Skip to content

에이전트 단계

에이전트 단계에서는 AI 기반의 의사 결정 및 콘텐츠 생성을 Canvas 워크플로우에 직접 추가할 수 있습니다. 자세한 정보는 Braze Agents를 참조하십시오.

Canvas 사용자 여정의 에이전트 단계입니다.

작동 방식

사용자가 Canvas의 에이전트 단계에 도달하면 Braze는 구성한 입력 데이터(전체 컨텍스트 또는 선택된 필드)를 선택한 에이전트에 전송합니다. 그런 다음 에이전트는 모델과 지침을 사용하여 입력을 처리하고 출력을 반환합니다. 그 출력은 단계에서 정의한 출력 변수에 저장됩니다.

그런 다음 이 변수를 세 가지 주요 방법으로 사용할 수 있습니다:

  • 의사 결정: 에이전트의 응답에 따라 사용자를 다른 Canvas 경로로 안내합니다. 예를 들어, 리드 점수 에이전트는 1과 10 사이의 숫자를 반환할 수 있습니다. 이 점수를 사용하여 사용자를 계속 메시징할지 아니면 여정에서 제외할지를 결정할 수 있습니다.
  • 개인화: 에이전트의 응답을 메시지에 직접 삽입합니다. 예를 들어, 에이전트는 고객 피드백을 분석하고 고객의 의견을 참조하고 해결책을 제안하는 공감적인 후속 이메일을 생성할 수 있습니다.
  • 사용자 데이터 처리: 사용자 데이터를 분석하고 표준화한 다음 사용자 프로필에 저장하거나 웹훅을 사용하여 전송합니다. 예를 들어, 에이전트는 감정 점수 또는 제품 친밀도 할당을 반환할 수 있습니다. 그 데이터를 사용자 프로필에 저장하여 향후 사용하세요.

Prerequisite

에이전트 단계는 캔버스 컨텍스트 변수를 사용하여 관련 컨텍스트를 수집하고 캔버스에서 활용할 수 있는 변수를 출력합니다.

에이전트 단계 만들기

1단계: 단계 추가

사이드바에서 에이전트 구성 요소를 드래그 앤 드롭하거나, 단계 하단의 더하기 버튼을 선택하고 에이전트를 선택하세요.

2단계: 당신의 에이전트를 선택하세요.

이 단계에서 데이터를 처리할 에이전트를 선택하세요. 기존 에이전트를 선택하세요. 설정 안내는 커스텀 에이전트 만들기를 참조하세요.

3단계: 에이전트의 출력 {#define-the-output-variable}을 설정하세요.

에이전트 출력은 “출력 변수”라고 하며, 쉽게 접근할 수 있도록 컨텍스트 변수에 저장됩니다. 출력 변수를 정의하려면 변수에 이름을 지정하세요.

출력 변수의 데이터 유형은 에이전트 콘솔에서 설정됩니다. 에이전트 출력은 문자열, 숫자, 불리언 또는 객체로 저장할 수 있습니다. 이로 인해 텍스트 개인화 및 캔버스의 조건 로직 모두에 유연하게 사용할 수 있습니다. 각 유형의 일반적인 사용 사례는 다음과 같습니다:

캔버스에서 컨텍스트 변수와 동일한 템플릿 구문을 사용하여 출력 변수를 사용할 수 있습니다. 컨텍스트 변수 세그먼트 필터를 사용하거나 Liquid를 사용하여 에이전트 응답을 직접 템플릿화하십시오: {{context.${response_variable_name}}} .

객체 출력 변수에서 특정 속성을 사용하려면 Liquid를 사용하여 점 표기법으로 해당 속성에 접근하십시오: {{context.${response_variable_name}.field_name}}

![변수 “agent_output”.](/docs/ko/assets/img/ai_agent/test_agent_step.png?56c0e1eda5e8be3e86177f805ab73fc5의 객체 데이터 유형 출력을 위한 본문 HTML 작성기 에이전트 단계{: style=”max-width:80%;”}

4단계: 추가 컨텍스트를 추가하십시오(선택 사항)

에이전트 단계가 실행될 때 참조할 추가 컨텍스트 값을 포함하도록 결정할 수 있습니다. 캔버스에서 일반적으로 사용하는 Liquid 템플릿 값을 입력할 수 있습니다.

Liquid를 사용하여 에이전트 단계에 추가 컨텍스트를 추가하는 옵션.

5단계: 에이전트를 테스트하십시오

에이전트 단계를 설정한 후, 이 단계의 출력을 테스트하고 미리 볼 수 있습니다.

무작위 사용자로서 에이전트 출력을 미리 봅니다.

오류 처리

  • 연결된 모델이 속도 제한 오류를 반환하면, Braze는 지수 백오프를 사용하여 최대 다섯 번 재시도합니다.
  • 에이전트가 타임아웃 오류나 잘못된 API 키와 같은 다른 이유로 실패하면 출력 변수는 null로 설정됩니다.
    • 에이전트가 일일 호출 한도에 도달하면 출력 변수는 null로 설정됩니다. 메시지 단계에서 에이전트의 출력을 사용하는 경우 기본 Liquid 값를 사용하는 것을 고려하십시오.
  • 응답은 동일한 입력에 대해 캐시되며 몇 분 이내에 반복된 동일한 호출에 대해 재사용될 수 있습니다.
    • 캐시된 값을 사용하는 응답도 총 및 일일 호출 수에 포함됩니다.

분석

다음 메트릭을 참조하여 에이전트 단계의 성능을 추적하십시오:

Frequently asked questions

에이전트 단계를 언제 사용해야 하나요?

일반적으로, 특정 상황별 데이터를 LLM에 제공하고 인간이 불가능한 규모로 지능적으로 캔버스 컨텍스트 변수를 할당하도록 에이전트를 사용하고자 할 때 에이전트 단계를 사용하는 것을 권장합니다.

이제 사용자가 이전에 초콜릿과 딸기를 주문한 경우 새로운 아이스크림 맛을 추천하는 개인화된 메시지를 보내고 있다고 가정해 보겠습니다. 에이전트 단계와 AI 항목 추천을 사용하는 것의 차이점은 다음과 같습니다:

  • 에이전트 단계: LLM을 사용하여 에이전트에게 제공된 지침 및 상황 데이터 포인트를 기반으로 사용자가 원하는 것을 정성적으로 결정합니다. 이 예에서 에이전트 단계는 사용자가 다양한 맛을 시도하고 싶어할 가능성에 따라 새로운 맛을 추천할 수 있습니다.
  • AI 항목 추천: 기계 학습 모델을 사용하여 과거 사용자 이벤트(예: 구매)를 기반으로 사용자가 가장 원할 가능성이 높은 제품을 예측합니다. 이 예에서 AI 항목 추천은 사용자의 이전 두 주문(초콜릿과 딸기)을 기반으로 맛(바닐라)을 제안하며, 이는 작업 공간의 다른 사용자 행동과 비교됩니다.

에이전트 단계는 입력 데이터를 어떻게 사용하나요?

에이전트 단계는 에이전트가 사용하도록 구성된 상황 데이터를 분석하며, 에이전트에게 제공된 추가 상황도 포함됩니다.

관련 문서
Github   GitHub 에서 이 페이지를 편집합니다.
New Stuff!