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 Möglichkeiten: ein von Braze bereitgestelltes Modell verwenden oder Ihren eigenen API-Schlüssel mitbringen.

Wichtig

Das von Braze bereitgestellte Auto-Modell ist für Modelle optimiert, deren Denkfähigkeiten ausreichen, um Aufgaben wie Katalogsuche und Segment-Zugehörigkeit durchzuführen. 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 zu ermöglichen.

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 aus, das Gemini-Modelle verwendet.

Wichtig

Wenn Sie Braze Auto nicht als Option im Modell-Dropdown beim Erstellen eines Agenten sehen, wenden Sie sich an Ihren CSM, 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 ausreichend Guthaben 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 feststellt, dass ein Modell nicht mehr verfügbar ist oder Abrechnungsprobleme mit 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 vom Anbieter ein.
3. Wählen Sie Speichern.

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

Wenn Sie ein von Braze bereitgestelltes LLM verwenden, agieren die Anbieter eines solchen Modells als Braze-Unterauftragsverarbeiter, vorbehaltlich der Bedingungen des Datenverarbeitungsvertrags (Datenschutzbeauftragte:r) zwischen Ihnen und Braze. Wenn Sie Ihren eigenen API-Schlüssel mitbringen, gilt der Anbieter Ihres LLM-Abos als Drittanbieter gemäß dem Vertrag zwischen Ihnen und Braze.

Denkstufen

Einige LLM-Anbieter ermöglichen es Ihnen, die Denkstufe eines ausgewählten Modells anzupassen. Denkstufen definieren den Umfang des Denkprozesses, den das Modell vor der Antwort durchläuft – von schnellen, direkten Antworten bis hin zu längeren Schlussfolgerungsketten. Dies beeinflusst die Antwortqualität, Latenz und Token-Nutzung.

Wir empfehlen, mit Minimal zu beginnen und die Antworten Ihres Agenten zu testen. Anschließend können Sie die Denkstufe auf Niedrig oder Mittel anpassen, wenn der Agent Schwierigkeiten hat, präzise 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, agieren die Anbieter eines solchen Modells als Braze-Unterauftragsverarbeiter, vorbehaltlich der Bedingungen des Datenverarbeitungsvertrags (Datenschutzbeauftragte:r) zwischen Ihnen und Braze. Wenn Sie Ihren eigenen API-Schlüssel mitbringen, gilt der Anbieter Ihres LLM-Abos als Drittanbieter gemäß dem Vertrag zwischen Ihnen und Braze.

Bestimmen, welches Modell verwendet werden soll

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 Modellen mit höheren Kosten. Wechseln Sie nur dann zu kostenintensiveren Modellen, wenn günstigere Modelle Schwierigkeiten mit dem Anwendungsfall haben oder inkonsistente oder ungenaue Ergebnisse liefern.
• Für Geschwindigkeit und Performance-Effizienz priorisieren Sie das Testen niedrigerer Modell-Denkstufen gegenüber höheren Denkstufen. Wechseln Sie nur dann zu Modellen mit höherer Denkstufe, wenn niedrigere Denkstufen Schwierigkeiten mit dem Anwendungsfall haben oder inkonsistente oder ungenaue Ergebnisse liefern.
• Wenn Modelle mit niedrigeren Kosten oder Denkstufen Schwierigkeiten mit dem Anwendungsfall haben oder inkonsistente oder ungenaue Ergebnisse liefern, erwägen Sie den Wechsel zu kostenintensiveren Modellen oder Modellen mit höherer Denkstufe.
• Achten Sie beim Testen darauf, die Zuverlässigkeit und Genauigkeit mit der Token-Nutzung und der Aufruf-Dauer in Einklang zu bringen.
• Jeder Anwendungsfall kann ein anderes optimales Modell und eine andere Denkstufe haben. 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
• Eigenen API-Schlüssel mitbringen: 5.000 Aufrufe pro Minute

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

Tägliche Aufruf- und Credit-Limits

Jeder Agent hat ein tägliches Aufruf-Limit (Standard 250.000; Maximum 1.000.000, sofern Ihr Vertrag nichts anderes vorsieht). Jeder Aufruf (einschließlich Agent-Console-Vorschauen und Test-Canvas-Durchläufe, die Antwort simulieren verwenden) 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 Pro-Aufruf-Credit-Verhältnis 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 ein Timeout hat, auch wenn der Agent kein verwendbares Ergebnis zurückgibt.

Credit-Verbrauch überwachen

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

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

Um die Ausgaben zu steuern, senken Sie das tägliche Aufruf-Limit. Bei Bring-your-own (BYO)-Modellen können Sie auch ein kostengünstigeres Modell wählen oder die Denkstufe reduzieren, um die Token-Kosten des Anbieters 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 Canvas- oder Katalog-Wiederholungsversuche erschöpft sind, zeigt das Logs-Detailpanel Error und die Anbieternachricht (z. B. Rate limit exceeded) unter Output an. Wiederholungsversuche sind in den Logs sichtbar, einschließlich des allerersten Aufrufs unabhängig von seinem letztlichen Erfolg oder Fehlschlag. Wenn es bei einem bestimmten Nutzer/einer bestimmten Nutzerin vier Wiederholungsversuche bis zum Erfolg braucht, können Sie die Nutzer-ID suchen und alle fünf Einträge (Original plus vier Wiederholungen) in den Logs sehen, wobei das Original und die ersten drei Wiederholungen Error mit Rate limit exceeded anzeigen.

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

Anweisungen verfassen

Anweisungen sind die Regeln oder Richtlinien, die Sie dem Agenten geben (System-Prompt). Sie definieren, 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 Starttemplates erstellt haben, überprüfen Sie die vorausgefüllten Anweisungen und bearbeiten Sie diese nach 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/e …“).
3. Setzen Sie klaren Kontext und klare Einschränkungen (Zielgruppe, Länge, Tonalität, Format).
4. Fordern Sie Struktur an („Gib JSON/Aufzählung/Tabelle zurück…“).
5. Zeigen statt erzählen. Fügen Sie einige hochwertige Beispiele bei.
6. Zerlegen Sie komplexe Aufgaben in geordnete Schritte („Schritt 1… Schritt 2…“).
7. Fördern Sie logisches Denken („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. Berücksichtigen Sie Randfälle, fügen Sie Leitplanken hinzu und definieren Sie Ablehnungsanweisungen.
10. Messen und dokumentieren Sie intern, was funktioniert – für Wiederverwendung und Skalierung.

Beispiele

Für Startkonfigurationen in der Agent Console siehe Agententemplates, erstellt mit Operator.

Für vollständige Anweisungsbeispiele, die Sie kopieren oder anpassen können, siehe die Anwendungsfall-Bibliothek für Braze Agents.

Liquid verwenden

Die Einbindung von Liquid in die Anweisungen Ihres Agenten kann eine zusätzliche Personalisierungsebene in dessen Antwort hinzufügen. Sie können die genaue Liquid-Variable angeben, die der Agent erhält, und sie in den Kontext Ihres Prompts einbinden. Anstatt zum Beispiel 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 Abschnitt Logs der Agent Console können Sie die Details für die Eingabe und Ausgabe des Agenten überprüfen, um zu verstehen, welcher Wert aus dem Liquid gerendert wird.

Welche Daten Agenten erhalten

Der Agentenkontext ist kein offener Konversationsspeicher. Im Gegensatz zu einem Chat-Assistenten sieht ein Agent nur die Daten, die Sie beim Aufruf explizit übergeben – er durchsucht keine Nutzerprofile, leitet fehlende Felder ab und teilt Ihnen nicht mit, wenn erforderliche Informationen fehlen.

Gestalten Sie jeden Agenten als eine bewusste Input-zu-Output-Pipeline. Leiten Sie jeden Datenpunkt, den der Agent benötigt, über eine oder mehrere der folgenden Methoden weiter:

1. Liquid in Anweisungen: Binden Sie Nutzerattribute ({{${first_name}}}) und Canvas-Kontextvariablen ({{context.${variable_name}}}) direkt im Agenten-Prompt ein.
2. + Agentenkontext: Wählen Sie Kataloge, Segmentzugehörigkeit, Markenrichtlinien, All Canvas Context oder Nutzerinteraktionsdaten in der Agent Console aus.
3. Kontextschritte: Setzen oder aktualisieren Sie context.*-Variablen vorgelagert im Canvas, bevor ein Agent-Schritt ausgeführt wird.
4. Zusätzlicher Kontext im Agent-Schritt: Übergeben Sie weitere Liquid-gerenderte 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 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 den Anwendungsfall auf und überprüfen Sie die Eingaben unter Agent Console > Logs nach dem Testen.

Verwenden Sie für Katalog-Agenten Fields im Abschnitt Output anstelle eines JSON-Schemas. Sie können dennoch Anweisungen verfassen, die das Modell um Key-Value-Ausgaben bitten, die diesen Feldnamen entsprechen.

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 Schemata

Einfache Schemata sind eine schlichte Ausgabe, die ein Agent zurückgibt. Dies kann ein String, eine Zahl, ein Boolean, ein String-Array oder ein Zahlen-Array sein.

Wenn Sie beispielsweise Sentiment-Scores von Nutzer:innen aus einer einfachen Feedback-Umfrage sammeln 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 Schemata

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

• Felder: Ein No-Code-Ansatz, um eine konsistent nutzbare Agentenausgabe zu erzwingen.
• JSON: Ein Code-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 Schemata, wenn der Agent eine Datenstruktur mit mehreren Werten in strukturierter Form zurückgeben soll, anstatt eine einzelne Ausgabe. So 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 Console für einen Canvas-Schritt-Agenten können Sie Werte definieren, die Braze verwendet, wenn ein Aufruf fehlschlägt.

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

Für die Einrichtungsschritte siehe Fallback-Werte konfigurieren. Für das Laufzeitverhalten in Canvas siehe Fehlerbehandlung und Fallback-Verhalten.

Beispielsweise können Sie 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 Antwort des Agenten mit Werten für tripStartDate, tripEndDate und destination zurückkommen soll. Jeder dieser Werte kann aus Kontextvariablen extrahiert und mithilfe von Liquid in einem Nachrichten-Schritt zur Personalisierung eingesetzt 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

Wählen Sie bestimmte Kataloge aus, auf die ein Agent verweisen soll, und geben Sie Ihrem Agenten den nötigen Kontext, um Ihre Produkte und andere nicht-nutzerbezogene Daten zu verstehen, wenn dies relevant ist. Agenten verwenden Tools, um nur die relevanten Artikel zu finden und diese an das LLM zu senden, um den Token-Verbrauch zu minimieren. Für einen besseren Katalogabruf erstellen Sie eine Wissensquelle und fügen Sie diese als Agentenkontext hinzu, anstatt den Katalog direkt anzuhängen.

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-Mitgliedschaftskontext

Sie können bis zu fünf Segmente auswählen, damit der Agent die Segment-Mitgliedschaft der einzelnen Nutzer:innen abgleichen kann, wenn der Agent in einem Canvas verwendet wird. Angenommen, Ihr Agent hat eine Segment-Mitgliedschaft für ein Segment „Loyalty Users“ ausgewählt und wird in einem Canvas verwendet. Wenn Nutzer:innen einen Agent-Schritt betreten, kann der Agent überprüfen, ob die jeweiligen Nutzer:innen Mitglieder der Segmente sind, die Sie in der Agent-Konsole angegeben haben, und die Mitgliedschaft (oder Nicht-Mitgliedschaft) der einzelnen 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, die Nutzer:innen dazu ermutigen, sich für eine Fitnessstudio-Mitgliedschaft anzumelden, können Sie dieses Feld verwenden, um auf Ihre vordefinierte, motivierende Markenrichtlinie zu verweisen.

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 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 parallel zum Original zu testen. Verwenden Sie den Versionsverlauf, um frühere Konfigurationen zu überprüfen oder wiederherzustellen. 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 archivieren

Wenn Sie mehr angepasste Agenten erstellen, können Sie die Seite Agent Management 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.