Skip to content

Agentes de Braze en la Consola de Agente

Los agentes de Braze son asistentes basados en inteligencia artificial que puedes crear dentro de Braze. Los agentes pueden generar contenido, tomar decisiones inteligentes y enriquecer tus datos para que puedas entregar experiencias del cliente más personalizadas.

Mira este video para obtener un resumen de los agentes de Braze en la Consola de Agente.

¿Por qué usar Braze Agents?

Braze Agents ayuda a tu equipo a ofrecer experiencias más inteligentes y personalizadas, sin añadir trabajo extra. Actúan como agentes autónomos que no solo responden a instrucciones, sino que comprenden el contexto, toman decisiones y actúan para alcanzar un objetivo.

En la práctica, los agentes pueden crear automáticamente textos de mensajes —como líneas del asunto o textos dentro del producto— para que cada cliente reciba una comunicación que parezca hecha a medida. También pueden adaptarse en tiempo real, dirigiendo a las personas por diferentes recorridos en Canvas en función de sus preferencias, comportamientos u otros datos.

Más allá de la mensajería, los agentes pueden enriquecer tus catálogos calculando o generando valores de campos de producto y perfil, manteniendo tus datos actualizados y dinámicos. Al hacerse cargo de tareas repetitivas o complejas, liberan a tu equipo para que se centre en la estrategia y la creatividad en lugar de la configuración manual. Braze Agents actúan más como colaboradores que como procesos en segundo plano, ayudándote a resolver problemas y generar impacto a escala.

Cuándo usar Braze Agents en comparación con otras características de BrazeAI

Usa los agentes para personalizar contenido sobre la marcha utilizando el contexto específico de un usuario. Por ejemplo, si un agente sabe que el sabor de helado favorito de un usuario en particular es chocolate y su topping favorito son los ositos de gominola, puede generar un texto push específico para esa combinación para ese usuario a medida que avanza por el Canvas.

Sin embargo, el agente no aprende por ensayo y error, y no tiene noción de un objetivo de marketing final que busque medir y maximizar. Incluso si le indicas que, en general, escriba textos que impulsen las conversiones, no tiene un mecanismo para “monitorizar” el impacto en la conversión de su escritura autónoma e integrar esos datos en futuras llamadas del agente. Puedes pensar en esto como toma de decisiones por “intuición”, no como AI Decisioning basada en recompensas.

En cambio, otras herramientas de BrazeAI están diseñadas para maximizar las métricas que miden. Por ejemplo, los agentes son muy buenos evaluando cualitativamente cómo las características de un usuario influyen en su probabilidad o propensión a realizar un determinado evento o a que le guste un determinado producto. Sin embargo, como el agente no aprende por ensayo y error, no tiene forma de medir la precisión de sus predicciones de probabilidad ni de mejorar la señal con el tiempo. Por eso, usar Predictive Suite supera al paso de agente cuando se evalúa en función de la precisión de sus predicciones y las mejoras a lo largo del tiempo.

Características

Las características de Braze Agents incluyen:

  • Configuración flexible: Usa un LLM proporcionado por Braze o conecta tus propios proveedores de modelos de IA (como OpenAI, Anthropic, Google Gemini o Databricks Mosaic).
  • Integración fluida: Implementa agentes directamente en pasos en Canvas o campos de catálogo.
  • Pruebas, registros e historial de versiones: Previsualiza la salida de tu agente probándolo con entradas de ejemplo antes de lanzarlo. Consulta los registros de cada ejecución del agente, incluyendo la entrada y la salida de esa ejecución. Usa la pestaña Version history para revisar versiones anteriores y las diferencias en línea de los cambios en las instrucciones.
  • Controles de uso: Los límites diarios ayudan a gestionar el rendimiento y los costos.

Acerca de Braze Agents

Los agentes se configuran con instrucciones (indicaciones del sistema) que definen cómo se comportan. Cuando un agente se ejecuta, utiliza tus instrucciones junto con los datos que le pasas explícitamente para generar una respuesta. No pueden acceder a datos de usuario más allá de lo que configures: variables de Liquid, selecciones de contexto del agente, variables de contexto de Canvas y valores de paso de contexto. Los agentes no buscan perfiles ni avisan cuando faltan datos. Consulta Qué datos reciben los agentes.

Conceptos clave

Término Definición
Modelo El “cerebro” del agente, en este caso un modelo de lenguaje extenso (LLM). Interpreta entradas, genera respuestas y realiza razonamientos. Un modelo más potente (entrenado con más datos relevantes) hace que el agente sea más capaz y versátil.
Instrucciones Las reglas o directrices que le das al agente (indicación del sistema). Definen cómo debe comportarse el agente cada vez que se ejecuta. Unas instrucciones claras hacen que el agente sea más fiable y predecible.
Contexto Datos que se pasan al agente en tiempo de ejecución, dondequiera que esté desplegado, como campos de perfil de usuario o filas de catálogo. Esta entrada proporciona la información que el agente utiliza para generar sus salidas.
Variables de contexto de Canvas Datos temporales que puedes crear y utilizar dentro del recorrido de un usuario a través de un Canvas específico.
Variable de salida La salida que produce el agente cuando se utiliza en pasos de Canvas. Las variables de salida almacenan el resultado del agente para personalizar contenido o guiar recorridos del flujo de trabajo. Las variables de salida pueden ser de tipo cadena, número o booleano.
Invocación Una sola ejecución del agente. Esto cuenta contra tus límites diarios.
Formato de salida La estructura de datos predefinida de la respuesta del agente.
Fuentes de conocimiento Un tipo de contexto del agente que se utiliza para recuperar datos de un catálogo con mayor precisión que si se hace referencia al catálogo directamente en las instrucciones del agente.

Limitaciones

Se aplican las siguientes limitaciones:

  • Cada agente tiene un límite predeterminado de invocaciones diarias de 250.000 ejecuciones, que puede aumentarse hasta un máximo de 1.000.000 de ejecuciones por día. Ponte en contacto con tu administrador de éxito de cliente si te interesa aumentar este límite.
  • La Consola de Agente muestra un Límite diario de coste de créditos de acción para cada agente, que es el máximo estimado de créditos por día en función de la proporción de créditos por invocación de tu modelo y el límite de invocaciones diarias. Consulta Límites diarios de invocaciones y créditos.
  • De forma predeterminada, cada ejecución debe completarse en un plazo de 20 segundos. Después de 20 segundos, el agente devuelve una respuesta null donde se utiliza.
    • Si tus agentes agotan el tiempo de espera de forma consistente, ponte en contacto con tu director de cuentas de Braze para aumentar este límite.
  • Los datos de entrada están limitados a 25 KB por solicitud. Las entradas más largas se truncan.

Buenas prácticas

Apunta a casos de uso de alto valor donde los agentes puedan generar el mayor retorno de la inversión (ROI), y elige audiencias con mayor probabilidad de responder. Una audiencia más pequeña y con alto potencial suele superar a una audiencia grande con bajo potencial; por ejemplo, reorientar a usuarios que buscaron recientemente pero no convirtieron, en lugar de enviar textos generados por agentes a toda tu base de usuarios.

Para validar el ROI antes de escalar, utiliza un paso de recorrido de experimentos para enviar solo una parte de tu audiencia a través de un paso de agente. Cuando una prueba a pequeña escala muestre buenos resultados, escala el agente a toda tu audiencia objetivo y aumenta el límite diario de invocaciones para que las invocaciones no se limiten a mitad del envío. Confirma que te sientes cómodo con el consumo estimado de créditos antes de escalar a toda tu audiencia. Para más orientación sobre implementación, consulta Implementar agentes personalizados.

Manejo de errores

Si el modelo conectado devuelve un error de límite de velocidad del proveedor de LLM durante una invocación de un agente de paso en Canvas o un agente de catálogo, Braze reintenta continuamente la solicitud utilizando retirada exponencial.

Para otros fallos (como un tiempo de espera agotado o una clave de API no válida), la salida del agente de paso en Canvas se establece en null, a menos que el agente tenga valores alternativos configurados en la Consola de Agente (solo agentes de paso en Canvas). Los agentes de catálogo no reintentan fallos que no sean de límite de velocidad. Si un agente alcanza su límite diario de invocaciones, Braze aplica los valores alternativos configurados cuando están presentes; de lo contrario, la salida se establece en null.

Los errores de límite de velocidad, la indisponibilidad del modelo y los fallos por límite diario de invocaciones no consumen créditos de Braze. Los tiempos de espera agotados sí consumen créditos. Consulta Cuándo se consumen los créditos.

Cuando muchos usuarios entran en un paso de agente a la vez, el procesamiento puede tardar más debido a los controles de flujo de invocaciones. Configura valores alternativos en la Consola de Agente para los agentes de paso en Canvas de modo que los usuarios sigan recibiendo salida cuando una invocación falle, o utiliza valores predeterminados de Liquid en los pasos de mensaje posteriores.

¿Cómo se utilizan mis datos y cómo se envían a los LLM proporcionados por Braze?

Para generar resultados de IA a través de las funciones de BrazeAI que Braze identifica como que aprovechan los LLM proporcionados por Braze (“Resultado”), Braze enviará tu prompt del sistema o cualquier otra entrada, según corresponda (“Entrada”) al LLM proporcionado por Braze. Los datos enviados al LLM proporcionado por Braze aplicable no se utilizan para entrenar ni mejorar el LLM proporcionado por Braze. Entre tú y Braze, el Resultado es tu propiedad intelectual. Braze no reclamará ningún derecho de propiedad de copyright sobre dicho Resultado. Braze no ofrece ningún tipo de garantía con respecto a cualquier contenido generado por IA en general, incluido el Resultado.

El LLM proporcionado por Braze para Braze Agents, identificado como “Auto”, utiliza modelos de Google Gemini. Google retiene las Entradas y los Resultados enviados a través de Braze durante 55 días, tras los cuales se eliminan los datos.

Próximos pasos

Ahora que conoces los agentes de Braze, estás listo para los próximos pasos:
New Stuff!