カスタムエージェントを作成する

カスタムエージェントの作成方法、始める前に準備すべきこと、メッセージング、意思決定、データ管理にわたってエージェントを活用する方法を学習する。一般的な情報については、Braze Agentsを参照のこと。

前提条件

開始する前に、次のものが必要になります。

• ワークスペース内のエージェントコンソールにアクセスする。このオプションが表示されない場合は、Brazeの管理者に確認すること。
• カスタムAIエージェントの作成・編集権限。
• 代理人に何を成し遂げてほしいかのアイデア。Braze Agentsは以下のアクションをサポートできる：
  • メッセージングだ：件名、見出し、製品内コピー、その他のコンテンツを作成する。
  • 決断する：行動、好み、またはカスタム属性に基づいてキャンバスでユーザーをルーティングする。
  • データマネージャー：値の計算、カタログエントリの充実、プロファイルフィールドの更新を行う。

仕組み

エージェントを作成するとき、その目的を定義し、どのように振る舞うべきかのガードレールを設定する。本番稼動後、エージェントはパーソナライズされたコピーの生成、リアルタイムの意思決定、カタログフィールドの更新のためにBrazeに配備することができる。エージェントの一時停止や更新はダッシュボードからいつでもできる。

以下のユースケースは、カスタムエージェントを活用するいくつかの方法を示している。

エージェントを作成する

カスタムエージェントを作成する：

1. ダッシュボードのAgent Console>Agent Managementに進む。
2. エージェントの作成」を選択する。
3. チームがその目的を理解できるように、名前と説明を入力する。
4. エージェントが使用するモデルを選択する。

5. 代理人に指示を出す。ライティングの手引きを参照すること。
6. エージェントの出力をテストし、必要に応じて指示を調整する。
7. 準備ができたら、Create Agentを選択してエージェントをアクティブにする。

これでエージェントを使用する準備が整った！詳細はエージェントのデプロイを参照のこと。

モデル

エージェントを設定する際、レスポンスを生成するために使用するモデルを選択することができる。Brazeを搭載したモデルを使うか、APIキーを持参するかの2つの選択肢がある。

オプション 1: Braze搭載モデルを使用する

これは最もシンプルなオプションで、余分なセットアップは必要ない。Brazeは大規模言語モデル（LLM）に直接アクセスできる。このオプションを使用するには、ジェミニ・モデルを使用するAutoを選択する。

オプション 2: APIキーを持参する

このオプションを使えば、BrazeアカウントをOpenAI、Anthropic、AWS Bedrock、Google Geminiなどのプロバイダーに接続できる。LLMプロバイダーからAPIキーを持参する場合、費用はBrazeからではなく、プロバイダーを通して直接請求される。

これを設定する：

1. パートナー連携＞テクノロジー・パートナーと進み、プロバイダーを探す。
2. プロバイダーからのAPIキーを入力する。
3. [保存] を選択します。

その後、エージェントに戻り、モデルを選択することができる。

指示書を書く

指示とは、あなたがエージェント（システム・プロンプト）に与えるルールやガイドラインのことである。これらは、エージェントが実行されるたびにどのように振る舞うべきかを定義する。システム命令は最大25KBである。

プロンプティングを始めるための一般的なベストプラクティスを紹介しよう：

1. 終わりを念頭に置いてスタートする。まず目標を述べる。
2. モデルに役割やペルソナを与える（「あなたは…です」）。
3. 明確な文脈と制約（オーディエンス、長さ、トーン、フォーマット）を設定する。
4. 構造を求める（「JSON/箇条書きリスト/テーブルを返す…」）。
5. 見せて、教えるな。質の高い例をいくつか挙げる。
6. 複雑な仕事を順序立てたステップに分ける（「ステップ1…ステップ2…“）。
7. 推論を奨励する（「声に出して考えてから答えよ」）。
8. 試験し、検査し、反復する。小さな微調整が大きな品質向上につながる。
9. エッジケースを処理し、ガードレールを追加し、拒否指示を追加する。
10. 再利用とスケーリングのために、内部で何がうまくいっているかを測定し、ドキュメント化する。

エージェントが解析できないレスポンスを受信した場合のキャッチオールレスポンスとして、デフォルトを含めることも推奨する。このエラー処理により、エージェントは未知の結果変数があることを知らせることができる。例えば、エージェントに “肯定的 “か “否定的 “かの感情値だけを求めるのではなく、判断できない場合は “不明 “を返すように求める。

シンプルなプロンプト

このプロンプトの例では、アンケートを入力し、簡単なセンチメント分析を出力する：

1
2
3
4
5
6
7
From the survey text, classify overall sentiment toward product quality, delivery, and price as Positive, Neutral, or Negative
Always output a single string with just one label.
If any category is missing or unclear, treat it as Neutral.
If sentiment across categories is mixed, return Neutral.

Example Input: “The product works great, but shipping took forever and the cost felt too high.”
Example Output: Neutral

コンプレックス・プロンプト

このプロンプトの例では、ユーザーからのアンケート入力を受け取り、それを1つのセンチメントラベルに分類する。その結果は、ユーザーを異なるキャンバスのパス（肯定的なフィードバックと否定的なフィードバックなど）に誘導したり、将来のターゲティングのために、センチメントをプロフィール上のカスタム属性として保存するために使用することができる。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
You are a customer research AI for a retail brand.  
Input: one open-text survey response from a user.  
Output: A single structured JSON object with:  
- sentiment (Positive, Neutral, Negative)  
- topic (Product, Delivery, Price, Other)  
- action_recommendation (Route: High-priority follow-up | Low-priority follow-up | No action)  

Rules:  
- Always return valid JSON.  
- If the topic is unclear, default to Other.  
- If sentiment is mixed, default to Neutral.  
- If sentiment is Negative and topic = Product or Delivery → action_recommendation = High-priority follow-up.  
- Otherwise, action_recommendation = Low-priority follow-up.  

Example Input:  
"The product works great, but shipping took forever and the cost felt too high."  

Example Output:  
{  
  "sentiment": "Neutral",  
  "topic": "Delivery",  
  "action_recommendation": "High-priority follow-up"  
}  

プロンプティングのベストプラクティスの詳細については、以下のモデルプロバイダーのガイドを参照のこと：

• オープンAI
• アンソロピック
• ジェミニ

出力フォーマット

手動でフィールドを構造化するか、JSON を使用することによって、エージェントの出力を整理し定義するために、出力形式フィールドを使用する。

• フィールド:コードなしで、一貫して使用できるエージェント出力を強制する方法である。
• JSONである：JSONスキーマの中で変数やオブジェクトをネストすることができる。

フィールド

例えば、簡単なフィードバック調査の回答をフォーマットして、回答者があなたのレストランの最新のアイスクリームフレーバーを推薦する可能性を判断したいとしよう。以下のフィールドを設定して、出力フォーマットを構成することができる：

JSONスキーマ

例えば、あなたのレストラン・チェーンで最近食事をしたユーザーのフィードバックを集めたいとしよう。出力形式としてJSONスキーマを選択し、以下のJSONを挿入することで、センチメント変数と推論変数を含むデータオブジェクトを返すことができる。

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"
  ]
}

JSON出力のエージェントをカタログで使おうとすると、スキーマに従わない。その代わりに、定義された出力フィールドの使用を検討する。

オプション設定

ブランド・ガイドライン

エージェントのレスポンシブ・ガイドラインを選択することができる。例えば、ユーザーにジムの会員登録を促すSMSコピーをエージェントに生成させたい場合、このフィールドを使って、事前に定義した太字でやる気を起こさせるガイドラインを参照することができる。

カタログ

エージェントが参照する特定のカタログを選択し、関連する場合は、エージェントがユーザー以外のデータや製品を理解するために必要なコンテキストを与える。

セグメンテーション・コンテキスト

キャンバスでエージェントを使用する際に、各ユーザーのセグメンテーションメンバーシップを相互参照するために、エージェントに最大3つのセグメントを選択することができる。例えば、エージェントが “ロイヤルティユーザー “のセグメントメンバーシップを選択していて、そのエージェントがキャンバスで使用されているとしよう。ユーザーがエージェントのステップに入ると、エージェントは、各ユーザーがエージェントコンソールで指定した各セグメンテーションのメンバーかどうかを相互参照し、各ユーザーのメンバーシップ（または非メンバー）をLLMのコンテキストとして使用することができる。

温度

ユーザーがモバイルアプリにログインすることを促すコピーを生成するためにエージェントを使うことが目的であれば、エージェントがよりクリエイティブになり、コンテキスト変数のニュアンスを利用できるように、エージェントの温度を高く設定することができる。センチメントスコアの生成にエージェントを使用している場合は、ネガティブなアンケート回答に対するエージェントの推測を避けるため、温度を低めに設定するのが理想的かもしれない。この設定をテストし、あなたのシナリオに合うようにエージェントが生成する出力を確認することをお勧めする。

エージェントをテスト

ライブプレビューペインは、コンフィギュレーションエクスペリエンス内でサイドバイサイドパネルとして表示されるエージェントのインスタンスである。エージェントの作成中や更新中のテストに使用し、エンドユーザーと同じように体験することができる。このステップを踏むことで、期待通りの動作が確認でき、本番前に微調整をするチャンスが得られる。

1. サンプル入力フィールドには、顧客データや顧客のレスポンシブなど、エージェントが扱う実際のシナリオを反映したものを入力する。
2. Run testを選択する。エージェントはあなたの設定に基づいて実行し、そのレスポンスを表示する。テストの実行は、1日の実行回数制限にカウントされる。

批判的な目でアウトプットを見直す。次の質問を考えてみよう：

• コピーはブランドにふさわしいか？
• 意思決定ロジックは意図した通りに顧客をルーティングしているか？
• 計算値は正確か？

何かおかしいと感じたら、エージェントの設定を更新し、再度テストする。いくつかの異なる入力を実行し、エージェントがシナリオ間でどのように適応するか、特にデータなしや無効なレスポンスのようなエッジケースを確認する。

エージェントを監視する

エージェントのログタブでは、キャンバスとカタログで発生した実際のエージェントコールを監視することができる。日付範囲、結果（成功か失敗か）、呼び出し場所などの情報でフィルターをかけることができる。

入力、出力、ユーザーIDを見るには、特定のエージェント・コールの[表示]を選択する。