代理店ステップ
Agent ステップを使用すると、AI を活用したデシジョンとコンテンツ生成をキャンバスワークフローに直接追加できます。詳細については、Brazeエージェントを参照してください。
仕組み
ユーザーがキャンバスのエージェントステップに到達すると、Brazeは設定したインプットデータ(フルコンテキストまたは選択したフィールド)を選択したエージェントに送信します。次に、エージェントはそのモデルと命令を使用して入力を処理し、出力を返します。その出力は、ステップで定義した出力変数に保存されます。
次に、この変数を2 つの主な方法で使用できます。
- 決定:ルートユーザーは、エージェントのレスポンスに基づいて、さまざまなキャンバスパスを停止します。たとえば、リードスコアリングエージェントは1 ～10 の数値を返す場合があります。このスコアを使用して、ユーザーのメッセージングを続行するか、ジャーニーから削除するかを決定できます。
- パーソナライゼーション:エージェントの応答をメッセージに直接挿入します。例えば、エージェントは、顧客 フィードバックを分析し、顧客の意見を参照し、再ソリューションを示唆するem パスのエティックフォローアップメールを生成することができます。
エージェントステップの作成
ステップ 1: ステップを追加する
サイドバーからAgentコンポーネントをドラッグアンドドロップするか、ステップの下部にあるプラスボタンを選択し、Agentを選択します。
ステップ 2:エージェントの選択
このステップでデータを処理するエージェントを選択します。既存のエージェントを選択するか、このステップから直接的に新しいエージェントを作成します。セットアップガイダンスについては、カスタムエージェントの作成を参照してください。
ステップ 3:出力変数の定義
エージェント出力は”output variables" と呼ばれ、context variable に格納され、簡単にアクセスできます。出力変数を定義するには
- 変数に名前を付けます。
- データタイプを選択します。
エージェント出力は、文字列、数値、ブール値、またはオブジェクトとして保存できます。これにより、キャンバス内のテキストパーソナライゼーションと条件付きロジックの両方に柔軟性を持たせることができます。各タイプの一般的な使用方法を次に示します。
| データタイプ | 一般的な用途 |
|---|---|
| string | メッセージパーソナライゼーション(件名、コピー、レスポンス) |
| 数値 | スコアリング、しきい値、 Audience Paths でのルーティング |
| ブール値 | Decision SplitsのYes/No分岐 |
| オブジェクト | 予測可能なデータ構造で、1 つのLLM 呼び出しで上記のデータ型の1 つ以上を利用する |
定義すると、コンテキスト変数と同じテンプレート構文を使用して、キャンバス全体で出力変数を使用できます。Context Variable Segment フィルターを使用するか、またはLiquid: {{context.${response_variable_name}}} を使用してエージェントレスポンスをテンプレートします。
オブジェクト出力変数の特定のプロパティを使用するには、ドット表記を使用して、リキッドを使用してそのプロパティにアクセスします。 {{context.${response_variable_name}.field_name}}
をエージェントステップに渡します。エージェントステップs の上流でコンテキストステップを使用して、前方のコンテキストにデータを追加できます。
- 値を指定します。ユーザーの名や好きなカラーなど、選択したプロパティーのみを渡します。このオプションを選択すると、エージェントはここで割り当てた値にのみアクセスできます。Keyごとに、具体的なユーザープロファイル フィールドまたはコンテキスト変数を定義するLiquid タグを入力します。
Brazeは、最初の10Kバイトのコンテンツをエージェントに渡します。合計値が10KB を超える値を指定すると、切り捨てられます。
ステップ 5: エージェントのテスト
エージェントステップを設定した後、このステップのアウトプットを試験し、プレビューすることができます。
エラー処理
- 接続されたモデルがレート制限 エラーを返す場合、Brazeは指数バックオフで最大5 回再試行します。
- 他の理由(不正なAPI キーなど)でエージェントが失敗した場合、出力変数は
nullに設定されます。- エージェントが毎日の呼び出し制限に達すると、出力変数は
nullに設定されます。メッセージステップでエージェントのアウトプットを使用している場合は、リキッドアボートロジックの使用を検討してください。
- エージェントが毎日の呼び出し制限に達すると、出力変数は
- 応答は同じ入力に対してキャッシュされ、数分以内に同じ呼び出しを繰り返すために再利用されることがあります。
- キャッシュされた値を使用する応答は、総呼び出しと日単位の呼び出しにカウントされます。
分析
エージェントステップの実行方法を追跡するには、次のメトリクスを参照してください。
| 指標 | 説明 |
|---|---|
| 入力済み | ユーザーがエージェントステップに入った回数。 |
| 次のステップに進む | エージェントステップを通過した後、フロー内の次回のステップに進むユーザーの数。 |
| 終了済みのキャンバス | エージェントステップを通過した後にキャンバスを終了したユーザーの数。 |
よくある質問
エージェントステップはいつ使用すべきですか?
一般に、特定の文脈に応じた or 状況に即したデータをLLMにフィードし、キャンバスコンテキスト変数を人間には不可能なスケールでインテリジェントに割り当てる場合は、エージェントステップを使用することをお勧めします。
以前チョコレートとイチゴを注文したユーザーに、新しいアイスクリームの味を推薦するパーソナライズされたを送っているとしよう。エージェントステップの使用とAIアイテムの推奨との違いは次のとおりです。
- 代理店ステップ:LLM を使用して、エージェントに与えられた指示および状況データポイントに基づいて、ユーザーが必要とする内容を定性的に判断します。この事例では、エージェントステップは、ユーザーが別のフレーバーを試したい可能性に基づいて、新しいフレーバーを推薦するかもしれません。
- AI 項目の推奨事項:機械学習モデルを使用して、ユーザーが購買などの以前のユーザー事象に基づいて欲しがる可能性が最も高い製品を予測します。このサンプルでは、AIアイテムの推奨は、ユーザーの以前の2つの注文(チョコレートとストロベリー)に基づくフレーバー(バニラ)と、それらがワークスペース内の他のユーザーの行動とどのように比較されるかを示唆します。
エージェントの標準出力形式は、いつ使用すべきですか?
単一値出力ではなく、構造化された方法で定義された複数の値を持つデータ構造をエージェントに返す場合は、出力形式を使用することをお勧めします。これにより、出力を整合性のあるコンテキスト変数としてより適切にフォーマットできます。
たとえば、エージェント内で出力形式を使用して、送信したフォームにユーザー群d のサンプルトラベル日程を作成することができます。出力形式では、tripStartDate、tripEndDate、およびdestination の値を持つすべてのエージェント応答を返すように定義できます。これらの値はそれぞれ、コンテキスト変数から抽出し、Liquidを使用してパーソナライゼーションするためにメッセージステップに配置することができます。
代理店ステップはインプットデータをどのように使用しているか?
エージェントステップ s は、エージェント に提供される[ という具体的なコンテキストデータを使用します。
キャンバスコンテキスト全体をコンテキストとしてエージェントに渡すか、Liquid タグ s を使用して特定の値をエージェントステップのコンテキストに渡すかを選択できます。接続されたコンテンツをエージェントステップの入力値として使用することもできます。
GitHub でこのページを編集