Créer des agents personnalisés

Découvrez comment créer des agents personnalisés, ce qu’il convient de préparer avant de commencer et comment les mettre en œuvre dans les domaines de la communication, de la prise de décision et de la gestion des données. Pour des informations plus générales, consultez Agents Braze.

Prérequis

Avant de commencer, vous aurez besoin des éléments suivants :

• L’autorisation d’accéder à la Console d’agent dans votre espace de travail. Contactez vos administrateurs Braze si vous ne voyez pas cette option.
• L’autorisation de créer et de modifier des agents IA personnalisés.
• Une idée de ce que vous souhaitez que l’agent accomplisse. Les Braze Agents peuvent prendre en charge les actions suivantes :
  • Communication personnalisée : générer des lignes d’objet, des titres, du contenu in-app ou d’autres contenus.
  • Routage des utilisateurs : diriger les utilisateurs dans Canvas en fonction de leur comportement, de leurs préférences ou de leurs attributs personnalisés.
  • Gestion des données : calculer des valeurs, enrichir les entrées de catalogue ou actualiser les champs de profil.

Comment ça fonctionne

Lorsque vous créez un agent, vous définissez son objectif et établissez des garde-fous pour encadrer son comportement. Une fois en production, l’agent peut être déployé dans Braze pour générer du contenu personnalisé, prendre des décisions en temps réel ou mettre à jour les champs d’un catalogue. Pendant la création de votre agent, vous pouvez l’enregistrer en tant que brouillon et le mettre à jour à tout moment depuis le tableau de bord. Chaque enregistrement crée une nouvelle version que vous pouvez consulter dans l’onglet Historique des versions.

Les cas d’usage suivants illustrent quelques façons de tirer parti des agents personnalisés.

Créer un agent

Étape 1 : Choisir un type d’agent

Pour créer un agent, commencez par choisir votre type d’agent :

1. Accédez à Agent Console.
2. Choisissez Canvas Step Agents ou Catalog Agents.

Étape 2 : Choisir comment créer un agent

Sélectionnez Create agent, puis choisissez l’une des options suivantes :

• Custom agent pour créer un agent à partir de zéro
• Une option dans Create an agent with Operator pour utiliser BrazeAI Operator afin d’appliquer un modèle de démarrage

Si vous utilisez Operator, vérifiez et approuvez ses modifications dans le chat avant de passer à l’étape suivante.

Étape 3 : Configurer les détails

Ensuite, configurez les détails de votre agent :

1. Saisissez un nom et une description pour aider votre équipe à comprendre son objectif.
2. (facultatif) Ajoutez des tags pour filtrer votre agent.
3. Choisissez le modèle que votre agent utilisera.
4. Si vous n’utilisez pas le modèle Braze Auto, sélectionnez le niveau de réflexion du modèle. Vous pouvez choisir entre minimal, faible, moyen ou élevé. Nous recommandons de commencer par Minimal et de tester les réponses de votre agent, puis d’ajuster ce paramètre si nécessaire.
5. Définissez une limite quotidienne d’invocations. Par défaut, cette valeur est fixée à 250 000, mais peut être augmentée jusqu’à 1 000 000. Si vous souhaitez augmenter la limite au-delà de 1 000 000, contactez votre gestionnaire de la satisfaction client pour en savoir plus. Définissez la limite suffisamment haute pour la taille d’audience prévue après vos tests. Une limite trop basse provoque des échecs de limite quotidienne (qui ne consomment pas de crédits mais appliquent des valeurs de repli ou laissent la sortie null).

Le champ Daily action credit cost limit indique le nombre maximal de crédits que cet agent peut consommer par jour. Braze le calcule à partir du ratio de crédits par invocation de votre espace de travail pour le modèle sélectionné (défini dans votre contrat, visible sur la page Credit Ratios) multiplié par la limite quotidienne d’invocations. L’estimation se met à jour lorsque vous modifiez le modèle ou la limite d’invocations.

Pour gérer les coûts, réduisez la limite quotidienne d’invocations. Pour les modèles BYO (Bring Your Own), vous pouvez également passer à un modèle moins coûteux ou réduire le niveau de réflexion. Braze Auto ne permet pas d’ajuster le niveau de réflexion. Suivez l’utilisation réelle dans Settings > Billing > Credits Usage > Agent Console.

Étape 4 : Rédiger les instructions

Fournissez des instructions à l’agent. Si vous avez utilisé un modèle Operator, vérifiez les instructions pré-remplies et modifiez-les si nécessaire.

Incluez des instructions pour ce que l’agent doit faire dans des scénarios inattendus ou ambigus. Cela réduit le risque que la confusion de l’agent entraîne des erreurs. Par exemple, plutôt que de demander à l’agent uniquement des valeurs de sentiment « positif » ou « négatif », demandez-lui de renvoyer « incertain » s’il ne peut pas trancher.

Consultez la section Rédiger des instructions pour les bonnes pratiques et les Exemples pour vous inspirer dans la formulation de vos consignes.

Ajouter du contexte

Important

Les agents ne reçoivent que les données que vous leur transmettez explicitement : ils ne parcourent pas les profils utilisateur et ne vous avertissent pas lorsque des données requises sont manquantes. Utilisez Liquid dans vos instructions, sélectionnez + Agent context, ajoutez des étapes de contexte en amont dans Canvas, ou transmettez du contexte supplémentaire sur l’étape Agent. Pour la liste complète des sources de données et les recommandations de conception, consultez Quelles données les agents reçoivent.

Sélectionnez + Agent context pour choisir ce que votre agent peut consulter. Cela inclut :

• Sources de connaissances : donnez à l’agent accès aux données de catalogue. Créez une source de connaissances à partir d’un catalogue, puis ajoutez-la comme contexte d’agent afin que l’agent puisse interroger et récupérer les lignes et champs nécessaires.
• Appartenance aux Segments : permet à l’agent de personnaliser les réponses en fonction des Segments auxquels un utilisateur appartient. Vous pouvez sélectionner jusqu’à cinq Segments.
• Directives de marque : référencez les directives de voix et de style de marque que l’agent doit suivre. Par exemple, si vous souhaitez que votre agent génère du contenu SMS pour encourager les utilisateurs à s’inscrire à un abonnement en salle de sport, vous pouvez utiliser ce champ pour référencer vos directives prédéfinies audacieuses et motivantes.
• Fichiers de contexte : chargez des documents de référence (PDF, TXT, MD, CSV) que l’agent consultera à chaque invocation. Sélectionnez + Agent context > Upload files, ajoutez un ou plusieurs fichiers, puis enregistrez l’agent pour les charger.
• All Canvas Context : analyse toutes les données de contexte Canvas d’un utilisateur lorsque cet agent est invoqué, y compris les variables qui ne sont pas référencées dans la section Instructions.
• Données d’interaction utilisateur : fournissez à l’agent les données récentes d’ouvertures, de clics et de conversions des Campaigns et Canvas de chaque utilisateur.

Conseil

Pour les agents Canvas, vous pouvez utiliser Liquid dans vos instructions pour référencer des attributs utilisateur, tels que le prénom et le nom, ou des attributs personnalisés. Toute variable Liquid dans les instructions de l’agent est automatiquement transmise à l’étape Agent lorsqu’un utilisateur entre dans l’étape. Consultez Quelles données les agents reçoivent pour savoir comment transmettre délibérément le contexte Canvas et les données de profil.

Étape 5 : Sélectionner la sortie

Dans la section Output, vous pouvez organiser et définir la sortie de l’agent à l’aide de schémas de base ou de schémas avancés. Si vous avez utilisé un modèle Operator, vérifiez le schéma de sortie pré-rempli et modifiez-le si nécessaire.

Pour obtenir les meilleurs résultats, assurez-vous que ce que vous spécifiez dans la section Output correspond aux instructions de l’agent que vous avez saisies à l’étape 4. Par exemple, si vous avez mentionné dans les instructions de l’agent que vous souhaitez un objet avec deux chaînes de caractères, assurez-vous de spécifier un objet avec deux chaînes de caractères dans la section Output. Si les instructions de votre agent ne correspondent pas à la sortie spécifiée, l’agent peut être perturbé, expirer ou générer des résultats indésirables.

Conseil

Lorsque vous utilisez un schéma de sortie avancé, ajoutez un champ de type chaîne de caractères nommé explanation si vous souhaitez que l’agent renvoie son raisonnement en plus de ses autres résultats. Indiquez à l’agent dans vos instructions de remplir explanation lorsque cela vous aide à examiner ou déboguer les réponses.

Configurer les valeurs de repli

Les valeurs de repli sont disponibles uniquement pour les Canvas Step Agents. Dans la section Output d’un Canvas Step Agent, vous pouvez définir des valeurs que Braze utilise lorsqu’une invocation d’agent échoue, par exemple lorsque le LLM expire ou renvoie une erreur de clé API invalide. Les valeurs de repli fonctionnent comme des valeurs par défaut de personnalisation. Vous pouvez définir une ligne d’objet statique ou un message court qui fournit tout de même un résultat utile aux utilisateurs lorsque l’agent ne peut pas s’exécuter.

Les Catalog Agents ne permettent pas de configurer des valeurs de repli dans Agent Console.

Pour les agents Canvas, les valeurs de repli prennent en charge le templating Liquid afin que vous puissiez référencer des attributs utilisateur ou des variables de contexte dans le texte de repli.

Les champs de repli s’adaptent au format de sortie de votre Canvas Step Agent :

Lorsqu’un Canvas Step Agent avec des valeurs de repli s’exécute dans une étape Agent, Braze restitue la valeur de repli par utilisateur et la stocke dans la variable de sortie au lieu de null. Si vous ne configurez pas de valeurs de repli, les invocations échouées laissent la sortie Canvas non définie (null).

Pour le comportement à l’exécution, consultez Gestion des erreurs et comportement de repli.

Étape 6 : Tester l’agent

Le volet Preview est une instance de l’agent qui s’affiche sous forme de panneau côte à côte dans l’expérience de configuration. Vous pouvez utiliser cette section pour tester l’agent pendant sa création ou sa mise à jour, afin de l’expérimenter de manière similaire aux utilisateurs finaux. Cette étape vous permet de confirmer qu’il se comporte comme prévu et vous donne l’occasion de peaufiner les réglages avant la mise en production.

1. Dans le champ Test your agent, saisissez des données client ou des réponses client types, tout ce qui reflète les scénarios réels que votre agent traitera.
2. Prévisualisez la réponse de l’agent pour un utilisateur aléatoire, un utilisateur existant ou un utilisateur personnalisé.
3. Sélectionnez Simulate response. L’agent s’exécutera en fonction de votre configuration et affichera sa réponse.

Remarque

Les exécutions de test sont comptabilisées dans votre limite quotidienne d’invocations.

Examinez la sortie avec un regard critique. Posez-vous les questions suivantes :

• Le contenu est-il conforme à l’image de marque ?
• La logique décisionnelle oriente-t-elle les clients comme prévu ?
• Les valeurs calculées sont-elles exactes ?

Si quelque chose ne vous semble pas correct, mettez à jour la configuration de l’agent et testez à nouveau. Exécutez plusieurs entrées différentes pour observer comment l’agent s’adapte à divers scénarios, en particulier les cas limites comme l’absence de données ou les réponses invalides.

Conseil

Indiquez ce que l’agent doit faire. Lister le contenu indésirable peut tout de même orienter le modèle vers sa génération. Pour plus de conseils, consultez Pourquoi mon agent n’a-t-il pas suivi mes instructions ou mes règles ?.

Étape 7 : Utiliser votre agent

Votre agent est maintenant prêt à être utilisé ! Pour plus de détails, consultez Déployer des agents.

Modèles d’agents créés avec Operator

Operator peut préconfigurer les instructions, les champs de sortie et le contexte pour les modèles de départ suivants de la Console des agents. Choisissez un modèle dans Operator ou demandez à Operator d’en appliquer un par son nom.

Modèles d’agents d’étape Canvas

Modèles d’agents de catalogue

Ressources associées

• Référence pour les agents
• Questions fréquentes
• Webinaire Braze sur l’IA en action : 3 nouveaux cas d’usage pour la personnalisation 1:1