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

En la práctica, los agentes pueden crear automáticamente el texto de los mensajes —como líneas del asunto o texto dentro del producto— para que cada cliente reciba una comunicación que se sienta hecha a su medida. También pueden adaptarse en tiempo real, dirigiendo a las personas por diferentes recorridos de 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 encargarse de tareas repetitivas o complejas, liberan a tu equipo para que se concentre 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 lugar de 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 goma, 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 “monitorear” 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 toma de decisiones basada en recompensas con IA.

En contraste, otras herramientas de BrazeAI están diseñadas para maximizar las métricas que están midiendo. 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 preferir 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 Agente cuando se evalúa 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 muestra antes de lanzarlo. Consulta los registros de cada ejecución del agente, incluidas 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 costes.

Acerca de los agentes de Braze

Los agentes se configuran con instrucciones (indicaciones del sistema) que definen cómo se comportan. Cuando un agente se ejecuta, utiliza tus instrucciones junto con cualquier dato que le pases explícitamente para generar una respuesta. No pueden acceder a datos de usuario más allá de lo que configures: variables Liquid, selecciones de contexto del agente, variables de contexto de Canvas y valores de pasos 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 grande (LLM). Interpreta las entradas, genera respuestas y realiza razonamientos. Un modelo más potente (entrenado con datos más relevantes) hace que el agente sea más capaz y versátil.
Instrucciones Las reglas o pautas 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 implementado, como campos del perfil de usuario o filas del catálogo. Esta entrada proporciona la información que el agente utiliza para generar resultados.
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 de 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 Agent Console muestra un Límite diario de coste de créditos de acción para cada agente, que es el máximo estimado de créditos por día basado en la proporción de créditos por invocación de tu modelo y el límite de invocaciones diarias. Consulta Límites diarios de invocación y créditos.
  • De forma predeterminada, cada ejecución debe completarse en 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 constante, 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 ejemplos de alto valor donde los agentes puedan generar el mayor retorno de la inversión (ROI), y elige audiencias con probabilidad de responder. Una audiencia más pequeña y con alta oportunidad suele superar a una audiencia grande con baja oportunidad; por ejemplo, reorientar a usuarios que buscaron recientemente pero no convirtieron, en lugar de enviar texto generado 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 Agente. Cuando una prueba a pequeña escala dé 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 la implementación, consulta Implementar agentes personalizados.

Gestión 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 Agent Console (solo para agentes de paso en Canvas). Los agentes de catálogo no reintentan los 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 falta de disponibilidad 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 invocación. Configura valores alternativos en la Agent Console para los agentes de paso en Canvas de modo que los usuarios sigan recibiendo una salida cuando falle una invocación, 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 características de IA de Braze que Braze identifica como que aprovechan los LLM proporcionados por Braze (“Resultado”), Braze enviará tu indicación del sistema o cualquier otra entrada, según corresponda (“Entrada”) al LLM proporcionado por Braze. Los datos enviados al LLM proporcionado por Braze correspondiente 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 derechos de autor sobre dicho Resultado. Braze no ofrece ninguna garantía de ningún tipo 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 conserva las Entradas y los Resultados enviados a través de Braze durante 55 días, tras los cuales los datos se eliminan.

Próximos pasos

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