Passer au contenu

Référence des agents

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

Modèles

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

Option 1 : Utiliser un modèle fourni par Braze

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

Option 2 : Utiliser votre propre clé API

Avec cette option, vous pouvez connecter votre compte Braze à des fournisseurs comme OpenAI, Anthropic ou Google Gemini. Pour consulter la liste complète des fournisseurs pris en charge, reportez-vous à Fournisseurs de modèles d’IA. Si vous utilisez votre propre clé API d’un fournisseur de LLM, les coûts en jetons vous sont facturés directement par ce fournisseur, et non par Braze.

Nous vous recommandons de tester régulièrement les modèles les plus récents, car les anciens modèles peuvent être abandonnés ou dépréciés au bout de quelques mois. Assurez-vous de disposer de suffisamment de crédits auprès de votre fournisseur pour exécuter vos agents à grande échelle. Vous pouvez également vous abonner aux notifications Agent Console 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. Accédez à Intégrations partenaires > Partenaires technologiques et recherchez votre fournisseur.
  2. Saisissez la clé API fournie par votre fournisseur.
  3. Sélectionnez Enregistrer.

Vous pouvez ensuite revenir 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 ultérieurs de Braze, conformément aux conditions de l’avenant relatif au traitement des données (DPA) conclu entre vous et Braze. Si vous choisissez d’utiliser votre propre clé API, le fournisseur de votre abonnement LLM est considéré comme un fournisseur tiers au sens du contrat conclu entre vous et Braze.

Niveaux de réflexion

Certains fournisseurs de LLM vous permettent d’ajuster le niveau de réflexion du modèle sélectionné. Le niveau de réflexion définit l’ampleur du raisonnement du modèle avant qu’il ne réponde : des réponses rapides et directes jusqu’à de longues chaînes de raisonnement. Ce réglage influe sur la qualité des réponses, la latence et la consommation de jetons.

Niveau Quand l’utiliser
Minimal ou Aucun Tâches simples, en une seule étape, qui n’utilisent ni sources de connaissances ni autres outils (comme une classification ou une reformulation simple). Réponses les plus rapides et coût le plus bas. Aucun désactive complètement la réflexion.
Faible Tâches qui gagnent à un peu plus de raisonnement sans nécessiter d’analyse approfondie.
Moyen Tâches en plusieurs étapes ou nuancées (comme l’analyse de plusieurs entrées pour recommander une action).
Élevé Raisonnement complexe ou cas limites.

Les niveaux disponibles varient selon le modèle. Certains modèles proposent Aucun à la place de Minimal, et tous les modèles ne proposent pas le niveau Élevé.

Nous vous recommandons de commencer par Minimal (ou Aucun) et de tester les réponses de votre agent. Si votre agent utilise des sources de connaissances, commencez par Faible : au niveau le plus bas, certains modèles répondent sans lancer la recherche. Si l’agent a du mal à fournir des réponses exactes, montez d’un niveau à la fois. Dans de rares cas, un niveau de réflexion Élevé peut être nécessaire, mais il peut entraîner des coûts en jetons élevés, des temps de réponse plus longs ou un risque accru d’erreurs d’expiration. Si votre agent peine à concilier un raisonnement en plusieurs étapes avec des temps de réponse raisonnables, envisagez de répartir votre cas d’usage entre plusieurs agents qui collaborent au sein d’un Canvas ou d’un catalogue.

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

Choisir le modèle à utiliser

Chaque fournisseur de LLM propose une combinaison légèrement différente de capacités, de coûts et de niveaux de réflexion. Voici quelques recommandations générales et bonnes pratiques :

  • Pour optimiser les coûts, testez en priorité les modèles dont le coût en jetons est le plus faible. Passez à des modèles plus coûteux uniquement si les modèles moins chers ont du mal à traiter le cas d’usage ou produisent des résultats incohérents ou inexacts.
  • Pour optimiser la vitesse et les performances, testez en priorité les niveaux de réflexion les plus bas. Passez à des niveaux de réflexion plus élevés uniquement si les niveaux inférieurs ont du mal à traiter le cas d’usage ou produisent des résultats incohérents ou inexacts.
  • Si les modèles moins coûteux ou les niveaux de réflexion plus bas ont du mal à traiter le cas d’usage ou produisent des résultats incohérents ou inexacts, envisagez de passer à des modèles plus coûteux ou à des niveaux de réflexion plus élevés.
  • Pendant les tests, veillez à trouver le bon équilibre entre fiabilité et exactitude d’une part, 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 de manière approfondie pour vérifier que la qualité reste constante sans expiration.

Contrôles du flux d’invocations

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

  • Modèle fourni par Braze : 5 000 invocations par minute
  • Utilisation de votre propre clé API : 5 000 invocations par minute

Lorsque de nombreux utilisateurs entrent simultanément dans une étape Agent, Braze met les invocations en file d’attente conformément à ces limites. Le traitement peut donc prendre plus de temps lors d’envois à volume élevé.

Limites quotidiennes d’invocations et de crédits

Chaque agent dispose par défaut d’une limite quotidienne de 250 000 invocations, qui peut aller jusqu’à 1 000 000 par jour. Si vous souhaitez dépasser 1 000 000, contactez votre customer success manager. Chaque invocation est comptabilisée dans cette limite, y compris les aperçus dans Agent Console et les exécutions de test de Canvas qui utilisent Simuler la réponse.

Dans Agent Console, 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.

Quand les crédits sont consommés

Braze ne facture des crédits que pour les invocations dont le traitement aboutit. Aucun crédit n’est consommé lorsqu’une invocation échoue en raison :

  • D’une erreur de limite de débit renvoyée par le fournisseur de LLM (y compris les nouvelles tentatives qui finissent par échouer)
  • De l’indisponibilité du modèle sélectionné
  • De l’atteinte, par l’agent, de sa limite quotidienne d’invocations

Les crédits sont consommés lorsqu’une invocation expire, même si l’agent ne renvoie aucune sortie exploitable.

Surveiller la consommation de crédits

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

Les ratios de crédits sont définis dans votre contrat et figurent sur le tableau de bord Utilisation des crédits (onglets Ratios de crédits et Agent Console). L’estimation est mise à jour lorsque vous modifiez le modèle ou la limite d’invocations.

Pour maîtriser vos dépenses, réduisez la limite quotidienne d’invocations. Pour les modèles utilisant votre propre clé (BYO), vous pouvez également choisir un modèle moins coûteux ou abaisser le niveau de réflexion afin de réduire les coûts en jetons facturés par le 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 de l’invocation d’un agent d’étape de Canvas ou d’un agent de catalogue, Braze relance la requête en continu avec des délais exponentiels jusqu’à ce que l’appel réussisse ou que Braze détermine qu’il ne peut pas aboutir.

Lorsque les nouvelles tentatives du Canvas ou du catalogue sont épuisées, le panneau de détails des logs affiche Erreur ainsi que le message du fournisseur (par exemple Rate limit exceeded) dans le champ Sortie. Les nouvelles tentatives sont visibles dans les logs, de même que la toute première invocation, qu’elle ait finalement réussi ou échoué. Par exemple, si quatre nouvelles tentatives sont nécessaires pour obtenir une réussite pour un utilisateur donné, vous pouvez rechercher son ID utilisateur et voir les cinq invocations (l’originale et les quatre nouvelles tentatives) dans les logs : l’invocation originale et les trois premières nouvelles tentatives affichent Erreur avec Rate limit exceeded.

Les erreurs de limite de débit ne consomment pas de crédits Braze, y compris les nouvelles tentatives échouées affichées dans les logs.

Détails d’un log dans Agent Console affichant une erreur de limite de débit dépassée dans le champ Sortie.

Rédiger des instructions

Les instructions sont les règles ou consignes que vous donnez à l’agent (prompt système). Elles définissent son comportement à chaque exécution. Les instructions système peuvent atteindre 25 Ko.

Si vous avez créé votre agent avec BrazeAI Operator à partir d’un modèle de départ, relisez les instructions préremplies et modifiez-les si besoin.

Voici quelques bonnes pratiques générales pour bien démarrer avec vos prompts :

  1. Pensez d’abord au résultat. Commencez par énoncer l’objectif.
  2. Attribuez un rôle ou un persona au modèle (« Vous êtes un… »).
  3. Définissez un contexte et des contraintes clairs (audience, longueur, ton, format).
  4. Demandez une structure (« Renvoie du JSON, une liste à puces, un tableau… »).
  5. Montrez plutôt que d’expliquer. Incluez quelques exemples de haute qualité.
  6. Décomposez les tâches complexes en étapes ordonnées (« Étape 1… Étape 2… »).
  7. Encouragez le raisonnement (« Réfléchis aux étapes en interne, puis fournis une réponse finale concise » ou « explique brièvement ta décision »).
  8. Testez, analysez et itérez. De petits ajustements peuvent nettement améliorer la qualité.
  9. Gérez les cas limites avec des règles positives et explicites, et ajoutez des instructions de refus si nécessaire.
  10. Mesurez et documentez en interne ce qui fonctionne pour pouvoir le réutiliser et le déployer à grande échelle.

Dans la mesure du possible, rédigez des instructions positives et explicites. Dites à l’agent ce qu’il doit faire et formulez toute restriction de façon concrète. Si un agent ignore vos règles, consultez Pourquoi mon agent n’a-t-il pas suivi mes instructions ou mes règles ?.

Mettre en forme les instructions avec Markdown

Les instructions prennent en charge la mise en forme Markdown : titres, listes à puces et numérotées, texte en gras, liens et tableaux. Utilisez des titres comme # Role, ## Goal et ## Rules pour découper les instructions longues en sections plus faciles à parcourir pour vous et votre équipe. La mise en forme modifie uniquement l’affichage des instructions dans Braze. L’agent reçoit toujours le texte d’origine que vous avez rédigé.

  • À l’étape Instructions, sélectionnez Aperçu pour afficher vos instructions sous forme de texte mis en forme, puis Modifier pour revenir à l’éditeur.
  • Sur la page de consultation de l’agent, les instructions s’affichent avec leur mise en forme Markdown.
  • Les liens des instructions mises en forme s’ouvrent dans un nouvel onglet.
  • Les balises HTML brutes ou de type XML (comme <role>) s’affichent en texte brut dans l’aperçu. L’agent les reçoit toujours telles que vous les avez écrites.

Instructions sur la page de consultation d’un agent, mises en forme avec des titres Markdown pour le rôle, les entrées et l’objectif, des paragraphes et une liste à puces d’entrées propres à l’utilisateur.

Exemples

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

Pour des exemples d’instructions complets à copier ou adapter, consultez la bibliothèque de cas d’usage pour Braze Agents.

Exemple Catégorie Type d’agent Fonction
Rédiger des messages personnalisés selon le contexte de l’utilisateur Génération de contenu Agent d’étape Canvas Génère un objet et une accroche d’e-mail ainsi qu’un titre et un corps de notification push coordonnés pour les utilisateurs qui ont effectué une recherche sans réserver.
Analyser les retours des utilisateurs pour déterminer les prochaines étapes Standardisation des données Agent d’étape Canvas Classe le sentiment et le sujet des enquêtes post-voyage, puis recommande une prochaine étape CRM.
Répartir les utilisateurs en compartiments d’intérêt à partir des attributs existants Agent d’affinité Agent d’étape Canvas Classe les utilisateurs dans des compartiments d’intérêt à partir de leurs attributs et de signaux de forte intention, puis recommande la meilleure expérience ou le meilleur article suivant.
Orienter les utilisateurs vers le parcours Canvas le plus pertinent selon leur comportement récent Agent d’affinité Agent d’étape Canvas Déduit la motivation à partir du comportement récent et renvoie la meilleure clé de routage pour la prochaine étape du Canvas de l’utilisateur.
Attribuer des catégories d’intérêt aux utilisateurs à partir d’actions de forte intention en temps réel Agent d’affinité Agent d’étape Canvas Attribue des catégories d’intérêt à partir d’actions de forte intention et recommande la meilleure expérience ou le meilleur article suivant.
Classer les messages entrants selon une intention de désabonnement Classification et routage Agent d’étape Canvas Renvoie une valeur booléenne stricte indiquant si un message est une demande de désabonnement.
Standardiser les messages entrants en données structurées pour l’automatisation Standardisation des données Agent d’étape Canvas Normalise les SMS ou chats entrants en intention, entités et indicateurs de conformité structurés pour l’automatisation en aval.
Rédiger des descriptions à fort taux de conversion conformes aux directives de marque Génération de contenu Agent de catalogue Génère des descriptions courtes et fidèles à la marque pour chaque ligne du catalogue.
Fournir des traductions selon la langue utilisée dans chaque région Enrichissement du catalogue Agent de catalogue Localise les chaînes d’interface et marketing selon la locale et la limite de caractères.
Enrichir les articles du catalogue avec des descriptions, des catégories et des étiquettes Enrichissement du catalogue Agent de catalogue Génère des descriptions enrichies, des catégories et des étiquettes à partir des données existantes des articles du catalogue.

Utiliser Liquid

Intégrer Liquid aux instructions de votre agent permet d’ajouter un niveau de personnalisation supplémentaire à ses réponses. Vous pouvez indiquer la variable Liquid exacte que l’agent reçoit et l’inclure dans le contexte de votre prompt. Par exemple, au lieu d’écrire explicitement « prénom », vous pouvez utiliser l’extrait de code Liquid {{${first_name}}} :

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 l’onglet Logs de l’agent, vous pouvez consulter le détail des entrées et sorties de l’agent pour comprendre quelle valeur est générée à partir du code Liquid.

Données reçues par les agents

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 son appel : il ne parcourt pas les profils utilisateurs, ne déduit pas les champs manquants et ne vous signale pas l’absence d’informations requises.

Concevez chaque agent comme un pipeline délibéré allant des entrées aux sorties. Transmettez chaque point de donnée dont l’agent a besoin à l’aide d’une ou plusieurs des méthodes suivantes :

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

Veillez à intégrer ces variables de contexte via Liquid dans les instructions de l’agent, à joindre les fichiers de contexte que l’agent doit consulter, ou à sélectionner Ajouter tout le contexte du Canvas. Si une valeur ne passe par aucun de ces canaux, l’agent ne la reçoit pas. Listez les entrées requises dans vos instructions ou dans les prérequis des cas d’usage, et vérifiez-les dans l’onglet Logs de l’agent après vos tests.

Détails d’un agent dont les instructions contiennent du code Liquid.

Pour les agents de catalogue, utilisez les Champs de la section Sortie plutôt qu’un schéma JSON ; vous pouvez tout de même rédiger des instructions demandant au modèle une sortie clé-valeur correspondant à ces noms de champs.

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

Sorties

Si vous avez créé votre agent avec BrazeAI Operator à partir d’un modèle de départ, vérifiez le schéma de sortie prérempli et modifiez-le si nécessaire.

Schémas de base

Un schéma de base correspond à une sortie simple renvoyée par un agent. Il peut s’agir d’une chaîne de caractères, d’un nombre, d’un booléen, d’un tableau de chaînes de caractères ou d’un tableau de nombres.

Par exemple, pour recueillir les scores de sentiment des utilisateurs à partir d’une simple enquête de satisfaction et évaluer le niveau de satisfaction de vos clients après la réception d’un produit, vous pouvez sélectionner Nombre comme schéma de base pour structurer le format de sortie.

Console des agents avec « Nombre » sélectionné comme schéma de base.

Schémas avancés

Les options de schéma avancé vous permettent de structurer les champs manuellement ou d’utiliser du JSON.

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

Nous vous recommandons d’utiliser des 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. La sortie est ainsi mieux formatée et peut servir de variable de contexte cohérente.

Sortie de secours

Les valeurs de secours sont disponibles uniquement 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 en cas d’échec d’un appel.

Pour les schémas JSON, Braze lit le schéma et génère un champ de saisie pour chaque propriété, ce qui vous permet de 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 connaître 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 dans un agent destiné à créer un exemple d’itinéraire de voyage pour un utilisateur à partir d’un formulaire qu’il a envoyé. Le format de sortie vous permet d’exiger que chaque réponse de l’agent contienne des valeurs pour tripStartDate, tripEndDate et destination. Chacune de ces valeurs peut être extraite des variables de contexte et insérée dans une étape Message pour la personnalisation à l’aide de Liquid.

Pour formater les réponses à une simple enquête de satisfaction visant à déterminer la probabilité que les personnes interrogées recommandent le nouveau parfum de glace de votre restaurant, vous pouvez configurer les champs suivants pour structurer le format de sortie :

Nom du champ Valeur
likelihood_score Nombre
explanation Chaîne de caractères
confidence_score Nombre

Console des agents affichant trois champs de sortie pour le score de probabilité, l’explication et le score de confiance.

Pour recueillir l’avis des utilisateurs sur leur dernière expérience dans votre chaîne de restaurants, vous pouvez sélectionner Schéma JSON comme format de sortie et insérer le JSON suivant afin de renvoyer un objet de données comprenant une variable de sentiment et une variable de justification.

{
  "type": "object",
  "properties": {
    "sentiment": {
      "type": "string"
    },
    "reasoning": {
      "type": "string"
    }
  },
  "required": [
    "sentiment",
    "reasoning"
  ]
}

Contexte de catalogue et champs

Pour qu’un Canvas Step Agent puisse accéder aux données d’un catalogue, créez une source de connaissances à partir de ce catalogue, puis ajoutez-la via + Agent context. L’agent interroge la source de connaissances pour récupérer les lignes correspondantes. Il n’envoie au LLM que les données de catalogue pertinentes, ce qui réduit la consommation de jetons et améliore la précision de la récupération. Vous ne pouvez pas associer le catalogue directement comme contexte d’agent. Les agents configurés avec l’ancienne option Add catalog fields, avant l’arrivée des sources de connaissances, peuvent continuer à utiliser ce contexte jusqu’à ce que vous les migriez.

Une source de connaissances « nyc_restaurants » qui fait référence au catalogue « nyc_restaurants ».

Lorsque vous déployez un Catalog Agent sur un champ de catalogue, activez le contrôle des entrées obligatoires et choisissez les colonnes sélectionnées qui doivent être renseignées pour que l’agent s’exécute. L’agent ignore une ligne uniquement lorsque l’une de ces colonnes obligatoires est vide ou manquante, par exemple un champ gender qui n’a pas encore été rempli. Les colonnes sélectionnées sont obligatoires par défaut, mais vous pouvez retirer celles qui peuvent rester vides sans bloquer l’exécution. Vous évitez ainsi de gaspiller des jetons sur des données incomplètes.

Les Catalog Agents respectent également l’ordre des colonnes lorsque des 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 découvrir des scénarios de déploiement et des exemples, consultez Utiliser les Catalog Agents et Bonnes pratiques pour les Catalog Agents.

Contexte d’appartenance aux Segments

Vous pouvez sélectionner jusqu’à cinq Segments que l’agent comparera à l’appartenance de chaque utilisateur lorsqu’il est utilisé dans un Canvas. Supposons que l’appartenance au Segment « Loyalty Users » soit sélectionnée pour votre agent et que celui-ci soit utilisé dans un Canvas. Lorsque les utilisateurs entrent dans une étape Agent, l’agent peut vérifier si chaque utilisateur fait partie de chacun des Segments que vous avez indiqués dans la console de l’agent. Il utilise ensuite cette appartenance (ou non-appartenance) comme contexte pour le LLM.

Le Segment « Loyalty Users » sélectionné pour l’accès de l’agent à l’appartenance.

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 rédige un SMS incitant les utilisateurs à souscrire un abonnement à une salle de sport, vous pouvez utiliser ce champ pour faire référence à vos directives prédéfinies au ton audacieux et motivant.

Fichiers de contexte

Téléversez des documents de référence afin qu’un agent puisse consulter du contenu statique à chaque invocation — par exemple, un guide de ton, un document de politique ou une spécification produit. Les fichiers de contexte sont disponibles pour les agents d’étape Canvas et les agents de catalogue.

Pour joindre des fichiers :

  1. Dans l’étape Instructions, sélectionnez + Agent context > Upload files.
  2. Ajoutez un ou plusieurs fichiers. Les types pris en charge sont PDF, TXT, MD et CSV.
  3. Enregistrez l’agent. Les fichiers sont téléversés lors de l’enregistrement. Ils restent en attente dans le navigateur et sont inclus lorsque vous prévisualisez l’agent.

Vous pouvez joindre jusqu’à 10 fichiers par agent. L’ensemble des fichiers joints peut totaliser jusqu’à 15 Mo. Lorsque vous joignez des fichiers de contexte, indiquez à l’agent dans vos instructions comment les utiliser. Par exemple, vous pouvez inclure : « Suivez le ton et la terminologie du guide de style joint. » Une section Files vide est comptabilisée dans l’avertissement needs setup tant que vous n’avez pas joint au moins un fichier.

Braze envoie les fichiers joints à chaque invocation de l’agent, y compris les prévisualisations dans la console d’agent. Étant donné que les fichiers sont inclus à chaque exécution, des pièces jointes volumineuses peuvent augmenter la consommation de jetons et la latence.

Les fichiers de contexte diffèrent des directives de marque : les directives de marque sont des paramètres d’espace de travail synthétisés, tandis que les fichiers de contexte sont des documents que vous téléversez directement vers un seul agent. Pour les étapes de configuration, consultez Ajouter du contexte.

Historique d’interaction spécifique à l’utilisateur

Les données d’interaction d’un utilisateur incluent les Campaign et les messages Canvas récemment reçus par canal, le contenu de chaque message et si l’utilisateur a interagi avec chacun d’entre eux. Vous pouvez inclure ces données en tant que contexte spécifique à l’utilisateur qu’un agent peut consulter lorsqu’il est invoqué pour un utilisateur dans un Canvas. L’historique d’interaction spécifique à l’utilisateur peut aider à influencer un agent pour qu’il rédige des textes qui résonnent avec chaque utilisateur lorsque sa mission 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. Lorsque vous ajoutez ou supprimez des fichiers de contexte, le diff liste les noms des fichiers joints.

Historique des versions de la Console des agents avec le panneau des différences par rapport à la version précédente ouvert, montrant les ajouts en ligne en vert et les suppressions en rouge dans les instructions de l'agent.

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.

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 consulter ou restaurer des configurations antérieures. Pour dupliquer un agent :

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

Copier des agents vers un autre espace de travail

Copiez un Canvas Step Agent ou un Agentic Standard vers un autre espace de travail de votre entreprise pour réutiliser sa configuration sans avoir à la recréer. Braze enregistre la copie en tant que brouillon nommé « Copie de », suivi du nom d’origine. Pour copier un agent :

  1. Survolez la ligne de l’agent et sélectionnez le menu .
  2. Sélectionnez Copier vers l’espace de travail.
  3. Sélectionnez l’Espace de travail de destination, puis Copier en tant que brouillon.
  4. Dans l’espace de travail de destination, vérifiez la copie et reconnectez les paramètres qui n’ont pas été copiés.

La copie conserve les instructions de l’agent, sa description, son format de sortie, ses valeurs de repli, ses règles, ses fichiers de contexte et sa limite quotidienne d’invocations. Si cette limite dépasse le maximum autorisé par l’espace de travail de destination, Braze l’abaisse à ce maximum. Les paramètres suivants appartiennent à l’espace de travail source et ne sont pas copiés :

  • Segments
  • Teams
  • Tags
  • Champs de catalogue
  • Directive de marque
  • Sources de connaissances

Si l’espace de travail de destination ne peut pas exécuter le modèle de l’agent, la copie utilise Braze Auto.

Tenez compte des limitations suivantes :

  • Vous ne pouvez pas copier les Catalog Agents ni les agents archivés.
  • Vous devez disposer de l’autorisation de modifier ce type d’agent dans l’ensemble de l’espace de travail de destination.

Archiver des agents

Au fur et à mesure que vous créez des agents personnalisés, vous pouvez organiser la page Gestion des agents en archivant ceux que vous n’utilisez pas activement. Pour archiver un agent :

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