상담원 참조

커스텀 상담원을 만들 때 지침 및 출력 스키마와 같은 주요 설정에 대한 자세한 내용은 이 문서를 참조하세요. 소개는 Braze 에이전트를 참조하세요.

모델

상담원을 설정할 때 응답을 생성하는 데 사용하는 모델을 선택할 수 있습니다. 두 가지 옵션이 있습니다: Braze 기반 모델을 사용하거나 자체 API 키를 가져오는 것입니다.

Option 1: Braze 구동 모델 사용

이 옵션은 별도의 설정이 필요 없는 가장 간단한 옵션입니다. Braze는 대규모 언어 모델(LLM)에 직접 액세스할 수 있습니다. 이 옵션을 사용하려면 Gemini 모델을 사용하는 자동을 선택합니다.

Option 2: API 키 가져오기

이 옵션을 사용하면 OpenAI, Anthropic, AWS Bedrock 또는 Google Gemini와 같은 제공업체에 Braze 계정을 연결할 수 있습니다. LLM 제공업체로부터 API 키를 직접 가져오는 경우 토큰 비용은 Braze를 통하지 않고 제공업체를 통해 직접 청구됩니다.

설정하려면 다음과 같이 하세요:

1. 파트너 통합 > 기술 파트너로 이동하여 제공업체를 찾습니다.
2. 공급업체에서 받은 API 키를 입력합니다.
3. Select Save.

그런 다음 상담원에게 돌아가서 모델을 선택할 수 있습니다.

작성 지침

안내는 상담원에게 제공하는 규칙이나 가이드라인입니다(시스템 프롬프트). 에이전트가 실행될 때마다 에이전트가 어떻게 작동해야 하는지 정의합니다. 시스템 지침은 최대 25KB까지 가능합니다.

다음은 메시징을 시작하는 데 도움이 되는 몇 가지 일반적인 모범 사례입니다:

1. 끝을 염두에 두고 시작하세요. 먼저 목표를 명시하세요.
2. 모델에게 역할 또는 페르소나를 지정합니다(“귀하는 …”).
3. 명확한 컨텍스트와 제약 조건(오디언스, 길이, 어조, 형식)을 설정하세요.
4. 구조를 요청합니다(“JSON/벌릿 목록/표 반환…”).
5. 말하지 말고 보여주세요. 몇 가지 수준 높은 예시를 포함하세요.
6. 복잡한 작업을 순서대로 단계별로 나누기(“1단계… 2단계…”).
7. 추론을 장려합니다(“내부적으로 단계를 검토한 다음 간결한 최종 답변을 제공” 또는 “결정에 대해 간략하게 설명”).
8. 파일럿, 검사 및 반복. 작은 조정이 큰 품질 향상으로 이어질 수 있습니다.
9. 가장자리 케이스 처리, 가드레일 추가, 거부 지침 추가.
10. 재사용 및 확장을 위해 내부적으로 어떤 것이 효과적인지 측정하고 설명서를 작성하세요.

상담원이 구문 분석할 수 없는 응답을 수신할 경우 기본값을 포괄 응답으로 포함하는 것도 좋습니다. 이 오류 처리를 통해 상담원이 알 수 없는 결과 변수를 알려줄 수 있습니다. 예를 들어 상담원에게 ‘긍정’ 또는 ‘부정’ 감정 값만 묻는 대신 결정할 수 없는 경우 ‘잘 모르겠다’를 반환하도록 요청하세요.

간단한 프롬프트

이 예제 프롬프트는 설문조사 입력을 받아 간단한 감성 분석을 출력합니다:

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

복잡한 프롬프트

이 예제 프롬프트는 사용자의 설문조사 입력을 받아 이를 하나의 감성 라벨로 분류합니다. 그런 다음 그 결과를 사용하여 사용자를 다른 캔버스 경로(예: 긍정적인 피드백 대 부정적인 피드백)로 라우팅하거나 향후 타겟팅을 위해 감성을 고객 프로필에 커스텀 속성으로 저장할 수 있습니다.

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"  
}  

프롬프트 모범 사례에 대한 자세한 내용은 다음 모델 제공업체의 가이드를 참조하세요:

• OpenAI
• 인류학
• 쌍둥이자리

Using Liquid

상담원의 안내에 Liquid를 포함하면 응답에 개인화된 기능을 추가할 수 있습니다. 상담원이 가져오는 정확한 Liquid 변수를 지정하고 프롬프트의 컨텍스트에 포함시킬 수 있습니다. 예를 들어, “이름”을 명시적으로 작성하는 대신 Liquid 스니펫 {{${first_name}}} 을 사용할 수 있습니다:

1
Tell a one-paragraph short story about this user, integrating their {{${first_name}}}, {{${last_name}}}, and {{${city}}}. Also integrate any context you receive about how they are currently thinking, feeling, or doing. For example, you may receive {{context.${current_emotion}}}, which is the user's current emotion. You should work that into the story.

상담원 콘솔의 로그 섹션에서 상담원의 입력 및 출력에 대한 세부 정보를 검토하여 Liquid에서 어떤 값이 렌더링되는지 파악할 수 있습니다.

카탈로그 및 필드

상담원이 참조할 특정 카탈로그를 선택하여 관련성이 있는 경우 상담원에게 제품 및 기타 비사용자 데이터를 이해하는 데 필요한 컨텍스트를 제공하세요. 에이전트는 토큰 사용을 최소화하기 위해 도구를 사용하여 관련 항목만 찾아서 LLM으로 전송합니다.

세그먼트 멤버십 컨텍스트 세분화

캔버스에서 에이전트를 사용할 때 에이전트가 각 사용자의 세그먼트 멤버십을 상호 참조할 수 있도록 최대 3개의 세그먼트를 선택할 수 있습니다. 상담원이 “로열티 사용자” 세그먼트에 대해 세그먼트 멤버십이 선택되어 있고 그 상담원이 캔버스에서 사용된다고 가정해 보겠습니다. 사용자가 상담원 단계를 입력하면 상담원은 각 사용자가 상담원 콘솔에서 지정한 각 세그먼트의 멤버인지 상호 참조하여 각 사용자의 멤버십(또는 비멤버십)을 LLM의 컨텍스트로 사용할 수 있습니다.

브랜드 가이드라인

상담원이 응답할 때 준수할 브랜드 가이드라인을 선택할 수 있습니다. 예를 들어 상담원이 사용자에게 헬스장 멤버십 가입을 유도하는 SMS 문구를 생성하도록 하려면 이 필드를 사용하여 미리 정의한 굵은 글씨로 동기 부여를 위한 가이드라인을 참조할 수 있습니다.

온도

에이전트를 사용하여 사용자가 모바일 앱에 로그인하도록 유도하는 문구를 생성하는 것이 목표라면 에이전트가 더 창의적으로 문맥 변수의 미묘한 차이를 활용할 수 있도록 더 높은 온도를 설정할 수 있습니다. 상담원을 사용하여 감정 점수를 생성하는 경우에는 상담원이 부정적인 설문조사 응답을 추측하지 않도록 온도를 낮게 설정하는 것이 이상적일 수 있습니다. 이 설정을 테스트하고 시나리오에 맞게 상담원이 생성한 출력을 검토하는 것이 좋습니다.