Agents – Häufig gestellte Fragen

Dieser Artikel enthält Antworten auf häufig gestellte Fragen zu Braze Agents.

Allgemein

Was ist der Unterschied zwischen einem Braze Agent und einem Decisioning-Agent?

Ein Braze Agent analysiert den Kontext einzelner Nutzer:innen in einem Canvas-Schritt oder Katalogfeld. Ein Decisioning-Agent in Decisioning Studio lernt aus gemessenen Ergebnissen über Ihre gesamte Population hinweg. Weitere Informationen finden Sie unter Braze Agent versus Decisioning-Agent.

Was ist der Unterschied zwischen Braze Agents und BrazeAI Operator?

Operator arbeitet mit Ihnen im Dashboard, während Sie Inhalte erstellen. Braze Agents werden zum Sendezeitpunkt ausgeführt und erzeugen für jede:n Nutzer:in ein individuelles Ergebnis. Weitere Informationen finden Sie unter Inhalte generieren.

Was ist der Unterschied zwischen Canvas-Schritt-Agents und Katalog-Agents?

Beim Erstellen eines Agents legen Sie fest, ob Sie einen Canvas-Schritt-Agent oder einen Katalog-Agent erstellen möchten. Dies bestimmt die Arten von Anweisungen und Optionen, die der Agent unterstützen kann. Canvas-Schritt-Agents verarbeiten Nutzer:innen in Echtzeit innerhalb von Journeys, während Katalog-Agents Katalogdaten anreichern, indem sie Spalten mit verarbeiteten Informationen hinzufügen oder aktualisieren.

Welche Vorteile bietet die Verwendung des Auto-Modells im Vergleich zum Bring-your-own-Modell (BYO)?

Vorteile der Verwendung des Braze Auto-Modells umfassen:

• Es ist keine Eingabe von API-Schlüsseln oder Einrichtung einer Integration erforderlich
• Automatisches Routing jeder Anfrage an das effektivste Modell für die jeweilige Aufgabe

Wo kann ich meine aktuelle Agent-Nutzung einsehen?

Gehen Sie zu Einstellungen > Abrechnung > Credits-Nutzung > Agent Console, um den Credit-Verbrauch, die Anzahl der Aufrufe und die Credit-Verhältnisse pro Agent einzusehen. Weitere Details finden Sie unter Tägliche Aufruf- und Credit-Limits.

Kann ich bedingte Liquid-Anweisungen in Agent-Anweisungen verwenden?

Nein, der Versuch, Liquid-Blöcke wie {% if %}-Anweisungen zu schreiben, kann zu einem Validierungsfehler führen. Agents können verschiedene Szenarien stattdessen durch Beschreibungen in natürlicher Sprache im Prompt abdecken.

Können Agents auf Nutzerdaten zugreifen, die über die spezifischen Liquid-Attribute oder den Canvas-Kontext hinausgehen, die ich ihnen übergebe?

Nein. Agents erhalten nur die spezifischen Nutzerdatenpunkte, die über Liquid in Anweisungen, + Agent-Kontext-Auswahlen, vorgelagerte Context-Schritte in Canvas oder zusätzlichen Kontext im Agent-Schritt übergeben werden. Agents können keine Nutzerprofile nach Attributen durchsuchen, für deren Empfang sie nicht konfiguriert wurden.

Agents können Sie auch nicht warnen, wenn erforderliche Daten fehlen – sie arbeiten mit dem, was im Prompt enthalten ist. Behandeln Sie die Agent-Einrichtung als bewusstes Input-zu-Output-Design: Übergeben Sie jedes Feld, das der Agent benötigt, und überprüfen Sie die Eingaben unter Agent Console > Logs. Eine Anleitung finden Sie unter Welche Daten Agents erhalten.

Fehlerbehebung

Warum hat mein Agent meine Anweisungen oder Regeln nicht befolgt?

Formulieren Sie wann immer möglich positive, explizite Anweisungen. Sagen Sie dem Agenten, was er tun soll, und formulieren Sie Einschränkungen in konkreten Begriffen. Zum Beispiel: „Wenn {{product_name}} leer ist, behandle es so, als wäre es nie angegeben worden.“

Verwenden Sie Operator, um Ihren Prompt zu überprüfen. Operator geht Ihre Anweisungen durch und erklärt, wo der Agent wahrscheinlich abgewichen ist.

Warum hat mein Catalog-Agent einige Zeilen übersprungen?

Catalog-Agenten überspringen eine Zeile, wenn eine Spalte, die Sie als zur Ausführung erforderlich markiert haben, leer ist oder fehlt – zum Beispiel ein gender-Feld, das nicht ausgefüllt wurde. Nachdem Sie Eingabespalten ausgewählt haben, aktivieren Sie die Pflichtfeld-Kontrolle für das Katalogfeld und wählen Sie aus, welche Spalten Werte enthalten müssen, bevor der Agent ausgeführt wird. Ausgewählte Spalten sind standardmäßig als erforderlich markiert, aber Sie können Spalten entfernen, die leer sein dürfen, ohne die Ausführung zu blockieren. Dies vermeidet verschwendete Token bei unvollständigen Daten.

Der Agent berücksichtigt auch Spaltenabhängigkeiten. Wenn eine Ausgabespalte von anderen Spalten abhängt (zum Beispiel erfordert Spalte D Werte in den Spalten B und C), wird der Agent erst ausgeführt, wenn diese vorgelagerten Spalten für die jeweilige Zeile befüllt sind.

Weitere Details finden Sie unter Best Practices für Catalog-Agenten.

Verbrauchen fehlgeschlagene Agentenaufrufe Credits?

Das hängt von der Art des Fehlers ab:

Weitere Informationen finden Sie unter Wann Credits verbraucht werden.

Mein Agent hat Schwierigkeiten mit einer komplexen Aufgabe. Wie kann ich seine Performance verbessern?

Wenn Sie feststellen, dass der Agent mit den gestellten Aufgaben Schwierigkeiten hat, ziehen Sie einen Sub-Agenten-Ansatz in Betracht. Sie könnten beispielsweise drei Agenten verwenden, um Folgendes zu tun:

• Agent 1 standardisiert und transformiert eingehende unstrukturierte Canvas-Kontextdaten.
• Agent 2 referenziert einen Katalog mit Artikeldetails und identifiziert, welche Artikel relevant sein könnten.
• Agent 3 referenziert einen anderen Katalog, der verschiedene mögliche Beschreibungen für jeden Artikel enthält, und identifiziert die für die Nutzer:innen relevanteste Artikelbeschreibung, um sie in einer E-Mail zu platzieren.

Was kann dazu führen, dass ein angepasster Agent häufig ein Timeout hat?

Ein angepasster Agent kann ein Timeout haben, wenn:

• Die Agentenanweisungen unvollständig oder widersprüchlich sind
• Die Agentenanweisungen nicht alle Szenarien abdecken oder keine Fallback-Bedingung enthalten (wie „Wenn alle Eingaben leer sind, gib ‚Konnte nicht personalisieren’ aus“)
• Die Agentenanweisungen den Agenten auffordern, ein anderes Ausgabeformat als das im Tab Ausgabe angegebene zu verwenden (zum Beispiel, wenn die Agentenanweisungen einen String verlangen, aber im Tab Ausgabe die Ausgabe als Zahl definiert ist)
• Die Aufgabe des Agenten zu komplex ist und von einem Sub-Agenten-Ansatz profitieren würde

So reduzieren Sie Timeouts

Wenn Ihr Agent häufig ein Timeout hat, versuchen Sie Folgendes, bevor Sie Ihren Account Manager wegen eines höheren Timeout-Limits kontaktieren:

• Wählen Sie ein einfacheres oder kostengünstigeres Modell: Schnellere Modelle werden in der Regel innerhalb des Standard-Timeout-Fensters fertig. Siehe Bestimmen, welches Modell verwendet werden soll.
• Senken Sie das Denkniveau (nur BYO-Modelle): Beginnen Sie mit Minimal und erhöhen Sie nur, wenn die Ausgabequalität leidet. Siehe Denkniveaus.
• Vereinfachen Sie den Prompt: Entfernen Sie redundante Anweisungen, kürzen Sie Beispiele und schränken Sie das Ausgabeschema ein. Verwenden Sie Operator, um Ihre Anweisungen zu überprüfen und zu straffen.
• Teilen Sie komplexe Workflows auf mehrere Agenten auf: Wenn der Anwendungsfall mehrere Teilschritte hat (zum Beispiel Absicht klassifizieren, dann Text generieren), verwenden Sie separate Agenten nacheinander in Canvas oder im Katalog, anstatt einen Agenten, der alles erledigt. Siehe Sub-Agenten-Ansatz.

Hinweis

Timeouts verbrauchen Braze-Credits, auch wenn der Agent keine verwertbare Ausgabe liefert. Siehe Wann Credits verbraucht werden.

Konfigurieren Sie für Canvas-Schritt-Agenten Fallback-Werte in der Agent Console, damit Nutzer:innen auch dann eine Ausgabe erhalten, wenn ein Aufruf fehlschlägt.

Warum hat mein Agent im Test gut funktioniert, erhält aber keine nutzerspezifischen Daten, wenn ich ihn in einem Canvas starte?

Wenn Ihr Agent während des Tests korrekt funktioniert, aber in einem Live-Canvas keine nutzerspezifischen Daten erhält, versuchen Sie diese Schritte zur Fehlerbehebung:

• Stellen Sie sicher, dass die nutzerspezifischen Daten, die der Agent erhalten soll, als Liquid-Variablen in den Agentenanweisungen eingetragen sind.
• Wenn Sie wichtige Daten im Canvas-Kontext haben, verwenden Sie die Option Gesamten Canvas-Kontext hinzufügen in der Agenten-Konfiguration, um sicherzustellen, dass der Agent den gesamten Canvas-Kontext erhält.
• Stellen Sie sicher, dass alle Canvas-Kontextdaten, auf die der Agent zugreifen soll, als Canvas-Kontext gespeichert sind. Verwenden Sie einen Kontext-Schritt vor dem Agenten-Schritt, um diese Daten zu speichern.

Compliance

Ist Agent Console DSGVO-/CCPA-konform?

Ja. Wenn Kund:innen das Braze-Auto-Modell (basierend auf Gemini) verwenden, agiert Google als Unterauftragsverarbeiter von Braze, vorbehaltlich der Bedingungen des Auftragsverarbeitungsvertrags (Data Processing Addendum, DPA) zwischen den Kund:innen und Braze.

Ist Agent Console HIPAA-konform?

Ja. Bei Verwendung des Braze-Auto-Modells haben wir eine spezifische HIPAA-Vereinbarung, das Business Associate Addendum (BAA), mit Google abgeschlossen, das Gemini abdeckt und unser Auto-Modell antreibt.

Unser BAA gilt ausschließlich für Kund:innen, die das Braze-Auto-Modell verwenden. Wenn Kund:innen ihren eigenen LLM-Schlüssel verwenden, sendet Braze keine geschützten Gesundheitsinformationen (Protected Health Information, PHI), die dem HIPAA unterliegen, in ihrem Auftrag an ein LLM – die Kund:innen senden diese direkt. In diesem Fall gilt das BAA zwischen Braze und Google nicht. Die Datenverarbeitung über ihren eigenen LLM-Schlüssel unterliegt dem Vertrag der Kund:innen und einem etwaigen BAA, das sie direkt mit ihrem LLM-Anbieter abgeschlossen haben.