Ir al contenido

Paso de agente

El paso de agente te permite añadir toma de decisiones y generación de contenido impulsadas por IA directamente en tu flujo de trabajo de Canvas. Para información más general, consulta Agentes de Braze.

Un paso de agente en un recorrido de usuario de Canvas.

Requisitos previos

Los pasos de agente usan variables de contexto de Canvas para incorporar el contexto relevante y generar una variable que puedes aprovechar en el Canvas.

Cómo funciona

Cuando un usuario llega a un paso Agente en un Canvas, Braze envía los datos de entrada que hayas configurado (contexto completo o campos seleccionados) al agente que hayas elegido. A continuación, el agente procesa la entrada utilizando su modelo e instrucciones, y devuelve una salida. Esa salida se almacena en la variable de salida que definiste en el paso.

Después, puedes utilizar esta variable de tres formas principales:

  • Toma de decisiones: Dirige a los usuarios por diferentes rutas del Canvas en función de la respuesta del agente. Por ejemplo, un agente de puntuación de clientes potenciales podría devolver una categoría de cliente potencial como “Sales Ready”, “Marketing Qualified” o “Disqualified”. Podrías utilizar esta asignación para desencadenar una alerta de Slack o un mensaje automatizado para los clientes potenciales “Sales Ready”, mientras eliminas del recorrido a los clientes potenciales “Disqualified”.
  • Personalización: Inserta la respuesta del agente directamente en un mensaje. Por ejemplo, un agente podría analizar los comentarios de los clientes y generar un correo electrónico de seguimiento empático que haga referencia al comentario del cliente y sugiera una solución.
  • Procesamiento de datos de usuario: Analiza y estandariza tus datos de usuario y, después, almacénalos en el perfil de usuario o envíalos mediante un webhook. Por ejemplo, un agente podría devolver una puntuación de sentimiento o una asignación de afinidad de producto. Puedes almacenar esos datos en un perfil de usuario para utilizarlos en el futuro.

Crear un paso de Agente

Paso 1: Añade un paso

Arrastra y suelta el componente Agente desde la barra lateral, o selecciona el botón más en la parte inferior de un paso y selecciona Agente.

Paso 2: Elige tu agente

Selecciona el agente que procesará los datos en este paso. Para obtener orientación sobre la configuración, consulta Crear agentes personalizados.

En la lista de agentes, cada agente aparece etiquetado con su límite diario de invocaciones. Pasa el cursor sobre el límite para ver el progreso de hoy hacia ese límite, incluido el porcentaje utilizado y el número de invocaciones usadas hoy en comparación con el límite.

Panel Configurar paso de Agente que muestra el desplegable de agentes con dos agentes en la lista. Cada agente está etiquetado con su límite diario de invocaciones. Una información emergente sobre el primer agente muestra el porcentaje utilizado y las invocaciones usadas hoy.

Paso 3: Configura la salida de tu agente

Las salidas del agente se denominan “variables de salida” y se almacenan en una variable de contexto para acceder a ellas fácilmente. Para definir la variable de salida, asígnale un nombre.

Ten en cuenta que el tipo de datos de la variable de salida se configura desde la Consola de agentes. Las salidas del agente pueden guardarse como cadenas, números, booleanos u objetos. Esto las hace flexibles tanto para la personalización de texto como para la lógica condicional en tu Canvas. Estos son algunos usos habituales de cada tipo:

Tipo de datos Usos habituales
Cadena Personalización de mensajes (líneas del asunto, textos, respuestas)
Número Puntuación, umbrales, enrutamiento en Rutas de audiencia
Booleano Ramificación Sí/No en Divisiones de decisiones
Objeto Aprovecha uno o varios de los tipos de datos anteriores de esta sección con una sola llamada al LLM en una estructura de datos predecible

Puedes usar una variable de salida en todo el Canvas con la misma sintaxis de plantilla que usarías con una variable de contexto. Usa el filtro de Segment Variable de contexto o crea plantillas con las respuestas del agente directamente mediante Liquid: {{context.${response_variable_name}}} .

Para usar una propiedad específica de una variable de salida de tipo objeto, utiliza la notación de puntos para acceder a esa propiedad mediante Liquid: {{context.${response_variable_name}.field_name}}

Paso de Agente para Body HTML Writer con una salida de tipo objeto para la variable "agent_output".

Paso 4: Añade instrucciones opcionales del paso

Puedes incluir instrucciones opcionales del paso para cualquier cosa que tu agente necesite saber y que sea específica de este paso, siempre que no esté ya cubierta en las instrucciones principales del agente.

Puedes introducir cualquier valor con plantillas de Liquid que usarías normalmente en un Canvas. Las instrucciones del paso no pueden incluir abort_message.

Paso 5: Prueba el agente

Puedes probar un paso de Agente de dos maneras:

Vista previa en el paso (creador de Canvas): Después de configurar el paso, usa la vista previa del paso para ver la salida del agente para un usuario aleatorio, un usuario existente o un usuario personalizado. Así pruebas el paso de forma aislada sin recorrer toda la ruta del Canvas.

Probar Canvas (recorrido completo): Selecciona Probar Canvas en el pie del Canvas para obtener una vista previa de la ruta del usuario de extremo a extremo. Cuando la prueba llega a tu paso de Agente, Braze pregunta ¿Quieres ejecutar el agente “{agentName}”?

  • Selecciona Sí para añadir contexto de forma opcional y, a continuación, selecciona Simular respuesta para invocar al agente para el usuario de la vista previa. Puedes describir entradas de ejemplo en lenguaje sencillo (por ejemplo, el contenido del carrito o el texto de un mensaje) para complementar el perfil del usuario de prueba y cualquier contexto de Canvas ya configurado en pasos anteriores.
  • Selecciona No para omitir la invocación en vivo y usar en su lugar la salida alternativa configurada del agente en la Consola de agentes.

Las invocaciones de Simular respuesta cuentan para el límite diario de invocaciones del agente y aparecen en la pestaña Registros del agente. Para conocer el comportamiento completo de Probar Canvas, consulta Vista previa de rutas de usuario.

Vista previa de la salida del agente como un usuario aleatorio.

Manejo de errores

Para saber cómo Braze gestiona los fallos de agentes, los errores de límite de velocidad y los controles de flujo de invocaciones, consulta Manejo de errores y comportamiento alternativo en Desplegar agentes y Manejo de errores en Agentes de Braze.

  • Si el modelo conectado devuelve un error de límite de velocidad del proveedor de LLM, Braze reintenta continuamente la solicitud usando retirada exponencial hasta que la llamada tenga éxito o Braze determine que no se puede completar; luego los usuarios proceden al siguiente paso en Canvas.
  • Para otros fallos (como un error de tiempo de espera o una clave de API no válida), o cuando un agente alcanza su límite diario de invocaciones, la variable de salida se establece en null a menos que el agente tenga valores alternativos configurados en la Consola de agente. Cuando los valores alternativos están configurados, Braze renderiza la alternativa con Liquid por usuario y almacena el resultado en la variable de salida, incluso cuando el límite diario bloquea una invocación.
  • Si no configuras valores alternativos, usa valores predeterminados de Liquid en los pasos de mensaje posteriores para manejar salidas nulas. Por ejemplo, en el modal Add Personalization, puedes introducir un valor predeterminado de Liquid como {{context.${response_variable_name}.push_title | default: 'Hello friend!'}} o {{context.${response_variable_name}.push_body | default: 'Open our app to get your prize!'}}.
  • Si la salida alternativa llama a abort_message para un usuario, Braze gestiona a ese usuario como si no se hubieran configurado valores alternativos. Cuando el agente tiene éxito, la alternativa no se utiliza, por lo que una llamada a abort_message en la alternativa no tiene efecto.
  • Las respuestas se almacenan en caché para entradas idénticas y pueden reutilizarse para invocaciones idénticas repetidas en pocos minutos.
    • Las respuestas que usan valores en caché sí cuentan para el total de invocaciones y las invocaciones diarias.
  • Los pasos de agente pueden tardar en procesar un lote grande de usuarios. Braze pone en cola las invocaciones de acuerdo con los controles de flujo de invocaciones, por lo que los usuarios pueden permanecer pendientes durante envíos de alto volumen. Revisa tus registros para verificar que las invocaciones se están realizando.

Análisis

Consulta las siguientes métricas para hacer un seguimiento del rendimiento de tus pasos de agente:

Métrica Descripción
Entradas El número de veces que los usuarios entraron en el paso de agente.
Avanzaron al siguiente paso El número de usuarios que avanzaron al siguiente paso del flujo después de pasar por el paso de agente.
Salieron del Canvas El número de usuarios que salieron del Canvas después de pasar por el paso de agente.

Prácticas recomendadas

Divide las tareas entre agentes para casos de uso complicados

Si notas que a un agente le cuesta gestionar la complejidad de las tareas que le pides, reparte el trabajo entre más de un paso de agente. Cuando un solo prompt mezcla limpieza de datos, lógica de enrutamiento y redacción completa de mensajes, esos objetivos compiten entre sí y la calidad del resultado puede variar.

El siguiente patrón usa tres agentes para un ejemplo de viajes: alguien hizo una búsqueda en tu aplicación recientemente, pero no reservó, y quieres un texto de reorientación que lo anime a completar la compra.

  • El agente 1 resume el contexto de Canvas. Lee campos como el nivel de fidelización, la última ciudad buscada y el comportamiento de búsqueda con alta intención, y devuelve un resumen breve y estructurado como variable de salida que los pasos posteriores pueden reutilizar.
  • El agente 2 devuelve un valor de enrutamiento sobre el que tu Canvas puede ramificarse. Usa un número, un booleano o un objeto estructurado para que la salida coincida con la forma en que ramificas. Asigna ese valor a un paso de rutas de audiencia o de división de decisiones. Por ejemplo, considera rutas separadas para mensajes centrados en la fidelización frente a mensajes centrados en ofertas.
  • El agente 3 redacta el texto del mensaje generado solo en las ramas donde lo quieras. Pasa el resumen del agente 1 (y cualquier contexto específico de la rama) para que este agente se centre en el tono y en los límites del canal, en lugar de normalizar entradas y elegir la estrategia en el mismo prompt.

Usa el paso de recorrido de experimentos para probar recorridos con agentes a pequeña escala

Para probar el rendimiento y el consumo de créditos de tu agente en comparación con tus recorridos existentes, añade un paso de recorrido de experimentos para que solo una parte de tu audiencia entre en la rama que contiene tu paso de agente.

Por ejemplo, puedes empezar enviando unos pocos miles de usuarios al día por una ruta con el agente y enviar el resto a una ruta de control o a una ruta sin el agente. Recopila datos durante 1-2 semanas y compara los indicadores clave de rendimiento (KPI), las contramétricas y el consumo de créditos del agente entre las rutas. De este modo, puedes ganar confianza y demostrar el ROI antes de aumentar el tráfico a la rama con el agente habilitado, y limitar el consumo de invocaciones mientras lo haces.

Preguntas frecuentes

¿Cuándo debo utilizar un paso de agente?

En general, te recomendamos utilizar un paso de agente cuando quieras proporcionar datos contextuales concretos a un LLM y que este asigne de forma autónoma e inteligente una variable de contexto de Canvas, a una escala imposible para las personas.

Supongamos que envías un mensaje personalizado para recomendar un nuevo sabor de helado a un usuario que antes pidió chocolate y fresa. Esta es la diferencia entre utilizar un paso de agente y las recomendaciones de artículos con IA:

  • Paso de agente: Utiliza LLM para tomar una decisión cualitativa sobre lo que el usuario podría querer, en función de las instrucciones y los puntos de datos de contexto proporcionados al agente. En este ejemplo, un paso de agente podría recomendar un nuevo sabor teniendo en cuenta que el usuario quizá quiera probar sabores diferentes.
  • Recomendaciones de artículos con IA: Utiliza modelos de aprendizaje automático para predecir los productos que un usuario tiene más probabilidades de querer, en función de eventos de usuario anteriores, como las compras. En este ejemplo, las recomendaciones de artículos con IA sugerirían un sabor (vainilla) basándose en los dos pedidos anteriores del usuario (chocolate y fresa) y en cómo se comparan con los comportamientos de otros usuarios de tu espacio de trabajo.

¿Cómo utilizan los pasos de agente los datos de entrada?

Un paso de agente analiza los datos de contexto que el agente está configurado para utilizar, así como cualquier instrucción opcional del paso que añadas al paso.

New Stuff!