Referenz für Agenten

Wenn Sie angepasste Agenten erstellen, lesen Sie diesen Artikel für weitere Informationen zu wichtigen Einstellungen wie Anweisungen und Ausgabeschemata. Eine schrittweise Einrichtungsanleitung finden Sie unter Angepasste Agenten erstellen. Eine Einführung finden Sie unter Braze Agents und Häufig gestellte Fragen.

Modelle

Wenn Sie einen Agenten einrichten, können Sie das Modell auswählen, das er zur Generierung von Antworten verwendet. Sie haben zwei Optionen: ein von Braze bereitgestelltes Modell nutzen oder Ihren eigenen API-Schlüssel mitbringen.

Wichtig

Das von Braze bereitgestellte Auto-Modell ist für Modelle optimiert, deren Denkfähigkeiten ausreichen, um Aufgaben wie das Abrufen von Katalogdaten über Wissensquellen und die Überprüfung der Segment-Zugehörigkeit auszuführen. Wenn Sie andere Modelle verwenden, empfehlen wir, durch Tests zu bestätigen, dass Ihr Modell für Ihren Anwendungsfall gut funktioniert. Möglicherweise müssen Sie Ihre Anweisungen anpassen, um Modellen mit unterschiedlichen Geschwindigkeiten und Fähigkeiten verschiedene Detailstufen oder schrittweises Denken vorzugeben.

Option 1: Ein von Braze bereitgestelltes Modell verwenden

Dies ist die einfachste Option, ohne zusätzliche Einrichtung. Braze bietet direkten Zugang zu Large Language Models (LLMs). Um diese Option zu nutzen, wählen Sie Auto, das Gemini-Modelle verwendet.

Wichtig

Wenn Sie Braze Auto nicht als Option im Modell-Dropdown bei der Erstellung eines Agenten sehen, wenden Sie sich an Ihren Customer-Success-Manager, um zu erfahren, wie Sie das Braze-Auto-Modell nutzen können.

Option 2: Eigenen API-Schlüssel mitbringen

Mit dieser Option können Sie Ihr Braze-Konto mit Anbietern wie OpenAI, Anthropic oder Google Gemini verbinden. Wenn Sie Ihren eigenen API-Schlüssel von einem LLM-Anbieter mitbringen, werden die Token-Kosten direkt über Ihren Anbieter abgerechnet, nicht über Braze.

Wir empfehlen, regelmäßig die neuesten Modelle zu testen, da ältere Modelle nach einigen Monaten eingestellt oder als veraltet markiert werden können. Stellen Sie sicher, dass Sie bei Ihrem Anbieter über ausreichende Credits verfügen, um Ihre Agenten im großen Maßstab auszuführen. Sie können sich auch für Agent-Console-Benachrichtigungen in den Benachrichtigungseinstellungen anmelden, um benachrichtigt zu werden, wenn Braze erkennt, dass ein Modell nicht mehr verfügbar ist oder Abrechnungsprobleme bei Ihrem LLM-Anbieter auftreten.

So richten Sie dies ein:

1. Gehen Sie zu Partnerintegrationen > Technologie-Partner und suchen Sie Ihren Anbieter.
2. Geben Sie Ihren API-Schlüssel des Anbieters ein.
3. Wählen Sie Speichern.

Anschließend können Sie zu Ihrem Agenten zurückkehren und Ihr Modell auswählen.

Wenn Sie ein von Braze bereitgestelltes LLM verwenden, handeln die Anbieter eines solchen Modells als Braze-Unterauftragsverarbeiter, vorbehaltlich der Bedingungen des Datenverarbeitungsnachtrags (DPA) zwischen Ihnen und Braze. Wenn Sie Ihren eigenen API-Schlüssel mitbringen, gilt der Anbieter Ihres LLM-Abonnements als Drittanbieter im Rahmen des Vertrags zwischen Ihnen und Braze.

Denkstufen

Einige LLM-Anbieter ermöglichen es Ihnen, die Denkstufe eines ausgewählten Modells anzupassen. Denkstufen definieren den Denkumfang, den das Modell vor der Antwort einsetzt – von schnellen, direkten Antworten bis hin zu längeren Argumentationsketten. Dies beeinflusst die Antwortqualität, die Latenz und den Token-Verbrauch.

Wir empfehlen, mit Minimal zu beginnen und die Antworten Ihres Agenten zu testen. Anschließend können Sie die Denkstufe auf Niedrig oder Mittel erhöhen, wenn der Agent Schwierigkeiten hat, genaue Antworten zu liefern. In seltenen Fällen kann eine hohe Denkstufe erforderlich sein, wobei diese Stufe zu hohen Token-Kosten und längeren Antwortzeiten oder einem höheren Risiko von Timeout-Fehlern führen kann. Wenn Ihr Agent Schwierigkeiten hat, mehrstufiges Denken mit angemessenen Antwortzeiten in Einklang zu bringen, erwägen Sie, Ihren Anwendungsfall in mehrere Agenten aufzuteilen, die in einem Canvas oder Katalog zusammenarbeiten können.

Braze verwendet für ausgehende LLM-Aufrufe dieselben IP-Bereiche wie für Connected-Content. Die Bereiche sind in der Connected-Content-IP-Zulassungsliste aufgeführt. Wenn Ihr Anbieter IP-Zulassungslisten unterstützt, können Sie den Schlüssel auf diese Bereiche beschränken, damit nur Braze ihn verwenden kann.

Wichtig

Wenn Sie ein von Braze bereitgestelltes LLM verwenden, handeln die Anbieter eines solchen Modells als Braze-Unterauftragsverarbeiter, vorbehaltlich der Bedingungen des Datenverarbeitungsnachtrags (DPA) zwischen Ihnen und Braze. Wenn Sie Ihren eigenen API-Schlüssel mitbringen, gilt der Anbieter Ihres LLM-Abonnements als Drittanbieter im Rahmen des Vertrags zwischen Ihnen und Braze.

Das richtige Modell bestimmen

Jeder LLM-Anbieter hat eine leicht unterschiedliche Mischung aus Modellfähigkeiten, Kosten und Denkstufen. Hier sind einige allgemeine Richtlinien und Best Practices:

• Für Kosteneffizienz priorisieren Sie das Testen von Modellen mit niedrigeren Token-Kosten gegenüber teureren Modellen. Wechseln Sie nur dann zu teureren Modellen, wenn die günstigeren mit dem Anwendungsfall Schwierigkeiten haben oder inkonsistente bzw. ungenaue Ergebnisse liefern.
• Für Geschwindigkeit und Performance-Effizienz priorisieren Sie das Testen niedrigerer Modell-Denkstufen gegenüber höheren. Wechseln Sie nur dann zu höheren Denkstufen, wenn die niedrigeren mit dem Anwendungsfall Schwierigkeiten haben oder inkonsistente bzw. ungenaue Ergebnisse liefern.
• Wenn günstigere Modelle oder niedrigere Denkstufen mit dem Anwendungsfall Schwierigkeiten haben oder inkonsistente bzw. ungenaue Ergebnisse liefern, erwägen Sie den Wechsel zu teureren Modellen oder höheren Denkstufen.
• Achten Sie beim Testen darauf, Zuverlässigkeit und Genauigkeit mit Token-Verbrauch und Aufruf-Dauer in Einklang zu bringen.
• Jeder Anwendungsfall kann ein anderes optimales Modell und eine andere Denkstufe erfordern. Wir empfehlen gründliches Testen, um konsistente Qualität ohne Timeouts sicherzustellen.

Steuerung des Aufruf-Flusses

Die folgenden Steuerungen des Aufruf-Flusses gelten pro Workspace:

• Von Braze bereitgestelltes Modell: 5.000 Aufrufe pro Minute
• Eigener API-Schlüssel: 5.000 Aufrufe pro Minute

Wenn viele Nutzer:innen gleichzeitig einen Agenten-Schritt betreten, reiht Braze Aufrufe gemäß diesen Limits in eine Warteschlange ein, sodass die Verarbeitung bei hohem Volumen länger dauern kann.

Tägliche Aufruf- und Credit-Limits

Jeder Agent hat ein tägliches Aufruf-Limit (Standard 250.000; maximal 1.000.000, sofern Ihr Vertrag nichts anderes vorsieht). Jeder Aufruf (einschließlich Agent-Console-Vorschauen und Test-Canvas-Läufe mit Antwort simulieren) wird auf dieses Limit angerechnet.

In der Agent Console schätzt das Tägliche Aktions-Credit-Kostenlimit die maximalen Credits, die ein Agent pro Tag verbrauchen kann. Braze multipliziert das Credit-Verhältnis pro Aufruf Ihres Workspace für das ausgewählte Modell mit dem täglichen Aufruf-Limit.

Wann Credits verbraucht werden

Braze berechnet Credits nur für Aufrufe, die die Verarbeitung abschließen. Credits werden nicht verbraucht, wenn ein Aufruf fehlschlägt aufgrund von:

• Einem Rate-Limit-Fehler des LLM-Anbieters (einschließlich Wiederholungsversuche, die letztlich fehlschlagen)
• Nichtverfügbarkeit des ausgewählten Modells
• Erreichen des täglichen Aufruf-Limits durch den Agenten

Credits werden verbraucht, wenn ein Aufruf einen Timeout erreicht, auch wenn der Agent kein verwertbares Ergebnis zurückgibt.

Credit-Verbrauch überwachen

Gehen Sie zu Einstellungen > Abrechnung > Credit-Verbrauch > Agent Console, um den Credit-Verbrauch, die Aufrufzahlen und die Credit-Verhältnisse pro Agent einzusehen.

Credit-Verhältnisse stammen aus Ihrem Vertrag und erscheinen im Credit-Verbrauch-Dashboard (Tab Credit-Verhältnisse und Tab Agent Console). Die Schätzung wird aktualisiert, wenn Sie das Modell oder das Aufruf-Limit ändern.

Um Ausgaben zu steuern, senken Sie das tägliche Aufruf-Limit. Bei Bring-your-own (BYO)-Modellen können Sie auch ein günstigeres Modell wählen oder die Denkstufe reduzieren, um die Token-Kosten beim Anbieter zu senken. Braze Auto unterstützt keine Anpassung der Denkstufe.

Rate-Limit-Fehler

Wenn der LLM-Anbieter während eines Canvas-Schritt-Agenten- oder Katalog-Agenten-Aufrufs einen Rate-Limit-Fehler zurückgibt, wiederholt Braze die Anfrage kontinuierlich mit exponentiellem Backoff, bis der Aufruf erfolgreich ist oder Braze feststellt, dass er nicht abgeschlossen werden kann.

Wenn die Wiederholungsversuche für Canvas oder Kataloge erschöpft sind, zeigt das Logs-Detailpanel Error und die Anbieternachricht (z. B. Rate limit exceeded) im Output an. Wiederholungsversuche sind in den Logs sichtbar, einschließlich des allerersten Aufrufs unabhängig von seinem endgültigen Erfolg oder Misserfolg. Wenn es für einen bestimmten Nutzer:in vier Wiederholungsversuche braucht, um schließlich einen Erfolg zu erzielen, können Sie die Nutzer-ID suchen und alle fünf (Original plus vier Wiederholungsversuche) in den Logs sehen, wobei das Original und die ersten drei Wiederholungsversuche Error mit Rate limit exceeded anzeigen.

Rate-Limit-Fehler verbrauchen keine Braze-Credits, einschließlich fehlgeschlagener Wiederholungsversuche, die in den Logs angezeigt werden.

Anweisungen erstellen

Anweisungen sind die Regeln oder Richtlinien, die Sie dem Agenten geben (Systemprompt). Sie legen fest, wie sich der Agent bei jeder Ausführung verhalten soll. Systemanweisungen können bis zu 25 KB groß sein.

Wenn Sie Ihren Agenten mit BrazeAI Operator unter Verwendung eines Startvorlagen erstellt haben, überprüfen Sie die vorausgefüllten Anweisungen und bearbeiten Sie diese bei Bedarf.

Hier sind einige allgemeine Best Practices für den Einstieg in das Prompting:

1. Beginnen Sie mit dem Ziel vor Augen. Formulieren Sie zuerst das Ziel.
2. Geben Sie dem Modell eine Rolle oder Persona („Du bist ein …“).
3. Legen Sie klaren Kontext und Einschränkungen fest (Zielgruppe, Länge, Tonalität, Format).
4. Fordern Sie Struktur an („Gib JSON/eine Aufzählung/eine Tabelle zurück …“).
5. Zeigen statt beschreiben. Fügen Sie einige hochwertige Beispiele hinzu.
6. Unterteilen Sie komplexe Aufgaben in geordnete Schritte („Schritt 1 … Schritt 2 …“).
7. Fordern Sie zum Nachdenken auf („Denke die Schritte intern durch und gib dann eine knappe Antwort“ oder „erkläre kurz deine Entscheidung“).
8. Testen, prüfen und iterieren. Kleine Anpassungen können zu großen Qualitätsverbesserungen führen.
9. Behandeln Sie Sonderfälle mit positiven, expliziten Regeln und fügen Sie bei Bedarf Ablehnungsanweisungen hinzu.
10. Messen und dokumentieren Sie intern, was funktioniert – für Wiederverwendung und Skalierung.

Formulieren Sie nach Möglichkeit positive, explizite Anweisungen. Teilen Sie dem Agenten mit, was er tun soll, und formulieren Sie Einschränkungen in konkreten Begriffen. Falls ein Agent Ihre Regeln ignoriert, lesen Sie Warum hat mein Agent meine Anweisungen oder Regeln nicht befolgt?.

Beispiele

Für Startkonfigurationen in der Agent Console siehe Mit Operator erstellte Agenten-Templates.

Für vollständige Anweisungsbeispiele, die Sie kopieren oder anpassen können, siehe die Anwendungsfallbibliothek für Braze Agents.

Liquid verwenden

Das Einbinden von Liquid in die Anweisungen Ihres Agenten kann eine zusätzliche Personalisierungsebene in seiner Antwort hinzufügen. Sie können die genaue Liquid-Variable angeben, die der Agent erhält, und sie im Kontext Ihres Prompts einfügen. Anstatt beispielsweise explizit „Vorname“ zu schreiben, können Sie den Liquid-Snippet {{${first_name}}} verwenden:

1

Tell a one-paragraph short story about this user, integrating their {{${first_name}}}, {{${last_name}}}, and {{${city}}}. Also integrate any context you receive about how they are currently thinking, feeling, or doing. For example, you may receive {{context.${current_emotion}}}, which is the user's current emotion. You should work that into the story.

Im Bereich Logs der Agent Console können Sie die Details zu den Ein- und Ausgaben des Agenten überprüfen, um zu verstehen, welcher Wert aus dem Liquid gerendert wird.

Welche Daten Agenten erhalten

Der Kontext eines Agenten ist kein offenes Konversationsgedächtnis. Anders als ein Chat-Assistent sieht ein Agent nur die Daten, die Sie ihm zum Zeitpunkt des Aufrufs explizit übergeben – er durchsucht keine Nutzerprofile, leitet keine fehlenden Felder ab und teilt Ihnen auch nicht mit, wenn erforderliche Informationen fehlen.

Entwerfen Sie jeden Agenten als eine bewusste Eingabe-Ausgabe-Pipeline. Verbinden Sie jeden Datenpunkt, den der Agent benötigt, über eine oder mehrere der folgenden Methoden:

1. Liquid in Anweisungen: Verwenden Sie Templates für Nutzerattribute ({{${first_name}}}) und Canvas-Kontextvariablen ({{context.${variable_name}}}) direkt im Agenten-Prompt.
2. + Agent context: Wählen Sie Wissensquellen, Segment-Zugehörigkeit, Markenrichtlinien, All Canvas Context oder Nutzerinteraktionsdaten in der Agent Console aus.
3. Kontextschritte: Setzen oder aktualisieren Sie context.*-Variablen upstream im Canvas, bevor ein Agent-Schritt ausgeführt wird.
4. Zusätzlicher Kontext im Agent-Schritt: Übergeben Sie alle zusätzlichen Liquid-basierten Werte, die nicht bereits über die anderen Methoden angegeben wurden, zum Sendezeitpunkt über die Schrittkonfiguration an den Agenten.

Stellen Sie sicher, dass Sie diese Kontextvariablen entweder per Liquid-Template in den Agentenanweisungen einbinden, Kontextdateien anhängen, die der Agent konsultieren soll, oder Add All Canvas Context auswählen. Wenn ein Wert nicht über einen dieser Kanäle übergeben wird, erhält der Agent ihn nicht. Listen Sie erforderliche Eingaben in Ihren Anweisungen oder in den Voraussetzungen für Anwendungsfälle auf und überprüfen Sie die Eingaben nach dem Testen unter Agent Console > Logs.

Für Katalog-Agenten verwenden Sie Fields im Bereich Output anstelle eines JSON-Schemas. Sie können dennoch Anweisungen schreiben, die das Modell um eine Schlüssel-Wert-Ausgabe bitten, die diesen Feldnamen entspricht.

Für weitere Details zu Best Practices beim Prompting verweisen wir auf die Leitfäden der folgenden Modellanbieter:

• OpenAI
• Anthropic
• Gemini

Ausgaben

Wenn Sie Ihren Agenten mit BrazeAI Operator unter Verwendung eines Start-Templates erstellt haben, überprüfen Sie das vorausgefüllte Ausgabeschema und bearbeiten Sie es nach Bedarf.

Einfache Schemas

Einfache Schemas sind eine simple Ausgabe, die ein Agent zurückgibt. Dies kann ein String, eine Zahl, ein boolescher Wert, ein String-Array oder ein Zahlen-Array sein.

Wenn Sie beispielsweise Stimmungsbewertungen von Nutzer:innen aus einer einfachen Feedback-Umfrage erfassen möchten, um festzustellen, wie zufrieden Ihre Kund:innen nach dem Erhalt eines Produkts sind, können Sie Number als einfaches Schema auswählen, um das Ausgabeformat zu strukturieren.

Wichtig

Arrays sind nur für Canvas-Schritt-Agenten verfügbar, nicht für Katalog-Agenten.

Erweiterte Schemas

Erweiterte Schema-Optionen umfassen die manuelle Strukturierung von Feldern oder die Verwendung von JSON.

• Fields: Eine codefreie Möglichkeit, eine Agentenausgabe zu erzwingen, die Sie konsistent verwenden können.
• JSON: Ein codebasierter Ansatz zur Erstellung eines präzisen Ausgabeformats, bei dem Sie Variablen und Objekte innerhalb des JSON-Schemas verschachteln können. Nur für Canvas-Schritt-Agenten verfügbar, nicht für Katalog-Agenten.

Wir empfehlen die Verwendung erweiterter Schemas, wenn der Agent eine Datenstruktur mit mehreren Werten in strukturierter Form zurückgeben soll, statt einer einzelnen Ausgabe. Dadurch kann die Ausgabe besser als konsistente Kontextvariable formatiert werden.

Fallback-Ausgabe

Fallback-Werte sind nur für Canvas-Schritt-Agenten verfügbar. Im Abschnitt Output der Agent-Konsole für einen Canvas-Schritt-Agenten können Sie Werte definieren, die Braze verwendet, wenn ein Aufruf fehlschlägt.

Bei JSON-Schemas liest Braze das Schema und generiert ein Eingabefeld für jede Eigenschaft, sodass Sie einen Fallback-Wert pro Schlüssel festlegen können. Bei Fields-Schemas geben Sie einen Fallback-Wert für jedes Feld ein. Bei einfachen Schemas geben Sie einen einzelnen Fallback-Wert ein. Canvas-Schritt-Agenten unterstützen Liquid in Fallback-Werten.

Informationen zu den Einrichtungsschritten finden Sie unter Fallback-Werte konfigurieren. Informationen zum Laufzeitverhalten in Canvas finden Sie unter Fehlerbehandlung und Fallback-Verhalten.

Sie können beispielsweise ein Ausgabeformat in einem Agenten verwenden, der eine Beispielreiseroute für Nutzer:innen basierend auf einem eingereichten Formular erstellen soll. Das Ausgabeformat ermöglicht es Ihnen festzulegen, dass jede Agentenantwort mit Werten für tripStartDate, tripEndDate und destination zurückkommen soll. Jeder dieser Werte kann aus Kontextvariablen extrahiert und in einem Nachrichtenschritt zur Personalisierung mit Liquid platziert werden.

• felder
• json-schema

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

{
  "type": "object",
  "properties": {
    "sentiment": {
      "type": "string"
    },
    "reasoning": {
      "type": "string"
    }
  },
  "required": [
    "sentiment",
    "reasoning"
  ]
}

Kataloge und Felder

Um einem Canvas-Schritt-Agent Zugriff auf Katalogdaten zu geben, erstellen Sie eine Wissensquelle aus dem Katalog und fügen Sie diese als + Agent context hinzu. Der Agent fragt die Wissensquelle ab, um passende Zeilen abzurufen, und sendet nur die relevanten Katalogdaten an das LLM, was den Token-Verbrauch minimiert und die Abrufgenauigkeit verbessert. Hängen Sie den Katalog nicht direkt als Agentenkontext an. Agenten, die mit der veralteten Option Add catalog fields konfiguriert wurden, bevor Wissensquellen verfügbar waren, können diesen Kontext weiterhin nutzen, bis Sie sie migrieren.

Wenn Sie einen Catalog Agent in einem Katalogfeld bereitstellen, aktivieren Sie die Pflichteingabe-Kontrolle und wählen Sie aus, welche ausgewählten Spalten als Pflichtfelder erforderlich sind, bevor der Agent ausgeführt wird. Der Agent überspringt eine Zeile nur dann, wenn eine dieser Pflichtspalten leer ist oder fehlt – zum Beispiel ein gender-Feld, das noch nicht ausgefüllt wurde. Ausgewählte Spalten sind standardmäßig als Pflichtfelder markiert, aber Sie können Spalten entfernen, die leer sein dürfen, ohne die Ausführung zu blockieren. Dadurch werden keine Token für unvollständige Daten verschwendet.

Catalog Agents berücksichtigen auch die Spaltenreihenfolge, wenn Eingabefelder voneinander abhängen. Wenn Spalte D aus den Spalten B und C generiert werden soll, führt der Agent Spalte D erst aus, wenn B und C Werte für diese Zeile enthalten.

Informationen zu Bereitstellungsszenarien und Beispielen finden Sie unter Catalog Agents verwenden und Best Practices für Catalog Agents.

Segment-Zugehörigkeitskontext

Sie können bis zu fünf Segmente auswählen, mit denen der Agent die Segment-Zugehörigkeit jeder Nutzerin und jedes Nutzers abgleichen kann, wenn der Agent in einem Canvas verwendet wird. Angenommen, Ihr Agent hat die Segment-Zugehörigkeit für ein Segment „Loyalty Users“ ausgewählt, und der Agent wird in einem Canvas verwendet. Wenn Nutzer:innen einen Agent-Schritt betreten, kann der Agent überprüfen, ob jede Nutzerin bzw. jeder Nutzer Mitglied der einzelnen Segmente ist, die Sie in der Agent-Konsole angegeben haben, und die Zugehörigkeit (oder Nicht-Zugehörigkeit) der jeweiligen Nutzer:innen als Kontext für das LLM verwenden.

Markenrichtlinien

Sie können Markenrichtlinien auswählen, an die sich Ihr Agent in seinen Antworten halten soll. Wenn Sie beispielsweise möchten, dass Ihr Agent SMS-Texte generiert, um Nutzer:innen dazu zu ermutigen, sich für eine Fitnessstudio-Mitgliedschaft anzumelden, können Sie dieses Feld verwenden, um auf Ihre vordefinierten, motivierenden Richtlinien zu verweisen.

Kontextdateien

Laden Sie Referenzdokumente hoch, damit ein Agent bei jedem Aufruf auf statisches Material zugreifen kann – zum Beispiel einen Stilguide, ein Richtliniendokument oder eine Produktspezifikation. Kontextdateien sind für Canvas-Schritt-Agents und Catalog-Agents verfügbar.

So fügen Sie Dateien hinzu:

1. Wählen Sie im Schritt Instructions die Option + Agent context > Upload files.
2. Fügen Sie eine oder mehrere Dateien hinzu. Unterstützte Formate sind PDF, TXT, MD und CSV.
3. Speichern Sie den Agent. Die Dateien werden beim Speichern hochgeladen. Sie bleiben im Browser vorgehalten und werden einbezogen, wenn Sie eine Vorschau des Agents anzeigen.

Sie können bis zu 10 Dateien pro Agent anhängen. Alle angehängten Dateien dürfen zusammen maximal 15 MB groß sein. Wenn Sie Kontextdateien anhängen, teilen Sie dem Agent in Ihren Instruktionen mit, wie er sie verwenden soll. Sie können beispielsweise Folgendes einfügen: „Folge dem Ton und der Terminologie im angehängten Stilguide.“ Ein leerer Bereich Files zählt so lange zur Warnung needs setup, bis Sie mindestens eine Datei anhängen.

Braze sendet angehängte Dateien bei jedem Agent-Aufruf mit, einschließlich Vorschauen in der Agent Console. Da die Dateien bei jedem Durchlauf einbezogen werden, können größere Anhänge den Token-Verbrauch und die Latenz erhöhen.

Kontextdateien unterscheiden sich von Markenrichtlinien: Markenrichtlinien sind zusammengefasste Workspace-Einstellungen, während Kontextdateien Dokumente sind, die Sie direkt in einen einzelnen Agent hochladen. Informationen zu den Einrichtungsschritten finden Sie unter Kontext hinzufügen.

Nutzerspezifischer Interaktionsverlauf

Die Interaktionsdaten von Nutzer:innen umfassen die kürzlich empfangenen Campaign- und Canvas-Nachrichten nach Kanal, den Inhalt jeder Nachricht und ob Nutzer:innen mit der jeweiligen Nachricht interagiert haben. Sie können diese Daten als nutzerspezifischen Kontext einbeziehen, damit ein Agent darauf referenzieren kann, wenn er für eine:n Nutzer:in in einem Canvas aufgerufen wird. Der nutzerspezifische Interaktionsverlauf kann dazu beitragen, einen Agenten zu beeinflussen, Texte zu verfassen, die bei den einzelnen Nutzer:innen Anklang finden, wenn seine Aufgabe darin besteht, personalisierte Nachrichtentexte zu schreiben.

Versionsverlauf

Die Agentenkonsole zeichnet jedes Mal eine neue Version auf, wenn Sie Änderungen am Agenten speichern. Der Tab Versionsverlauf listet jede gespeicherte Version und die Änderungen zwischen den Speichervorgängen auf.

1. Öffnen Sie den Agenten in der Agentenkonsole.
2. Wählen Sie den Tab Versionsverlauf.
3. Wählen Sie eine Version aus, um deren Konfiguration zu überprüfen.

Um zu sehen, was sich in einer Version geändert hat, wählen Sie Anzeigen. Braze zeigt einen Inline-Diff im Code-Stil an, der Ergänzungen und Löschungen hervorhebt. Gelöschte Inhalte werden mit roter Durchstreichung dargestellt. Wenn Sie Kontextdateien hinzufügen oder entfernen, listet der Diff die angehängten Dateinamen auf.

Wenn Sie Anweisungen aus einer früheren Version wiederherstellen möchten, öffnen Sie Anzeigen für diese Version, kopieren Sie den Anweisungstext und fügen Sie ihn in Ihr aktuelles Feld Anweisungen ein.

Tipp

In der Inline-Diff-Ansicht drücken Sie ⌘ + A (macOS) oder Ctrl + A (Windows), um alle Anweisungen ohne die rote Löschungsmarkierung auszuwählen, sodass Sie den sauberen Text kopieren und wiederherstellen können.

Agenten duplizieren

Duplizieren Sie einen Agenten, um Verbesserungen oder Iterationen direkt mit dem Original zu vergleichen. Verwenden Sie den Versionsverlauf, um frühere Konfigurationen zu überprüfen oder wiederherzustellen. So duplizieren Sie einen Agenten:

1. Fahren Sie mit dem Mauszeiger über die Zeile des Agenten und wählen Sie das Menü aus.
2. Wählen Sie Duplizieren aus.

Agenten archivieren

Wenn Sie mehr angepasste Agenten erstellen, können Sie die Seite Agent Management organisieren, indem Sie Agenten archivieren, die nicht aktiv verwendet werden. So archivieren Sie einen Agenten:

1. Bewegen Sie den Mauszeiger über die Zeile des Agenten und wählen Sie das Menü aus.
2. Wählen Sie Archivieren aus.