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 Sie im Canvas nutzen können.

So funktioniert es

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

Sie können diese Variable anschließend auf drei Hauptarten nutzen:

• Entscheidungsfindung: Leiten Sie Nutzer:innen basierend auf der Antwort des Agenten auf unterschiedliche Canvas-Pfade. Ein Lead-Scoring-Agent könnte beispielsweise eine Lead-Kategorie wie „Sales Ready“, „Marketing Qualified“ oder „Disqualified“ zurückgeben. Mit dieser Zuordnung könnten Sie für „Sales Ready“-Leads einen Slack-Alert oder eine automatisierte Nachricht triggern, während Sie „Disqualified“-Leads aus der Journey entfernen.
• Personalisierung: Fügen Sie die Antwort des Agenten direkt in eine Nachricht ein. Ein Agent könnte beispielsweise Kund:innen-Feedback analysieren und eine empathische Follow-up-E-Mail generieren, die auf den Kommentar der Kund:in eingeht und eine Lösung vorschlägt.
• Verarbeitung von Nutzerdaten: Analysieren und standardisieren Sie Ihre Nutzerdaten und speichern Sie sie anschließend im Nutzerprofil oder senden Sie sie über einen Webhook. Ein Agent könnte beispielsweise einen Sentiment-Score oder eine Zuordnung zur Produktaffinität zurückgeben. Diese Daten können Sie zur späteren Verwendung in einem Nutzerprofil speichern.

Agent-Schritt erstellen

Schritt 1: Schritt hinzufügen

Ziehen Sie die Komponente Agent aus der Seitenleiste in den Canvas, oder wählen Sie unten in einem Schritt den Plus-Button aus und wählen Sie dann Agent.

Schritt 2: Agenten auswählen

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

In der Agentenliste ist jeder Agent mit seinem täglichen Aufruflimit gekennzeichnet. Bewegen Sie den Mauszeiger über das Limit, um den heutigen Fortschritt in Bezug auf dieses Limit zu sehen. Dazu gehören der genutzte Prozentsatz und die Anzahl der heute genutzten Aufrufe im Vergleich zum Limit.

Schritt 3: Ausgabe Ihres Agenten festlegen

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

Beachten Sie, dass der Datentyp der Ausgabevariable in der Agent Console festgelegt wird. Agent-Ausgaben können als Strings, Zahlen, Boolesche Werte oder Objekte gespeichert werden. Dadurch lassen sie sich flexibel sowohl für die Textpersonalisierung als auch für bedingte Logik in Ihrem Canvas einsetzen. Hier einige gängige Verwendungen 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 Kontextvariable, oder fügen Sie Agent-Antworten direkt mit Liquid als Template ein: {{context.${response_variable_name}}} .

Um eine bestimmte Eigenschaft aus einer Objekt-Ausgabevariable zu verwenden, greifen Sie mit Punktnotation in Liquid auf diese Eigenschaft zu: {{context.${response_variable_name}.field_name}}

Schritt 4: Optionale Schrittanweisungen hinzufügen

Sie können optionale Schrittanweisungen für alles hinzufügen, was Ihr Agent speziell für diesen Schritt wissen muss und was nicht bereits in den Hauptanweisungen des Agenten abgedeckt ist.

Sie können alle Liquid-Template-Werte eingeben, die Sie normalerweise in einem Canvas verwenden würden. Schrittanweisungen dürfen kein abort_message enthalten.

Schritt 5: Agenten 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 zufällige, bestehende oder angepasste Nutzer:innen anzuzeigen. Damit wird der Schritt isoliert getestet, ohne den gesamten Canvas-Pfad zu durchlaufen.

Canvas testen (gesamte Journey): Wählen Sie in der Fußzeile des Canvas Canvas testen aus, um eine End-to-End-Vorschau des Nutzerpfads anzuzeigen. Wenn der Test Ihren Agent-Schritt erreicht, fragt Braze: Möchten Sie den Agenten „{agentName}“ ausführen?

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

Aufrufe über Antwort simulieren werden auf das tägliche Aufruflimit des Agenten angerechnet und erscheinen im Tab Logs des Agenten. Das vollständige Verhalten von „Canvas testen“ finden Sie unter Vorschau von Nutzerpfaden.

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 Personalisierung hinzufügen 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!'}}.
• Wenn die Fallback-Ausgabe abort_message für eine:n Nutzer:in aufruft, behandelt Braze diese:n Nutzer:in so, als wären keine Fallback-Werte konfiguriert. Wenn der Agent erfolgreich ist, wird der Fallback nicht verwendet, sodass ein abort_message-Aufruf im Fallback keine Auswirkung hat.
• 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

Anhand der folgenden Metriken können Sie verfolgen, wie Ihre Agent-Schritte abschneiden:

Best Practices

Aufgaben bei komplexen Anwendungsfällen auf mehrere Agenten aufteilen

Wenn Sie feststellen, dass ein Agent mit der Komplexität der gestellten Aufgaben Schwierigkeiten hat, verteilen Sie die Arbeit auf mehrere Agent-Schritte. Wenn ein einzelner Prompt Datenbereinigung, Routing-Logik und das vollständige Verfassen von Nachrichten kombiniert, konkurrieren diese Ziele miteinander, und die Qualität der Ausgabe kann schwanken.

Das folgende Muster setzt in einem Reisebeispiel drei Agenten ein: Jemand hat kürzlich in Ihrer App gesucht, aber nicht gebucht, und Sie möchten Retargeting-Texte, die diese Person zum Checkout 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 booleschen Wert oder ein strukturiertes Objekt, damit die Ausgabe zu Ihrer Verzweigungslogik passt. Ordnen Sie diesen Wert einem Schritt vom Typ Zielgruppenpfade oder Decision-Split zu. Sie könnten beispielsweise separate Pfade für Messaging mit Fokus auf Kundenbindung und Messaging mit Fokus auf Angebote anlegen.
• Agent 3 erstellt generierte Nachrichtentexte nur in den Branches, in denen Sie diese benötigen. Übergeben Sie die Zusammenfassung von Agent 1 (und gegebenenfalls Branch-spezifischen Kontext), damit sich dieser Agent auf Tonalität und Kanalbeschränkungen konzentriert, statt im selben Prompt Eingaben zu normalisieren und eine Strategie auszuwählen.

Agentische Journeys mit dem Experimentpfad-Schritt in kleinem Rahmen testen

Um die Performance und den Credit-Verbrauch Ihres Agenten mit Ihren bestehenden Journeys zu vergleichen, fügen Sie einen Experimentpfad-Schritt hinzu, sodass nur ein Teil Ihrer Zielgruppe in den Branch mit Ihrem Agent-Schritt gelangt.

Sie können beispielsweise zunächst einige tausend Nutzer:innen pro Tag über einen Pfad mit dem Agenten leiten und den Rest an einen Kontrollpfad oder einen Pfad ohne Agenten senden. Sammeln Sie 1–2 Wochen lang Daten und vergleichen Sie Leistungskennzahlen (KPIs), Gegenmetriken und den Agent-Credit-Verbrauch zwischen den Pfaden. So können Sie Vertrauen aufbauen und den ROI nachweisen, bevor Sie den Traffic zum Branch mit Agent erhöhen – und dabei den Verbrauch durch Aufrufe begrenzen.

Häufig gestellte Fragen

Wann sollte ich einen Agent-Schritt verwenden?

Im Allgemeinen empfehlen wir einen Agent-Schritt, wenn Sie bestimmte kontextbezogene Daten in ein LLM einspeisen möchten. Das LLM weist dann agentisch und intelligent eine Canvas-Kontextvariable zu, und zwar in einem Umfang, der für Menschen unmöglich wäre.

Angenommen, Sie senden eine personalisierte Nachricht, um Nutzer:innen, die zuvor Schokolade und Erdbeere bestellt haben, eine neue Eissorte zu empfehlen. So unterscheidet sich ein Agent-Schritt von KI-Artikelempfehlungen:

• Agent-Schritt: Nutzt LLMs, um eine qualitative Entscheidung darüber zu treffen, was die Nutzer:innen möchten könnten. Die Grundlage dafür sind die Anweisungen und kontextbezogenen Datenpunkte, die dem Agenten zur Verfügung stehen. In diesem Beispiel könnte ein Agent-Schritt eine neue Sorte empfehlen, weil die Nutzer:innen möglicherweise verschiedene Sorten ausprobieren möchten.
• KI-Artikelempfehlungen: Nutzen Modelle des maschinellen Lernens, um die Produkte vorherzusagen, die Nutzer:innen am wahrscheinlichsten möchten. Die Grundlage dafür sind vergangene Nutzer-Events wie Käufe. In diesem Beispiel würden KI-Artikelempfehlungen eine Sorte (Vanille) vorschlagen. Die Grundlage dafür sind die beiden vorherigen Bestellungen der Nutzer:innen (Schokolade und Erdbeere) und deren Vergleich mit dem Verhalten anderer Nutzer:innen in Ihrem Workspace.

Wie verwenden Agent-Schritte Eingabedaten?

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

Verwandte Artikel

• Übersicht über Braze Agents
• Angepasste Agenten erstellen
• Agenten bereitstellen
• Referenz für Agenten