Agents – Häufig gestellte Fragen

Dieser Artikel beantwortet häufig gestellte Fragen zu Braze Agents.

Allgemein

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

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

Was ist der Unterschied zwischen Braze Agents und BrazeAI Operator?

Operator unterstützt Sie im Dashboard, während Sie etwas erstellen. Braze Agents werden zum Sendezeitpunkt ausgeführt und liefern für alle Nutzer:innen jeweils ein eigenes Ergebnis. Weitere Informationen finden Sie unter Inhalte generieren.

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

Beim Erstellen eines Agenten legen Sie fest, ob Sie einen Canvas-Schritt-Agenten oder einen Katalog-Agenten erstellen möchten. Davon hängt ab, welche Arten von Anweisungen und Optionen der Agent unterstützt. Canvas-Schritt-Agenten verarbeiten Nutzer:innen in Realtime innerhalb von Journeys. Katalog-Agenten reichern Katalogdaten an, indem sie Spalten mit verarbeiteten Informationen hinzufügen oder aktualisieren.

Welche Vorteile bietet das Auto-Modell gegenüber einem eigenen Modell (BYO)?

Das Braze Auto-Modell bietet unter anderem folgende Vorteile:

• Sie müssen keine API-Schlüssel abrufen oder eingeben und keine Integration einrichten.
• Jeder Aufruf wird automatisch an das Modell weitergeleitet, das die jeweilige Aufgabe am besten erledigt.

Wo finde ich meine aktuelle Agenten-Nutzung?

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

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

Nein. Wenn Sie Liquid-Blöcke wie {% if %}-Anweisungen schreiben, kann das zu einem Validierungsfehler führen. Agenten können verschiedene Szenarien stattdessen über Beschreibungen in natürlicher Sprache im Prompt abdecken.

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

Nein. Agenten erhalten nur die konkreten Datenpunkte zu Nutzer:innen, die per Liquid in den Anweisungen, über die Auswahl unter + Agent-Kontext, über vorgelagerte Kontext-Schritte im Canvas oder als zusätzlicher Kontext im Agent-Schritt übergeben werden. Agenten können Nutzerprofile nicht nach Attributen durchsuchen, für deren Empfang Sie sie nicht konfiguriert haben.

Agenten können Sie außerdem nicht warnen, wenn erforderliche Daten fehlen. Sie arbeiten mit dem, was im Prompt steht. Betrachten Sie die Einrichtung eines Agenten daher als bewusstes Design von Eingabe und Ausgabe: Übergeben Sie jedes Feld, das der Agent benötigt, und überprüfen Sie die Eingaben im Tab Logs des Agenten. Hinweise dazu finden Sie unter Welche Daten Agenten erhalten.

Fehlerbehebung

Warum hat mein Agent meine Anweisungen oder Regeln nicht befolgt?

Formulieren Sie Anweisungen nach Möglichkeit positiv und explizit. Sagen Sie dem Agenten, was er tun soll, und beschreiben Sie Einschränkungen konkret. Zum Beispiel: „Wenn {{product_name}} leer ist, behandle es so, als wäre es nie angegeben worden.“

Lassen Sie Ihren Prompt mit Operator prüfen. Operator geht Ihre Anweisungen durch und erklärt, an welcher Stelle der Agent wahrscheinlich abgewichen ist.

Warum hat mein Katalog-Agent einige Zeilen übersprungen?

Katalog-Agenten überspringen eine Zeile, wenn eine Spalte, die Sie als zum Ausführen erforderlich markiert haben, leer ist oder fehlt, zum Beispiel ein nicht ausgefülltes Feld gender. Aktivieren Sie nach der Auswahl der Eingabespalten die Steuerung für erforderliche Eingaben für das Katalogfeld und legen Sie fest, welche Spalten Werte enthalten müssen, bevor der Agent ausgeführt wird. Ausgewählte Spalten sind standardmäßig erforderlich. Spalten, die leer sein dürfen, können Sie jedoch entfernen, damit sie den Aufruf nicht blockieren. So vermeiden Sie, dass Token für unvollständige Daten verschwendet werden.

Der Agent berücksichtigt außerdem Spaltenabhängigkeiten. Hängt eine Ausgabespalte von anderen Spalten ab (zum Beispiel benötigt Spalte D Werte in den Spalten B und C), wird der Agent erst ausgeführt, wenn diese vorgelagerten Spalten für die betreffende Zeile befüllt sind.

Weitere Informationen finden Sie unter Best Practices für Katalog-Agenten.

Verbrauchen fehlgeschlagene Agentenaufrufe Credits?

Das hängt von der Art des Fehlers ab:

Details finden Sie unter Wann Credits verbraucht werden.

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

Wenn der Agent mit den gestellten Aufgaben Schwierigkeiten hat, sollten Sie einen Ansatz mit Sub-Agenten in Betracht ziehen. Sie könnten zum Beispiel drei Agenten für folgende Aufgaben einsetzen:

• Agent 1 standardisiert und transformiert eingehende, unstrukturierte Canvas-Kontextdaten.
• Agent 2 greift auf einen Katalog mit Artikeldetails zu und ermittelt, welche Artikel relevant sein könnten.
• Agent 3 greift auf einen anderen Katalog mit verschiedenen möglichen Beschreibungen für jeden Artikel zu und ermittelt die für die Nutzer:in relevanteste Artikelbeschreibung, die in eine E-Mail eingefügt wird.

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

Ein angepasster Agent kann in ein Timeout laufen, wenn:

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

So reduzieren Sie Timeouts

Wenn Ihr Agent häufig in ein Timeout läuft, probieren Sie Folgendes aus, bevor Sie sich wegen eines höheren Timeout-Limits an Ihren Account Manager wenden:

• Wählen Sie ein einfacheres oder günstigeres Modell: Schnellere Modelle werden in der Regel innerhalb des Standard-Timeout-Fensters fertig. Siehe Festlegen, welches Modell verwendet werden soll.
• Senken Sie die Thinking-Stufe (nur BYO-Modelle): Beginnen Sie mit Minimal und erhöhen Sie die Stufe nur, wenn die Ausgabequalität leidet. Siehe Thinking-Stufen.
• Vereinfachen Sie den Prompt: Entfernen Sie redundante Anweisungen, kürzen Sie Beispiele und grenzen Sie das Ausgabeschema ein. Nutzen Sie Operator, um Ihre Anweisungen zu prüfen und zu straffen.
• Teilen Sie komplexe Workflows auf mehrere Agenten auf: Umfasst der Anwendungsfall mehrere Teilschritte (zum Beispiel erst die Absicht klassifizieren, dann Text generieren), verwenden Sie im Canvas oder Katalog mehrere Agenten nacheinander statt eines einzigen Agenten, der alles erledigt. Siehe Ansatz mit Sub-Agenten.

Hinweis

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

Konfigurieren Sie für Canvas-Schritt-Agenten in der Agent Console Fallback-Werte, 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 im Test korrekt funktioniert, in einem Live-Canvas aber keine nutzerspezifischen Daten erhält, probieren Sie folgende Schritte zur Fehlerbehebung:

• Stellen Sie sicher, dass die nutzerspezifischen Daten, die der Agent erhalten soll, als Liquid-Variablen in den Agentenanweisungen angegeben sind.
• Wenn sich wichtige Daten im Canvas-Kontext befinden, verwenden Sie in der Agentenkonfiguration die Option Gesamten Canvas-Kontext hinzufügen, damit der Agent den vollständigen Canvas-Kontext erhält.
• Stellen Sie sicher, dass alle Canvas-Kontextdaten, auf die der Agent zugreifen soll, auch als Canvas-Kontext gespeichert sind. Verwenden Sie vor dem Agentenschritt einen Kontextschritt, um diese Daten zu speichern.

Compliance

Ist Agent Console DSGVO- und CCPA-konform?

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

Ist Agent Console HIPAA-konform?

Ja. Für das Braze-Auto-Modell haben wir mit Google eine spezielle HIPAA-Vereinbarung abgeschlossen, das Business Associate Addendum (BAA). Es deckt Gemini ab, das unserem Auto-Modell zugrunde liegt.

Unser BAA gilt nur für Kund:innen, die das Braze-Auto-Modell verwenden. Wenn Kund:innen ihren eigenen LLM-Schlüssel nutzen, sendet Braze keine geschützten Gesundheitsinformationen (Protected Health Information, PHI), die dem US-Gesetz zum Schutz medizinischer Daten (HIPAA) unterliegen, in deren Auftrag an ein LLM. Die Kund:innen senden diese Daten direkt. In diesem Fall gilt das BAA zwischen Braze und Google nicht. Die Datenverarbeitung über den eigenen LLM-Schlüssel richtet sich nach dem Vertrag der Kund:innen und einem etwaigen BAA, das sie direkt mit ihrem LLM-Anbieter abgeschlossen haben.

Was passiert mit den Agenten-Logs, wenn Nutzer:innen gelöscht werden?

Wenn Sie ein Nutzerprofil löschen, schwärzt Braze die Inhalte dieser Nutzer:innen in den Logs Ihrer Agenten. Das gilt, wenn Sie einzelne Nutzer:innen, ein Segment von Nutzer:innen oder einen Workspace löschen.

In jedem Log-Eintrag dieser Nutzer:innen ersetzt oder entfernt Braze Folgendes:

• Die Eingabe des Agenten, einschließlich gerendertem Liquid und Canvas-Kontext
• Profildaten, die Braze der Eingabe hinzugefügt hat
• Die Ausgabe des Agenten und einen etwaigen Fallback-Wert
• Argumente und Ausgaben von Tool-Aufrufen

Braze entfernt außerdem die Nutzer-ID. Eine Suche in den Logs nach diesen Nutzer:innen liefert diese Einträge daher nicht mehr. Die Anweisungen Ihres Agenten bleiben unverändert.

Die Log-Einträge selbst bleiben erhalten. Sie fließen also weiterhin in die Anzahl der Agentenaufrufe und den Credit-Verbrauch ein. Logs, die vor der Löschung exportiert wurden, bleiben unverändert.