Agent Console의 Braze 에이전트

Braze 에이전트는 Braze 내에서 생성할 수 있는 AI 기반 도우미입니다. 에이전트는 콘텐츠를 생성하고, 지능적인 결정을 내리며, 데이터를 보강하여 보다 개인화된 고객 경험을 제공할 수 있도록 합니다.

Agent Console의 Braze 에이전트에 대한 개요를 보려면 이 동영상을 시청하세요.

Braze Agents를 사용하는 이유

Braze Agents를 사용하면 팀의 업무를 늘리지 않고도 개인화된 경험을 제공할 수 있습니다. 에이전트는 단일 프롬프트에 응답하는 데 그치지 않고, 컨텍스트를 이해하고 결정을 내리며 목표를 향해 행동합니다.

예를 들어 에이전트는 제목란이나 제품 내 텍스트 같은 메시지 문구를 자동으로 생성합니다. 덕분에 모든 고객이 자신에게 맞춤화된 커뮤니케이션을 받을 수 있습니다. 또한 선호도, 행동 또는 기타 데이터를 기반으로 사용자를 서로 다른 Canvas 경로로 라우팅하는 등 실시간으로 대응할 수도 있습니다.

에이전트는 메시징 외에도 제품 및 프로필 필드 값을 계산하거나 생성해 카탈로그를 보강하고, 데이터를 최신 상태의 동적인 데이터로 유지합니다. 반복적이거나 복잡한 작업을 에이전트가 맡으므로 팀은 수동 설정 대신 전략과 창의적인 작업에 집중할 수 있습니다. Braze Agents는 백그라운드 프로세스라기보다 협업자에 가깝게 작동하며, 문제를 해결하고 대규모로 성과를 내도록 도와줍니다.

Braze Agents와 다른 BrazeAI 기능 중 무엇을 사용할지 결정하기

발송 시점에 한 사용자의 컨텍스트를 바탕으로 추론해야 할 때 에이전트를 사용하세요. 자유 텍스트를 다루거나 판단이 필요한 경우도 여기에 해당합니다. 예를 들어 특정 사용자가 가장 좋아하는 아이스크림 맛이 초콜릿이고 가장 좋아하는 토핑이 젤리라는 사실을 에이전트가 알고 있다면, 사용자가 Canvas를 진행하는 동안 그 조합에 맞는 푸시 문구를 작성할 수 있습니다.

Braze Agents는 전달받은 컨텍스트를 바탕으로 추론합니다. 출력이 효과가 있었는지를 학습하지 않으므로 성과를 통해 스스로 개선되지는 않습니다.

측정된 결과로부터 학습해야 한다면 다른 BrazeAI 기능을 사용하세요.

원하는 작업	대신 사용할 기능
사용자의 고객이탈 또는 행동 가능성 점수 산정	Predictive Suite
대규모 카탈로그에서 아이템 선택	아이템 추천 (그런 다음 에이전트를 사용해 해당 아이템에 맞는 문구 작성)
시간에 따라 지표 기준으로 결과를 개선하거나 오퍼 결정	Decisioning Studio
대시보드에서 작업하는 동안 콘텐츠 초안 작성 또는 개선	BrazeAI Operator

BrazeAI 기능의 전체 비교는 BrazeAI를 참조하세요.

기능

Braze Agents의 기능은 다음과 같습니다.

• 유연한 설정: Braze에서 제공하는 LLM을 사용하거나, OpenAI, Anthropic, Google Gemini, Databricks Mosaic 같은 자체 AI 모델 공급자를 연결할 수 있습니다.
• 원활한 통합: Canvas 단계 또는 카탈로그 필드에 에이전트를 바로 배포할 수 있습니다.
• 테스트, 로깅 및 버전 기록: 출시 전에 샘플 입력으로 테스트하여 에이전트의 출력을 미리 확인할 수 있습니다. 에이전트가 실행될 때마다 해당 실행의 입력과 출력을 포함한 로그를 볼 수 있습니다. 버전 기록 탭에서 이전 버전과 지침 변경 사항의 인라인 차이를 검토할 수 있습니다.
• 사용량 제어: 일일 한도를 통해 성능과 비용을 관리할 수 있습니다.
• 에이전트 기반 표준: 에이전트 콘솔에서 규칙과 규칙 세트를 정의한 다음, 캠페인이나 Canvas를 시작하기 전에 에이전트 기반 평가를 실행하여 브랜드 가이드라인, 조직 관례, 기술 요구 사항을 확인할 수 있습니다.

Braze Agents 소개

에이전트는 동작 방식을 정의하는 지침(시스템 프롬프트)으로 구성됩니다. 에이전트가 실행되면 지침과 명시적으로 전달한 데이터를 함께 사용해 응답을 생성합니다. 에이전트는 Liquid 변수, 에이전트 컨텍스트 선택 항목, Canvas 컨텍스트 변수, 컨텍스트 단계 값처럼 구성한 데이터 외의 사용자 데이터에는 액세스할 수 없습니다. 에이전트는 프로필을 검색하지 않으며, 데이터가 누락되어도 경고하지 않습니다. 자세한 내용은 에이전트가 받는 데이터를 참조하세요.

주요 개념

용어	정의
모델	에이전트의 “두뇌”로, 여기서는 대규모 언어 모델(LLM)을 말합니다. 입력을 해석하고, 응답을 생성하고, 추론을 수행합니다. 더 강력한 모델(더 관련성 높은 데이터로 학습된 모델)을 사용하면 에이전트의 능력과 활용도가 높아집니다.
지침	에이전트에 제공하는 규칙 또는 가이드라인(시스템 프롬프트)입니다. 에이전트가 실행될 때마다 어떻게 동작해야 하는지 정의합니다. 지침이 명확할수록 에이전트의 신뢰성과 예측 가능성이 높아집니다.
컨텍스트	에이전트가 배포된 위치에서 런타임에 에이전트로 전달되는 데이터로, 고객 프로필 필드나 카탈로그 행 등이 있습니다. 이 입력은 에이전트가 출력을 생성하는 데 사용하는 정보를 제공합니다.
Canvas 컨텍스트 변수	특정 Canvas를 통과하는 사용자 여정 내에서 생성하고 사용할 수 있는 임시 데이터입니다.
출력 변수	Canvas 단계에서 사용할 때 에이전트가 생성하는 출력입니다. 출력 변수는 에이전트의 결과를 저장해 콘텐츠를 개인화하거나 워크플로 경로를 안내합니다. 출력 변수는 문자열, 숫자, 불리언, 문자열 또는 숫자의 배열, 스키마로 정의된 JSON 객체일 수 있습니다.
호출	에이전트의 단일 실행입니다. 일일 한도에 포함됩니다.
출력 형식	에이전트 응답에 대해 미리 정의된 데이터 구조입니다.
지식 소스	에이전트 지침에서 카탈로그를 직접 참조할 때보다 카탈로그에서 데이터를 더 정확하게 검색하는 데 사용하는 에이전트 컨텍스트 유형입니다.
대화형 에이전트	여러 차례 주고받는 사용자 대화를 위한 채널입니다. 도구를 포함한 대화형 워크플로를 정의하여 사용자가 SMS, RCS, WhatsApp 또는 웹 채팅에서 작업을 완료할 수 있게 합니다.

호출 시 일어나는 일

호출은 에이전트의 1회 실행입니다. Braze가 지침과 컨텍스트를 모델에 전달하면 모델이 이를 바탕으로 추론하고, 에이전트가 하나의 출력을 반환합니다. 각 호출은 에이전트의 일일 호출 한도에 포함됩니다.

에이전트 유형	1회 호출 기준
Canvas 단계 에이전트	사용자 한 명이 에이전트 단계에 진입하는 경우
카탈로그 에이전트	에이전트가 카탈로그 행 하나를 처리하는 경우

응답 시뮬레이션을 사용하는 에이전트 콘솔 미리보기와 테스트 Canvas 실행도 호출로 계산됩니다. 동일한 입력이 반복되어 캐시된 응답도 총 호출 수와 일일 호출 수에 포함됩니다.

입력되는 항목

• 모델: Braze에서 제공하는 Auto 모델(Google Gemini) 또는 OpenAI, Anthropic, Google Gemini, Amazon Bedrock, Microsoft Foundry, Databricks Mosaic 등 자체 AI 모델 공급자입니다.
• 지침: 모든 실행에 적용되는 시스템 프롬프트입니다.
• 사용자 컨텍스트(Canvas 단계 에이전트): Liquid로 참조하는 사용자 속성 및 Canvas 컨텍스트 변수, Segment 멤버십, All Canvas Context, 사용자 상호작용 기록입니다.
• 카탈로그 데이터(카탈로그 에이전트): 처리 중인 카탈로그 행의 필드입니다.
• 워크스페이스 컨텍스트: 지식 소스(카탈로그 데이터 등), 브랜드 가이드라인, 컨텍스트 파일입니다.

실행 방식

에이전트는 입력과 컨텍스트를 해석하고 이를 바탕으로 추론하여 응답을 생성합니다. 각 실행 중에는 다음이 적용됩니다.

• 에이전트는 실행 간에 기억을 유지하지 않습니다: 각 실행은 독립적이며 이전 실행의 내용을 이어받지 않습니다.
• 에이전트는 전달한 데이터만 볼 수 있습니다: 입력되는 항목의 입력 중 하나를 통해 전달되지 않은 값은 에이전트가 받지 못합니다. 자세한 내용은 에이전트가 받는 데이터를 참조하세요.
• 각 실행에 최대 20초가 걸릴 수 있다고 예상하세요: Braze는 기본적으로 모델의 각 응답을 최대 20초 동안 기다립니다. 카탈로그나 지식 소스를 검색하는 에이전트는 한 번의 실행에서 모델과 여러 차례 주고받을 수 있으며, 각 교환에는 개별적으로 20초 제한이 적용됩니다. 교환 중 하나라도 시간이 초과되면 전체 실행이 실패하며 재시도되지 않습니다. 이 경우 Canvas 단계 에이전트는 null 또는 구성한 대체 값을 반환합니다.
• 각 에이전트의 일일 호출 한도는 기본 250,000회이며 최대 1,000,000회까지 가능합니다: 한도를 1,000,000회보다 높이고 싶다면 고객 성공 매니저에게 문의하세요.

시간 및 사용량 제한에 대한 자세한 내용은 제한 사항을 참조하세요.

출력되는 항목

각 호출은 정의한 출력 형식으로 하나의 출력을 반환합니다. 출력 형식은 문자열, 숫자, 불리언 또는 (Canvas 단계 에이전트에 한해) 배열이나 고급 JSON 스키마입니다. 출력은 다음과 같은 용도로 사용할 수 있습니다.

• 메시지 문구 개인화
• 사용자를 Canvas 경로로 라우팅
• 이후 단계에서 사용할 수 있도록 Canvas 컨텍스트에 값 저장
• 카탈로그 필드 채우기

제한 사항

다음과 같은 제한 사항이 적용됩니다.

• 각 에이전트의 기본 일일 호출 한도는 250,000회이며, 하루 최대 1,000,000회까지 늘릴 수 있습니다. 이 한도를 늘리고 싶으시면 고객 성공 매니저에게 문의하세요.
• 에이전트 콘솔에는 각 에이전트의 일일 액션 크레딧 비용 한도가 표시됩니다. 이 값은 모델의 호출당 크레딧 비율과 일일 호출 한도를 기준으로 추정한 하루 최대 크레딧입니다. 자세한 내용은 일일 호출 및 크레딧 한도를 참조하세요.
• 기본적으로 Braze는 모델의 각 응답을 최대 20초 동안 기다립니다. 카탈로그나 지식 소스를 검색하는 에이전트는 한 번의 실행에서 여러 요청을 보낼 수 있으며, 각 요청마다 20초 한도가 별도로 적용됩니다. 요청 중 하나라도 시간이 초과되면 전체 실행이 실패하고 재시도되지 않으며, 에이전트가 사용되는 위치에서 null 응답을 반환합니다.
  • 에이전트에서 시간 초과가 계속 발생한다면 Braze 계정 매니저에게 문의하여 이 한도를 늘리세요.
• 입력 데이터는 요청당 25KB로 제한됩니다. 이보다 긴 입력은 잘립니다.

모범 사례

에이전트가 가장 큰 투자수익률(ROI)을 낼 수 있는 고가치 사용 사례를 목표로 삼고, 반응할 가능성이 높은 오디언스를 선택하세요. 규모가 작더라도 기회가 큰 오디언스가 기회가 적은 대규모 오디언스보다 더 좋은 성과를 내는 경우가 많습니다. 예를 들어 에이전트가 생성한 문구를 전체 사용자 기반에 보내는 대신, 최근에 검색했지만 전환하지 않은 사용자를 리타겟팅할 수 있습니다.

규모를 확장하기 전에 ROI를 검증하려면 실험 경로 단계를 사용해 오디언스의 일부만 에이전트 단계를 거치도록 보내세요. 소규모 테스트 결과가 좋다면 에이전트를 전체 타겟 오디언스로 확장하고, 발송 도중 호출이 제한되지 않도록 일일 호출 한도를 높이세요. 전체 오디언스로 확장하기 전에 예상 크레딧 소비량이 적절한지 확인하세요. 배포에 대한 자세한 안내는 커스텀 에이전트 배포를 참조하세요.

오류 처리

Canvas 단계 에이전트 또는 카탈로그 에이전트를 호출하는 중에 연결된 모델이 LLM 제공업체로부터 사용량 제한 오류를 반환하면, Braze는 지수 백오프 방식으로 요청을 계속 재시도합니다.

시간 초과나 잘못된 API 키 같은 그 밖의 실패에서는 Canvas 단계 에이전트의 출력이 null로 설정됩니다. 단, 에이전트 콘솔에서 대체 값을 구성한 경우에는 그 값이 사용됩니다(Canvas 단계 에이전트만 해당). 카탈로그 에이전트는 사용량 제한 이외의 실패는 재시도하지 않습니다. 에이전트가 일일 호출 한도에 도달하면, Braze는 구성된 대체 값이 있을 때 이를 적용하고, 없으면 출력을 null로 설정합니다.

사용량 제한 오류, 모델 사용 불가, 일일 호출 한도로 인한 실패는 Braze 크레딧을 소비하지 않습니다. 시간 초과는 크레딧을 소비합니다. 자세한 내용은 크레딧이 소비되는 경우를 참조하세요.

많은 사용자가 한꺼번에 에이전트 단계에 진입하면 호출 흐름 제어 때문에 처리 시간이 더 길어질 수 있습니다. 호출이 실패해도 사용자가 출력을 받을 수 있도록 에이전트 콘솔에서 Canvas 단계 에이전트의 대체 값을 구성하세요. 또는 다운스트림 메시지 단계에서 Liquid 기본값을 사용할 수도 있습니다.

Braze 제공 LLM에서 데이터는 어떻게 사용되고 전송되나요?

Braze가 Braze 제공 LLM을 활용한다고 명시한 Braze 인공지능 기능을 통해 인공지능 출력(“출력”)을 생성하기 위해, Braze는 해당하는 경우 시스템 프롬프트 또는 기타 입력(“입력”)을 Braze 제공 LLM으로 전송합니다. 해당 Braze 제공 LLM으로 전송된 데이터는 Braze 제공 LLM을 학습시키거나 개선하는 데 사용되지 않습니다. 고객과 Braze 간에 출력은 고객의 지적 재산입니다. Braze는 이러한 출력에 대해 어떠한 저작권 소유권도 주장하지 않습니다. Braze는 출력을 포함하여 인공지능이 생성한 콘텐츠 전반에 대해 어떠한 종류의 보증도 하지 않습니다.

“Auto”로 표시되는 Braze Agents용 Braze 제공 LLM은 Google Gemini 모델을 사용합니다. Google은 Braze를 통해 제출된 입력과 출력을 최대 90일 동안 보관할 수 있으며, 이후 데이터는 영구적으로 삭제됩니다.

다음 단계

이제 Braze Agents에 대해 알아보았으니 다음 단계로 넘어갈 준비가 되었습니다.

• 커스텀 에이전트 생성
• 커스텀 에이전트 배포
• 에이전트 기반 표준
• 대화형 에이전트