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.

Conditions préalables

Avant de commencer, vous aurez besoin des éléments suivants :

• L’autorisation d’accéder à la Console d’agents dans votre espace de travail. Si cette option n’apparaît pas, contactez les administrateurs Braze de votre entreprise.
• L’autorisation de créer et de modifier des agents IA personnalisés.
• Une idée de ce que vous attendez de l’agent. Les Braze Agents peuvent prendre en charge les actions suivantes :
  • Messages personnalisés : Générez des lignes d’objet, des titres, des textes intégrés au produit ou d’autres contenus.
  • Routage des utilisateurs : Orientez les utilisateurs dans un Canvas en fonction de leur comportement, de leurs préférences ou de leurs attributs personnalisés.
  • Gestion des données : Calculez des valeurs, enrichissez des entrées de catalogue ou actualisez des champs de profil.

Fonctionnement

Lorsque vous créez un agent, vous définissez son objectif et fixez des garde-fous qui encadrent son comportement. Une fois en ligne, l’agent peut être déployé dans Braze pour générer des textes personnalisés, prendre des décisions en temps réel ou mettre à jour des champs de catalogue. Pendant la création de votre agent, vous pouvez l’enregistrer comme brouillon et le modifier 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 présentent 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 son type :

1. Accédez à Agents.
2. Choisissez Agents d’étape Canvas ou Agents de données.

Étape 2 : Choisir comment créer un agent

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

• Agent personnalisé pour créer un agent à partir de zéro
• Une option sous Créer un agent avec Operator pour utiliser BrazeAI Operator et appliquer un modèle de départ

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

Étape 3 : Configurer les détails

Configurez ensuite 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 vous recommandons de commencer par Minimal, puis de tester les réponses de votre agent et d’ajuster ce paramètre si nécessaire.
5. Définissez une limite quotidienne d’invocations. Par défaut, cette valeur est fixée à 250 000, mais elle peut être portée à 1 000 000. Pour dépasser 1 000 000, contactez votre gestionnaire de la satisfaction client. Après vos tests, définissez une limite suffisamment élevée pour la taille de l’audience prévue. Une limite trop basse entraîne des échecs liés à la limite quotidienne (qui ne consomment pas de crédits, mais appliquent les valeurs de repli ou laissent la sortie à null).

Le champ Limite quotidienne de coût en crédits d’action indique le nombre maximal de crédits que cet agent peut consommer par jour. Braze le calcule en multipliant le ratio de crédits par invocation de votre espace de travail pour le modèle sélectionné (défini dans votre contrat et affiché sur la page Ratios de crédits) par la limite quotidienne d’invocations. L’estimation se met à jour lorsque vous modifiez le modèle ou la limite d’invocations.

Pour maîtriser les coûts, réduisez la limite quotidienne d’invocations. Pour les modèles BYO (bring-your-own), vous pouvez aussi 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 Paramètres > Facturation > Utilisation des crédits > Console des agents.

Étape 4 : Rédiger les instructions

Donnez des instructions à l’agent. Si vous avez utilisé un modèle Operator, examinez les instructions préremplies et modifiez-les si nécessaire.

Précisez ce que l’agent doit faire dans les situations inattendues ou ambiguës. Vous réduisez ainsi le risque d’erreurs dues à la confusion de l’agent. Par exemple, au lieu de lui demander uniquement des valeurs de sentiment « positif » ou « négatif », demandez-lui de renvoyer « incertain » s’il ne parvient pas à trancher.

Vous pouvez mettre en forme vos instructions en Markdown (titres, listes à puces, tableaux, etc.) pour les organiser en sections. Pour vérifier la mise en forme, sélectionnez Aperçu à côté du champ Instructions. Sélectionnez Modifier pour revenir à l’éditeur. Une fois l’agent enregistré, sa page de consultation affiche également les instructions avec cette mise en forme.

Consultez la section Rédiger des instructions pour connaître les bonnes pratiques et la section Exemples pour trouver l’inspiration lors de la rédaction de vos prompts.

Ajouter du contexte

Important

Les agents ne reçoivent que les données que vous leur transmettez explicitement : ils ne parcourent pas les profils utilisateurs et ne vous avertissent pas lorsque des données requises sont manquantes. Utilisez Liquid dans vos instructions, sélectionnez + Contexte de l’agent, ajoutez des étapes Contexte en amont dans le Canvas ou transmettez du contexte supplémentaire dans l’étape Agent. Pour obtenir la liste complète des sources de données et des conseils de conception, consultez Données reçues par les agents.

Sélectionnez + Contexte de l’agent pour choisir les éléments auxquels votre agent peut se référer, notamment :

• Sources de connaissances : donnez à l’agent l’accès aux données de catalogue. Créez une source de connaissances à partir d’un catalogue, puis ajoutez-la comme contexte de l’agent afin qu’il puisse interroger et récupérer les lignes et les champs dont il a besoin.
• Appartenance aux segments : permettez à l’agent de personnaliser ses réponses en fonction des segments auxquels appartient un utilisateur. Vous pouvez sélectionner jusqu’à cinq segments.
• Directives de marque : indiquez les directives de ton et de style de la marque que l’agent doit respecter. Par exemple, si vous souhaitez que votre agent rédige des SMS incitant les utilisateurs à s’abonner à une salle de sport, vous pouvez utiliser ce champ pour faire référence à votre directive prédéfinie au ton audacieux et motivant.
• Fichiers de contexte : importez des documents de référence (PDF, TXT, MD, CSV) que l’agent consultera à chaque invocation. Sélectionnez + Contexte de l’agent > Téléverser des fichiers, ajoutez un ou plusieurs fichiers, puis enregistrez l’agent pour les importer.
• Tout le contexte Canvas : analysez 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 ouvertures, les clics et les données de conversion récents de chaque utilisateur pour les campagnes et les Canvas.

Conseil

Pour les agents Canvas, vous pouvez utiliser Liquid dans vos instructions afin de faire référence aux attributs utilisateur, comme le prénom et le nom, ou à des attributs personnalisés. Toute variable Liquid présente dans les instructions de l’agent est automatiquement transmise à l’étape Agent lorsqu’un utilisateur y entre. Consultez Données reçues par les agents pour savoir comment transmettre délibérément le contexte Canvas et les données de profil.

Étape 5 : Sélectionner la sortie

Dans la section Sortie, vous pouvez organiser et définir la sortie de l’agent à l’aide de schémas simples ou avancés. Si vous avez utilisé un modèle Operator, examinez le schéma de sortie prérempli et modifiez-le si nécessaire.

Pour obtenir les meilleurs résultats, assurez-vous que ce que vous définissez dans la section Sortie correspond aux instructions saisies à l’étape 4. Par exemple, si vous avez indiqué dans les instructions que vous souhaitez un objet contenant deux chaînes de caractères, définissez bien un objet avec deux chaînes de caractères dans la section Sortie. Si les instructions de l’agent ne correspondent pas à la sortie définie, l’agent risque de se tromper, d’expirer ou de 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 sa justification en plus de ses autres sorties. Demandez à l’agent, dans vos instructions, de renseigner explanation lorsque cela vous aide à examiner ou à déboguer les réponses.

Configurer les valeurs de repli

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

Les agents de catalogue ne permettent pas de configurer des valeurs de repli dans la console des agents.

Pour les agents Canvas, les valeurs de repli prennent en charge les modèles Liquid, ce qui vous permet de faire référence à des attributs utilisateur ou à des variables de contexte dans le texte de repli.

Les champs de repli s’adaptent au format de sortie de votre agent d’étape Canvas :

Lorsqu’un agent d’étape Canvas doté de valeurs de repli s’exécute dans une étape Agent, Braze génère la valeur de repli pour chaque utilisateur et la stocke dans la variable de sortie au lieu de null. Si vous ne configurez pas de valeurs de repli, les invocations ayant échoué laissent la sortie du Canvas non définie (null).

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

Étape 6 : Tester l’agent

Le volet Aperçu est une instance de l’agent qui s’affiche dans un panneau latéral au sein de l’interface de configuration. Utilisez-le pour tester l’agent pendant que vous le créez ou le mettez à jour, afin de l’expérimenter comme le feraient les utilisateurs finaux. Cette étape vous permet de vérifier qu’il se comporte comme prévu et de l’affiner avant sa mise en production.

1. Dans le champ Tester votre agent, saisissez des exemples de données client ou de réponses client, c’est-à-dire tout ce qui reflète les scénarios réels que votre agent devra traiter.
2. Prévisualisez la réponse de l’agent pour un utilisateur aléatoire, un utilisateur existant ou un utilisateur personnalisé.
3. Sélectionnez Simuler la réponse. L’agent s’exécute selon votre configuration et affiche sa réponse.

Remarque

Les tests sont comptabilisés dans votre limite quotidienne d’invocations.

Examinez la sortie d’un œil critique en vous posant les questions suivantes :

• Le texte correspond-il à l’identité de la marque ?
• La logique de décision 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-le à nouveau. Essayez plusieurs entrées différentes pour voir comment l’agent s’adapte selon les scénarios, en particulier les cas limites comme l’absence de données ou des réponses non valides.

Conseil

Indiquez ce que l’agent doit faire. Énumérer les contenus indésirables peut quand même inciter le modèle à les générer. 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 l’emploi ! Pour en savoir plus, 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 connexes

• Référence pour les agents
• Foire aux questions
• Webinaire Braze : AI in Action