에이전트 단계

에이전트 단계는 AI 기반의 의사 결정 및 콘텐츠 생성을 Canvas 워크플로우에 직접 추가할 수 있게 해줍니다. 더 일반적인 정보는 Braze Agents를 참조하세요.

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 두 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 댓글을 참조하고 해결책을 제안하는 공감적인 후속 이메일을 생성할 수 있습니다.

에이전트 단계 만들기

1단계: 단계 추가

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

2단계: 에이전트 선택

이 단계에서 데이터를 처리할 에이전트를 선택합니다. 기존 에이전트를 선택하거나 이 단계에서 직접 새 에이전트를 생성합니다. 설정 안내는 커스텀 에이전트 만들기를 참조하세요.

3단계: 출력 변수를 정의하십시오

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

1. 변수에 이름을 지정하십시오.
2. 데이터 유형을 선택합니다.

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 용도는 다음과 같습니다:

데이터 유형	일반적인 용도
문자열	메시지 개인화 (제목 줄, 복사, 응답)
숫자	점수 매기기, 임계값, 오디언스 경로에서 라우팅
부울	결정 분기에서 예/아니오 분기
객체	예측 가능한 데이터 구조에서 단일 LLM 호출로 위의 데이터 유형 중 하나 이상을 활용하십시오.

정의되면, 컨텍스트 변수와 동일한 템플릿 구문을 사용하여 캔버스 전반에 걸쳐 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}}

위에 표시된 Liquid 구문 패턴을 사용하여 향후 캔버스 단계에서 에이전트 출력의 특정 필드를 참조하십시오.

4단계: 에이전트에 제공할 컨텍스트를 결정하십시오

런타임에 에이전트가 수신해야 할 데이터를 결정해야 합니다. 다음 옵션을 사용할 수 있습니다:

• 모든 캔버스 컨텍스트 포함: 모든 사용 가능한 캔버스 컨텍스트 변수를 에이전트 단계로 전달합니다 (예: 캔버스 항목 속성). 에이전트 단계 위에 컨텍스트 단계를 사용하여 그 전에 컨텍스트에 더 많은 데이터를 추가할 수 있습니다.
• 값 제공: 사용자의 이름이나 좋아하는 색상과 같은 선택된 속성만 전달합니다. 이 옵션을 선택하면 여기에서 할당한 값에만 에이전트가 접근할 수 있습니다. 각 키에 대해 특정 사용자 프로필 필드 또는 컨텍스트 변수를 정의하는 Liquid 태그를 입력합니다.

5단계: 에이전트를 테스트합니다.

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

오류 처리

• 연결된 모델이 속도 제한 오류를 반환하면, Braze는 지수 백오프를 사용하여 최대 다섯 번 재시도합니다.
• 에이전트가 다른 이유로 실패하는 경우(예: 잘못된 API 키), 출력 변수는 null로 설정됩니다.
  • 에이전트가 일일 호출 한도에 도달하면 출력 변수는 null로 설정됩니다. 메시지 단계에서 에이전트의 출력을 사용하는 경우, Liquid 중단 논리를 사용하는 것을 고려하십시오.
• 응답은 동일한 입력에 대해 캐시되며 몇 분 이내에 반복된 동일한 호출에 재사용될 수 있습니다.
  • 캐시된 값을 사용하는 응답도 총 및 일일 호출 수에 포함됩니다.

분석

다음 메트릭을 참조하여 에이전트 단계의 성능을 추적하십시오:

Metric	Description
Entered	사용자가 에이전트 단계에 들어간 횟수입니다.
Proceeded to Next Step	사용자가 에이전트 단계를 통과한 후 흐름의 다음 단계로 진행한 사용자 수입니다.
Exited Canvas	사용자가 에이전트 단계를 통과한 후 캔버스를 종료한 사용자 수입니다.

Frequently asked questions

에이전트 단계를 언제 사용해야 하나요?

일반적으로, 특정 상황별 데이터를 LLM에 제공하고 인간이 불가능한 규모로 캔버스 컨텍스트 변수를 지능적으로 할당하도록 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: 지침과 에이전트에게 제공된 상황 데이터 포인트를 기반으로 사용자가 원하는 것을 결정하기 위해 LLM을 사용합니다. 이 예에서 에이전트 단계는 사용자가 다양한 맛을 시도하고 싶어할 가능성에 따라 새로운 맛을 추천할 수 있습니다.
• AI 항목 추천: 과거 사용자 이벤트(예: 구매)를 기반으로 사용자가 가장 원할 가능성이 높은 제품을 예측하기 위해 머신 러닝 모델을 사용합니다. 이 예에서 AI 항목 추천은 사용자의 이전 두 주문(초콜릿과 딸기)을 기반으로 맛(바닐라)을 제안하고, 그것이 작업 공간의 다른 사용자 행동과 어떻게 비교되는지를 고려합니다.

에이전트에 대한 표준 출력 형식을 언제 사용해야 하나요?

단일 값 출력이 아닌 구조화된 방식으로 정의된 여러 값을 가진 데이터 구조를 에이전트가 반환하도록 하려면 출력 형식을 사용하는 것이 좋습니다. 이렇게 하면 출력을 일관된 컨텍스트 변수로 더 잘 형식화할 수 있습니다.

예를 들어, 사용자가 제출한 양식을 기반으로 샘플 여행 일정을 생성하기 위해 의도된 에이전트 내에서 출력 형식을 사용할 수 있습니다. 출력 형식을 사용하면 모든 에이전트 응답이 tripStartDate, tripEndDate, 및 destination 값에 대한 값을 반환해야 한다고 정의할 수 있습니다. 이 값들은 모두 상황 변수에서 추출되어 개인화를 위해 Liquid를 사용하여 메시지 단계에 배치될 수 있습니다.

에이전트 단계는 입력 데이터를 어떻게 사용하나요?

에이전트 단계는 에이전트에 제공된 특정 상황 데이터를 사용합니다.

캔버스 컨텍스트의 전체를 에이전트에 컨텍스트로 전달하거나 Liquid 태그를 사용하여 해당 에이전트 단계의 컨텍스트에 특정 값을 전달할 수 있습니다. 에이전트 단계에서 입력 값으로 연결된 콘텐츠를 사용할 수도 있습니다.

관련 문서

• 브레이징 에이전트 개요
• 커스텀 에이전트 만들기
• 에이전트 배포