Référence des agents

Lorsque vous créez des agents personnalisés, reportez-vous à cet article pour en savoir plus sur les paramètres clés, tels que les instructions et les schémas de sortie. Pour une configuration étape par étape, consultez Créer des agents personnalisés. Pour une introduction, consultez Agents Braze et la Foire aux questions.

Modèles

Lorsque vous configurez un agent, vous pouvez choisir le modèle qu’il utilise pour générer des réponses. Deux possibilités s’offrent à vous : utiliser un modèle fourni par Braze ou apporter votre propre clé API.

Important

Le modèle Auto fourni par Braze est optimisé pour les modèles dont les capacités de raisonnement sont suffisantes pour effectuer des tâches telles que la recherche dans un catalogue et la vérification d’appartenance à un Segment. Si vous utilisez d’autres modèles, nous vous recommandons de les tester pour confirmer qu’ils sont adaptés à votre cas d’usage. Vous devrez peut-être ajuster vos instructions pour fournir différents niveaux de détails ou de raisonnement étape par étape selon la vitesse et les capacités du modèle choisi.

Option 1 : utiliser un modèle fourni par Braze

C’est l’option la plus simple : aucune configuration supplémentaire n’est nécessaire. Braze donne accès directement à des grands modèles de langage (LLM). Pour utiliser cette option, sélectionnez Auto, qui s’appuie sur les modèles Gemini.

Important

Si vous ne voyez pas Braze Auto dans le menu déroulant Model lors de la création d’un agent, contactez votre gestionnaire du succès des clients pour savoir comment devenir éligible à l’utilisation du modèle Braze Auto.

Option 2 : apporter votre propre clé API

Cette option vous permet de connecter votre compte Braze à des fournisseurs tels qu’OpenAI, Anthropic ou Google Gemini. Si vous apportez votre propre clé API d’un fournisseur de LLM, les coûts liés aux jetons sont facturés directement par votre fournisseur, et non par Braze.

Nous vous recommandons de tester régulièrement les modèles les plus récents, car les anciens modèles peuvent être abandonnés ou rendus obsolètes au bout de quelques mois. Assurez-vous de disposer de crédits suffisants auprès de votre fournisseur pour exécuter vos agents à grande échelle. Vous pouvez également vous inscrire aux notifications de la Console des agents dans les Préférences de notification pour être alerté lorsque Braze détecte qu’un modèle n’est plus disponible ou rencontre des problèmes de facturation avec votre fournisseur de LLM.

Pour configurer cette option :

1. Allez dans Intégrations partenaires > Partenaires technologiques et trouvez votre fournisseur.
2. Saisissez votre clé API fournie par le fournisseur.
3. Sélectionnez Enregistrer.

Vous pouvez ensuite retourner à votre agent et sélectionner votre modèle.

Lorsque vous utilisez un LLM fourni par Braze, les fournisseurs de ce modèle agissent en tant que sous-traitants secondaires de Braze, conformément aux conditions de l’addendum relatif au traitement des données (DPA) conclu entre vous et Braze. Si vous choisissez d’apporter votre propre clé API, le fournisseur de votre abonnement LLM est considéré comme un fournisseur tiers dans le cadre du contrat entre vous et Braze.

Niveaux de réflexion

Certains fournisseurs de LLM vous permettent d’ajuster le niveau de réflexion d’un modèle sélectionné. Les niveaux de réflexion définissent l’étendue du raisonnement que le modèle effectue avant de répondre, allant de réponses rapides et directes à des chaînes de raisonnement plus longues. Cela affecte la qualité des réponses, la latence et la consommation de jetons.

Nous vous recommandons de commencer par Minimal et de tester les réponses de votre agent. Vous pouvez ensuite passer au niveau Faible ou Moyen si l’agent a du mal à fournir des réponses précises. Dans de rares cas, un niveau Élevé peut être nécessaire, mais sachez que ce niveau peut entraîner des coûts de jetons élevés, des temps de réponse plus longs ou un risque accru d’erreurs de délai d’attente. Si votre agent peine à concilier un raisonnement à plusieurs étapes avec des temps de réponse raisonnables, envisagez de diviser votre cas d’usage en plusieurs agents capables de collaborer dans un Canvas ou un catalogue.

Braze utilise les mêmes plages d’adresses IP pour les appels LLM sortants que pour le contenu connecté. Ces plages sont répertoriées dans la liste d’autorisation IP du contenu connecté. Si votre fournisseur prend en charge la liste d’autorisation IP, vous pouvez restreindre la clé à ces plages afin que seul Braze puisse l’utiliser.

Important

Lorsque vous utilisez un LLM fourni par Braze, les fournisseurs de ce modèle agissent en tant que sous-traitants secondaires de Braze, conformément aux conditions de l’addendum relatif au traitement des données (DPA) conclu entre vous et Braze. Si vous choisissez d’apporter votre propre clé API, le fournisseur de votre abonnement LLM est considéré comme un fournisseur tiers dans le cadre du contrat entre vous et Braze.

Déterminer le modèle à utiliser

Chaque fournisseur de LLM propose un mélange légèrement différent de capacités, de coûts et de niveaux de réflexion. Voici quelques recommandations générales et bonnes pratiques :

• Pour optimiser les coûts, privilégiez les modèles à faible coût en jetons avant de passer à des modèles plus coûteux. N’augmentez le coût que si les modèles moins chers peinent avec votre cas d’usage ou produisent des résultats incohérents ou inexacts.
• Pour optimiser la vitesse et les performances, privilégiez les niveaux de réflexion les plus bas avant de passer à des niveaux supérieurs. N’augmentez le niveau de réflexion que si les niveaux inférieurs peinent avec votre cas d’usage ou produisent des résultats incohérents ou inexacts.
• Si les modèles ou niveaux de réflexion les moins coûteux peinent avec votre cas d’usage ou produisent des résultats incohérents ou inexacts, envisagez de passer à des modèles plus coûteux ou à des niveaux de réflexion supérieurs.
• Pendant les tests, veillez à trouver le bon équilibre entre fiabilité et précision d’une part, et consommation de jetons et durée d’invocation d’autre part.
• Chaque cas d’usage peut avoir un modèle et un niveau de réflexion optimaux différents. Nous vous recommandons de tester minutieusement pour vérifier la qualité constante sans dépassements de délai.

Contrôles du flux d’invocation

Les contrôles du flux d’invocation suivants s’appliquent par espace de travail :

• Modèle fourni par Braze : 5 000 invocations par minute
• Clé API personnelle : 5 000 invocations par minute

Lorsque de nombreux utilisateurs entrent simultanément dans une étape Agent, Braze met les invocations en file d’attente selon ces limites, de sorte que le traitement peut prendre plus de temps lors d’envois à fort volume.

Limites quotidiennes d’invocations et de crédits

Chaque agent dispose d’une limite quotidienne d’invocations (250 000 par défaut ; 1 000 000 maximum, sauf si votre contrat autorise davantage). Chaque invocation, y compris les aperçus dans la Console des agents et les exécutions de Canvas de test utilisant Simuler la réponse, est comptabilisée dans cette limite.

Dans la Console des agents, la limite quotidienne de coût en crédits d’action estime le nombre maximal de crédits qu’un agent peut consommer par jour. Braze multiplie le ratio de crédits par invocation de votre espace de travail pour le modèle sélectionné par la limite quotidienne d’invocations.

Surveiller la consommation de crédits

Allez dans Paramètres > Facturation > Utilisation des crédits > Console des agents pour consulter la consommation de crédits, le nombre d’invocations et les ratios de crédits par agent.

Les ratios de crédits proviennent de votre contrat et apparaissent dans le tableau de bord Utilisation des crédits (onglet Ratios de crédits et onglet Console des agents). L’estimation se met à jour lorsque vous modifiez le modèle ou la limite d’invocations.

Pour maîtriser les dépenses, réduisez la limite quotidienne d’invocations. Pour les modèles avec votre propre clé (BYO), vous pouvez également choisir un modèle moins coûteux ou réduire le niveau de réflexion pour diminuer les coûts de jetons du fournisseur. Braze Auto ne permet pas d’ajuster le niveau de réflexion.

Erreurs de limite de débit

Si le fournisseur de LLM renvoie une erreur de limite de débit lors d’une étape Agent dans Canvas ou d’une invocation d’agent de catalogue, Braze relance continuellement la requête en utilisant des délais exponentiels jusqu’à ce que l’appel aboutisse ou que Braze détermine qu’il ne peut pas être complété.

Lorsque les tentatives de relance dans Canvas ou pour le catalogue sont épuisées, le panneau de détails des Logs affiche Error et le message du fournisseur (tel que Rate limit exceeded) dans Output. Les tentatives de relance sont visibles dans les logs, y compris la toute première invocation, quel que soit son résultat final. Pour un utilisateur donné, s’il faut quatre tentatives de relance pour obtenir un succès, vous pouvez rechercher l’ID utilisateur et voir les cinq entrées (l’originale plus quatre relances) dans les Logs, et l’originale ainsi que les trois premières relances afficheront Error avec Rate limit exceeded.

Rédaction des instructions

Les instructions sont les règles ou directives que vous donnez à l’agent (prompt système). Elles définissent le comportement de l’agent à chaque exécution. Les instructions système peuvent contenir jusqu’à 25 Ko.

Si vous avez créé votre agent avec BrazeAI Operator en utilisant un modèle de départ, passez en revue les instructions préremplies et modifiez-les si nécessaire.

Voici quelques bonnes pratiques générales pour vous aider à démarrer avec la rédaction de prompts :

1. Commencez par la fin. Énoncez d’abord l’objectif.
2. Donnez au modèle un rôle ou un personnage (« Vous êtes un … »).
3. Définissez clairement le contexte et les contraintes (audience, longueur, ton, format).
4. Demandez une structure (« Retournez du JSON/une liste à puces/un tableau… »).
5. Montrez plutôt que de décrire. Incluez quelques exemples de qualité.
6. Décomposez les tâches complexes en étapes ordonnées (« Étape 1… Étape 2… »).
7. Encouragez le raisonnement (« Réfléchissez en interne aux différentes étapes, puis donnez une réponse finale concise » ou « expliquez brièvement votre décision »).
8. Testez, inspectez et itérez. De petits ajustements peuvent produire des gains de qualité importants.
9. Traitez les cas particuliers, ajoutez des garde-fous et des instructions de refus.
10. Mesurez et documentez ce qui fonctionne en interne pour faciliter la réutilisation et la montée en charge.

Exemples

Pour des configurations de départ dans la Console des agents, consultez Modèles d’agents créés avec Operator.

Pour des exemples complets d’instructions que vous pouvez copier ou adapter, consultez la bibliothèque de cas d’usage des agents Braze.

Utilisation de Liquid

Inclure du Liquid dans les instructions de votre agent permet d’ajouter une couche supplémentaire de personnalisation à ses réponses. Vous pouvez spécifier la variable Liquid exacte que l’agent reçoit et l’intégrer dans le contexte de votre prompt. Par exemple, au lieu d’écrire explicitement « prénom », vous pouvez utiliser l’extrait de code Liquid {{${first_name}}} :

1
Tell a one-paragraph short story about this user, integrating their {{${first_name}}}, {{${last_name}}}, and {{${city}}}. Also integrate any context you receive about how they are currently thinking, feeling, or doing. For example, you may receive {{context.${current_emotion}}}, which is the user's current emotion. You should work that into the story.

Dans la section Logs de la Console des agents, vous pouvez examiner les détails des entrées et sorties de l’agent pour comprendre quelle valeur est rendue par Liquid.

Quelles données les agents reçoivent

Le contexte d’un agent n’est pas une mémoire conversationnelle ouverte. Contrairement à un assistant de chat, un agent ne voit que les données que vous lui transmettez explicitement au moment de l’invocation : il ne parcourt pas les profils utilisateur, ne déduit pas les champs manquants et ne vous signale pas l’absence d’informations requises.

Concevez chaque agent comme un pipeline délibéré d’entrée vers sortie. Transmettez chaque point de donnée dont l’agent a besoin en utilisant un ou plusieurs des moyens suivants :

1. Liquid dans les instructions : intégrez des attributs utilisateur ({{${first_name}}}) et des variables de contexte Canvas ({{context.${variable_name}}}) directement dans le prompt de l’agent.
2. + Contexte de l’agent : sélectionnez des catalogues, l’appartenance à un Segment, des directives de marque, Tout le contexte Canvas ou des données d’interaction utilisateur dans la Console des agents.
3. Étapes de contexte : définissez ou mettez à jour des variables context.* en amont dans le Canvas avant l’exécution d’une étape Agent.
4. Contexte supplémentaire sur l’étape Agent : transmettez toute valeur supplémentaire modélisée en Liquid qui n’est pas déjà spécifiée par les autres méthodes à l’agent au moment de l’envoi depuis la configuration de l’étape.

Veillez à intégrer ces variables de contexte dans les instructions de l’agent via Liquid ou à sélectionner Ajouter tout le contexte Canvas. Si une valeur n’est pas transmise par l’un de ces canaux, l’agent ne la reçoit pas. Listez les entrées requises dans vos instructions ou dans les prérequis du cas d’usage, et vérifiez les entrées dans Console des agents > Logs après les tests.

Pour les agents de catalogue, utilisez les Champs dans la section Sortie plutôt que le schéma JSON ; vous pouvez toutefois rédiger des instructions qui demandent au modèle de produire une sortie clé-valeur correspondant à ces noms de champs.

Pour plus de détails sur les bonnes pratiques en matière de prompts, consultez les guides des fournisseurs de modèles suivants :

• OpenAI
• Anthropic
• Gemini

Sorties

Si vous avez créé votre agent avec BrazeAI Operator en utilisant un modèle de départ, passez en revue le schéma de sortie prérempli et modifiez-le si nécessaire.

Schémas de base

Les schémas de base constituent une sortie simple renvoyée par un agent. Il peut s’agir d’une chaîne de caractères, d’un nombre, d’une valeur booléenne, d’un tableau de chaînes de caractères ou d’un tableau de nombres.

Par exemple, si vous souhaitez collecter des scores de sentiment utilisateur à partir d’une enquête de satisfaction simple pour déterminer le niveau de satisfaction de vos clients après réception d’un produit, vous pouvez sélectionner Number comme schéma de base pour structurer le format de sortie.

Important

Les tableaux ne sont disponibles que pour les agents d’étape Canvas, pas pour les agents de catalogue.

Schémas avancés

Les options de schéma avancé incluent la structuration manuelle de champs ou l’utilisation de JSON.

• Champs : une méthode sans code pour imposer un format de sortie d’agent que vous pouvez utiliser de manière cohérente.
• JSON : une approche par code pour créer un format de sortie précis, où vous pouvez imbriquer des variables et des objets dans le schéma JSON. Disponible uniquement pour les agents d’étape Canvas, pas pour les agents de catalogue.

Nous recommandons d’utiliser les schémas avancés lorsque vous souhaitez que l’agent renvoie une structure de données comportant plusieurs valeurs définies de manière structurée, plutôt qu’une sortie à valeur unique. Cela permet de mieux formater la sortie en tant que variable de contexte cohérente.

Sortie de secours

Les valeurs de secours ne sont disponibles que pour les agents d’étape Canvas. Dans la section Sortie de la Console des agents pour un agent d’étape Canvas, vous pouvez définir les valeurs que Braze utilise lorsqu’une invocation échoue.

Pour les schémas JSON, Braze lit le schéma et génère un champ de saisie pour chaque propriété afin que vous puissiez définir une valeur de secours par clé. Pour les schémas Champs, vous saisissez une valeur de secours pour chaque champ. Pour les schémas de base, vous saisissez une seule valeur de secours. Les agents d’étape Canvas prennent en charge Liquid dans les valeurs de secours.

Pour les étapes de configuration, consultez Configurer les valeurs de secours. Pour le comportement à l’exécution dans Canvas, consultez Gestion des erreurs et comportement de secours.

Par exemple, vous pouvez utiliser un format de sortie au sein d’un agent destiné à créer un exemple d’itinéraire de voyage pour un utilisateur à partir d’un formulaire qu’il a soumis. Le format de sortie vous permet de définir que chaque réponse de l’agent doit contenir des valeurs pour tripStartDate, tripEndDate et destination. Chacune de ces valeurs peut être extraite des variables de contexte et placée dans une étape Message pour la personnalisation via Liquid.

• champs
• schéma json

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
{
  "type": "object",
  "properties": {
    "sentiment": {
      "type": "string"
    },
    "reasoning": {
      "type": "string"
    }
  },
  "required": [
    "sentiment",
    "reasoning"
  ]
}

Catalogues et champs

Choisissez des catalogues spécifiques auxquels un agent peut se référer pour lui donner le contexte nécessaire à la compréhension de vos produits et d’autres données non liées aux utilisateurs, le cas échéant. Les agents utilisent des outils pour trouver uniquement les éléments pertinents et les envoient au LLM afin de minimiser la consommation de jetons. Pour une meilleure récupération des données du catalogue, créez une source de connaissances et ajoutez-la comme contexte de l’agent au lieu d’attacher le catalogue directement.

Lorsque vous déployez un agent de catalogue sur un champ de catalogue, activez le contrôle d’entrée requise et choisissez quelles colonnes sélectionnées sont requises pour l’exécution avant que l’agent ne s’invoque. L’agent ignore une ligne uniquement lorsqu’une de ces colonnes requises est vide ou manquante, par exemple un champ gender qui n’a pas encore été renseigné. Les colonnes sélectionnées sont requises par défaut, mais vous pouvez retirer des colonnes susceptibles d’être vides sans bloquer l’exécution. Cela évite de gaspiller des jetons sur des données incomplètes.

Les agents de catalogue respectent également l’ordre des colonnes lorsque les champs d’entrée dépendent les uns des autres. Si la colonne D doit être générée à partir des colonnes B et C, l’agent ne s’exécute pas sur la colonne D tant que B et C ne contiennent pas de valeurs pour cette ligne.

Pour les scénarios de déploiement et des exemples, consultez Utiliser les agents de catalogue et Bonnes pratiques pour les agents de catalogue.

Contexte d’appartenance à un Segment

Vous pouvez sélectionner jusqu’à cinq Segments pour que l’agent puisse croiser l’appartenance de chaque utilisateur à ces Segments lorsqu’il est utilisé dans un Canvas. Supposons que votre agent ait accès à l’appartenance au Segment « Utilisateurs fidèles » et qu’il soit utilisé dans un Canvas. Lorsque des utilisateurs entrent dans une étape Agent, celui-ci peut vérifier si chaque utilisateur est membre de chaque Segment que vous avez spécifié dans la Console des agents, et utiliser l’appartenance (ou la non-appartenance) de chaque utilisateur comme contexte pour le LLM.

Directives de marque

Vous pouvez sélectionner des directives de marque que votre agent devra respecter dans ses réponses. Par exemple, si vous souhaitez que votre agent génère un texte SMS pour encourager les utilisateurs à s’inscrire à une salle de sport, vous pouvez utiliser ce champ pour faire référence à votre directive prédéfinie, audacieuse et motivante.

Historique d’interaction spécifique à l’utilisateur

Les données d’interaction d’un utilisateur incluent ses ouvertures, clics et données de conversion récents pour les Campaign et Canvas. Par exemple, vous pouvez inclure ce contexte pour qu’un agent le prenne en compte lorsqu’il est évalué dans un Canvas. L’historique d’interaction spécifique à l’utilisateur peut également influencer un agent dont le rôle est de rédiger des messages personnalisés.

Historique des versions

La Console des agents enregistre une nouvelle version chaque fois que vous enregistrez des modifications apportées à l’agent. L’onglet Historique des versions répertorie chaque version enregistrée et les modifications entre les enregistrements.

1. Ouvrez l’agent dans la Console des agents.
2. Sélectionnez l’onglet Historique des versions.
3. Sélectionnez une version pour examiner sa configuration.

Pour inspecter les modifications d’une version, sélectionnez Voir. Braze affiche un diff en ligne de style code qui met en évidence les ajouts et les suppressions. Le contenu supprimé apparaît avec un style barré en rouge.

Si vous devez restaurer les instructions d’une version précédente, ouvrez Voir pour cette version, copiez le texte des instructions et collez-le dans votre champ Instructions actuel.

Conseil

Dans la vue du diff en ligne, appuyez sur ⌘ + A (macOS) ou Ctrl + A (Windows) pour sélectionner toutes les instructions sans le balisage de suppression en rouge, afin de pouvoir copier et restaurer le texte propre.

Dupliquer des agents

Dupliquez un agent pour tester des améliorations ou des itérations côte à côte avec l’original. Utilisez l’historique des versions pour examiner ou restaurer des configurations antérieures. Pour dupliquer un agent :

1. Survolez la ligne de l’agent et sélectionnez le menu .
2. Sélectionnez Dupliquer.

Archiver des agents

Au fur et à mesure que vous créez des agents personnalisés, vous pouvez organiser la page Gestion des agents en archivant les agents qui ne sont pas activement utilisés. Pour archiver un agent :

1. Survolez la ligne de l’agent et sélectionnez le menu .
2. Sélectionnez Archiver.