コンテンツにスキップ

エージェントステップ

エージェントステップを使用すると、AIを活用した意思決定やコンテンツ生成をキャンバスワークフローに直接組み込むことができます。一般的な情報については、Brazeエージェントを参照してください。

キャンバスのユーザージャーニーにおけるエージェントステップ。

前提条件

エージェントステップでは、キャンバスコンテキスト変数を使用して関連するコンテキストを取り込み、キャンバス内で活用できる変数を出力します。

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は設定済みの入力データ (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。エージェントはそのモデルと指示に基づいて入力を処理し、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。

この変数は、主に次の3つの方法で使用できます。

  • 意思決定: エージェントの応答に基づいて、ユーザーをキャンバスの異なるパスに振り分けます。たとえば、リードスコアリングエージェントは、「Sales Ready」、「Marketing Qualified」、「Disqualified」といったリードカテゴリーを返すことがあります。この割り当てを使用して、「Sales Ready」のリードにはSlackアラートや自動メッセージをトリガーし、「Disqualified」のリードはジャーニーから除外できます。
  • 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。たとえば、エージェントが顧客のフィードバックを分析し、顧客のコメントに言及しつつ解決策を提案する、共感的なフォローアップメールを生成できます。
  • ユーザーデータの処理: ユーザーデータを分析して標準化し、ユーザープロファイルに保存するか、Webhookを使用して送信します。たとえば、エージェントはセンチメントスコアや製品アフィニティの割り当てを返すことができます。そのデータをユーザープロファイルに保存して、今後の利用に役立てられます。

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

サイドバーからエージェントコンポーネントをドラッグ&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、エージェントを選択します。

ステップ 2: エージェントを選択する

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。設定方法については、カスタムエージェントの作成を参照してください。

エージェントリストでは、各エージェントに1日の呼び出し上限が表示されます。上限にカーソルを合わせると、その上限に対する本日の進捗状況を確認できます。使用率と、上限に対する本日の呼び出し回数が表示されます。

2つのエージェントが一覧表示されたエージェントドロップダウンを含む「エージェントステップの設定」パネル。各エージェントには1日の呼び出し上限が表示されています。最初のエージェントのツールチップには、使用率と本日の呼び出し回数が表示されています。

ステップ 3: エージェントの出力を設定する

エージェントの出力は「出力変数」と呼ばれ、簡単にアクセスできるようにコンテキスト変数に保存されます。出力変数を定義するには、変数に名前を付けます。

出力変数のデータ型はエージェントコンソールで設定されます。エージェントの出力は、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の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に活用できます。各型の一般的な用途は次のとおりです。

データ型 一般的な用途
文字列 メッセージのパーソナライゼーション (件名、本文、応答)
数値 スコアリング、しきい値、オーディエンスパスでのルーティング
ブール値 条件分岐での「はい/いいえ」の分岐
オブジェクト このセクションで前述したデータ型の1つ以上を、1回のLLM呼び出しで予測可能なデータ構造として活用します

出力変数は、コンテキスト変数と同じテンプレート構文を使用して、キャンバス全体で使用できます。コンテキスト変数セグメントフィルターを使用するか、Liquidを使用してエージェントの応答を直接テンプレート化します: {{context.${response_variable_name}}} 。

オブジェクト型の出力変数から特定のプロパティを使用するには、Liquidでドット記法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}}

変数「agent_output」に対してオブジェクトデータ型の出力を持つ、Body HTML Writerのエージェントステップ。

ステップ 4: 任意のステップ指示を追加する

エージェントのメイン指示ではカバーされていない、このステップ固有でエージェントが知っておくべき内容について、任意のステップ指示を含めることができます。

キャンバスで通常使用する、Liquidでテンプレート化された値を入力できます。ステップ指示に abort_message を含めることはできません。

ステップ 5: エージェントをテストする

エージェントステップは次の2つの方法でテストできます。

ステップ内プレビュー (キャンバスビルダー): ステップを設定した後、ステップのプレビューを使用して、ランダムユーザー、既存ユーザー、またはカスタムユーザーに対するエージェントの出力を確認します。これにより、キャンバスのパス全体をたどることなく、ステップ単体をテストできます。

キャンバスをテスト (ジャーニー全体): キャンバスのフッターでキャンバスをテストを選択すると、ユーザーパスをエンドツーエンドでプレビューできます。テストがエージェントステップに到達すると、Brazeはエージェント「{agentName}」を実行しますか?と尋ねます。

  • はいを選択して必要に応じてコンテキストを追加し、応答をシミュレートを選択すると、プレビューユーザーに対してエージェントが呼び出されます。サンプル入力 (カートの内容やメッセージテキストなど) を平易な言葉で記述し、テストユーザーのプロファイルや上流ですでに設定されているキャンバスのコンテキストを補うことができます。
  • いいえを選択すると、実際の呼び出しをスキップし、代わりにエージェントコンソールで設定されたエージェントのフォールバック出力を使用します。

応答をシミュレートによる呼び出しは、エージェントの1日の呼び出し上限にカウントされ、エージェントのログタブに表示されます。キャンバスのテストの動作の詳細については、ユーザーパスのプレビューを参照してください。

ランダムユーザーとしてエージェントの出力をプレビューします。

エラー処理

Brazeがエージェントの失敗、レート制限エラー、呼び出しフロー制御をどのように処理するかについては、エージェントのデプロイのエラー処理とフォールバック動作およびBrazeエージェントのエラー処理を参照してください。

  • 接続されたモデルがLLMプロバイダーからレート制限エラーを返した場合、Brazeはエクスポネンシャルバックオフを使用して、呼び出しが成功するか完了できないと判断されるまで継続的にリクエストを再試行します。その後、ユーザーは次のキャンバスステップに進みます。
  • その他の失敗(タイムアウトエラーや無効なAPIキーなど)、またはエージェントが1日の呼び出し上限に達した場合、エージェントコンソールでフォールバック値が設定されていない限り、出力変数はnullに設定されます。フォールバック値が設定されている場合、BrazeはユーザーごとにフォールバックをLiquidでレンダリングし、結果を出力変数に保存します。これは1日の上限により呼び出しがブロックされた場合も同様です。
  • フォールバック値を設定しない場合は、下流のメッセージステップでデフォルトのLiquid値を使用してnull出力を処理してください。たとえば、パーソナライゼーションを追加モーダルで、{{context.${response_variable_name}.push_title | default: 'Hello friend!'}}や{{context.${response_variable_name}.push_body | default: 'Open our app to get your prize!'}}のようなデフォルトのLiquid値を入力できます。
  • フォールバック出力があるユーザーに対してabort_messageを呼び出した場合、Brazeはフォールバックが設定されていないかのようにそのユーザーを処理します。エージェントが成功した場合、フォールバックは使用されないため、フォールバック内のabort_message呼び出しは影響しません。
  • 同一の入力に対する応答はキャッシュされ、数分以内の同一の呼び出しに再利用される場合があります。
    • キャッシュされた値を使用する応答も、合計および1日の呼び出し回数にカウントされます。
  • エージェントステップは、大量のユーザーバッチの処理に時間がかかる場合があります。Brazeは呼び出しフロー制御に従って呼び出しをキューに入れるため、大量送信時にユーザーが保留中になる場合があります。ログを確認して呼び出しが行われていることを確認してください。

分析

エージェントステップのパフォーマンスを追跡するには、次の指標を参照してください。

指標 説明
開始済み ユーザーがエージェントステップに入った回数。
次のステップに進みました エージェントステップを通過した後、フロー内の次のステップに進んだユーザーの数。
キャンバスを終了しました エージェントステップを通過した後、キャンバスを終了したユーザーの数。

ベストプラクティス

複雑なユースケースではエージェント間でタスクを分割する

依頼しているタスクの複雑さにエージェントが対応しきれていないと感じた場合は、作業を複数のエージェントステップに分割してください。1つのプロンプトにデータのクリーンアップ、ルーティングロジック、メッセージ全文の作成が混在していると、それぞれの目標が競合し、出力品質にばらつきが生じることがあります。

次のパターンでは、旅行の例で3つのエージェントを使用します。最近アプリで検索したものの予約に至らなかったユーザーに対して、チェックアウトへ促すリターゲティング用のコピーを作成したいケースです。

  • エージェント1はキャンバスのコンテキストを要約します。ロイヤルティティア、最後に検索した都市、購買意欲の高い検索行動などのフィールドを読み取り、後続のステップで再利用できる短い構造化サマリーを出力変数として返します。
  • エージェント2は、キャンバスで分岐に使用できるルーティング値を返します。分岐の方法に出力が一致するよう、数値、ブール値、または構造化オブジェクトを使用してください。その値をオーディエンスパスステップまたは条件分岐ステップにマッピングします。たとえば、ロイヤルティを軸にしたメッセージングと、お得な情報を軸にしたメッセージングで別々のパスを用意することを検討してください。
  • エージェント3は、生成メッセージが必要な分岐でのみメッセージテキストの下書きを作成します。エージェント1のサマリー (および分岐固有のコンテキスト) を渡すことで、このエージェントは同じプロンプト内で入力の正規化や戦略の選択を行うのではなく、トーンとチャネルの制限に集中できます。

実験パスステップを使用してエージェントを活用したジャーニーを小規模でテストする

既存のジャーニーと比較してエージェントのパフォーマンスとクレジット消費量をテストするには、実験パスステップを追加し、オーディエンスの一部だけがエージェントステップを含む分岐に入るようにします。

たとえば、まずは1日あたり数千人のユーザーをエージェントのあるパスに送り、残りのユーザーをコントロールパスまたはエージェントのないパスに送ることから始められます。1~2週間データを収集し、パス間でKPIs、カウンターメトリクス、エージェントのクレジット消費量を比較します。こうすることで、エージェントを有効にした分岐へのトラフィックを増やす前に確信を深めてROIを証明でき、その過程での呼び出し消費量も抑えられます。

よくある質問

エージェントステップはどのような場合に使用すべきですか?

一般的に、特定の文脈に応じたデータを LLM に入力し、人間では不可能な規模でキャンバスコンテキスト変数をエージェント的かつインテリジェントに割り当てたい場合に、エージェントステップの使用をおすすめします。

たとえば、以前にチョコレートとストロベリーを注文したユーザーに、新しいアイスクリームのフレーバーを推奨するパーソナライズされたメッセージを送信するとします。エージェントステップと AI アイテムレコメンデーションの違いは次のとおりです。

  • エージェントステップ: LLM を使用し、エージェントに与えられた指示と文脈データポイントに基づいて、ユーザーが何を求めているかを定性的に判断します。この例では、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と考えている可能性に基づいて、新しいフレーバーを推奨するかもしれません。
  • AI アイテムレコメンデーション: 機械学習モデルを使用し、購入などの過去のユーザーイベントに基づいて、ユーザーが最も求める可能性の高い商品を予測します。この例では、AI アイテムレコメンデーションは、ユーザーの過去 2 回の注文 (チョコレートとストロベリー) 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に基づいて、フレーバー (バニラ) を提案します。

エージェントステップは入力データをどのように使用しますか?

エージェントステップは、エージェントが使用するように設定された文脈データと、ステップに追加した任意のステップ指示を分析します。

New Stuff!