Étape Agent
L’étape Agent vous permet d’intégrer la prise de décision et la génération de contenu basées sur l’IA directement dans votre flux de travail Canvas. Pour des informations plus générales, consultez Agents Braze.

Conditions préalables
Les étapes Agent utilisent les variables de contexte du Canvas pour ingérer le contexte pertinent et produire en sortie une variable que vous pouvez exploiter dans le Canvas.
Comment ça marche ?
Lorsqu’un utilisateur atteint une étape Agent dans un Canvas, Braze envoie les données d’entrée que vous avez configurées (contexte complet ou champs sélectionnés) à l’agent de votre choix. L’agent traite ensuite ces données à l’aide de son modèle et de ses instructions, puis renvoie une sortie. Cette sortie est stockée dans la variable de sortie que vous avez définie dans l’étape.
Vous pouvez ensuite utiliser cette variable de trois façons principales :
- Prise de décision : Orientez les utilisateurs vers différents parcours du Canvas en fonction de la réponse de l’agent. Par exemple, un agent d’évaluation des prospects peut renvoyer une catégorie de prospect telle que « Sales Ready », « Marketing Qualified » ou « Disqualified ». Vous pouvez utiliser cette attribution pour déclencher une alerte Slack ou un message automatisé pour les prospects « Sales Ready », tout en retirant les prospects « Disqualified » du parcours.
- Personnalisation : Insérez la réponse de l’agent directement dans un message. Par exemple, un agent peut analyser les commentaires d’un client et générer un e-mail de suivi empathique qui fait référence à son commentaire et propose une solution.
- Traitement des données utilisateur : Analysez et standardisez vos données utilisateur, puis stockez-les dans le profil utilisateur ou envoyez-les à l’aide d’un webhook. Par exemple, un agent peut renvoyer un score de sentiment ou une affinité produit. Vous pouvez stocker ces données dans un profil utilisateur pour une utilisation ultérieure.
Créer une étape Agent
Étape 1 : Ajouter une étape
Glissez-déposez le composant Agent depuis la barre latérale, ou sélectionnez le bouton plus en bas d’une étape, puis sélectionnez Agent.
Étape 2 : Choisir votre agent
Sélectionnez l’agent qui traitera les données dans cette étape. Pour savoir comment le configurer, consultez Créer des agents personnalisés.
Dans la liste des agents, chaque agent affiche sa limite d’invocations quotidiennes. Survolez cette limite pour voir où vous en êtes aujourd’hui : le pourcentage utilisé et le nombre d’invocations du jour par rapport à la limite.

Étape 3 : Définir la sortie de votre agent
Les sorties d’un agent sont appelées « variables de sortie » et sont stockées dans une variable de contexte pour y accéder facilement. Pour définir la variable de sortie, donnez-lui un nom.
Le type de données de la variable de sortie est défini dans l’Agent Console. Les sorties d’agent peuvent être enregistrées sous forme de chaînes de caractères, de nombres, de booléens ou d’objets. Elles se prêtent ainsi aussi bien à la personnalisation de texte qu’à la logique conditionnelle dans votre Canvas. Voici quelques utilisations courantes pour chaque type :
| Type de données | Utilisations courantes |
|---|---|
| Chaîne de caractères | Personnalisation des messages (lignes d’objet, contenu, réponses) |
| Nombre | Scoring, seuils, routage dans les parcours d’audience |
| Booléen | Embranchement Oui/Non dans les arbres décisionnels |
| Objet | Exploitez un ou plusieurs des types de données précédents avec un seul appel au LLM, dans une structure de données prévisible |
Vous pouvez utiliser une variable de sortie dans l’ensemble du Canvas avec la même syntaxe de modèle que pour une variable de contexte. Utilisez le filtre de segmentation Variable de contexte, ou insérez directement les réponses de l’agent avec Liquid : {{context.${response_variable_name}}} .
Pour utiliser une propriété spécifique d’une variable de sortie de type objet, accédez-y avec la notation par points en Liquid : {{context.${response_variable_name}.field_name}}

Étape 4 : Ajouter des instructions d’étape facultatives
Vous pouvez ajouter des instructions d’étape facultatives pour tout ce que votre agent doit savoir de propre à cette étape et qui ne figure pas déjà dans ses instructions principales.
Vous pouvez saisir toutes les valeurs de modèle Liquid que vous utiliseriez habituellement dans un Canvas. Les instructions d’étape ne peuvent pas inclure abort_message.
Étape 5 : Tester l’agent
Vous pouvez tester une étape Agent de deux façons :
Aperçu dans l’étape (générateur de Canvas) : Une fois l’étape configurée, utilisez l’aperçu de l’étape pour voir la sortie de l’agent pour un utilisateur aléatoire, un utilisateur existant ou un utilisateur personnalisé. Cela permet de tester l’étape isolément, sans parcourir tout le chemin du Canvas.
Tester le Canvas (parcours complet) : Sélectionnez Tester le Canvas dans le pied de page du Canvas pour prévisualiser le parcours utilisateur de bout en bout. Lorsque le test atteint votre étape Agent, Braze vous demande Voulez-vous exécuter l’agent « {agentName} » ?
- Sélectionnez Oui pour ajouter éventuellement du contexte, puis sélectionnez Simuler la réponse pour invoquer l’agent pour l’utilisateur de l’aperçu. Vous pouvez décrire des exemples d’entrées en langage courant (par exemple, le contenu d’un panier ou le texte d’un message) pour compléter le profil de l’utilisateur test et tout contexte de Canvas déjà défini en amont.
- Sélectionnez Non pour ignorer l’invocation en direct et utiliser à la place la sortie de secours configurée pour l’agent dans l’Agent Console.
Les invocations effectuées via Simuler la réponse sont décomptées de la limite d’invocations quotidiennes de l’agent et apparaissent dans l’onglet Logs de l’agent. Pour en savoir plus sur le fonctionnement complet du test de Canvas, consultez Prévisualiser les parcours utilisateur.

Gestion des erreurs
Pour savoir comment Braze gère les échecs d’agents, les erreurs de limite de débit et les contrôles de flux d’invocations, consultez Gestion des erreurs et comportement de repli dans Déployer des agents et Gestion des erreurs dans Agents Braze.
- Si le modèle connecté renvoie une erreur de limite de débit du fournisseur LLM, Braze retente 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 ; les utilisateurs passent alors à l’étape Canvas suivante.
- Pour les autres échecs (comme une erreur de délai d’attente ou une clé API invalide), ou lorsqu’un agent atteint sa limite d’invocations quotidiennes, la variable de sortie est définie sur
null, sauf si l’agent dispose de valeurs de repli configurées dans la Console des agents. Lorsque des valeurs de repli sont configurées, Braze effectue le rendu du repli avec Liquid par utilisateur et stocke le résultat dans la variable de sortie, y compris lorsque la limite quotidienne bloque une invocation. - Si vous ne configurez pas de valeurs de repli, utilisez les valeurs Liquid par défaut dans les étapes de message en aval pour gérer les sorties null. Par exemple, dans la boîte de dialogue modale Ajouter une personnalisation, vous pouvez saisir une valeur Liquid par défaut telle que
{{context.${response_variable_name}.push_title | default: 'Hello friend!'}}ou{{context.${response_variable_name}.push_body | default: 'Open our app to get your prize!'}}. - Si la sortie de repli appelle
abort_messagepour un utilisateur, Braze traite cet utilisateur comme si aucun repli n’était configuré. Lorsque l’agent réussit, le repli n’est pas utilisé, donc un appel àabort_messagedans le repli n’a aucun effet. - Les réponses sont mises en cache pour des entrées identiques et peuvent être réutilisées pour des invocations identiques répétées dans un délai de quelques minutes.
- Les réponses utilisant des valeurs en cache sont tout de même comptabilisées dans le total et les invocations quotidiennes.
- Les étapes d’agent peuvent prendre du temps pour traiter un grand lot d’utilisateurs. Braze met les invocations en file d’attente conformément aux contrôles de flux d’invocations, de sorte que les utilisateurs peuvent rester en attente lors d’envois à fort volume. Vérifiez vos journaux pour confirmer que les invocations sont bien en cours.
Analyse
Consultez les indicateurs suivants pour suivre les performances de vos étapes Agent :
| Indicateur | Description |
|---|---|
| Entrées | Nombre de fois où des utilisateurs sont entrés dans l’étape Agent. |
| Passés à l’étape suivante | Nombre d’utilisateurs qui sont passés à l’étape suivante du flux après être passés par l’étape Agent. |
| Sortis du Canvas | Nombre d’utilisateurs qui sont sortis du Canvas après être passés par l’étape Agent. |
Bonnes pratiques
Répartir les tâches entre plusieurs agents pour les cas d’usage complexes
Si un agent a du mal à gérer la complexité des tâches que vous lui confiez, répartissez le travail sur plusieurs étapes Agent. Quand un même prompt combine nettoyage des données, logique de routage et rédaction complète du message, ces objectifs entrent en concurrence et la qualité des résultats peut varier.
Le modèle suivant utilise trois agents pour un exemple dans le secteur du voyage : une personne a récemment effectué une recherche dans votre application sans réserver, et vous souhaitez un texte de reciblage qui l’incite à finaliser sa réservation.
- L’agent 1 résume le contexte Canvas. Il lit des champs comme le niveau de fidélité, la dernière ville recherchée et un comportement de recherche à forte intention, puis renvoie un court résumé structuré sous forme de variable de sortie que les étapes suivantes peuvent réutiliser.
- L’agent 2 renvoie une valeur de routage sur laquelle votre Canvas peut créer des branches. Utilisez un nombre, un booléen ou un objet structuré afin que la sortie corresponde à votre logique de branchement. Associez cette valeur à une étape Parcours d’audience ou Arbre décisionnel. Vous pouvez par exemple prévoir des parcours distincts pour des messages axés sur la fidélité et pour des messages axés sur les offres promotionnelles.
- L’agent 3 rédige le texte du message généré uniquement dans les branches où vous en avez besoin. Transmettez-lui le résumé de l’agent 1 (ainsi que tout contexte propre à la branche) pour qu’il se concentre sur le ton et les contraintes du canal, au lieu de normaliser les entrées et de choisir une stratégie dans le même prompt.
Utiliser l’étape Chemins d’expérience pour tester des parcours agentiques à petite échelle
Pour comparer les performances de votre agent et sa consommation de crédits à celles de vos parcours existants, ajoutez une étape Chemins d’expérience afin que seule une partie de votre audience entre dans la branche contenant votre étape Agent.
Par exemple, vous pouvez commencer par envoyer quelques milliers d’utilisateurs par jour sur un chemin avec l’agent et diriger les autres vers un chemin de contrôle ou un chemin sans agent. Collectez des données pendant 1 à 2 semaines, puis comparez les indicateurs clés de performance (KPI), les indicateurs de contrôle et la consommation de crédits de l’agent entre les chemins. Vous pourrez ainsi gagner en confiance et démontrer le ROI avant d’augmenter le trafic vers la branche dotée de l’agent, tout en limitant la consommation d’invocations pendant cette phase.
Foire aux questions
Quand dois-je utiliser une étape Agent ?
En règle générale, nous vous recommandons d’utiliser une étape Agent lorsque vous souhaitez fournir des données contextuelles spécifiques à un LLM et le laisser attribuer de manière autonome et intelligente une variable de contexte Canvas, à une échelle impossible à atteindre pour des humains.
Imaginons que vous envoyiez un message personnalisé pour recommander un nouveau parfum de glace à un utilisateur qui a précédemment commandé chocolat et fraise. Voici la différence entre l’utilisation d’une étape Agent et celle des recommandations d’articles par IA :
- Étape Agent : Utilise des LLM pour prendre une décision qualitative sur ce que l’utilisateur pourrait souhaiter, en fonction des instructions et des points de données contextuels fournis à l’agent. Dans cet exemple, une étape Agent pourrait recommander un nouveau parfum en partant du principe que l’utilisateur a peut-être envie d’essayer des saveurs différentes.
- Recommandations d’articles par IA : Utilisent des modèles de machine learning pour prédire les produits que l’utilisateur est le plus susceptible de vouloir, en fonction de ses événements passés, comme ses achats. Dans cet exemple, les recommandations d’articles par IA suggéreraient un parfum (vanille) en se basant sur les deux commandes précédentes de l’utilisateur (chocolat et fraise) et sur leur comparaison avec les comportements des autres utilisateurs de votre espace de travail.
Comment les étapes Agent utilisent-elles les données d’entrée ?
Une étape Agent analyse les données contextuelles que l’agent est configuré pour utiliser, ainsi que les instructions d’étape facultatives que vous ajoutez à l’étape.