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.
Se necesitan créditos de mensajes o de acciones para acceder y utilizar los agentes de Braze. Si actualmente no tienes créditos de acciones y quieres utilizar los agentes de Braze, ponte en contacto con tu director de cuentas para conocer los pasos a seguir.
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 personalizadas, sin añadir trabajo extra. Entienden el contexto, toman decisiones y actúan para alcanzar un objetivo, en lugar de solo responder a una única instrucción.
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 se sienta personalizada. También pueden adaptarse en tiempo real, dirigiendo a las personas por diferentes recorridos de Canvas según 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 centrarse 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 frente a otras características de BrazeAI
Usa agentes cuando necesites razonar sobre el contexto de un usuario en el momento del envío, incluyendo texto libre o una decisión basada en criterio. 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 escribir un texto push para esa combinación mientras el usuario pasa por el Canvas.
Braze Agents razonan sobre el contexto que les proporcionas. No aprenden de si el resultado funcionó, por lo que no mejoran por sí mismos a partir de los resultados.
Usa otras características de BrazeAI cuando necesites aprendizaje a partir de resultados medidos:
| Si quieres | Usa en su lugar |
|---|---|
| Evaluar la probabilidad de que un usuario cancele o actúe | Predictive Suite |
| Seleccionar artículos de un catálogo grande | Recomendaciones de artículos (y luego usa un agente para escribir textos alrededor de esos artículos) |
| Mejorar resultados con respecto a una métrica a lo largo del tiempo, o decidir ofertas | Decisioning Studio |
| Redactar o refinar contenido mientras construyes en el panel | BrazeAI Operator |
Si una regla sobre datos limpios responde la pregunta, usa un paso estándar de Canvas. Las ejecuciones de agentes consumen créditos. Para saber cómo se diferencian los Braze Agents de los agentes de decisión en Decisioning Studio, consulta Braze Agent frente a agente de decisión.
Para una comparación completa de las características de BrazeAI, consulta BrazeAI.
Características
Las características de los agentes de Braze 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 probando con entradas de ejemplo antes de lanzar. 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 costos.
- Estándares agénticos: Define reglas y conjuntos de reglas en la consola de agentes, y luego ejecuta una evaluación agéntica antes de lanzar una Campaign o un Canvas para verificar las directrices de marca, las convenciones organizacionales y los requisitos técnicos.
Acerca de los agentes de Braze
Los agentes se configuran con instrucciones (prompts del sistema) que definen cómo se comportan. Cuando un agente se ejecuta, utiliza tus instrucciones junto con los datos 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 en perfiles ni advierten 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 razonamiento. Un modelo más potente (entrenado con datos más relevantes) hace que el agente sea más capaz y versátil. |
| Instrucciones | Las reglas o directrices que le das al agente (prompt del sistema). Definen cómo debe comportarse el agente cada vez que se ejecuta. Las 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 de perfil de usuario o filas de 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 | El resultado que produce el agente cuando se utiliza en pasos en 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 se 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. |
| Agentes conversacionales | Un canal para conversaciones de múltiples turnos con usuarios. Defines flujos de trabajo conversacionales con herramientas para que los usuarios puedan completar tareas a través de SMS, RCS, WhatsApp o chat web. |
Limitaciones
Se aplican las siguientes limitaciones:
- Cada agente tiene un límite predeterminado de invocaciones diarias de 250 000 ejecuciones, que se puede aumentar hasta un máximo de 1 000 000 de ejecuciones por día. Contacta a tu CSM 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
nulldonde se utiliza.- Si tus agentes alcanzan el tiempo límite de forma constante, contacta a 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.
Mejores 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 a menudo supera a una audiencia grande con baja oportunidad; 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, usa 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 da 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 la 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 agentes (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 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 créditos.
Cuando muchos usuarios entran en un paso de agente al mismo tiempo, el procesamiento puede tardar más debido a los controles de flujo de invocaciones. Configura valores alternativos en la Consola de agentes para los agentes de paso en Canvas de modo que los usuarios sigan recibiendo resultados 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 características de IA de Braze que Braze identifica como que aprovechan los LLM proporcionados por Braze (“Resultados”), 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 correspondiente no se utilizan para entrenar ni mejorar el LLM proporcionado por Braze. Entre tú y Braze, los Resultados son tu propiedad intelectual. Braze no reclamará ningún derecho de propiedad de derechos de autor sobre dichos Resultados. Braze no ofrece ninguna garantía de ningún tipo con respecto al contenido generado por IA en general, incluidos los Resultados.
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 los datos se eliminan.
Próximos pasos
Ahora que conoces los agentes de Braze, estás listo para los siguientes pasos: