass er sich wie erwartet verhält, und ihn vor dem Livegang feinabstimmen.

1. Geben Sie im Feld Ihren Agenten testen Beispiel-Kundendaten oder Kundenantworten ein – alles, was reale Szenarien widerspiegelt, die Ihr Agent bearbeiten wird.
2. Zeigen Sie eine Vorschau der Antwort des Agenten für zufällige, bestehende oder angepasste Nutzer:innen an.
3. Wählen Sie Antwort simulieren. Der Agent wird gemäß Ihrer Konfiguration ausgeführt und zeigt seine Antwort an.

Hinweis

Testläufe werden auf Ihr tägliches Aufruflimit angerechnet.

Prüfen Sie die Ausgabe kritisch. Berücksichtigen Sie dabei folgende Fragen:

• Passt der Text zu Ihrer Marke?
• Leitet die Entscheidungslogik Kund:innen wie vorgesehen weiter?
• Sind die berechneten Werte korrekt?

Wenn etwas nicht stimmt, aktualisieren Sie die Konfiguration des Agenten und testen Sie erneut. Probieren Sie verschiedene Eingaben aus, um zu sehen, wie sich der Agent an unterschiedliche Szenarien anpasst – insbesondere an Grenzfälle wie fehlende Daten oder ungültige Antworten.

Tipp

Formulieren Sie, was der Agent tun soll. Wenn Sie unerwünschte Inhalte auflisten, kann das Modell trotzdem dazu verleitet werden, genau diese zu generieren. Weitere Hinweise finden Sie unter Warum hat mein Agent meine Anweisungen oder Regeln nicht befolgt?.

Schritt 7: Agenten verwenden

Ihr Agent ist jetzt einsatzbereit! Weitere Details finden Sie unter Agenten bereitstellen.

Mit Operator erstellte Agenten-Templates

Operator kann Anweisungen, Ausgabefelder und Kontext für die folgenden Startvorlagen der Agent Console vorkonfigurieren. Wählen Sie ein Template in Operator aus oder bitten Sie Operator, eines nach Namen anzuwenden.

Canvas-Schritt-Agenten-Templates

Katalog-Agenten-Templates

Zugehörige Ressourcen

• Referenz für Agenten
• Häufig gestellte Fragen
• Braze-Webinar: AI in Action