Agent-Schritt

Mit dem Agent-Schritt können Sie KI-gestützte Entscheidungsfindung und Inhaltsgenerierung direkt in Ihren Canvas-Workflow integrieren. Allgemeine Informationen finden Sie unter Braze Agents.

Voraussetzungen

Agent-Schritte verwenden Canvas-Kontextvariablen, um relevanten Kontext aufzunehmen und eine Variable auszugeben, die im Canvas genutzt werden kann.

So funktioniert es

Wenn Nutzer:innen einen Agent-Schritt in einem Canvas erreichen, sendet Braze die von Ihnen konfigurierten Eingabedaten (vollständiger Kontext oder ausgewählte Felder) an den gewählten Agenten. Der Agent verarbeitet dann die Eingabe mithilfe seines Modells und seiner Anweisungen und gibt eine Ausgabe zurück. Diese Ausgabe wird in der Ausgabevariable gespeichert, die Sie im Schritt definiert haben.

Sie können diese Variable auf drei Hauptarten verwenden:

• Entscheidungsfindung: Leiten Sie Nutzer:innen basierend auf der Antwort des Agenten über verschiedene Canvas-Pfade weiter. Beispielsweise könnte ein Lead-Scoring-Agent eine Lead-Kategorie wie „Sales Ready“, „Marketing Qualified“ oder „Disqualified“ zurückgeben. Sie könnten diese Zuordnung nutzen, um eine Slack-Benachrichtigung oder eine automatisierte Nachricht für „Sales Ready“-Leads auszulösen, während „Disqualified“-Leads aus der Journey entfernt werden.
• Personalisierung: Fügen Sie die Antwort des Agenten direkt in eine Nachricht ein. Beispielsweise könnte ein Agent Kundenfeedback analysieren und eine empathische Follow-up-E-Mail generieren, die auf den Kommentar der Kund:in eingeht und eine Lösung vorschlägt.
• Nutzerdaten verarbeiten: Analysieren und standardisieren Sie Ihre Nutzerdaten und speichern Sie diese anschließend im Nutzerprofil oder senden Sie sie über einen Webhook. Beispielsweise könnte ein Agent einen Sentiment-Score oder eine Produkt-Affinität-Zuordnung zurückgeben. Sie können diese Daten in einem Nutzerprofil für die zukünftige Verwendung speichern.

Erstellen eines Agent-Schritts

Schritt 1: Schritt hinzufügen

Ziehen Sie die Komponente Agent aus der Seitenleiste per Drag-and-Drop, oder wählen Sie den Plus-Button am Ende eines Schritts und wählen Sie Agent aus.

Schritt 2: Agent auswählen

Wählen Sie den Agent aus, der in diesem Schritt Daten verarbeiten soll. Eine Anleitung zur Einrichtung finden Sie unter Benutzerdefinierte Agents erstellen.

In der Agent-Liste ist jeder Agent mit seinem täglichen Aufruf-Limit gekennzeichnet. Bewegen Sie den Mauszeiger über das Limit, um den aktuellen Tagesfortschritt zu sehen, einschließlich des genutzten Prozentsatzes und der Anzahl der heute verwendeten Aufrufe im Vergleich zum Limit.

Schritt 3: Ausgabe des Agents festlegen

Agent-Ausgaben werden als „Ausgabevariablen“ bezeichnet und in einer Kontextvariable für den einfachen Zugriff gespeichert. Um die Ausgabevariable zu definieren, geben Sie der Variable einen Namen.

Beachten Sie, dass der Datentyp der Ausgabevariable in der Agent-Konsole festgelegt wird. Agent-Ausgaben können als Strings, Zahlen, Booleans oder Objekte gespeichert werden. Das macht sie flexibel sowohl für die Text-Personalisierung als auch für bedingte Logik in Ihrem Canvas. Hier sind einige gängige Verwendungszwecke für jeden Typ:

Sie können eine Ausgabevariable im gesamten Canvas verwenden, indem Sie dieselbe Template-Syntax wie bei einer Kontextvariable nutzen. Verwenden Sie entweder den Segment-Filter Context Variable oder setzen Sie Agent-Antworten direkt mit Liquid als Template ein: {{context.${response_variable_name}}}.

Um eine bestimmte Eigenschaft aus einer Objekt-Ausgabevariable zu verwenden, nutzen Sie die Punkt-Notation, um mit Liquid auf diese Eigenschaft zuzugreifen: {{context.${response_variable_name}.field_name}}

Schritt 4: Optionale Schrittanweisungen hinzufügen

Sie können optionale Schrittanweisungen für alles hinzufügen, was Ihr Agent wissen muss, das spezifisch für diesen Schritt ist und nicht bereits in den Hauptanweisungen des Agents abgedeckt wird. Sie können beliebige Liquid-Template-Werte eingeben, die Sie normalerweise in einem Canvas verwenden würden.

Schritt 5: Agent testen

Sie können einen Agent-Schritt auf zwei Arten testen:

Vorschau im Schritt (Canvas-Builder): Nachdem Sie den Schritt konfiguriert haben, verwenden Sie die Schrittvorschau, um die Agent-Ausgabe für einen zufälligen Nutzer, einen bestehenden Nutzer oder einen benutzerdefinierten Nutzer zu sehen. Dies testet den Schritt isoliert, ohne den vollständigen Canvas-Pfad durchzulaufen.

Canvas testen (vollständiger Pfad): Wählen Sie Canvas testen in der Canvas-Fußzeile, um den Nutzerpfad von Anfang bis Ende in der Vorschau zu sehen. Wenn der Test Ihren Agent-Schritt erreicht, fragt Braze: Möchten Sie den Agent „{agentName}“ ausführen?

• Wählen Sie Ja, um optional Kontext hinzuzufügen, und wählen Sie dann Antwort simulieren, um den Agent für den Vorschau-Nutzer aufzurufen. Sie können Beispieleingaben in natürlicher Sprache beschreiben (zum Beispiel Warenkorb-Inhalte oder Nachrichtentext), um das Profil des Testnutzers und den bereits vorgelagert festgelegten Canvas-Kontext zu ergänzen.
• Wählen Sie Nein, um den Live-Aufruf zu überspringen und stattdessen die konfigurierte Fallback-Ausgabe des Agents aus der Agent-Konsole zu verwenden.

Aufrufe über Antwort simulieren zählen zum täglichen Aufruf-Limit des Agents und erscheinen unter Agent-Konsole > Logs. Für das vollständige Verhalten von „Canvas testen“ siehe Nutzerpfade in der Vorschau anzeigen.

Fehlerbehandlung

Informationen dazu, wie Braze mit Agent-Fehlern, Rate-Limit-Fehlern und Aufruf-Flusssteuerungen umgeht, finden Sie unter Fehlerbehandlung und Fallback-Verhalten in „Agents bereitstellen“ und Fehlerbehandlung in „Braze Agents“.

• Wenn das verbundene Modell einen Rate-Limit-Fehler vom LLM-Anbieter zurückgibt, wiederholt Braze die Anfrage kontinuierlich mit exponentiellem Backoff, bis der Aufruf erfolgreich ist oder Braze feststellt, dass er nicht abgeschlossen werden kann; Nutzer:innen gehen dann zum nächsten Canvas-Schritt weiter.
• Bei anderen Fehlern (z. B. einem Timeout-Fehler oder einem ungültigen API-Schlüssel) oder wenn ein Agent sein tägliches Aufruf-Limit erreicht, wird die Ausgabevariable auf null gesetzt, es sei denn, der Agent hat Fallback-Werte konfiguriert in der Agent Console. Wenn Fallback-Werte konfiguriert sind, rendert Braze den Fallback mit Liquid pro Nutzer:in und speichert das Ergebnis in der Ausgabevariable, auch wenn das tägliche Limit einen Aufruf blockiert.
• Wenn Sie keine Fallback-Werte konfigurieren, verwenden Sie Standard-Liquid-Werte in nachgelagerten Nachrichten-Schritten, um Null-Ausgaben zu behandeln. Beispielsweise können Sie im Modal Add Personalization einen Standard-Liquid-Wert eingeben wie {{context.${response_variable_name}.push_title | default: 'Hello friend!'}} oder {{context.${response_variable_name}.push_body | default: 'Open our app to get your prize!'}}.
• Antworten werden bei identischen Eingaben zwischengespeichert und können bei wiederholten identischen Aufrufen innerhalb weniger Minuten wiederverwendet werden.
  • Antworten, die zwischengespeicherte Werte verwenden, zählen dennoch zu den Gesamt- und täglichen Aufrufen.
• Agent-Schritte können bei der Verarbeitung einer großen Anzahl von Nutzer:innen Zeit in Anspruch nehmen. Braze reiht Aufrufe gemäß den Aufruf-Flusssteuerungen in eine Warteschlange ein, sodass Nutzer:innen bei Versendungen mit hohem Volumen möglicherweise ausstehend bleiben. Überprüfen Sie Ihre Logs, um sicherzustellen, dass Aufrufe stattfinden.

Analytics

Die folgenden Metriken helfen Ihnen dabei, die Performance Ihrer Agent-Schritte zu verfolgen:

Best Practices

Aufgaben bei komplexen Anwendungsfällen auf mehrere Agents aufteilen

Wenn Sie feststellen, dass ein Agent mit der Komplexität der gestellten Aufgaben überfordert ist, verteilen Sie die Arbeit auf mehr als einen Agent-Schritt. Wenn ein einzelner Prompt Datenbereinigung, Routing-Logik und das Verfassen vollständiger Nachrichten kombiniert, konkurrieren diese Ziele miteinander und die Ausgabequalität kann schwanken.

Das folgende Muster verwendet drei Agents für ein Reisebeispiel: Jemand hat kürzlich in Ihrer App gesucht, aber nicht gebucht, und Sie möchten Retargeting-Texte erstellen, die diese Person zum Abschluss bewegen.

• Agent 1 fasst den Canvas-Kontext zusammen. Er liest Felder wie Treuestufe, zuletzt gesuchter Ort und Suchverhalten mit hoher Kaufabsicht und gibt eine kurze strukturierte Zusammenfassung als Ausgabevariable zurück, die spätere Schritte wiederverwenden können.
• Agent 2 gibt einen Routing-Wert zurück, anhand dessen Ihr Canvas verzweigen kann. Verwenden Sie eine Zahl, einen Boolean oder ein strukturiertes Objekt, damit die Ausgabe zu Ihrer Verzweigungslogik passt. Ordnen Sie diesen Wert einem Zielgruppenpfade- oder Decision-Split-Schritt zu. Ziehen Sie beispielsweise separate Pfade für treuebasiertes Messaging im Vergleich zu angebotsbasiertem Messaging in Betracht.
• Agent 3 verfasst generierten Nachrichtentext nur auf Branches, auf denen Sie dies wünschen. Übergeben Sie die Zusammenfassung von Agent 1 (und jeglichen branchspezifischen Kontext), damit sich dieser Agent auf Tonalität und Kanallimits konzentriert, anstatt im selben Prompt Eingaben zu normalisieren und eine Strategie auszuwählen.

Den Experimentpfad-Schritt verwenden, um agentenbasierte Journeys im kleinen Maßstab zu testen

Um die Performance und den Credit-Verbrauch Ihres Agents im Vergleich zu Ihren bestehenden Journeys zu testen, fügen Sie einen Experimentpfade-Schritt hinzu, sodass nur ein Teil Ihrer Zielgruppe den Branch betritt, der Ihren Agent-Schritt enthält.

Sie können beispielsweise damit beginnen, einige Tausend Nutzer:innen pro Tag über einen Pfad mit dem Agent zu senden und den Rest an einen Kontrollpfad oder einen Pfad ohne Agent zu leiten. Sammeln Sie über 1–2 Wochen Daten und vergleichen Sie Leistungskennzahlen (KPIs), Gegenmetriken und den Agent-Credit-Verbrauch zwischen den Pfaden. Auf diese Weise können Sie Vertrauen aufbauen und den ROI nachweisen, bevor Sie den Traffic zum agentenbasierten Branch erhöhen, und dabei den Aufrufverbrauch begrenzen.

Häufig gestellte Fragen

Wann sollte ich einen Agent-Schritt verwenden?

Generell empfehlen wir die Verwendung eines Agent-Schritts, wenn Sie bestimmte kontextuelle Daten in ein LLM einspeisen und dieses agentisch eine Canvas-Kontextvariable intelligent zuweisen soll – in einem Umfang, der für Menschen nicht machbar wäre.

Nehmen wir an, Sie senden eine personalisierte Nachricht, um einer Nutzerin oder einem Nutzer eine neue Eissorte zu empfehlen, die bzw. der zuvor Schokolade und Erdbeere bestellt hat. Hier ist der Unterschied zwischen einem Agent-Schritt und KI-Artikelempfehlungen:

• Agent-Schritt: Verwendet LLMs, um eine qualitative Entscheidung darüber zu treffen, was die Nutzerin oder der Nutzer basierend auf den Anweisungen und Kontext-Datenpunkten, die dem Agent gegeben wurden, möchten könnte. In diesem Beispiel könnte ein Agent-Schritt eine neue Sorte empfehlen, basierend auf der Möglichkeit, dass die Person verschiedene Geschmacksrichtungen ausprobieren möchte.
• KI-Artikelempfehlungen: Verwendet Modelle für maschinelles Lernen, um die Produkte vorherzusagen, die eine Nutzerin oder ein Nutzer am wahrscheinlichsten möchte, basierend auf vergangenen Nutzer-Ereignissen wie Käufen. In diesem Beispiel würden KI-Artikelempfehlungen eine Geschmacksrichtung (Vanille) vorschlagen, basierend auf den beiden vorherigen Bestellungen (Schokolade und Erdbeere) und dem Vergleich mit dem Verhalten anderer Nutzer:innen in Ihrem Workspace.

Wie verwenden Agent-Schritte Eingabedaten?

Ein Agent-Schritt analysiert die Kontextdaten, für deren Verwendung der Agent konfiguriert ist, sowie alle optionalen Schrittanweisungen, die Sie dem Schritt hinzufügen.

Verwandte Artikel

• Übersicht über Braze Agents
• Benutzerdefinierte Agents erstellen
• Agents bereitstellen
• Referenz für Agents