Referenz für Agenten

Wenn Sie angepasste Agenten erstellen, finden Sie in diesem Artikel weitere Informationen zu wichtigen Einstellungen wie Anweisungen und Ausgabeschemata. Eine Schritt-für-Schritt-Anleitung zur Einrichtung 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, mit dem er Antworten generiert. Sie haben zwei Möglichkeiten: Sie verwenden ein von Braze bereitgestelltes Modell oder Ihren eigenen API-Schlüssel.

Wichtig

Das von Braze bereitgestellte Modell Auto ist für Aufgaben wie das Durchsuchen von Wissensquellen und das Prüfen der Segment-Zugehörigkeit optimiert. Wenn Sie Ihr eigenes Modell verwenden, testen Sie genau diese Aufgaben. Günstigere Modelle mit niedrigen Denkstufen überspringen möglicherweise Tool-Aufrufe oder antworten, bevor sie Daten abgerufen haben. Unter Umständen müssen Sie Ihre Anweisungen anpassen, um Modellen mit unterschiedlicher Geschwindigkeit und Leistungsfähigkeit mehr oder weniger Details oder schrittweises Denken vorzugeben.

Option 1: Ein von Braze bereitgestelltes Modell verwenden

Dies ist die einfachste Option, die keine zusätzliche Einrichtung erfordert. Braze bietet direkten Zugriff auf große Sprachmodelle (LLMs). Um diese Option zu nutzen, wählen Sie Auto aus. Dabei werden Gemini-Modelle verwendet.

Option 2: Eigenen API-Schlüssel verwenden

Mit dieser Option können Sie Ihr Braze-Konto mit Anbietern wie OpenAI, Anthropic oder Google Gemini verbinden. Die vollständige Liste der unterstützten Anbieter finden Sie unter KI-Modellanbieter. Wenn Sie Ihren eigenen API-Schlüssel eines LLM-Anbieters verwenden, 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 ausreichend Guthaben verfügen, um Ihre Agenten in großem Umfang auszuführen. Sie können sich außerdem unter Benachrichtigungseinstellungen für Agent-Console-Benachrichtigungen anmelden. So werden Sie informiert, wenn Braze feststellt, dass ein Modell nicht mehr verfügbar ist, oder wenn Abrechnungsprobleme mit Ihrem LLM-Anbieter auftreten.

So richten Sie dies ein:

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

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

Wenn Sie ein von Braze bereitgestelltes LLM verwenden, handeln die Anbieter dieses Modells als Unterauftragsverarbeiter von Braze gemäß den Bedingungen des Auftragsverarbeitungsvertrags (Data Processing Addendum, DPA) zwischen Ihnen und Braze. Wenn Sie Ihren eigenen API-Schlüssel verwenden, gilt der Anbieter Ihres LLM-Abos gemäß dem Vertrag zwischen Ihnen und Braze als Drittanbieter.

Denkstufen

Bei einigen LLM-Anbietern können Sie die Denkstufe eines ausgewählten Modells anpassen. Denkstufen legen fest, wie viel Überlegung das Modell vor einer Antwort aufwendet – von schnellen, direkten Antworten bis hin zu längeren Argumentationsketten. Das wirkt sich auf die Antwortqualität, die Latenz und die Token-Nutzung aus.

Die verfügbaren Stufen variieren je nach Modell. Einige Modelle bieten Keine anstelle von Minimal an, und nicht jedes Modell bietet Hoch an.

Wir empfehlen, mit Minimal (oder Keine) zu beginnen und die Antworten Ihres Agenten zu testen. Wenn Ihr Agent Wissensquellen nutzt, beginnen Sie mit Niedrig. Auf der niedrigsten Stufe antworten einige Modelle, ohne die Suche auszuführen. Wenn der Agent Schwierigkeiten hat, genaue Antworten zu liefern, erhöhen Sie die Stufe schrittweise. In seltenen Fällen kann die Denkstufe Hoch erforderlich sein. Diese Stufe kann jedoch zu hohen Token-Kosten, längeren Antwortzeiten oder einem höheren Risiko von Timeout-Fehlern führen. Wenn Ihr Agent Schwierigkeiten hat, mehrstufige Argumentation mit angemessenen Antwortzeiten zu vereinbaren, sollten Sie Ihren Anwendungsfall auf mehrere Agenten aufteilen, die in einem Canvas oder Katalog zusammenarbeiten.

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

Wichtig

Wenn Sie ein von Braze bereitgestelltes LLM verwenden, handeln die Anbieter dieses Modells als Unterauftragsverarbeiter von Braze gemäß den Bedingungen des Auftragsverarbeitungsvertrags (Data Processing Addendum, DPA) zwischen Ihnen und Braze. Wenn Sie Ihren eigenen API-Schlüssel verwenden, gilt der Anbieter Ihres LLM-Abos gemäß dem Vertrag zwischen Ihnen und Braze als Drittanbieter.

Das passende Modell bestimmen

Jeder LLM-Anbieter bietet eine etwas andere Kombination aus Modellfähigkeiten, Kosten und Denkstufen. Hier sind einige allgemeine Richtlinien und Best Practices:

• Testen Sie aus Kostengründen zuerst Modelle mit niedrigeren Token-Kosten, bevor Sie teurere Modelle ausprobieren. Wechseln Sie nur dann zu teureren Modellen, wenn günstigere Modelle mit dem Anwendungsfall Schwierigkeiten haben oder inkonsistente bzw. ungenaue Ausgaben erzeugen.
• Testen Sie aus Gründen der Geschwindigkeit und Performance zuerst niedrigere Denkstufen, bevor Sie höhere ausprobieren. Wechseln Sie nur dann zu höheren Denkstufen, wenn niedrigere Stufen mit dem Anwendungsfall Schwierigkeiten haben oder inkonsistente bzw. ungenaue Ausgaben erzeugen.
• Wenn günstigere Modelle oder niedrigere Denkstufen mit dem Anwendungsfall Schwierigkeiten haben oder inkonsistente bzw. ungenaue Ausgaben erzeugen, sollten Sie zu teureren Modellen oder höheren Denkstufen wechseln.
• Achten Sie beim Testen auf ein ausgewogenes Verhältnis zwischen Zuverlässigkeit und Genauigkeit einerseits sowie Token-Nutzung und Aufrufdauer andererseits.
• Für jeden Anwendungsfall können ein anderes Modell und eine andere Denkstufe optimal sein. Wir empfehlen gründliche Tests, um eine gleichbleibende Qualität ohne Timeouts sicherzustellen.

Steuerung des Aufrufflusses

Die folgenden Steuerungen des Aufrufflusses 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 in einen Agent-Schritt eintreten, stellt Braze die Aufrufe entsprechend diesen Limits in eine Warteschlange. Die Verarbeitung kann daher bei Versendungen mit hohem Volumen länger dauern.

Tägliche Aufruf- und Credit-Limits

Jeder Agent hat standardmäßig ein tägliches Aufruflimit von 250.000, das auf bis zu 1.000.000 pro Tag erhöht werden kann. Wenn Sie das Limit über 1.000.000 hinaus erhöhen möchten, wenden Sie sich an Ihren Customer-Success-Manager. Jeder Aufruf wird auf dieses Limit angerechnet, einschließlich Vorschauen in der Agent Console und Test-Canvas-Durchläufen, die Antwort simulieren verwenden.

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

Wann Credits verbraucht werden

Braze berechnet Credits nur für Aufrufe, deren Verarbeitung abgeschlossen wird. Es werden keine Credits verbraucht, wenn ein Aufruf aus einem der folgenden Gründe fehlschlägt:

• Ein Rate-Limit-Fehler des LLM-Anbieters (einschließlich Wiederholungsversuchen, die letztlich fehlschlagen)
• Das ausgewählte Modell ist nicht verfügbar
• Der Agent hat sein tägliches Aufruflimit erreicht

Credits werden verbraucht, wenn bei einem Aufruf ein Timeout auftritt, auch wenn der Agent keine verwertbare Ausgabe liefert.

Credit-Nutzung überwachen

Gehen Sie zu Einstellungen > Abrechnung > Credit-Nutzung > Agent Console, um den Credit-Verbrauch, die Anzahl der Aufrufe und die Credit-Verhältnisse pro Agent anzuzeigen.

Die Credit-Verhältnisse stammen aus Ihrem Vertrag und werden im Dashboard Credit-Nutzung angezeigt (Tab Credit-Verhältnisse und Tab Agent Console). Die Schätzung wird aktualisiert, wenn Sie das Modell oder das Aufruflimit ändern.

Um die Ausgaben zu steuern, senken Sie das tägliche Aufruflimit. Bei Modellen mit eigenem API-Schlüssel (BYO) können Sie außerdem 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 Aufrufs eines Canvas-Schritt-Agenten oder Katalog-Agenten einen Rate-Limit-Fehler zurückgibt, wiederholt Braze die Anfrage fortlaufend mit exponentiellem Backoff, bis der Aufruf erfolgreich ist oder Braze feststellt, dass er nicht abgeschlossen werden kann.

Wenn die Wiederholungsversuche für Canvas oder Katalog ausgeschöpft sind, zeigt das Detail-Panel unter Logs den Status Error und die Meldung des Anbieters (z. B. Rate limit exceeded) unter Ausgabe an. Wiederholungsversuche sind in den Logs sichtbar, einschließlich des allerersten Aufrufs, unabhängig von dessen letztendlichem Erfolg oder Misserfolg. Wenn beispielsweise für eine Nutzer:in vier Wiederholungsversuche nötig sind, bis ein Aufruf erfolgreich ist, können Sie nach der Nutzer-ID suchen und alle fünf Einträge (Originalaufruf plus vier Wiederholungsversuche) unter Logs sehen. Der Originalaufruf und die ersten drei Wiederholungsversuche zeigen dabei Error mit Rate limit exceeded an.

Rate-Limit-Fehler verbrauchen keine Braze-Credits, auch nicht die fehlgeschlagenen Wiederholungsversuche, die unter Logs angezeigt werden.

Anweisungen schreiben

Anweisungen sind die Regeln oder Richtlinien, die Sie dem Agenten vorgeben (System-Prompt). Sie legen fest, wie sich der Agent bei jeder Ausführung verhalten soll. Systemanweisungen dürfen bis zu 25 KB groß sein.

Wenn Sie Ihren Agenten mit BrazeAI Operator auf Basis eines Start-Templates erstellt haben, prüfen Sie die vorausgefüllten Anweisungen und passen Sie sie bei Bedarf an.

Hier sind einige allgemeine Best Practices für den Einstieg ins Prompting:

1. Denken Sie vom Ziel her. Nennen Sie zuerst das Ziel.
2. Geben Sie dem Modell eine Rolle oder Persona („Sie sind ein …“).
3. Legen Sie klaren Kontext und klare Einschränkungen fest (Zielgruppe, Länge, Tonalität, Format).
4. Fordern Sie eine 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. Regen Sie zum Nachdenken an („Gehe die Schritte intern durch und gib dann eine prägnante finale Antwort“ oder „Erkläre kurz deine Entscheidung“).
8. Testen, prüfen und iterieren Sie. Kleine Anpassungen können zu großen Qualitätsgewinnen führen.
9. Behandeln Sie Sonderfälle mit positiven, expliziten Regeln und fügen Sie bei Bedarf Anweisungen zur Ablehnung hinzu.
10. Messen und dokumentieren Sie intern, was funktioniert, um es wiederzuverwenden und zu skalieren.

Formulieren Sie Anweisungen nach Möglichkeit positiv und explizit. Sagen Sie dem Agenten, was er tun soll, und benennen Sie Einschränkungen konkret. Wenn ein Agent Ihre Regeln ignoriert, lesen Sie Warum hat mein Agent meine Anweisungen oder Regeln nicht befolgt?.

Anweisungen mit Markdown formatieren

Anweisungen unterstützen Markdown-Formatierung, darunter Überschriften, Aufzählungen und nummerierte Listen, Fettdruck, Links und Tabellen. Verwenden Sie Überschriften wie # Role, ## Goal und ## Rules, um lange Anweisungen in Abschnitte zu gliedern, die Sie und Ihr Team leichter überblicken können. Die Formatierung ändert nur die Darstellung der Anweisungen in Braze. Der Agent erhält immer den ursprünglichen Text, den Sie schreiben.

• Wählen Sie im Schritt Anweisungen die Option Vorschau, um Ihre Anweisungen als formatierten Text anzuzeigen, und Bearbeiten, um zum Editor zurückzukehren.
• Auf der Ansichtsseite des Agenten werden die Anweisungen mit ihrer Markdown-Formatierung angezeigt.
• Links in formatierten Anweisungen werden in einem neuen Tab geöffnet.
• Raw-HTML- oder XML-artige Tags (wie <role>) werden in der Vorschau als reiner Text angezeigt. Der Agent erhält sie trotzdem wie geschrieben.

Beispiele

Startkonfigurationen in der Agent Console finden Sie unter Mit Operator erstellte Agenten-Templates.

Vollständige Anweisungsbeispiele zum Kopieren oder Anpassen finden Sie in der Use-Case-Bibliothek für Braze Agents.

Liquid verwenden

Wenn Sie Liquid in die Anweisungen Ihres Agenten einbinden, können Sie seine Antwort zusätzlich personalisieren. Sie können genau festlegen, welche Liquid-Variable der Agent erhält, und diese in den Kontext Ihres Prompts einbinden. Statt beispielsweise ausdrücklich „Vorname“ zu schreiben, können Sie das 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 Tab Protokolle des Agenten können Sie die Details zu Ein- und Ausgabe des Agenten prüfen, um nachzuvollziehen, welcher Wert aus dem Liquid gerendert wird.

Welche Daten Agenten erhalten

Der Agenten-Kontext ist kein offenes Gesprächsgedächtnis. Anders als ein Chat-Assistent sieht ein Agent nur die Daten, die Sie beim Aufruf explizit übergeben. Er durchsucht keine Nutzerprofile, leitet keine fehlenden Felder ab und teilt Ihnen nicht mit, wenn erforderliche Informationen fehlen.

Konzipieren Sie jeden Agenten als bewusste Pipeline von der Eingabe zur Ausgabe. Stellen Sie jeden Datenpunkt, den der Agent benötigt, über eine oder mehrere der folgenden Möglichkeiten bereit:

1. Liquid in Anweisungen: Binden Sie Nutzerattribute ({{${first_name}}}) und Canvas-Kontextvariablen ({{context.${variable_name}}}) direkt als Template in den Prompt des Agenten ein.
2. + Agenten-Kontext: Wählen Sie in der Agent Console Wissensquellen, Segmentzugehörigkeit, Markenrichtlinien, Gesamter Canvas-Kontext oder Daten zu Nutzerinteraktionen aus.
3. Kontext-Schritte: Legen Sie context.*-Variablen im Canvas vor einem Agenten-Schritt fest oder aktualisieren Sie sie.
4. Zusätzlicher Kontext im Agenten-Schritt: Übergeben Sie dem Agenten zum Sendezeitpunkt über die Schrittkonfiguration alle weiteren Liquid-Werte, die nicht bereits über die anderen Methoden festgelegt wurden.

Stellen Sie sicher, dass Sie diese Kontextvariablen entweder per Liquid in die Anweisungen des Agenten einbinden, Kontextdateien anhängen, die der Agent heranziehen soll, oder Gesamten Canvas-Kontext hinzufügen auswählen. Wenn ein Wert nicht über einen dieser Wege übergeben wird, erhält der Agent ihn nicht. Führen Sie erforderliche Eingaben in Ihren Anweisungen oder in den Voraussetzungen der Use-Cases auf und überprüfen Sie die Eingaben nach dem Testen im Tab Protokolle des Agenten.

Verwenden Sie für Katalog-Agenten im Abschnitt Ausgabe die Option Felder statt eines JSON-Schemas. Sie können trotzdem Anweisungen schreiben, die das Modell um eine Schlüssel-Wert-Ausgabe passend zu diesen Feldnamen bitten.

Weitere Informationen zu Best Practices beim Prompting finden Sie in den Leitfäden der folgenden Modellanbieter:

• OpenAI
• Anthropic
• Gemini

Ausgaben

Wenn Sie Ihren Agenten mit BrazeAI Operator auf Basis eines Start-Templates erstellt haben, überprüfen Sie das vorausgefüllte Ausgabeschema und passen Sie es bei Bedarf an.

Einfache Schemata

Einfache Schemata sind eine einfache Ausgabe, die ein Agent zurückgibt. Das kann ein String, eine Zahl, ein Boolescher Wert, ein String-Array oder ein Zahlen-Array sein.

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

Wichtig

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

Erweiterte Schemata

Zu den erweiterten Schemaoptionen gehören das manuelle Strukturieren von Feldern oder die Verwendung von JSON.

• Felder: Eine No-Code-Methode, um eine Agentenausgabe vorzugeben, die Sie einheitlich verwenden können.
• JSON: Ein Code-basierter Ansatz zum Erstellen 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 erweiterte Schemata, wenn der Agent eine Datenstruktur mit mehreren strukturiert definierten Werten statt einer Ausgabe mit nur einem Wert zurückgeben soll. So lässt sich die Ausgabe besser als einheitliche Kontextvariable formatieren.

Fallback-Ausgabe

Fallback-Werte sind nur für Canvas-Schritt-Agenten verfügbar. Im Bereich Ausgabe der Agent Console für einen Canvas-Schritt-Agenten können Sie Werte festlegen, die Braze verwendet, wenn ein Aufruf fehlschlägt.

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

Die Einrichtungsschritte finden Sie unter Fallback-Werte konfigurieren. Informationen zum Verhalten zur Laufzeit in Canvas finden Sie unter Fehlerbehandlung und Fallback-Verhalten.

Sie können beispielsweise in einem Agenten ein Ausgabeformat verwenden, das auf Grundlage eines von Nutzer:innen übermittelten Formulars einen beispielhaften Reiseplan erstellen soll. Mit dem Ausgabeformat legen Sie fest, dass jede Agentenantwort Werte für tripStartDate, tripEndDate und destination enthalten muss. Jeder dieser Werte kann aus Kontextvariablen extrahiert und zur Personalisierung mit Liquid in einem Nachricht-Schritt eingefügt 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"
  ]
}

Katalogkontext und Felder

Um einem Canvas-Schritt-Agenten Zugriff auf Katalogdaten zu geben, erstellen Sie aus dem Katalog eine Wissensquelle 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. Das minimiert den Token-Verbrauch und verbessert die Abrufgenauigkeit. Sie können den Katalog nicht direkt als Agentenkontext anhängen. 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 Steuerung für Pflichteingaben. Wählen Sie dann aus, welche der ausgewählten Spalten ausgefüllt sein müssen, 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 Pflichtspalten markiert. Spalten, die leer sein dürfen, können Sie jedoch entfernen, damit sie die Ausführung nicht blockieren. So verschwenden Sie keine Token für unvollständige Daten.

Catalog Agents berücksichtigen außerdem 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 für diese Zeile Werte enthalten.

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

Kontext der Segment-Zugehörigkeit

Sie können bis zu fünf Segmente auswählen, mit denen der Agent die Segment-Zugehörigkeit der einzelnen Nutzer:innen abgleicht, wenn der Agent in einem Canvas verwendet wird. Angenommen, für Ihren Agenten ist die Segment-Zugehörigkeit für ein Segment „Loyalty Users“ ausgewählt, und der Agent wird in einem Canvas verwendet. Wenn Nutzer:innen in einen Agenten-Schritt eintreten, kann der Agent abgleichen, ob die einzelnen Nutzer:innen Mitglied der Segmente sind, die Sie in der Agenten-Konsole angegeben haben. Die Zugehörigkeit (oder Nicht-Zugehörigkeit) der einzelnen Nutzer:innen nutzt er dann als Kontext für das LLM.

Markenrichtlinien

Sie können Markenrichtlinien auswählen, an die sich Ihr Agent in seinen Antworten halten soll. Angenommen, Ihr Agent soll SMS-Texte generieren, die Nutzer:innen zur Anmeldung für eine Fitnessstudio-Mitgliedschaft motivieren. In diesem Feld können Sie dann auf Ihre vordefinierte, mutige und motivierende Richtlinie 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. Über den Versionsverlauf können Sie frühere Konfigurationen einsehen oder wiederherstellen. So duplizieren Sie einen Agenten:

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

Agenten in einen anderen Workspace kopieren

Kopieren Sie einen Canvas Step Agent oder einen Agentic Standard in einen anderen Workspace Ihres Unternehmens, um dessen Einrichtung wiederzuverwenden, ohne sie neu aufbauen zu müssen. Braze speichert die Kopie als Entwurf mit dem Namen „Copy of“, gefolgt vom ursprünglichen Namen. So kopieren Sie einen Agenten:

1. Bewegen Sie den Mauszeiger über die Zeile des Agenten und wählen Sie das Menü aus.
2. Wählen Sie In Workspace kopieren aus.
3. Wählen Sie den Ziel-Workspace aus und wählen Sie dann Als Entwurf kopieren.
4. Überprüfen Sie die Kopie im Ziel-Workspace und verbinden Sie alle Einstellungen erneut, die nicht kopiert wurden.

Die Kopie übernimmt die Anweisungen, die Beschreibung, das Ausgabeformat, die Fallback-Werte, die Regeln, die Kontextdateien und das tägliche Aufruflimit des Agenten. Wenn das Limit höher ist, als der Ziel-Workspace zulässt, senkt Braze es auf das Maximum dieses Workspace. Die folgenden Einstellungen gehören zum Quell-Workspace und werden nicht kopiert:

• Segmente
• Teams
• Tags
• Katalogfelder
• Markenrichtlinie
• Wissensquellen

Wenn der Ziel-Workspace das Modell des Agenten nicht ausführen kann, verwendet die Kopie Braze Auto.

Beachten Sie die folgenden Einschränkungen:

• Catalog Agents und archivierte Agenten können nicht kopiert werden.
• Sie benötigen die Berechtigung, diesen Agententyp im gesamten Ziel-Workspace zu bearbeiten.

Agenten archivieren

Wenn Sie weitere angepasste Agenten erstellen, können Sie die Seite Agent-Verwaltung übersichtlich halten, indem Sie Agenten archivieren, die nicht aktiv genutzt 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.